{
  "id": "linear-algebra",
  "title": "线性代数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性代数研究向量空间、线性映射和线性方程组，为几何、科学计算与数据分析提供工具。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/linear-algebra/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/linear-algebra/",
      "json": "https://aiwiki.page/en/linear-algebra.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "线性代数是数学的一个分支，研究向量空间、线性映射及其矩阵表示。它探讨其中的对象可以进行加法和标量乘法的结构，以及保持这些运算的变换。其核心问题包括求解线性方程、描述相互独立的方向，以及通过不变性质理解变换。线性代数将抽象推理与计算方法相结合，把代数公式与几何解释联系起来。(linear.axler.net)"
    },
    {
      "heading": "向量空间与坐标",
      "text": "向量空间由向量以及满足特定公理的加法和标量乘法运算构成。标量属于某个域（数学），通常为实数域或复数域。常见的例子包括坐标向量，但多项式以及适当的函数集合也能构成向量空间。因此，向量不一定是物理空间中的箭头；其本质特征在于能够参与这些代数运算。(linear.axler.net)\n\n线性组合具有如下形式：\n\n\\[a_1v_1+\\cdots+a_kv_k.\\]\n\n一组向量的线性包由它们的所有线性组合构成。线性无关是指，只有当所有系数都为零时，线性组合才等于零。基（线性代数）是一组线性无关且线性包为整个空间的向量；每个向量相对于这组基都有唯一的坐标表示。有限维空间中基向量的个数就是该空间的维数（向量空间）。坐标取决于所选的基，而向量本身和空间的维数则不随基的选择而改变。(linear.axler.net)"
    },
    {
      "heading": "线性映射与矩阵",
      "text": "若映射 \\(T:V\\to W\\) 对所有向量 \\(u,v\\) 和标量 \\(a,b\\) 都满足\n\n\\[T(au+bv)=aT(u)+bT(v),\\]\n\n则称其为线性映射。为有限维的定义域和陪域分别选定基后，就可以用一个矩阵表示该映射。矩阵的各列是定义域各基向量的像在陪域所选基下的坐标。矩阵乘法对应于线性映射的复合；更换基会改变表示矩阵，但不会改变映射本身。(linear.axler.net)\n\n线性子空间是一个子集，它在沿用原空间运算的情况下本身也构成向量空间。与映射相关的两个重要子空间是核与像：核由映射到零的向量组成，像则由所有可能的输出组成。对于矩阵，其像就是列空间，列空间的维数就是矩阵的秩。秩—零化度定理指出，核与像的维数之和等于定义域的维数。(github.com)"
    },
    {
      "heading": "线性方程与可逆性",
      "text": "线性方程组可以写成\n\n\\[Ax=b,\\]\n\n其中 \\(A\\) 包含各个系数，\\(x\\) 包含各个未知量，\\(b\\) 包含给定值。当且仅当 \\(b\\) 属于 \\(A\\) 的列空间时，方程组有解。如果 \\(x_0\\) 是一个解，那么所有解都可写成 \\(x_0+z\\)，其中 \\(Az=0\\)。这种表示将解的存在性问题与唯一性问题区分开来。(github.com)\n\n高斯消元法通过初等行变换将矩阵化为阶梯形，从而揭示主元、自由变量以及不相容的方程。方阵可逆，当且仅当它的秩等于它的阶数；等价地，其核仅包含零向量。此时，它的逆矩阵给出唯一解 \\(x=A^{-1}b\\)，不过实际计算通常直接求解方程组，而不显式计算逆矩阵。(web.mit.edu)\n\n行列式为每个方阵赋予一个标量，当且仅当矩阵奇异时，其行列式为零。对于作用于欧几里得空间的实矩阵，行列式的绝对值表示体积的缩放倍数，符号则表明变换是保持还是反转空间的定向。因此，行列式将可解性与几何联系起来。(web.mit.edu)"
    },
    {
      "heading": "正交性与逼近",
      "text": "内积引入了长度、夹角和正交等概念。在实坐标空间中，标准内积为 \\(u^{T}v\\)。标准正交基的向量长度均为一，且两两垂直，因此能够简化计算。正交投影确定子空间中距离给定向量最近的向量，并为最小二乘逼近提供几何基础。(ocw.mit.edu)\n\n当 \\(Ax=b\\) 无解时，最小二乘法通过最小化 \\(\\|Ax-b\\|_2^2\\) 来寻找近似解。在使该表达式达到最小值的解处，残差与 \\(A\\) 的每一列都正交，由此得到正规方程 \\(A^{T}Ax=A^{T}b\\)。这是统计建模中普通最小二乘法的基础。QR 分解和奇异值分解提供了其他求解方法，与直接构造正规方程相比，它们在数值计算上更有优势。(arxiv.org)"
    },
