1 基本概念
1.1 定义
1.1.1 向量空间之间的映射
线性变换是指从一个向量空间到另一个向量空间的映射。这里的两个空间可以具有不同的维数，也可以定义在不同的数域上，但通常要求它们共享同一种标量体系，以便数乘运算能够一致地进行。在线性代数中，这类映射用于描述向量在规则作用下的整体变化。
从直观上看，线性变换并不只是“把点移动到别处”，而是对整个空间施加一种结构保持的规则。它会同时作用于空间中的所有向量，并尽可能保留向量之间原有的组合关系，因此常被视为几何操作与代数表达之间的桥梁。
1.1.2 线性性条件
一个映射要成为线性变换，必须满足两个基本条件：对向量加法保持一致，以及对数乘保持一致。也就是说，先分别变换再相加，和先相加再整体变换，结果应相同；对向量先乘以标量再变换，和先变换再乘以同一标量，结果也应相同。
这两个条件合在一起构成线性性的核心。只要其中一项不满足，该映射便不能称为线性变换。由于这种要求非常严格，线性变换在形式上看似简单，却能导出大量强而稳定的结构性质。
1.2 常见表示方式
1.2.1 矩阵表示
在有限维向量空间中，线性变换通常可以写成矩阵形式。选定一组基以后，每个向量都能转化为坐标列向量，而变换本身则对应一个矩阵。这样一来，抽象的空间映射便被转写为具体的数表运算，便于计算和分析。
矩阵表示是研究线性变换最常用的方式之一。它不仅方便求解、复合和求逆，也使特征值、秩、核与像等概念能够借助代数工具系统讨论。
1.2.2 函数表示
在线性代数的抽象表述中，线性变换本质上是一类函数。函数表示强调的是“输入向量经过规则后得到输出向量”的过程，而不是其坐标形式。该观点在理论研究中尤为重要，因为它不依赖具体基底，更能体现映射的本质结构。
这种表示方式常用于证明一般性质，例如线性变换对有限线性组合的行为、与子空间之间的关系，以及在不同空间之间如何传递结构。
1.2.3 几何表示
几何表示侧重观察线性变换如何改变图形、方向、长度和角度。在线性情形下，原点通常保持不动，而其他点则根据规则发生拉伸、压缩、旋转、剪切或投影等变化。通过这种方式，可以把抽象代数性质转化为可视化图像。
几何表示在二维和三维空间中尤其直观。它帮助人们理解矩阵所代表的操作，也让很多结论具有更强的空间感和物理感。
1.3 基本性质
1.3.1 可加性
可加性指线性变换对向量加法的保持。若对两个向量分别作用后再相加，与先将它们相加后再作用，结果相同，则该映射具有可加性。这个性质说明线性变换不会破坏向量之间的叠加关系。
可加性是线性结构的基础。它保证了变换与“组合”之间的兼容，使得复杂向量的处理能够分解为更简单部分的处理。
1.3.2 齐次性
齐次性是指线性变换对数乘的保持。某个向量被标量缩放后再进行变换，与先变换再进行同样缩放，结果一致。该性质反映了线性变换对尺度变化的稳定响应。
齐次性与可加性共同决定了线性变换的行为模式。很多计算规则都依赖这一点，例如将一个向量表达为基向量的线性组合后，可逐项推导其变换结果。
1.3.3 零向量的像
零向量在任何线性变换下都被映射到零向量。这一结论可由线性性直接推出，是最基本也最重要的性质之一。它说明线性变换必然保持原点不动。
零向量像的特殊地位，使得许多结构分析都以原点为基准展开。在线性模型中，原点常被视为平衡状态或参考状态，而线性变换则描述围绕这一状态的变化。
2 分类与类型
2.1 端同态与同构
2.1.1 线性同态
线性同态是指保持线性结构的映射，通常强调它不一定是双射，只要求满足线性条件即可。此类映射广泛存在于不同维数或不同空间之间，是线性代数中最基础的对象之一。
在更抽象的语境中，线性同态体现了“结构保持”的思想。它关注的是映射是否兼容向量空间运算，而不要求每个元素都能一一对应地找到逆像。
2.1.2 线性同构
