线性代数概念的几何意义
施密特正交化的几何意义
施密特正交化的几何意义【摘要】施密特正交化是线性代数中的一个重要概念，通过一系列步骤将原始向量组转化为正交的规范正交基。
这种方法在几何学中具有重要意义，可帮助解决向量空间中的问题并简化计算。
施密特正交化的几何意义在于通过构建正交基来描述向量空间的结构，从而更清晰地理解向量之间的关系。
这种正交化方法也被广泛应用于几何问题的解决和数据分析中，能够提高计算效率和结果的准确性。
施密特正交化也存在一定的局限性，可能会引入舍入误差或导致正交性不完全。
未来，随着数据科学和机器学习的快速发展，施密特正交化方法需要不断改进和适应新的领域需求，以更好地发挥其作用。
施密特正交化的实际意义在于提供一种有效的数学工具，但需要在实践中谨慎使用并充分考虑其局限性和适用性。
【关键词】1. 引言1.1 施密特正交化的重要性施密特正交化是线性代数中的一种重要概念，具有广泛的应用价值和理论意义。
在实际问题中，我们常常需要处理高维度的数据，并且这些数据可能存在多重相关性。
而施密特正交化的作用就在于将原始的线性无关的数据转化为正交的基向量，方便进行数据分析和处理。
通过施密特正交化，我们可以更好地理解数据之间的关系，提取出数据中的主要信息，减少数据冗余，从而提高数据处理的效率和准确性。
施密特正交化还可以用来解决各种几何问题，如求解投影、距离等，为几何学和计算几何学提供了重要的数学工具。
施密特正交化在数学理论和实际应用中都有着重要的地位，对于数据分析、几何问题和其他领域的研究具有重要的意义和作用。
1.2 施密特正交化的定义施密特正交化是一种特殊的向量正交化方法，用于将一组线性无关的向量组转化为一组正交化的向量组。
在施密特正交化中，首先选取一个向量作为新的基向量，然后将其他向量投影到这个基向量上，得到一个新的正交向量。
接着选取第二个向量作为新的基向量，重复上述步骤，直到所有向量都被处理过。
最终得到的向量组就是一组正交化的基向量。
施密特正交化的核心思想是通过投影的方式将原始向量组转化为正交向量组，使得向量之间彼此垂直。
线性代数的几何意义
线性代数的几何意义注解线性代数是优雅和有趣的一门学科，应用也很多，只是目前多数线性代数教材似乎都偏重"代数"而较少涉及"线性"一词包含的几何意义，所以可能给人印象较抽象，不容易让同学产生兴趣，有幸在以前偶然一次看到一位工程师自编的一本小册子叫《线性代数的几何意义》，加上后来阅读matlab 作者的书籍，才发现原来线性代数的几何含义真的印证了“数学之美”，的确很美，所以想借鉴这些零散的阅读，加上自己后来的理解，把它的部分几何意义注解一下，希望以前对线代没有很多兴趣的同学能喜欢上它，同时我也会保持更新，不断完善，一起体会数学无与伦比的美丽矩阵的几何意义1、一个矩阵是由若干向量组成的，矩阵可以看作是这些向量的集合或由这些向量为基张成的空间（在力学分析，向量空间应用时常取此几何含义，后文把此类几何含义称作矩阵的向量空间）如矩阵5673⎛⎫⎪⎝⎭按照行向量可表示为如下形式2、一个矩阵是由若干向量组成的，矩阵可以看作是这些向量终点组成的图形（在计算机图形学中常取此几何表示，后文把此类几何含义称作矩阵的图形），如矩阵579 635⎛⎫ ⎪⎝⎭按照列向量可表示为如下图形如下图是在matlab 中将z=sin(x)*cos(y)算得的离散点组成的矩阵表示成几何图形注1：如果单独查看一个矩阵m n A ⨯，可以有两种解读：矩阵A 由m 个n 维向量组成，或者由n 个m 