线性映射

1 基本定义

1.1 向量空间与标量域

线性映射建立在向量空间的基础之上。向量空间是指在某个标量域上定义的一类集合，其中元素可以进行向量加法和数乘，并满足相应的代数公理。标量域通常是实数域或复数域，但也可以是其他满足域结构的集合。 在讨论线性映射时，必须先明确源空间与目标空间所依赖的标量域一致，否则“线性”这一性质无法统一表述。

1.2 线性映射的定义

设 \(V\) 与 \(W\) 是同一标量域上的向量空间，映射 \(T:V\to W\) 若满足对任意 \(u,v\in V\) 与任意标量 \(a\)，都有 \[ T(u+v)=T(u)+T(v),\qquad T(av)=aT(v), \] 则称 \(T\) 为线性映射。 这一定义表明，线性映射不会破坏向量加法和数乘所形成的结构，而是以一种“保持线性关系”的方式将一个向量空间中的对象传递到另一个向量空间中。

1.3 线性映射的等价表述

线性映射除了按定义检验加法与数乘外，还可以用其他等价方式刻画。这些表述常用于简化证明或突出某些结构性质。

1.3.1 保持线性组合

若对任意有限个向量 \(v_1,\dots,v_n\in V\) 和标量 \(a_1,\dots,a_n\)，都有 \[ T\!\left(\sum_{i=1}^n a_i v_i\right)=\sum_{i=1}^n a_i T(v_i), \] 则 \(T\) 是线性的。 这说明线性映射对更一般的线性组合也保持不变，因此它不仅保留单个向量的缩放，也保留多个向量之间的叠加关系。

1.3.2 保持零向量

线性映射必定满足 \(T(0)=0\)。反过来，若一个满足加法与数乘兼容的映射在零向量处取零，也可以作为检验其结构一致性的基本条件。 该性质常用于快速判断某个映射是否可能为线性映射，例如平移变换由于不保持零向量，因而通常不是线性的。

1.4 常见记号与术语

在线性代数中，线性映射也常被称为线性变换、线性算子或线性函数，具体名称取决于源空间与目标空间的关系。 若 \(V=W\)，则 \(T:V\to V\) 常称为线性算子；若 \(W\) 是标量域本身，则有时也称为线性泛函。记号上，常写作 \(T(v)\)、\(L(v)\) 或 \(A\mathbf{x}\)，其中 \(A\) 往往表示其矩阵形式。

2 基本性质

2.1 加法与数乘的保持

线性映射最根本的性质就是对向量加法与数乘的保持。若输入端先进行组合运算，再通过映射送到目标空间，其结果与先分别映射再在目标空间中组合完全一致。 这一性质保证了线性结构在映射过程中不会被破坏，也是后续讨论核、像、矩阵表示等概念的前提。

2.2 线性映射的唯一性

在线性映射中，只要一个映射在某组生成元上的作用已经确定，并且这些生成元能够张成整个源空间，那么该映射在整个空间上的取值就被唯一确定。 因此，在有限维情形下，线性映射常常只需给出它对一组基的作用即可完全描述。这一点使得线性映射的定义和计算都较为简洁。

2.3 线性映射的复合

若 \(T:V\to W\) 与 \(S:W\to U\) 都是线性映射，则复合映射 \(S\circ T:V\to U\) 仍是线性的。 复合运算体现了线性映射之间的可组合性，也对应矩阵乘法的运算规律。在实际应用中，复杂变换往往可以拆解为多个简单线性变换的连续作用。

2.4 恒等映射与零映射

恒等映射 \(I_V:V\to V\) 定义为 \(I_V(v)=v\)，它是线性映射中最基本的单位元。与之相对，零映射则把所有向量都映射到零向量。 恒等映射在复合运算中起“保持不变”的作用，而零映射则代表最强的退化情形，所有信息在映射后都被消去。

3 线性映射的结构

3.1 核与像

核与像是研究线性映射结构的核心概念，分别描述了“哪些向量被送到零”以及“哪些向量能够被映射到”。

3.1.1 核的定义

线性映射 \(T:V\to W\) 的核，记作 \(\ker(T)\)，定义为所有满足 \(T(v)=0\) 的向量所组成的集合： \[ \ker(T)=\{v\in V\mid T(v)=0\}. \] 核反映了映射中被压缩到零的信息部分，是判断单射性的重要工具。

3.1.2 像的定义

线性映射 \(T:V\to W\) 的像，记作 \(\operatorname{Im}(T)\) 或 \(\operatorname{Range}(T)\)，定义为所有形如 \(T(v)\) 的向量集合： \[ \operatorname{Im}(T)=\{T(v)\mid v\in V\}. \] 像刻画了目标空间中真正能够被“覆盖”到的部分。若像恰好等于整个目标空间，则该映射是满射。