线性同构是既线性又可逆的映射。它意味着两个向量空间在结构上完全等价，只是表达方式可能不同。若存在线性同构，则这两个空间在代数意义上可以看作“同一种类型”。
线性同构的重要性在于它刻画了向量空间的本质分类。许多看似不同的对象，只要能通过同构互相转换，就可以用统一的方法研究。
2.2 特殊线性变换
2.2.1 零变换
零变换把任意向量都映射为零向量。它是最简单的线性变换，也是极端意义上的“全压缩”操作。虽然信息被完全抹去，但它在理论中十分重要，常用于说明核、像和秩等概念的边界情况。
零变换的矩阵表示通常为全零矩阵。它在证明某些定理或构造反例时经常出现。
2.2.2 恒等变换
恒等变换保持每个向量不变，是线性变换中的“什么都不做”操作。它在复合关系中扮演单位元角色，任何线性变换与恒等变换复合后都不会改变原有结果。
恒等变换是理解可逆性的重要参照。许多关于逆变换的定义和验证，都以它作为目标状态。
2.2.3 投影变换
投影变换将向量映射到某个子空间或某条直线、某个平面上。它通常会丢失部分信息，因此一般不可逆。投影既有几何意义，也在数据降维和近似表示中非常常见。
按照投影方向和目标子空间的不同，投影可以分为多种形式。正交投影尤其重要，因为它常与最小二乘、误差最小化等问题联系在一起。
2.2.4 反射与旋转
反射是关于某条直线或某个平面的对称变换，旋转则是在固定中心或固定轴附近进行转动。这两类变换都能保持一定的几何结构，在欧氏空间中具有鲜明的空间直观。
反射通常会改变方向，而旋转一般保持长度和角度。它们在图形学、物理学和对称性研究中都很常见。
2.3 代数结构相关类型
2.3.1 自同态
自同态是指定义域和值域相同的线性变换，即从一个向量空间映射到其自身。此类映射是研究空间内部结构变化的基本工具，很多核心概念都建立在自同态之上。
当自同态可逆时，它便成为自同构。若不可逆，则仍可通过核、像与特征结构分析其行为。
2.3.2 双线性相关扩展
在更高阶的代数结构中，线性变换常作为双线性映射、多线性映射的基础。双线性相关扩展强调的是：对某一变量保持线性，同时对另一变量也保持线性，从而形成更复杂的组合规则。
这类扩展广泛出现在内积、张量和多项式结构中。它们与线性变换共享许多思想，但表达能力更强。
3 矩阵与基
3.1 在线性空间中的矩阵表示
3.1.1 选定基后的表示矩阵
一旦为有限维向量空间选定基，线性变换就可以唯一对应一个表示矩阵。矩阵的每一列通常由基向量经变换后的坐标组成，因此该矩阵完整记录了变换在该基下的作用方式。
表示矩阵使抽象映射转化为可计算对象。通过它，可以直接进行乘法、求秩、计算特征值，或在算法中实现变换的快速应用。
3.1.2 不同基下的矩阵变化
同一个线性变换在不同基下会呈现不同的矩阵。虽然对象本身没有改变，但坐标描述会随基底而变动，因此矩阵形式也会随之调整。这种变化反映了“表示依赖基，结构独立于基”的原则。
不同基下的矩阵通常由相似关系联系起来。理解这一点有助于区分“变换本身”和“它的坐标表达”之间的差别。
3.2 基变换
3.2.1 过渡矩阵
过渡矩阵用于描述从一组基到另一组基的坐标转换。它把一个基下的坐标表示变成另一个基下的坐标表示，是坐标系统之间的桥梁。
在实际计算中，过渡矩阵常与逆矩阵配合使用。通过它，可以在不同坐标系之间高效切换，避免重复进行几何推导。
3.2.2 相似变换
相似变换描述的是同一线性变换在不同基下的矩阵关系。若两个矩阵相似，则它们代表同一个抽象映射，只是坐标描述不同。相似变换保留了许多重要不变量，如特征值、迹和行列式。
在理论上，相似关系是分类矩阵的重要工具；在计算上，它是简化问题的关键手段。
3.3 复合与逆
3.3.1 复合变换对应矩阵乘法