维向量组成；在使用时会根据实际情或约定选择其中一种，而在参与变换或其他运算时，这两种解读一般不能混淆，一定要确定注2：当我们把矩阵表示成图形时，其作图没有固定标准，并不一定是把所有向量终点连接起来构成一个多边形，规则是使用者制定的，可以是网格，可以是离散面片等行列式的几何意义一个方阵n n A ⨯的行列式的绝对值是其行向量或列向量所张成的平行几何体的空间积，对于二阶行列式，就是向量张成的平行四边形的面积，对于三阶行列式，就是对应平行六面体的体积；如方阵5673⎛⎫ ⎪⎝⎭的行列式绝对值为27，它就是下图平行四边形的面积注：行列式其实是带有符号的，实际上，正负号表征了这些向量作为线性空间基的手性，正号表示右手系，负号表示左手系，在二阶矩阵的向量空间里，其判别方法是，伸出右手和矩阵的第一个列向量或行向量平行，然后调整手的正反使得能从此向量转过小于180度的角到达第二个向量，这时大拇指如果朝上（从纸面指向自己）则为右手系，矩阵的行列式为正，反之则为左手系，对应行列式为负；如果是三阶矩阵，则从第一个向量转向第二个向量时，如果大拇指指向第三个向量方向（不必重合），则为右手系，其行列式为正，反之为左手系，行列式为负；其实这一点上更广义的表述应是向量空间的基相对自然坐标系的顺序性（代数上可用逆序数表达）克拉默法则的几何意义以二维形式为例来说明其几何意义:方程A x =b ，设A=11122122a a a a ⎛⎫ ⎪⎝⎭，b =12b b ⎛⎫ ⎪⎝⎭，待求的x =12x x ⎛⎫ ⎪⎝⎭ 将A 的两个列向量分别表示为a1,a2，那么原方程可表示为1x a1+2x a2=b ，这样可以把1x 与2x 看作是列向量a1,a2的伸缩因子，经过伸缩后再叠加即得到和向量b ，故原方程可以看作已知列向量被伸缩并叠加后的向量b ，求伸缩因子i x我们已经知道行列式的几何意义，显然矩阵A 对应的平行四边形的面积就是|A|（这里以带符号的有方向面积表示，因为伸缩因子也是有符号的），当某一个向量被伸缩后，如图将OB 边伸长至OE ，形成新的平行四边形OAFE ，记其面积为OAFE S ，这样a1的伸缩因子1x 可表示为||OAFE S A ，显然只要求出OAFE S 即可解出未知量；图中OG 即向量b ，因为它是1x a1，2x a2的线性叠加，所以G 点必在EF 的延长线上，这样OG 和OE 相对OA 边的高就是相同的，故OA 与OG 组成的平行四边形面积和OAFE 相同，即OAFE S =|b a2|，所以可求得1x =|b a2|/|A|，同理可得2x =|a1 b |/|A|，可以看出此表达式和克拉默法则等价矩阵乘法的几何意义我们知道矩阵是由若干向量组成的，因此可自然地把矩阵乘法看作是两个矩阵的同维向量之间做内积（或点乘），而内积的意义是两向量同向投影的乘积，但这只是一个表面的几何含义，比较抽象（也有应用之处，后面会提到）；实际上，对于矩阵乘法C=AB ，作用后得到的新矩阵C 可以看作是矩阵A 经过某种变换得到的，也可以看作是矩阵B 经过某种变换后得到的，而这种变换显然就是乘以另一个矩阵的过程，结合前面提到的矩阵的几何意义，故可以把矩阵乘法C=AB 看作是图形A （或B ）经过变换B （或A ）后得到新图形C ，或者是向量空间A （或B ）经过变换B （或A ）后得到新的向量空间C ，对于简单的变换矩阵这一点最容易感性体会到；例如变换矩阵100010000⎛⎫ ⎪ ⎪ ⎪⎝⎭会把原3D 图形向x-y 面投影，变换矩阵100010001-⎛⎫ ⎪ ⎪ ⎪⎝⎭会把原图形对x 轴镜像，变换矩阵cos30sin 30sin 30cos30-⎛⎫ ⎪⎝⎭会把原2D 图形相对原点逆时针旋转30度。
