{
  "id": "linear-span",
  "title": "线性张成",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "向量集的线性张成由其所有有限线性组合构成，是包含该集合的最小线性子空间。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "线性包",
    "张成空间"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/linear-span/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/linear-span/",
      "json": "https://aiwiki.page/en/linear-span.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "一组向量的线性张成是由这些向量的所有有限线性组合构成的集合。等价地，它是包含给定向量集的最小线性子空间。线性张成是线性代数中的一项基本构造，描述了一组向量通过加法和标量乘法所能生成的全部向量，无论这些向量是坐标元组、函数还是矩阵。常用记号包括 \\(\\operatorname{span}(S)\\) 和 \\(\\operatorname{span}\\{v_1,\\ldots,v_k\\}\\)。(math.brown.edu)"
    },
    {
      "heading": "定义与标量域",
      "text": "设 \\(V\\) 是域（数学） \\(F\\) 上的向量空间，且 \\(S\\subseteq V\\)。\\(S\\) 的线性张成定义为\n\n\\[\\operatorname{span}_F(S)= \\left\\{ \\sum_{j=1}^{k}a_js_j: k\\geq 0,\\ a_j\\in F,\\ s_j\\in S \\right\\}.\\]\n\n当 \\(k=0\\) 时，约定该和为零向量。因此，\\(\\operatorname{span}(\\varnothing)=\\{0\\}\\)。即使生成集是无限集，其张成空间中的每个向量仍然只由有限多个生成向量组合而成。无限级数需要额外的结构，不属于这一代数定义的范畴。(cfm.brown.edu)\n\n标量域的选择很重要。例如，将复数视为复数域上的向量空间时，\\(\\operatorname{span}_{\\mathbb C}\\{1\\}=\\mathbb C\\)。但在实数域上，\\(\\operatorname{span}_{\\mathbb R}\\{1\\}=\\mathbb R\\)，而 \\(\\{1,i\\}\\) 则张成整个 \\(\\mathbb C\\)。指定允许使用的系数后，这些结论可由定义直接得出。(cfm.brown.edu)"
    },
    {
      "heading": "最小子空间刻画",
      "text": "线性张成也可以通过交集来定义：\n\n\\[\\operatorname{span}(S)= \\bigcap_{\\substack{W\\leq V\\\\S\\subseteq W}}W,\\]\n\n其中，\\(W\\leq V\\) 表示 \\(W\\) 是 \\(V\\) 的线性子空间。参与求交的子空间族非空，因为 \\(V\\) 本身就包含 \\(S\\)。(cfm.brown.edu)\n\n这两种定义之所以等价，是因为有限线性组合的集合包含零向量，并且对加法和标量乘法封闭：进行这些运算后，所得向量仍是有限线性组合。因此，该集合是一个包含 \\(S\\) 的子空间。反过来，任何包含 \\(S\\) 的子空间，由其封闭性，都必须包含所有这样的线性组合。(cfm.brown.edu)\n\n由此可得若干结论：\\(S\\subseteq\\operatorname{span}(S)\\)；若 \\(S\\subseteq T\\)，则 \\(\\operatorname{span}(S)\\subseteq\\operatorname{span}(T)\\)；对已经张成的子空间再次取线性张成，结果不变。加入一个已经属于张成空间的向量，不会扩大该空间。对于子空间 \\(U,W\\)，它们的并集所张成的空间就是它们的和 \\(U+W=\\{u+w:u\\in U,w\\in W\\}\\)，但并集本身未必是子空间。(cfm.brown.edu)"
    },
    {
      "heading": "几何与函数示例",
      "text": "在实坐标空间中，线性张成有直观的几何学解释。一个非零向量张成一条经过原点的直线。两个互不为标量倍数的向量张成一个经过原点的平面。\\(\\mathbb R^3\\) 中三个线性无关的向量张成整个空间。线性相关的生成向量可能仍然描述同一条直线或同一个平面，而不会增加新的方向。(math.mit.edu)\n\n例如，\n\n\\[\\operatorname{span}\\{(1,0,0),(0,1,0)\\} =\\{(a,b,0):a,b\\in\\mathbb R\\}.\\]\n\n这就是坐标平面 \\(z=0\\)。加入 \\((1,1,0)\\) 后，张成空间不变，因为它是原来两个生成向量的和。(cfm.brown.edu)\n\n向量不一定是箭头。多项式 \\(1,x,\\ldots,x^n\\) 张成次数不超过 \\(n\\) 的多项式空间。无限集 \\(\\{1,x,x^2,\\ldots\\}\\) 张成所有多项式构成的空间，而不是任意无限幂级数构成的空间：每个多项式都只有有限个非零系数。(cfm.brown.edu)"
    },
    {
      "heading": "生成集、基与维数",
      "text": "当 \\(\\operatorname{span}(S)=V\\) 时，称集合 \\(S\\) 为 \\(V\\) 的一个生成集。张成与线性无关是两个不同的条件：张成关心的是每个目标向量能否表示出来；线性无关关心的是生成向量之间是否存在非平凡的线性关系。基（线性代数）同时满足这两个条件，使每个向量都有唯一的有限线性组合表示。(math.mit.edu)\n\n从有限生成集中删去冗余向量，即可得到一组基。其张成空间的维数（向量空间）不超过生成向量的个数，且当且仅当这些向量线性无关时取等号。因此，一个 \\(n\\) 维空间至少需要 \\(n\\) 个向量才能张成，而任何恰好含有 \\(n\\) 个向量的生成集都是一组基。不同的基可以张成同一个子空间。(math.mit.edu)"
