1 基本概念
1.1 矩阵表示的定义
矩阵表示是指用矩阵来记录或表达某一线性对象的作用方式、结构关系或参数配置。对于线性变换而言，矩阵将抽象的映射过程转化为可计算的数组形式；对于方程组、图形变换或系统模型而言，矩阵则充当结构化编码工具，便于分析和运算。其核心特点在于把复杂关系拆解为按行列组织的数值或符号信息。
1.2 向量空间与线性变换
矩阵表示通常建立在向量空间与线性变换的框架之上。向量空间提供对象所在的环境，线性变换则描述对象在该空间中的映射规律。若选定基和坐标系统，原本抽象的几何或代数关系就能被写成矩阵，从而进入线性代数的计算体系。
1.2.1 线性映射的坐标表达
线性映射是满足加法与数乘兼容性的函数。对于有限维向量空间中的线性映射，任一向量在基下都可以写成坐标形式，而映射后的结果也能表示为另一组坐标。矩阵的每个元素对应输入坐标对输出坐标的贡献，因而矩阵实际上是线性映射在坐标系统中的具体表达。
1.2.2 基与坐标系的作用
基决定了向量如何被分解为坐标，坐标系则决定了线性对象如何被记录。不同的基可能使同一映射对应不同矩阵，但它们描述的是同一个抽象变换。合理选择基往往能简化矩阵结构，例如使矩阵更接近对角形或块结构，从而提高分析和计算的便利性。
1.3 矩阵表示的唯一性与依赖性
矩阵表示并非对象本身，而是对象在特定基或约定下的表达。因此，同一线性变换在不同坐标体系中通常会产生不同矩阵，但在固定基后，其矩阵形式是确定的。这种“唯一性与依赖性并存”的特点，是矩阵表示的重要理论性质。
1.3.1 依赖于基的表示
矩阵的具体数值依赖于所选基。基变换后，矩阵会随之改变，但所描述的线性映射并未改变。这意味着矩阵是描述工具而非对象本体，理解这一点有助于区分“表达形式”与“内在结构”。
1.3.2 不变量与等价表示
尽管矩阵形式会随基变化而改变，一些性质却保持不变，如秩、行列式、特征值集合等。这些性质常被称为不变量。具有不同外观但通过基变换联系起来的矩阵，往往被视为等价表示，它们反映的是同一抽象结构的不同坐标图景。
2 构造方法
2.1 从线性变换构造矩阵
构造矩阵的一种基本方法，是先给定线性变换，再在选定基下求出其矩阵表示。做法通常是把基向量逐个送入变换，观察输出如何用基展开，最后将展开系数整理成矩阵。
2.1.1 基向量的像
每个基向量经过线性变换后的结果称为它的像。由于线性变换完全由基向量的像决定，只要知道这些像的坐标，就能恢复整个矩阵。矩阵的列或行因此常对应基向量像的展开系数。
2.1.2 列向量法
列向量法是构造线性变换矩阵的常用方式。将每个基向量的像写成坐标列向量，并按固定顺序并列排列，便得到表示该变换的矩阵。该方法直观、统一，也便于直接应用于计算。
2.2 从线性方程组构造矩阵
线性方程组可以被整理成矩阵形式，从而将多个方程压缩为一个统一表达。矩阵化后，未知量、系数和常数项的关系一目了然，也便于采用系统性的消元与分解方法。
2.2.1 系数矩阵
系数矩阵由方程组中各未知量前的系数组成。它集中反映了方程之间的线性关联，是分析方程组结构、秩与解空间的重要基础。系数矩阵本身并不包含常数项，但决定了方程组的核心线性结构。
2.2.2 增广矩阵
增广矩阵是在系数矩阵右侧附加常数列得到的矩阵形式。它常用于高斯消元等求解过程，能同时保留方程的系数信息与右端数据。通过对增广矩阵进行初等行变换，可以判断解的存在性、唯一性与自由度。
2.3 从几何变换构造矩阵
几何变换在二维和三维空间中常可用矩阵来描述。平移通常需借助齐次坐标处理，而旋转、缩放、剪切等线性几何操作则可直接写成矩阵形式。这类矩阵清晰反映变换对图形方向、长度与角度的影响。