线性代数简介
序 言1.什么是线性代数：线性代数名曰代数，是代数学乃至整个数学的一个非常重要的学科，顾名思义，它是研究线性问题的代数理论，具体来说是讨论矩阵理论、与矩阵结合的有限维向量空间及其线性变换理论的一门学科。
1.1 那么什么是代数呢？代数英文是Algebra ，源于阿拉伯语，其本意是“结合在一起”的意思。
也就是说代数的功能是把许多看似不相关的事物“结合在一起”，也就是进行抽象。
抽象的目的不是为了显示某些人智商高，而是为了解决问题的方便，为了提高效率，把许多看似不相关的问题化归为一类问题。
比如线性代数中的一个重要的抽象概念是线性空间（对所谓的要满足“加法”和“数乘”等八条公理的元素的集合），而其元素被称为向量。
也就是说，只要某个集合里的元素满足那么几条公理，元素之间的变化满足这些规律，我们就可以对这个集合（现在可以改名为线性空间了）进行一系列线性化处理和分析，这个陌生的集合的性质和结构特点我们一下子就全知道了，因为宇宙间的所有的线性空间类的集合的性质都一样，地球人都知道（如果地球人都学了线性代数的话）。
多么深刻而美妙的结论！这就是代数的一个抽象特性。
1.2 那么线性问题又是什么样的问题呢？在大家的科技实践中，从实际中来的数学问题无非分为两类：一类线性问题，一类非线性问题。
线性问题是研究最久、理论最完善的；而非线性问题则可以在一定基础上转化为线性问题求解。
因此遇到一个具体的问题，首先判断是线性还是上非线性的；其次若是线性问题如何处理，若是非线性问题如何转化为线性问题。
下面我们通过介绍一个重要的概念来逐渐的把握线性这个核心意思。
“线性”的意义线性代数里面的线性主要的意思就是线性空间里的线性变换。
线性变换或线性映射是把中学的线性函数概念进行了重新定义，强调了函数的变量之间的变换的意义。
线性函数的概念线性函数的概念在初等数学和高等数学中含义不尽相同（高等数学常常把初等数学的关键概念进行推广或进一步抽象化，初等数学的概念就变成了高等数学概念的一个特例）。
施密特正交化的几何意义
施密特正交化的几何意义
施密特正交化是线性代数中一个重要的概念，它有着深刻的几何意义。
在几何学中，我们经常需要对向量进行正交化处理，以便于求解问题或者进行几何分析。
施密特正交化提供了一种有效的方法来实现向量的正交化，并且其几何意义也非常重要。
本文将从几何的角度探讨施密特正交化的意义，以及它在几何分析中的应用。
我们需要了解什么是施密特正交化。
施密特正交化是将一组线性无关的向量正交化的一种方法。
在施密特正交化过程中，原始的向量组被转化为一组正交的向量组，这样做的一个重要目的就是使得这组向量更容易用来描述空间中的几何关系。
施密特正交化的结果是一组相互垂直的向量，这样一来，我们就可以更清晰地描述空间的几何形状和结构。
施密特正交化有着很深的几何意义，首先是它可以帮助我们更加清晰地理解空间中的向量和几何关系。
在施密特正交化后得到的向量组，它们之间都是相互垂直的。
这意味着这些向量在空间中的方向是相对独立的，它们不会在同一方向上产生冗余的信息，使得我们更加清晰地理解这组向量所描述的几何形状。
而对于具体的几何问题，施密特正交化后得到的向量组可以更加方便地用来描述空间中的几何关系。
施密特正交化后得到的向量组可以用来求解平面的面积、空间的体积，以及空间中的角度和距离等几何量。
施密特正交化还有助于我们更加深入地理解内积空间和正交补空间的意义。
在线性代数中，内积空间和正交补空间是两个非常重要的概念，它们可以帮助我们更好地理解向量空间和几何空间的结构。