    {
      "heading": "特征值与分解",
      "text": "特征值与特征向量描述满足 \\(Av=\\lambda v\\) 的非零向量及其对应标量：变换对这样的向量所起的作用就是标量乘法。如果一个方阵具有一组由特征向量构成的基，便可通过矩阵对角化将其表示为 \\(A=PDP^{-1}\\)，其中 \\(D\\) 为对角矩阵。这能简化矩阵幂的计算以及对反复施加的变换的分析。并非所有方阵都可以对角化。(linear.axler.net)\n\n谱定理保证实对称矩阵存在一组标准正交的特征向量基；在复数空间中，正规矩阵也具有这样的基。奇异值分解的适用范围更广，任何实数或复数的矩形矩阵都可以分解为：\n\n\\[A=U\\Sigma V^{*},\\]\n\n其中 \\(U,V\\) 为酉矩阵，\\(\\Sigma\\) 包含非负的奇异值。这种分解能够揭示矩阵的秩，并用于低秩逼近和求取最小范数最小二乘解。(linear.axler.net)"
    },
    {
      "heading": "计算与应用",
      "text": "数值线性代数研究有限精度算术下的算法，关注输入扰动的敏感性、舍入误差以及高效的矩阵分解。对于病态问题，数学上成立的公式在实际计算中可能并不可靠。(arxiv.org)\n\n线性代数的应用包括统计学中的模型拟合、主成分分析以及其他形式的机器学习。它还用于分析微分方程组、网络和马尔可夫链。在这些场景中，相同的结构性问题反复出现：哪些输出能够达到，哪些方向相互独立，以及变换在迭代过程中如何表现。(arxiv.org)"
    }
  ],
  "links": [
    "mathematics",
    "vector-space",
    "linear-map",
    "field-mathematics",
    "linear-combination",
    "linear-span",
    "linear-independence",
    "basis-linear-algebra",
    "dimension-vector-space",
    "matrix",
    "linear-subspace",
    "matrix-rank",
    "rank-nullity-theorem",
    "system-of-linear-equations",
    "gaussian-elimination",
    "inverse-matrix",
    "determinant",
    "inner-product",
    "ordinary-least-squares",
    "eigenvalues-and-eigenvectors",
    "matrix-diagonalization",
    "spectral-theorem",
    "singular-value-decomposition",
    "numerical-linear-algebra",
    "statistics",
    "principal-component-analysis",
    "machine-learning",
    "differential-equation",
    "markov-chain"
  ],
  "sources": [
    {
      "title": "linear.axler.net",
      "url": "https://linear.axler.net/"
    },
    {
      "title": "linear.axler.net/LADR4e.pdf",
      "url": "https://linear.axler.net/LADR4e.pdf"
    },
    {
      "title": "github.com/mitmath/1806",
      "url": "https://github.com/mitmath/1806"
    },
    {
      "title": "web.mit.edu/18.06/www/Fall02/goals.html",
      "url": "https://web.mit.edu/18.06/www/Fall02/goals.html"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/pages/least-squares-determ…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/pages/least-squares-determinants-and-eigenvalues/orthogonal-vectors-and-subspaces/"
    },
    {
      "title": "arxiv.org/abs/2412.19960",
      "url": "https://arxiv.org/abs/2412.19960"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}