2.3.1 旋转矩阵
旋转矩阵用于表示平面或空间中的旋转变换。它的基本特征是保持长度与角度不变，只改变方向。二维旋转矩阵通常由三角函数构成，结构简洁，广泛用于图形学、机器人运动学和物理建模。
2.3.2 缩放矩阵
缩放矩阵表示对坐标轴方向上的长度进行放大或缩小。若各方向缩放因子相同，则为均匀缩放；若不同，则为非均匀缩放。该类矩阵常用于图像尺寸调整、模型比例变换以及坐标归一化处理。
2.3.3 剪切矩阵
剪切矩阵会在保持某些方向不变的同时，使其他方向发生平行位移式的偏斜。它常用于图形变形分析和工程设计中。与旋转和缩放相比，剪切更明显地改变图形形状，但仍保持线性结构。
3 矩阵表示的性质
3.1 线性与可加性
矩阵表示天然体现线性结构。对应的变换满足对加法和数乘的分配性质，因此多个输入的叠加结果可以通过矩阵运算直接得到。这种可加性使矩阵成为研究线性系统的核心工具。
3.2 复合变换与矩阵乘法
两个或多个线性变换连续作用时，其整体效果可由矩阵乘法表示。矩阵乘法不仅实现了变换复合，也保留了运算顺序和方向信息，因此是矩阵表示中最重要的运算之一。
3.2.1 变换合成
若先施行变换A，再施行变换B，则整体变换对应矩阵乘积B乘A。合成后的矩阵可以一次性描述整个过程，从而减少逐步计算的复杂度。这种表达方式在图形处理和控制系统中尤为常见。
3.2.2 乘法顺序的意义
矩阵乘法通常不满足交换律，因此先后顺序会直接影响最终结果。对于复合变换而言，顺序不同会得到不同的几何效果或代数结果。理解这一点对于正确解释矩阵模型十分重要。
3.3 逆变换与可逆矩阵
当某个线性变换能够被“还原”时，它对应的矩阵通常具有逆矩阵。可逆矩阵意味着变换是双向可逆的，既能从输入得到输出，也能从输出恢复输入。逆矩阵在求解方程组和坐标转换中具有基础作用。
3.3.1 行列式与可逆性
在有限维方阵情形下，行列式常用于判断矩阵是否可逆。若行列式不为零，则矩阵可逆；若为零，则矩阵不可逆，表示变换会压缩维度或丢失信息。行列式因此成为衡量矩阵“退化程度”的重要指标。
3.3.2 反矩阵的表示
反矩阵是与原矩阵相乘得到单位矩阵的矩阵。它可视为原变换的逆向表达，常用于解线性方程、恢复原始坐标和撤销某些变换。并非所有矩阵都存在反矩阵，只有满足特定条件的方阵才具备这一性质。
3.4 特征值与特征向量
特征值和特征向量揭示了矩阵作用下保持方向不变的特殊结构。若一个向量经矩阵作用后仍与原方向一致，只是长度按某一比例改变，则该向量是特征向量，对应比例就是特征值。它们在稳定性分析和模式分解中十分重要。
3.4.1 特征空间
特征空间由某一特征值对应的全部特征向量及零向量组成。它反映了矩阵在特定方向族上的作用规律，是研究矩阵结构的重要子空间。特征空间的维数和独立性常用于判断系统的复杂程度。
3.4.2 对角化与简化表示
若一个矩阵可以通过适当的基变换化为对角矩阵，则称其可对角化。对角化后，矩阵的作用被分解为若干独立方向上的简单缩放，计算大为简化。许多高阶运算，如幂运算与迭代分析，都可借助对角化获得便利。
4 坐标变换与相似变换
4.1 基变换下的矩阵表示
当向量空间的基发生改变时，同一线性变换会有新的矩阵表示。基变换不会改变变换本身，只改变其坐标描述方式，因此需要建立新旧矩阵之间的转换关系。
4.1.1 过渡矩阵
过渡矩阵用于描述两个基之间的坐标转换关系。它把一组坐标表达成另一组基下的坐标，常作为连接旧表示与新表示的桥梁。借助过渡矩阵，可以系统地完成矩阵在不同基下的重写。
4.1.2 新旧坐标关系