通过施密特正交化，我们可以更加清晰地理解内积空间和正交补空间的几何意义，从而更好地应用这两个概念解决几何问题和进行几何分析。
理解向量的几何意义
理解向量的几何意义向量是线性代数中的一个重要概念，它可以描述空间中的方向和大小。
在几何学中，向量被用来表示位移、速度、加速度等物理量，而在计算机科学中，向量被广泛应用于图形学、机器学习等领域。
理解向量的几何意义对于学习和应用相关领域都非常重要。
首先，我们来了解什么是向量。
向量是由有序元素组成的有方向性的量，常表示为有起点和终点的箭头。
在平面上，一个向量可以由两个坐标表示，分别表示向量在x轴和y轴上的分量。
在三维空间中，一个向量通常用三个坐标表示，分别表示向量在x轴、y轴和z轴上的分量。
那么，向量的几何意义是什么呢？首先，向量的模表示了向量的大小，也就是向量的长度。
一个向量的长度可以通过勾股定理计算，即向量的模等于坐标轴上的两个点之间的距离。
例如，在平面上，一个向量(3,4)的长度为5，表示这个向量的起点到终点的距离为5个单位。
在三维空间中，一个向量(1,2,3)的长度可以通过三维勾股定理计算，即长度等于根号下1的平方加上2的平方再加上3的平方，即根号下14。
其次，向量的方向是向量的另一个几何意义。
向量的方向指向了向量变化的方向，可以用箭头来表示。
例如，在平面上，一个向量(3,4)的方向指向右上方；在三维空间中，一个向量(1,2,3)的方向指向坐标系中以这个向量为轴的方向。
另外，向量还可以进行运算，如加法和乘法。
向量的加法表示将两个向量尾部相接，找到连接两个向量箭头的终点，这个终点就是两个向量的和向量。
向量的乘法有数量积和向量积两种形式。
数量积也叫点积，表示两个向量的数量乘积再乘以它们夹角的余弦值，结果是一个标量。
向量积也叫叉积，表示两个向量的数量乘积再乘以它们夹角的正弦值，结果是一个向量，这个向量垂直于原来两个向量构成的平面。
在几何学中，向量的应用非常广泛。
例如，在物理学中，向量被用来表示力、速度、加速度等物理量，可以帮助我们分析物体的运动和形态变化。
在工程学中，向量被用来表示力矩、电场、磁场等，可以帮助我们设计和分析各种工程系统。
线性代数的几何意义
线性代数的几何意义
高级线性代数是数学中关于几何意义的重要领域，可以用来探索各种图形分析
问题。
它揭示了不同图形之间的关系，以及人们建立抽象系统的方式。
其中，最有用的是向量，它在研究实体行为时特别重要。
向量可以用来描述空间中的力学形状，这对于每一种物理实体的行为都很重要。
这些形体可以用方向构成的向量来推导，同时也可以用于计算几何图形的面积，以及计算向量的投影等。
此外，空间的折射和反射也可以用向量解释，可以帮助我们更好地理解复杂的物理系统。
而线性代数则更多地涉及不同类型的向量，以及如何在多维空间中推导它们。
它们可以用来处理不同维度和方向的向量，进而可以快速求出向量空间中不同点之间的距离。
这些知识也可以为我们提供重要的编程支持，对各种几何变换的计算有很大的帮助。
总之，高级线性代数的几何意义对于推导复杂的几何图形具有重要意义。
它不
仅可以帮助我们了解物质的行为习性，还可以支持大量的编程运算。
同样，线性代数的概念也可以使我们更好地整理抽象空间，从而推动重要科学问题的解决。
线性代数的几何意义
向量组中地秩指地是向量组（很多向量构成地集合）在空间中所占地维度，注意，用三维表示地向量组不一定秩是，也可能是（表示共面），（表示共线）资料个人收集整理，勿做商业用途
先讲明白向量空间地定义及几何意义，这虽然是最后一节学地，但却是
学习方法地思想来源.最基础地往往是最重要地.
