{
  "id": "linear-combination",
  "title": "线性组合",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性组合是将向量或其他向量空间元素分别乘以标量系数后得到的有限和。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/linear-combination/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/linear-combination/",
      "json": "https://aiwiki.page/en/linear-combination.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "线性组合是将向量空间中的元素分别乘以标量，再将所得结果相加而形成的表达式。它是线性代数中的一种基本构造，将向量方程、生成集、坐标系和线性变换联系起来。参与组合的元素不一定是几何意义上的箭头，也可以是多项式、函数或矩阵，只要它们属于同一个向量空间。(mtaylor.web.unc.edu)"
    },
    {
      "heading": "定义与适用范围",
      "text": "设 \\(V\\) 是域（数学） \\(F\\) 上的向量空间。给定向量 \\(v_1,\\ldots,v_n\\in V\\) 和系数 \\(a_1,\\ldots,a_n\\in F\\)，它们的线性组合为\n\n\\[a_1v_1+\\cdots+a_nv_n=\\sum_{i=1}^{n}a_iv_i.\\]\n\n这些系数是标量，属于定义该向量空间所用的域。常用的标量域有实数域和复数域。向量空间对加法和标量乘法的封闭性保证了所得元素仍属于 \\(V\\)。一般而言，并不要求系数为正，也不要求系数之和等于一。(mtaylor.web.unc.edu)\n\n通常的代数定义采用有限和。即使一个集合包含无穷多个向量，每个线性组合也只使用其中有限多个向量。无穷级数需要额外引入收敛的概念，并不自动构成代数意义上的线性组合。将所有系数取为零便得到零向量；按照惯例，空和也定义为零向量。(mtaylor.web.unc.edu)\n\n对于多项式，例如\n\n\\[p(t)=3-2t+5t^2\\]\n\n就是 \\(1,t,t^2\\) 的线性组合。同样，对于定义域和标量域相同的函数，\\(af+bg\\) 表示在 \\(t\\) 处取值为 \\(af(t)+bg(t)\\) 的函数。这些例子说明，线性组合的定义并不限于坐标向量的运算。(mtaylor.web.unc.edu)"
    },
    {
      "heading": "几何解释与线性包",
      "text": "在实坐标空间中，标量乘法会改变向量的长度；当标量为负时，还会使向量的方向反转。向量加法则将所得位移合成。例如，\n\n\\[2(1,0)-3(0,1)=(2,-3).\\]\n\n一个非零向量生成一条经过原点的直线。两个不平行的向量生成一个经过原点的平面，而两个平行的向量只能生成一条直线。因此，生成对象的几何形态取决于可用的方向，而不只是所列向量的数量。(textbooks.math.gatech.edu)\n\n集合 \\(S\\) 的线性包记作 \\(\\operatorname{span}(S)\\)，是由 \\(S\\) 中元素的所有有限线性组合构成的集合。它是包含 \\(S\\) 的最小线性子空间。一个线性组合是某个特定的表达式或所得向量，而线性包则是所有能够得到的向量组成的完整集合。空集的线性包为 \\(\\{0\\}\\)。(interactivetextbooks.tudelft.nl)"
    },
    {
      "heading": "线性无关、基与坐标",
      "text": "如果向量组 \\(v_1,\\ldots,v_n\\) 满足：由\n\n\\[a_1v_1+\\cdots+a_nv_n=0\\]\n\n必能推出 \\(a_1=\\cdots=a_n=0\\)，则称该向量组线性无关。否则，称其线性相关。在一个线性相关的有限向量组中，至少有一个向量可以表示为其余向量的线性组合，因此，去掉这个向量也不会改变所生成的线性包。(interactivetextbooks.tudelft.nl)\n\n线性无关性决定了表示的唯一性：在线性无关向量组的线性包中，每个向量相对于该向量组都恰好对应一组系数。证明这一点，只需将两个可能的表示相减；线性无关性迫使所有对应系数之差均为零。对于线性相关向量组，则可以将一个系数不全为零的线性关系加到已有表示上，得到系数不同但结果相同的表示。(interactivetextbooks.tudelft.nl)\n\n基（线性代数）是一个线性无关的生成集。因此，将基的元素按顺序排列后，就能为向量提供坐标：每个向量都由其系数唯一表示。在有限维空间中，基所含元素的个数就是该空间的维数（向量空间）。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "矩阵表示与计算",
      "text": "对于坐标向量 \\(v_1,\\ldots,v_n\\in F^m\\)，将它们作为列排成一个矩阵：\n\n\\[A=\\begin{bmatrix}v_1&\\cdots&v_n\\end{bmatrix}.\\]\n\n于是\n\n\\[Ax=x_1v_1+\\cdots+x_nv_n.\\]\n\n判断目标向量 \\(b\\) 是否是这些列向量的线性组合，等价于求解线性方程组 \\(Ax=b\\)。(textbooks.math.gatech.edu)\n\n高斯消元法可以判断方程组是否有解，并在有解时求出系数。矩阵的秩衡量的是列向量线性包的维数。对于有解的方程组，系数唯一当且仅当其列向量线性无关；如果列向量线性相关，同一个目标向量就可以对应多个不同的系数向量。如果方程组无解，目标向量便不在列向量的线性包中。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "带约束的组合",