新旧坐标之间通常通过线性关系相互转换。一个向量在旧基下的坐标，经由过渡矩阵后可得到其在新基下的坐标。反之亦然，只要过渡矩阵可逆，就能在两套坐标系统之间自由切换。
4.2 相似矩阵
相似矩阵是指由同一线性变换在不同基下得到的两个矩阵。它们外观不同，但本质上描述的是同一抽象映射，因此拥有一系列相同的结构特征。
4.2.1 相似的定义
若存在可逆矩阵P，使得两个矩阵A与B满足B=P⁻¹AP，则称A与B相似。这个关系表明，两者只是坐标表达不同而已。相似关系是线性代数中最重要的等价关系之一。
4.2.2 相似不变量
在相似变换下，一些性质保持不变，如特征多项式、行列式、迹和特征值集合等。它们帮助识别矩阵的内在结构，而不受坐标选择影响。相似不变量常用于分类矩阵与分析线性系统。
4.3 标准形
标准形是将矩阵通过适当变换化为更规则、更易分析的形式。它的目标不是改变对象，而是以统一的代表形式揭示矩阵的深层结构。
4.3.1 对角形
对角形矩阵的非对角元素全为零，只在主对角线上保留信息。若矩阵可化为对角形，则许多运算可逐项进行，极大简化理论分析和数值处理。对角形常被视为最理想的标准形式之一。
4.3.2 Jordan形的思想
当矩阵不能完全对角化时，常引入Jordan形作为更一般的标准形式。其思想是在尽量保留特征结构的前提下，把矩阵整理成由若干Jordan块组成的近对角结构。它为研究不可对角化矩阵提供了统一框架。
5 典型应用
5.1 线性方程组求解
矩阵表示是线性方程组求解的基础工具。把方程组写成矩阵形式后，可以用消元、分解与逆矩阵等方法系统求解，特别适合处理多未知量、多方程的情形。
5.1.1 高斯消元法
高斯消元法通过初等行变换将增广矩阵化为阶梯形或最简形，从而逐步求出未知量。它是最经典、最直接的线性方程组求解方法之一，也常作为其他算法的基础步骤。
5.1.2 矩阵分解
矩阵分解是把原矩阵拆解为若干结构更简单的矩阵乘积，如LU分解、QR分解等。分解后可重复利用中间结果，提高大规模方程组求解的效率与稳定性。
5.2 几何与图形变换
矩阵表示在几何变换中应用广泛，尤其适合描述图形的旋转、缩放、投影和变形。它使图形处理从逐点操作转化为统一的线性计算，便于实现和组合。
5.2.1 平面变换
在二维平面中，矩阵可以描述点、线段和图形的整体变化。通过选择不同矩阵，可实现旋转、镜像、拉伸与剪切等效果，是计算机图形学中的基础语言。
5.2.2 空间变换
在三维空间中，矩阵表示可用于描述物体姿态调整、坐标轴变换和视角变换。三维矩阵常与齐次坐标配合使用，以统一处理旋转、缩放和平移等操作。
5.3 物理与工程建模
许多物理和工程系统都可以抽象为线性关系或近似线性关系，矩阵表示因而成为建模的重要方式。它能够将系统状态、耦合关系与响应过程集中表达，便于分析整体行为。
5.3.1 振动系统
在振动系统中，矩阵常用于描述质量、阻尼与刚度之间的关系。通过矩阵形式，可研究系统的固有频率、模态结构及动态响应，从而为结构设计和控制提供依据。
5.3.2 网络与电路分析
在网络和电路分析中，矩阵用于表示节点关系、支路连接和电流电压方程。借助矩阵模型，可以统一处理复杂网络的平衡条件与响应计算，提升分析效率。
5.4 数据科学中的表示
矩阵表示也是数据科学的基本语言之一。数据表、特征集和关联关系常被整理成矩阵，以便开展统计分析、模式识别和机器学习计算。
5.4.1 特征提取
在特征提取中，原始数据经处理后可转换为特征矩阵，每一列或每一行代表某种属性。矩阵表示有助于识别数据中的主要变化方向和关键信息，提高后续分析效果。
5.4.2 降维方法