3.1.3 核与像的基本关系

核与像分别位于源空间与目标空间中，二者从不同角度反映映射的结构。核越大，映射压缩得越多；像越大，映射保留的可达范围越广。 在线性代数中，核与像常与秩、零化度以及可逆性联系在一起，共同构成对线性映射的完整描述。

3.2 单射、满射与双射

若线性映射 \(T\) 不同输入不会映到同一输出，即 \(T(v_1)=T(v_2)\) 蕴含 \(v_1=v_2\)，则称 \(T\) 为单射。 若目标空间中的每个向量都至少有一个原像，则称 \(T\) 为满射。 当一个映射既是单射又是满射时，称其为双射。在线性映射中，双射意味着源空间与目标空间在结构上完全匹配，通常也是可逆性的基础。

3.3 可逆线性映射

若存在映射 \(T^{-1}:W\to V\) 使得 \(T^{-1}\circ T=I_V\) 且 \(T\circ T^{-1}=I_W\)，则称 \(T\) 为可逆线性映射。 可逆性表明该映射没有丢失信息，也没有把不同向量混合成同一结果。在线性代数中，可逆映射对应可逆矩阵，是求解方程与构造等价变换的重要对象。

3.4 秩与零化度

秩与零化度分别衡量线性映射在“有效输出”与“退化维数”两个方面的规模。

3.4.1 秩的定义

线性映射的秩是其像空间的维数，记作 \(\operatorname{rank}(T)\)。 它表示映射能够产生多少个线性无关的输出方向，因此与信息保留程度密切相关。

3.4.2 零化度的定义

零化度是核空间的维数，记作 \(\operatorname{nullity}(T)\)。 它反映了被映射到零向量的独立方向数目，数值越大，说明映射的压缩程度越明显。

3.4.3 秩零化度定理

若 \(V\) 为有限维向量空间，\(T:V\to W\) 为线性映射，则有 \[ \dim(V)=\operatorname{rank}(T)+\operatorname{nullity}(T). \] 这一定理将源空间维数分解为“有效输出部分”和“消失部分”两类贡献，是线性映射理论中最重要的基本结果之一。

4 矩阵表示

4.1 有限维向量空间中的表示

在有限维向量空间中，线性映射可以借助矩阵来表示。只要为源空间和目标空间分别选定基，就能把抽象映射转化为具体矩阵，从而进行计算。 这种表示方式使线性映射从概念对象转化为可操作的代数对象，是理论与应用之间的重要桥梁。

4.2 基与坐标变换

向量在不同基下具有不同的坐标表示，但它本身并未改变。线性映射在不同基中的矩阵形式会随坐标系统变化而变化，因此研究矩阵表示时必须同时考虑基的选择。 基的变化本质上是坐标描述的变化，而不是映射本身的变化。

4.3 线性映射的矩阵

若 \(V\) 与 \(W\) 分别选定基后，线性映射 \(T:V\to W\) 可以由一个矩阵 \(A\) 表示，使得向量坐标满足 \[ [T(v)] = A [v]. \] 矩阵的每一列通常对应基向量在映射后的坐标表达。通过矩阵，线性映射的复合、可逆性与秩等性质都可以用标准代数工具加以分析。

4.4 不同基下的矩阵表示

同一个线性映射在不同基下会对应不同矩阵，但这些矩阵本质上表示同一结构。

4.4.1 相似变换

当线性算子在同一空间的不同基下表示时，所得矩阵之间通常通过相似变换联系： \[ B=P^{-1}AP. \] 相似矩阵具有相同的特征值、迹和行列式等重要性质，因此相似变换是研究线性算子本质特征的重要手段。

4.4.2 过渡矩阵

过渡矩阵用于描述一组基到另一组基的坐标转换关系。它把向量在旧基下的坐标转换为新基下的坐标，或者反向完成恢复。 在矩阵表示中，过渡矩阵是连接不同坐标系统的关键工具，也是理解相似变换的基础。

5 线性映射的运算

5.1 线性映射的加法

若 \(T,S:V\to W\) 均为线性映射，则可定义它们的加法： \[ (T+S)(v)=T(v)+S(v). \] 加法后的结果仍是线性映射。该运算使线性映射集合在一定条件下具有向量空间结构，便于进一步研究其代数性质。

5.2 标量乘法

若 \(T:V\to W\) 为线性映射，\(a\) 为标量，则可定义标量乘法： \[ (aT)(v)=a\,T(v). \] 这说明线性映射不仅可以相加，还可以被标量缩放，从而形成与向量类似的代数系统。

5.3 复合运算

复合运算是线性映射最重要的运算之一。若两个映射可以前后衔接，则它们的复合依然保持线性，并且通常对应矩阵乘法。 在连续变换、迭代过程和系统分析中，复合运算经常用来描述多个线性步骤叠加后的整体效果。