向量空间：设为维向量地全体所构成地集合叫做维向量空间
设为向量空间，如果个向量，……∈，且满足：
（），……都线性无关
（）中任意向量都可由，……线性表示
那么，……就称为向量空间地一个基，称为向量空间地维数，若把看成向量组，那么地基就是就是向量组地最大无关组，地维数就是向量组地秩.联系高中学过地三维直角坐标系地知识，容易联想到若三个单位向量（），（），（）指地是定义中地向量，它们线性无关，即不能用λμ表示，而在高中知识中λμ表示三个向量共面（两个向量如λ表示，两向量共线）故线性无关在三维中指不公线.资料个人收集整理，勿做商业用途
《线性代数地几何意义——向量组地线性相关性》
学年，帮助学生更深层次地理解线性代数.很多学生都抱怨线性代数枯燥、抽象、难理解，引入几何方法能调动学生积极性.资料个人收集整理，勿做商业用途
.使学生了解线性代数用几何方法理解地思想，并学会将这种能力迁移来进行其他定理地学习
不同向量线性关系地几何意义
两个向量，线性相关指两向量平行（或者说共线），此时只是在线上地关系，仅仅是一维，线性无关指两向量相交，≠λ即能确定一个二维平面.线性无关提供了另一种维度，使得向量所在地空间增加了一维.资料个人收集整理，勿做商业用途
对称矩阵的几何意义
对称矩阵的几何意义对称矩阵是线性代数中的一个重要概念，它在几何学中有着重要的几何意义。
本文将从几何的角度来解释对称矩阵的意义。
什么是对称矩阵呢？对称矩阵是指矩阵的转置等于自身的矩阵。
换句话说，对称矩阵的元素关于主对角线对称。
例如，下面的矩阵就是一个对称矩阵：$$\begin{bmatrix}1 &2 &3 \\2 & 4 & 5 \\3 & 5 & 6 \\\end{bmatrix}$$对称矩阵在几何学中有着重要的几何意义。
首先，对称矩阵代表了一个二次型的矩阵表示。
二次型是一个与二次多项式相关的函数，其在几何学中有着广泛的应用。
对称矩阵可以通过二次型来解释。
具体来说，对称矩阵可以表示一个二次型的矩阵表示。
二次型的矩阵表示是指将二次型表示成一个矩阵的形式。
对称矩阵的对角线元素表示二次型中各个变量的平方项的系数，而非对角线元素表示二次型中各个变量的交叉项的系数。
以二维平面为例，我们可以将二次型表示成一个对称矩阵。
假设有一个二次型 $Q(x,y)$，其对应的对称矩阵为 $A$：$$Q(x,y) = \begin{bmatrix}x & y\end{bmatrix} \begin{bmatrix}a &b \\b &c \\\end{bmatrix} \begin{bmatrix}x \\y \\\end{bmatrix}$$其中，$a$、$b$、$c$ 是对称矩阵$A$ 的元素。
这个二次型对应的对称矩阵在几何学中有着重要的几何意义。
对称矩阵的特征值和特征向量与二次型的主轴和离心率密切相关。
特征值和特征向量可以通过对称矩阵的特征值分解来求得。
特征值表示了二次型在特征向量方向上的变化程度，而特征向量表示了二次型的主轴方向。
特别地，对称矩阵的特征向量是正交的，即特征向量之间的夹角为90度。
这意味着对称矩阵表示的二次型的主轴是相互垂直的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
二阶矩阵特征值的几何意义
例5.已知矩阵
1 3
1 2
A1
2
5
A2 1
5
1 2
2 1
A3 2 4 A4 3
2
求它们的特征值和特征 向量，并绘制特征向量 图，分析其几何意义。
解： 在MATLAB命令窗口输入： A1=[-1,3;2,5]; [V1,D1]=eig(A1) eigshow(A1)
2
2
1
1
0
0
-1
-1
0
1
-1
-1
0
1
平面上线性变换的几何意义
• 对二维空间（平面），行列式的几何意义实际上 是两个向量所构成的平行四边形的面积。