降维方法通过保留主要信息、压缩冗余维度来简化数据结构。矩阵分解与投影技术常用于这一过程，使高维数据能以较少参数表达，同时尽量维持原有特征。
6 计算与数值方法
6.1 矩阵运算基础
矩阵计算建立在一套标准运算规则之上，包括加法、乘法、转置等。掌握这些基础运算，是理解矩阵表示在理论和应用中如何发挥作用的前提。
6.1.1 加法与乘法
矩阵加法要求对应元素相加，适用于同型矩阵；矩阵乘法则按照行列配对规则进行，体现复合关系。两者在形式和含义上都不同，但都是矩阵表示的核心运算。
6.1.2 转置与共轭转置
转置是将矩阵的行列互换，常用于整理表达、构造对称结构和推导公式。对复数矩阵而言，共轭转置还要对元素取共轭，常见于内积空间和量子类模型中。
6.2 稀疏矩阵表示
当矩阵中大部分元素为零时，直接存储全部元素会造成浪费。稀疏矩阵表示通过专门的数据结构，只保存非零项及其位置，以节约空间并提高运算效率。
6.2.1 存储结构
稀疏矩阵的存储结构包括压缩行、压缩列、坐标格式等多种形式。不同结构适用于不同计算任务，关键在于减少冗余并便于快速访问非零元素。
6.2.2 计算效率
利用稀疏矩阵表示可显著降低乘法、求解和迭代过程中的运算量。特别是在大规模科学计算中，稀疏性常是提高性能和可扩展性的关键因素。
6.3 数值稳定性
实际计算中的矩阵运算往往受到舍入误差和有限精度的影响，因此数值稳定性十分重要。一个算法即便在理论上正确，也可能因误差累积而在实践中表现不佳。
6.3.1 误差传播
误差传播是指初始误差在连续运算中逐步放大的过程。矩阵运算由于涉及多次乘加，容易使微小误差扩散到最终结果，因此需要谨慎设计算法。
6.3.2 条件数
条件数用来衡量问题对输入扰动的敏感程度。条件数越大，系统越容易放大误差，数值求解也越困难。它是评估矩阵相关问题可计算性的重要指标。
7 相关扩展
7.1 张量表示
张量可以看作矩阵的高阶推广，用于描述更复杂的多线性关系。随着维度升高，张量表示能够容纳更多索引和结构信息，适合处理高阶数据与多变量耦合问题。
7.1.1 高阶推广
张量表示把矩阵的二维索引扩展到三维及以上，从而形成更一般的数据结构。它在物理场、图像集和多模态数据处理中具有重要作用。
7.1.2 与矩阵表示的关系
矩阵是二阶张量的典型形式，因此张量理论可视为对矩阵表示的扩展。许多矩阵概念，如线性映射、秩和分解，也能在张量框架中找到对应物。
7.2 线性算子理论
线性算子理论研究更抽象的线性映射，尤其关注函数空间等无限维情形。矩阵表示在有限维空间中给出具体模型，而线性算子理论则将这种思想推广到更广泛的场景。
7.2.1 无限维情形的概念延伸
在无限维空间中，线性算子不一定能用有限矩阵完整表示，但其基本思想仍与矩阵类似，即研究线性作用、谱结构与稳定性。许多分析问题都借鉴了矩阵表示的语言。
7.2.2 作用空间的抽象化
线性算子理论强调对象作用的空间背景，而不局限于具体坐标。通过抽象化处理，可以统一理解不同类型的变换，并为泛函分析和偏微分方程提供理论基础。
7.3 代数结构中的表示
表示论研究抽象代数对象如何通过矩阵或线性变换加以实现。矩阵表示因此不仅属于线性代数，也连接到群、环和代数等更广泛的结构理论。
7.3.1 群表示的矩阵形式
群表示是把群元素对应为可逆矩阵，使群运算转化为矩阵乘法。这样一来，抽象群结构就能借助矩阵进行具体分析，便于研究对称性与不变性。
7.3.2 代数同态与表示映射
表示映射通常要求保持代数运算结构，即把抽象对象映射到矩阵空间中的运算关系。代数同态正体现了这种结构保持性，是构造表示的重要方式。