5.4 逆映射与幂运算

对于可逆的线性算子，可以定义其逆映射，用来还原原始向量。若同一个线性算子与自身复合多次，则可以形成幂运算，如 \(T^2=T\circ T\)、\(T^n\) 表示重复作用 \(n\) 次。 幂运算常用于研究迭代系统、稳定性以及长期行为，而逆映射则用于恢复与反向推算。

6 特殊类型的线性映射

6.1 投影映射

投影映射把向量“压到”某个子空间上，例如正交投影或沿某方向的斜投影。其典型特征是幂等性，即 \(P^2=P\)。 投影在几何、近似计算和数据拟合中非常常见，能将复杂对象拆解为主要部分与残差部分。

6.2 旋转与反射

旋转与反射是最直观的几何线性变换之一。旋转保持长度和角度，而反射通常保持距离但改变方向。 在二维和三维空间中，这类映射常用于描述刚体运动、图形变换以及坐标系之间的转换。

6.3 缩放映射

缩放映射将所有向量按统一比例放大或缩小。若缩放因子为 \(c\)，则映射可写为 \(T(v)=cv\)。 当 \(c\neq 0\) 时，缩放映射可逆；当 \(c=0\) 时，则退化为零映射。它是最基础的线性变换之一。

6.4 对角化相关映射

某些线性算子在适当基下可表示为对角矩阵，这类映射通常称为可对角化映射或与对角化相关的映射。 对角化后，映射作用变得非常简单，每个坐标方向彼此独立，便于分析系统的本征行为与长期演化。

6.5 幺正与正交映射

在复内积空间中，保持内积的线性映射称为幺正映射；在实内积空间中，对应概念是正交映射。 这类映射保持长度与角度，因此在几何、量子理论和信号处理等领域具有重要意义。它们的矩阵满足相应的正交或幺正条件。

7 线性映射与子空间

7.1 不变子空间

若子空间 \(U\subseteq V\) 在映射 \(T\) 作用下仍被映到自身，即 \(T(U)\subseteq U\)，则称 \(U\) 为 \(T\) 的不变子空间。 不变子空间有助于把复杂映射分解为较简单的部分，是研究矩阵分块、特征结构和系统分解的重要工具。

7.2 商空间上的诱导映射

当线性映射与某个子空间相容时，可以在商空间上定义诱导映射。它把原空间中的等价类送到新的等价类上，从而保留结构并降低问题维数。 诱导映射常用于处理核、像与分解问题，是抽象代数与线性代数之间的重要连接点。

7.3 限制映射

若 \(U\) 是 \(V\) 的子空间，则可以把线性映射 \(T:V\to W\) 限制在 \(U\) 上，得到 \(T	_U:U\to W\)。

限制映射用于只研究某个局部范围内的行为，常见于分段分析、子空间研究以及局部结构描述。

7.4 延拓与分解

给定子空间上的线性映射，在适当条件下可将其延拓到整个空间；而复杂映射也常可分解为若干更简单的线性映射组合。 延拓与分解体现了线性结构的灵活性，前者侧重“由局部到整体”，后者侧重“由整体到局部”。

8 线性映射的典型应用

8.1 几何变换

在线性代数中，旋转、反射、缩放、投影等几何操作都可视为线性映射。它们可以统一用矩阵表达，并通过复合实现更复杂的图形变换。 这使得几何问题能够转化为代数计算，从而显著提高分析效率。

8.2 联立线性方程组

线性方程组可以写成矩阵形式 \(A\mathbf{x}=\mathbf{b}\)，其中矩阵 \(A\) 所代表的正是一个线性映射。 从这个角度看，求解方程组就是研究映射的像是否覆盖目标向量，以及在已知输出时原像是否唯一。核、秩与可逆性也因此成为求解理论的核心概念。

8.3 微分方程中的线性算子

在许多微分方程中，微分算子本身就是线性的，例如导数运算满足加法和数乘保持。 通过把微分方程写成算子方程，可以借助线性映射理论研究解空间结构、特征值问题和稳定性分析。

8.4 数据分析与降维

在数据分析中，线性映射常用于特征变换、主成分提取与降维处理。通过将高维数据投影到低维空间，可以在尽量保留主要信息的同时减少计算负担。 这一思想在统计分析、机器学习和模式识别中都十分常见。

8.5 计算机图形学中的变换

计算机图形学大量依赖线性映射来处理对象的位置、方向、大小与视角变化。二维和三维场景中的平移、旋转、缩放以及组合变换，常通过矩阵乘法统一实现。 借助线性映射，复杂场景的渲染、动画和坐标转换可以高效完成。