• 一个变换所造成的图形的面积变化，取决于该变
换矩阵的行列式,A1 ,A4 和A5 的行列式绝对值都是 1，所以变换后图形的面积不改变。而A2 和A3 的行
(1)
x1 5x2 x3 1 3x1 3x2 x3 2
2x1 0.5x2 x3 3
(2)
8x1 x2 x3 0 2x1 x2 x3 0
3x1 x2 x3 0
(3)
5x1 7x2 x3 5 x1 4x2 x3 12
• 针对矩阵A4，当向量 x 顺时针旋转时，向量 A4 x 也顺时针 旋转，但它永远也追不上向量 x ，它们之间总保持着一定
的角度，则矩阵 A4 没有实特征值 。
二维向量组的线性相关性的几何 意义
例6. 设平面上的向量
u
u1 u2
2 4
,
v
v1 v2
旋转。向量 x 的轨迹为
一个圆，而向量 Ax 的
轨迹一般情况为一个椭
圆。同理，可以对其它
三个矩阵进行同样的操
作，绘制图形如图5所示。
图5 特征值及其演示
函数eigshow(A)描述了向量 Ax随向量 x的变
换关系：
当向量 x 在旋转的过程中，如果向量 x 与向量Ax
共线(包括同向和反向)，则有等式 A1x x
3 1
,
2 3 9 w 1.5 4 2 1 4 u, v不共线，线性无关；共线，线性相关
图6 向量u,v线性组合成向量w
例7 设三维空间中的三个列向量v1,v2和v3：
1 3 3
v1
1
,
v2
为一实数乘子，为正表示两个向量同向， 为负
表示两个向量反向。人们把向量Ax 与向量 x 共
线的位置称为特征位置，其中实数 就称为矩阵
的特征值，而此时的 x 即为矩阵 A 的属于 的
特征向量。
特征值表示线性变换Ax在特征向量x方向上的 放大(缩小)量。
• 针对矩阵 A1，当向量 x 顺时针旋转时，向量 A1 x逆时针旋
ezplot('x1+2*x2=5')
% 绘制直线x1+2*x2=5
hold on
% 保留原来图形
ezplot('2*x1-3*x2=-4')
% 再绘制直线2*x1-3*x2=-4
title('x1+2*x2=5 2*x1-3*x2=-4')
% 在图上标注x1+2*x2=5 2*x1-3*x2=-4
• AX=b • 最小二乘解 • 命令：x=pinv(A)*b
x=A\b
三元一次方程组的几何表示
三个三元一次方程构成的方程组： • 若三个平面只有一个交点，即方程组有唯一
解； • 若三个平面相交于一直线，即方程组有无穷
多解； • 若三个平面没有交点或交线，即方程组无解。
例2 求解下列线性方程组，并画出三维 图形来表示解的情况。
与过点C做平行y轴直线相交于点D。显然可以得到三角形CDB
和三角形AEO全等，则有：
y
C
SOACB = SOEDB + SCDB - SAEO - SAEDC
B(a2,b2) D
= SOEDB - SAEDC
A(a1,b1)
= a1b2 - a2b1
O
E
x
二阶行列式的几何意义
根据二阶行列式的定义，该平行四边形的面积刚好是以 A、B两点坐标所构成的二阶行列式:
a1 b1 c1 a2 b2 c2 a3 b3 c3Βιβλιοθήκη vw uO
平面上线性变换(y=Ax)的几何意义
例3 已知向量及矩阵
x
2 1
1 0
A1
0
1
1 0 A2 0 1
0.5 0
A3
0
2
cos sin A4 sin cos
a1 b1 a2 b2
一如般情况下Ouu也Aur构， 可O成u以uBu的r证一明个：平过行原四点边的形两的条面直积线为(向A、量B)两， 点坐标所构成的二阶行列式的绝对值。
三维情形 已知三个向量
u (a1, a2, a3), v (b1,b2,b3), w (c1, c2, c3)
由这三个向量所构成的平行六面体的体积即为 三阶行列式的绝对值 （如图）