两个线性变换依次作用时，其复合对应矩阵乘法。先进行的变换对应的矩阵通常位于右侧，后进行的变换对应的矩阵位于左侧。这个规则使复合运算可以直接用矩阵代数处理。
矩阵乘法的顺序性在这里体现得十分明显。也正因为如此，复合变换的分析既方便又严谨。
3.3.2 可逆变换与逆矩阵
如果一个线性变换可逆，那么它对应的矩阵也可逆，且逆矩阵对应逆变换。逆变换能够把输出重新恢复为输入，因此它在信息保留和坐标恢复中具有重要意义。
可逆性通常与满秩、线性无关和双射等条件紧密相关。逆矩阵的存在，使许多问题能够从“正向作用”转为“反向求解”。
4 核与像
4.1 核空间
4.1.1 定义与意义
核空间是指所有被线性变换映射到零向量的原向量所构成的集合。它反映了变换中“哪些信息被压缩掉了”，因此是研究可逆性与退化程度的重要对象。
核越大，说明变换损失的信息越多。若核仅包含零向量，则变换在某种意义上更接近于保真。
4.1.2 零空间的求法
在矩阵表示下，核空间的求法通常转化为解齐次线性方程组。也就是寻找所有满足矩阵乘以向量等于零的解。这个过程可通过初等行变换系统完成。
求出核空间后，通常还要给出一组基，以便更清晰地描述其结构和维数。
4.2 像空间
4.2.1 定义与意义
像空间是指线性变换能够到达的所有输出向量所形成的集合。它描述了变换真正“覆盖”到的范围，体现输出的可达性。
像空间决定了变换的有效输出维度。若像空间较小，说明变换把原空间压缩到了较低维的子空间中。
4.2.2 列空间与值域
在矩阵语境下，像空间常与列空间对应。矩阵的列向量张成的空间，正是线性变换输出可能落入的范围。因此列空间是研究像空间的直接代数模型。
值域则是从函数角度对像空间的另一种称呼。两者强调角度略有不同，但本质上描述的是同一类输出集合。
4.3 秩与零化度
4.3.1 秩的定义
秩是线性变换像空间的维数，或者等价地，矩阵列空间的维数。它衡量了变换输出中独立信息的多少，是刻画线性系统能力的重要指标。
秩越高，说明变换保留的独立方向越多。满秩情形下，变换通常具有较强的可恢复性。
4.3.2 秩-零化度定理
秩-零化度定理指出：有限维向量空间中，线性变换的定义域维数等于秩与零化度之和。这个结论把“保留下来的部分”和“被压缩掉的部分”精确地联系起来。
该定理是线性代数中的基本恒等式之一，常用于判断可逆性、估计维数和分析方程组解的结构。
4.3.3 维数关系
秩、零化度与定义域维数之间的关系，构成了线性变换结构分析的核心框架。通过维数关系，可以迅速判断某个映射是否可能是单射、满射或双射。
这一关系也帮助理解高维空间中的“信息守恒”与“维数损失”现象。
5 特征理论
5.1 特征值
5.1.1 定义
特征值是线性变换在某些非零向量方向上表现出的纯缩放因子。若某个非零向量经过变换后仍与原方向平行，则对应的缩放比例就是特征值。
特征值把复杂变换中不变方向上的行为提取出来，因此具有很强的概括能力。
5.1.2 几何意义
从几何上看，特征值反映的是变换对特定方向的拉伸或压缩程度。正特征值通常保持方向一致，负特征值则可能伴随方向翻转，而零特征值意味着该方向被压扁到零。
因此，特征值不仅是代数对象，也直接对应空间变形的强度和方向变化。
5.2 特征向量
5.2.1 特征向量的求解
特征向量是与特征值对应的非零向量。求解时，通常先确定特征值，再解相应的齐次方程组，找出使变换后仍与原向量共线的向量。
特征向量的集合常具有线性结构，适合进一步组成特征子空间进行研究。
5.2.2 特征子空间
特征子空间是对应于某个特征值的全部特征向量及零向量构成的子空间。它概括了在同一缩放因子下保持方向性质的所有向量。
特征子空间有助于理解变换的分块结构，也常用于简化矩阵计算。
5.3 对角化
5.3.1 可对角化条件