      "text": "几种相关构造对实数系数施加了额外条件：\n\n- 仿射组合要求 \\(\\sum_i a_i=1\\)。\n- 锥组合要求 \\(a_i\\geq0\\)。\n- 凸组合要求同时满足上述两个条件。(math.mit.edu)\n\n对于两个不同的点 \\(u,v\\)，仿射组合 \\((1-t)u+tv\\) 在实数 \\(t\\) 不受限制时，描述经过这两点的整条直线。凸组合则将 \\(t\\) 限制在 \\([0,1]\\) 内，描述连接两点的线段。这些构造是仿射空间和凸集的基础；系数非负是额外条件，并非一般线性组合定义的一部分。(math.mit.edu)"
    },
    {
      "heading": "线性映射与统计模型",
      "text": "线性映射保持线性组合：\n\n\\[T\\left(\\sum_i a_iv_i\\right)=\\sum_i a_iT(v_i).\\]\n\n因此，只要知道线性映射在一组基上的取值，就能确定它在整个空间中的取值。这一性质说明了线性组合与变换的矩阵表示之间的密切关系。(textbooks.math.gatech.edu)\n\n在线性回归中，拟合得到的预测量是所选特征列的线性组合，其中通常包含一个用于表示截距的常数列。普通最小二乘法通过选择系数，使残差平方和最小。多项式项和交互项也可以作为特征：这里的“线性”指的是系数在模型中的作用，而不一定意味着模型对原始输入变量呈线性依赖。(online.stat.psu.edu)"
    }
  ],
  "links": [
    "vector-space",
    "linear-algebra",
    "field-mathematics",
    "real-number",
    "complex-number",
    "polynomial",
    "mathematical-function",
    "linear-span",
    "linear-subspace",
    "linear-independence",
    "basis-linear-algebra",
    "dimension-vector-space",
    "matrix",
    "system-of-linear-equations",
    "gaussian-elimination",
    "matrix-rank",
    "affine-combination",
    "convex-combination",
    "affine-space",
    "convex-set",
    "linear-map",
    "linear-regression",
    "ordinary-least-squares"
  ],
  "sources": [
    {
      "title": "mtaylor.web.unc.edu/wp-content/uploads/sites/16915/2021/09/linintro.pdf",
      "url": "https://mtaylor.web.unc.edu/wp-content/uploads/sites/16915/2021/09/linintro.pdf"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/spans.html",
      "url": "https://www.textbooks.math.gatech.edu/ila/spans.html"
    },
    {
      "title": "interactivetextbooks.tudelft.nl/linear-algebra/Chapter2/LinearCombinations.html",
      "url": "https://interactivetextbooks.tudelft.nl/linear-algebra/Chapter2/LinearCombinations.html"
    },
    {
      "title": "interactivetextbooks.tudelft.nl/linear-algebra/Chapter2/LinearIndependence.html",
      "url": "https://interactivetextbooks.tudelft.nl/linear-algebra/Chapter2/LinearIndependence.html"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/ila.pdf",
      "url": "https://textbooks.math.gatech.edu/ila/ila.pdf"
    },
    {
      "title": "math.mit.edu/~goemans/18433S09/polyhedral.pdf",
      "url": "https://math.mit.edu/~goemans/18433S09/polyhedral.pdf"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/1553/linear-transformations.html",
      "url": "https://www.textbooks.math.gatech.edu/ila/1553/linear-transformations.html"
    },
    {
      "title": "online.stat.psu.edu/stat501/Lesson05",
      "url": "https://online.stat.psu.edu/stat501/Lesson05"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}