    },
    {
      "heading": "矩阵与计算",
      "text": "将向量 \\(v_1,\\ldots,v_k\\in F^m\\) 作为列，组成矩阵 \\(A\\)。则\n\n\\[Ax=x_1v_1+\\cdots+x_kv_k, \\qquad \\operatorname{span}\\{v_1,\\ldots,v_k\\} =\\{Ax:x\\in F^k\\}.\\]\n\n它们的张成空间就是 \\(A\\) 的列空间，也就是线性映射 \\(x\\mapsto Ax\\) 的像。向量 \\(b\\) 属于这一张成空间，当且仅当线性方程组 \\(Ax=b\\) 有解。(math.mit.edu)\n\n高斯消元法可以判断方程组是否有解，并确定主元列。原矩阵中与这些主元列对应的列构成其列空间的一组基；这些列的个数就是矩阵的秩。行变换通常会改变列空间，因此基向量必须取自原矩阵，而不是行化简后的矩阵。(math.brown.edu)\n\n对于实矩阵，普通最小二乘法用于寻找所有可表示为 \\(Ax\\) 的向量中最接近目标 \\(b\\) 的向量。这个拟合向量就是 \\(b\\) 在列空间上的正交投影。即使列向量线性相关，导致系数向量不唯一，投影向量仍然是唯一的。(live.ocw.mit.edu)"
    },
    {
      "heading": "相关的包构造",
      "text": "线性张成对标量系数不加限制。与仿射空间相关的仿射包则要求系数之和等于一。生成凸集的凸包还进一步要求系数为非负实数。因此，在实向量空间中，\n\n\\[\\operatorname{conv}(S)\\subseteq \\operatorname{aff}(S)\\subseteq \\operatorname{span}(S).\\]\n\n与仿射包不同，线性张成必定包含原点。因此，这些构造即使使用同一组生成向量，也可能得到不同的集合。(see.stanford.edu)"
    }
  ],
  "links": [
    "linear-combination",
    "linear-subspace",
    "linear-algebra",
    "field-mathematics",
    "vector-space",
    "complex-number",
    "real-number",
    "geometry",
    "polynomial",
    "linear-independence",
    "basis-linear-algebra",
    "dimension-vector-space",
    "matrix",
    "linear-map",
    "system-of-linear-equations",
    "gaussian-elimination",
    "matrix-rank",
    "ordinary-least-squares",
    "orthogonal-projection",
    "affine-space",
    "convex-set"
  ],
  "sources": [
    {
      "title": "math.brown.edu/streil/papers/LADW/2009/LADW.pdf",
      "url": "https://www.math.brown.edu/streil/papers/LADW/2009/LADW.pdf"
    },
    {
      "title": "cfm.brown.edu/people/dobrush/cs52/Mathematica/Part1/independence.html",
      "url": "https://www.cfm.brown.edu/people/dobrush/cs52/Mathematica/Part1/independence.html"
    },
    {
      "title": "math.mit.edu/~jorloff/suppnotes/suppnotes03/1803SupplementaryNotes_full.pdf",
      "url": "https://math.mit.edu/~jorloff/suppnotes/suppnotes03/1803SupplementaryNotes_full.pdf"
    },
    {
      "title": "math.mit.edu/~gs/everyone/lafe_sols21.pdf",
      "url": "https://math.mit.edu/~gs/everyone/lafe_sols21.pdf"
    },
    {
      "title": "math.mit.edu/~gs/everyone/everyone_13.pdf",
      "url": "https://math.mit.edu/~gs/everyone/everyone_13.pdf"
    },
    {
      "title": "live.ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/198bde3a6536b62989b6c…",
      "url": "https://live.ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/198bde3a6536b62989b6cc09495575c1_MIT18_06SCF11_Ses2.3sum.pdf"
    },
    {
      "title": "see.stanford.edu/materials/lsocoee364a/review1_single.pdf",
      "url": "https://see.stanford.edu/materials/lsocoee364a/review1_single.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}