如果一个线性变换在某组基下可以表示为对角矩阵，则称其可对角化。通常需要足够多的线性无关特征向量作为基底，才能实现这一目标。
可对角化意味着变换在某种合适坐标系下大幅简化。许多复杂运算因此变得直接而清晰。
5.3.2 对角化方法
对角化的方法一般包括求特征值、寻找特征向量、判断其线性无关性，并据此构造特征基。若成功，则原矩阵可写成相似于对角矩阵的形式。
这一过程是特征理论的集中体现，也是许多计算任务的重要前置步骤。
5.3.3 应用场景
对角化常用于幂计算、差分方程、微分方程和动态系统分析。由于对角矩阵的幂与函数运算都较为简单，因此原问题可大幅简化。
在需要重复施加同一变换的场合，对角化尤其有价值。
5.4 不变子空间
5.4.1 定义
不变子空间是指经过线性变换后仍然落在自身内部的子空间。也就是说，子空间中的向量经变换后不会“跑到外面去”。
这一概念为分解复杂空间提供了途径。若能找到合适的不变子空间，就可以把整体问题拆解为若干局部问题。
5.4.2 结构分析
不变子空间揭示了线性变换内部的层次结构。通过研究其分解方式，可以判断变换是否可分块表示、是否存在简化坐标系，以及是否能进一步分析其谱性质。
在许多情形下，不变子空间是连接线性代数与更高阶代数理论的重要纽带。
6 几何解释
6.1 平面上的线性变换
6.1.1 伸缩
伸缩是最直观的线性变换之一，它会沿某些方向放大或缩小图形。若各方向缩放比例不同，图形可能被拉成长条或压成扁片。
伸缩变换常用于说明矩阵如何改变长度尺度，也常作为对角矩阵的几何解释。
6.1.2 剪切
剪切会让图形的某一部分相对另一部分发生平行偏移，从而使正方形变成平行四边形。这种变换保留面积变化的规律，但通常会改变角度和形状。
剪切在工程制图和图形变换中很常见，是理解非正交变形的重要例子。
6.1.3 旋转
旋转是在平面内围绕原点转动图形，通常保持长度和角度不变。它是最典型的保持几何性质的线性变换之一。
旋转变换常用来说明复数乘法、正交矩阵与对称性之间的联系。
6.2 空间中的线性变换
6.2.1 三维伸缩
在三维空间中，伸缩可以沿三个坐标轴分别进行，也可以沿任意一组方向进行。不同方向的缩放比例会改变立体的长宽高关系。
这种变换在三维建模、物体变形和坐标调整中非常常见。
6.2.2 轴对称变换
轴对称变换通常表现为空间中关于某条轴的镜像关系。它会使空间中的点按对称规则对应到另一侧，保留一定的距离结构。
这类变换在几何对称分析中占有重要位置，也便于构造具有对称性的模型。
6.2.3 投影到子空间
投影到子空间会把三维中的向量压到一个平面或一条直线上。投影后，原向量的某些分量被舍弃，只保留在目标子空间中的部分。
这一过程既是几何降维的直观例子，也是许多计算方法的基础。
6.3 形状与面积体积变化
6.3.1 面积缩放
二维线性变换会按一定比例改变图形面积。这个比例通常与矩阵行列式的绝对值有关，因此可以从代数上快速判断面积变化程度。
面积缩放反映了变换对二维区域“扩张”或“压缩”的总体影响。
6.3.2 体积缩放
在三维空间中，线性变换会改变立体的体积。体积变化同样可由相应矩阵的行列式大小描述，绝对值越大，体积伸缩越明显。
体积缩放为理解高维变换提供了最直观的几何量化指标之一。
6.3.3 方向与定向
线性变换不仅可能改变长度和体积，也可能改变图形的方向或定向。某些变换会保持定向，另一些则会导致镜像翻转。
定向变化在几何学和物理建模中都很重要，因为它涉及对象是否发生“左右颠倒”或“手性反转”。
7 应用
7.1 线性方程组
7.1.1 解的存在性
线性方程组可视为线性变换与向量等式的求解问题。是否有解，取决于右端向量是否位于像空间中；若位于其中，则至少存在一个解。
这一观点把方程组的可解性转化为向量空间中的成员关系问题，极大丰富了解析手段。
7.1.2 线性消元