线性代数概念的几何意义
东莞理工学院城市学院 教师：李红艳
主要内容
• 二元、三元线性方程组的几何意义 • 二阶、三阶行列式的几何意义 • 平面上线性变换的几何意义 • 二阶矩阵特征值的几何意义 • R2 中向量组的线性相关性的几何意义
二元、三元线性方程组的几何意义
二元一次方程在几何上表示的是一条直线， 则含两个二元一次方程的方程组在几何上则 表示两条直线的位置关系：
3
请分析经过线性变换 yi Ai x i 1,2,3,4 后，向量 yi 与原向量 x 的几何关系 。
• 绘制图形如下图所示： 图3 线性变换的几何意义
例4.设二维平面上第一象限中的一个单位方块， 其四个顶点的数据可写成
B
0 0
1 0
1 1
0 1
相交====〉有唯一解 平行====〉无解 重合====〉无穷多解
例1 求解下列四个线性方程组
(1)
2xx11
2x2 3x2
5 4
(2)
3xx11
3x2 9x2
2 6
(3)
2xx11
3x2 6x2
5 6
(4)
x1 2 x1
绘制几何图形可得：
(a) B=[0,1,1,0;0,0,1,1] 2
(b)A1=[-1,0;0,1] 2
1
1
0
0
-1
-1
0
1
-1
-1
0
1
(c)A2=[1.5,0;0,1] 2
1
0
-1
-1
0
1
(d)A3=[1,0;0,0.5] 2
1
0
-1
-1
0
1
(e)A4=[1,0.5;0,1] (f)A5=[cos(t),-sin(t);sin(t),cos(t)]
把不同的A 矩阵作用于此组数据，可以得到多
种多样的结果 Ci = AiB。 令B=（X1，X2，X3，X4），则
AiB=Ai(X1,X2,X3,X4)=（AiX1，AiX2，AiX3，AiX4）
用MATLAB程序进行计算，并画出B及C图形：
B=[0,1,1,0;0,0,1,1]; subplot(2,3,1), fill([B(1,:),0],[B(2,:),0],'r') A1=[-1,0;0,1],C1=A1*B subplot(2,3,2), fill([C1(1,:),0],[C1(2,:),0],'g')
列式分别为1.5和0.5，变换后图形的面积的增加 或减少倍数等于对应行列式的绝对值。
图像变换中的示例
• 在二维的图像变换 模型中，最基本的 图像变换有平移、 旋转、缩放（包括 各向同性和各向异 性）、反射和错切。 由这些基本的图像 变换组合，可以得 到刚性变换、相似 变换、仿射变换、 透视变换等复合变 换。
2 x2 x2
3 2
x1 3x2 5
以方程组（1）为例：在MATLAB的M文件编辑器中，输入
syms x1 x2
% 定义x1、x2为符号变量
U1=rref([1,2,5;2,-3,-4])
% 把增广矩阵通过初等行变换 % 变为最简阶梯矩阵
subplot(2,2,1)
% 准备画2×2个图形中的第一个
1 ,
v3
1
,
2 3 0
z
4
v2
2
v1
v3
0
2y
1
2x 0
0 -2
若三个向量不共面，则线性无关， 它们的线性组合可以覆盖 整个三维空间； 若共面，则线性相关，它们的线性组合将只能 构成一个平面，甚至一条直线。
Thanks ☺
grid on
% 显示网格
绘制图形如图1所示：
从运行结果可以看出:
方程组（1）的解为
xx21
1 2
；
方程组（2）的通解为： k13 02 ；
方程组（3）和方程组（4）这两个方程组无解。
从图1中可以形象地看出:
方程组（1）的两条直线有一个交点，故有唯一解（适定）； 方程组（2）的两条直线重合，则有无穷组解（欠定）； 方程组（3）的两条直线相平行，永远没有交点，即无解； 方程组（4）的三条直线不共点，则也无解（超定），可求最小二乘解。