线性消元是求解线性方程组的经典方法，通过一系列等价变换把复杂系统化简为更容易处理的形式。其背后对应的正是对矩阵和线性变换结构的逐步整理。
消元方法是数值计算中最基础的工具之一，也常作为理解矩阵秩和行空间的入口。
7.2 数值计算
7.2.1 迭代方法
在大规模计算中，迭代方法常用于近似求解线性问题。通过不断重复某种线性或近线性操作，可以逐步逼近真实解。
迭代方法适合处理维数较高、直接求解代价较大的问题，因此在科学计算中应用广泛。
7.2.2 矩阵分解
矩阵分解把一个复杂矩阵拆成若干结构更简单的矩阵乘积。常见形式包括三角分解、正交分解等，它们都与线性变换的分步理解密切相关。
分解方法不仅便于理论分析，也能显著提升数值算法的效率和稳定性。
7.3 信号与数据处理
7.3.1 线性滤波
线性滤波是对信号施加线性变换的一种典型方式，常用于去噪、平滑和提取特定频段信息。滤波过程本质上是在信号空间中进行结构化映射。
由于线性系统具有叠加性质，多个输入信号的处理结果可以直接由单个输入的响应组合得到。
7.3.2 主成分分析中的映射
主成分分析常通过线性映射将高维数据投影到低维空间，以提取最主要的变化方向。这个过程本质上是在寻找特征结构并进行坐标压缩。
该方法在数据可视化、压缩与降噪中都十分常见，是线性变换应用于统计分析的代表性例子。
7.4 物理与工程建模
7.4.1 振动系统
许多振动系统在小振幅条件下可近似为线性系统。此时，位移、速度和加速度之间的关系能够通过线性变换或线性微分方程描述。
线性模型便于分析共振、稳定性和模态结构，因此在机械和结构工程中非常重要。
7.4.2 线性近似
当真实系统在某一工作点附近变化不大时，常可用线性变换进行局部近似。线性近似把复杂非线性行为简化为一阶结构，从而便于计算和理解。
这种方法虽然不覆盖所有细节，但在工程估计和误差分析中十分有效。
7.4.3 状态空间模型
状态空间模型用向量表示系统状态，并用线性变换描述状态随时间的演化。它在控制、信号和动力系统研究中具有重要地位。
通过矩阵表达，系统的输入、输出和内部状态关系可以统一到一个简洁框架中。
8 扩展概念
8.1 线性算子
8.1.1 定义
线性算子是定义在同一向量空间上的线性变换。它是线性映射的一种特殊情形，强调输入和输出属于同一个空间。
这一概念在理论上常比一般线性变换更便于讨论，因为可以直接研究空间内部的结构演化。
8.1.2 无限维情形
在线性泛函分析中，线性算子还可定义在无限维空间上，例如函数空间。此时，许多有限维中的直观结论仍可保留，但证明方式往往更复杂。
无限维线性算子在微分方程、积分方程和量子理论中都很常见，也是现代分析的重要组成部分。
8.2 对偶空间中的变换
8.2.1 对偶映射
给定一个线性变换，可以诱导出作用在对偶空间上的相应映射。这个映射将原空间中的结构转化为关于线性函数的变化规则，因此被称为对偶映射。
对偶映射常用于从另一角度观察同一个变换，尤其适合研究泛函和线性形式。
8.2.2 转置算子
在矩阵表示下，对偶映射通常对应转置算子。转置把原变换中的行列信息重新组织，使某些代数性质更容易处理。
转置算子在最优化、正交性和内积空间中具有重要意义。
8.3 半线性与仿射变换
8.3.1 与线性变换的区别
半线性变换和仿射变换都与线性变换有关，但并不完全相同。半线性变换通常会对标量作用进行某种变形，而仿射变换则在“线性部分”之外还加入平移因素。
因此，它们比纯线性变换更灵活，也更适合描述现实中的位移和坐标变化。
8.3.2 平移部分的处理
仿射变换中的平移部分可以通过引入齐次坐标或附加维度来统一处理。这样一来，原本不具线性的平移操作也能在更高维框架中转化为线性形式。
这一技巧在几何计算、图形学和坐标系统处理中非常实用。