{
  "id": "linear-subspace",
  "title": "线性子空间",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性子空间是向量空间的一个子集，在沿用原空间的运算时，其自身也构成向量空间。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "向量子空间",
    "子空间"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/linear-subspace/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/linear-subspace/",
      "json": "https://aiwiki.page/en/linear-subspace.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "线性子空间是向量空间的一个子集，它包含零向量，并且对向量加法和标量乘法封闭。在沿用原空间的这两种运算时，它自身也构成向量空间，且与所在空间定义在同一个域（数学）上。子空间是线性代数中的基本对象，可用于描述方向、齐次方程的解集以及嵌入较大空间中的较小空间。子空间的元素不一定是几何意义上的箭头，也可以是矩阵、多项式或函数。(math.brown.edu)"
    },
    {
      "heading": "定义与子空间判定",
      "text": "设 \\(V\\) 是域 \\(F\\) 上的向量空间。若子集 \\(W\\subseteq V\\) 满足以下条件，则称其为子空间：\n\n- \\(0\\in W\\)；\n- 对任意 \\(u,v\\in W\\)，都有 \\(u+v\\in W\\)；\n- 对任意 \\(a\\in F\\) 和 \\(v\\in W\\)，都有 \\(av\\in W\\)。\n\n等价地，一个非空子集是子空间，当且仅当\n\n\\[au+bv\\in W \\qquad(u,v\\in W,\\ a,b\\in F).\\]\n\n这一判定条件表明，\\(W\\) 对线性组合封闭。非空这一要求不可省略：空集虽然平凡地满足封闭条件，却不是向量空间。取标量为 \\(-1\\)，即可得到加法逆元；其余向量空间公理则由 \\(V\\) 继承而来。(math.brown.edu)\n\n标量域是定义的一部分。例如，将复数视为实向量空间时，实数构成它的一个子空间；但将复数视为复向量空间时，实数就不构成子空间，因为乘以 \\(i\\) 后，实数不一定仍是实数。(homepages.ucl.ac.uk)"
    },
    {
      "heading": "几何与代数中的例子",
      "text": "每个向量空间都有零子空间 \\(\\{0\\}\\) 和整个空间 \\(V\\) 这两个子空间。不等于 \\(V\\) 的子空间称为真子空间。在 \\(\\mathbb R^2\\) 中，子空间包括原点、经过原点的直线以及整个平面。在 \\(\\mathbb R^3\\) 中，还可以有经过原点的平面。特别地，\n\n\\[W=\\{(x,y,z)\\in\\mathbb R^3:x+y+z=0\\}\\]\n\n是一个平面子空间，因为向量加法和标量乘法都保持其定义方程成立。(ocw.mit.edu)\n\n不包含原点的直线或平面不是线性子空间。平移得到的集合 \\(v_0+W=\\{v_0+w:w\\in W\\}\\) 是一个仿射子空间；它是线性子空间，当且仅当 \\(v_0\\in W\\)。因此，\\(x+y+z=1\\) 定义的是仿射平面，而不是线性子空间。(math.brown.edu)\n\n子空间也可以出现在不涉及几何坐标的情形中。次数不超过 \\(d\\) 的多项式与零多项式一起构成 \\(F[x]\\) 的一个子空间。同样，固定阶数的实对称矩阵构成同阶方阵空间的一个子空间。这些例子说明，判断子空间的关键在于运算的封闭性，而不在于元素的具体形式。(math.brown.edu)"
    },
    {
      "heading": "线性包、基与维数",
      "text": "对于向量集合 \\(S\\subseteq V\\)，其线性包由 \\(S\\) 中元素的所有有限线性组合构成。它是包含 \\(S\\) 的最小子空间。因此，指定一组生成向量是描述子空间的一种方式。(homepages.ucl.ac.uk)\n\n\\(W\\) 的一组基（线性代数）是满足线性无关条件的生成集。基中向量的个数定义了 \\(W\\) 的维数（向量空间）。若 \\(V\\) 是有限维的，则\n\n\\[0\\leq\\dim W\\leq\\dim V.\\]\n\n若 \\(\\dim W=\\dim V\\)，则必有 \\(W=V\\)。\\(W\\) 的任意一组基都可以扩充为 \\(V\\) 的一组基，从而区分子空间中已有的方向与所在空间中的额外方向。(homepages.ucl.ac.uk)\n\n对于平面 \\(x+y+z=0\\)，可以取以下向量作为一组基：\n\n\\[(1,-1,0),\\qquad(1,0,-1).\\]\n\n平面上的每一点都能唯一地表示为这两个向量的线性组合，因此该平面的维数为二。(ocw.mit.edu)"
    },
    {
      "heading": "交、和与补空间",
      "text": "\\(V\\) 的任意非空子空间族的交仍是子空间。两个子空间的并通常不是子空间：分别从两个子空间中各取一个向量，将它们相加，结果可能不在并集中。对于两个子空间 \\(U,W\\)，它们的并是子空间，当且仅当其中一个包含于另一个。(cfm.brown.edu)\n\n它们的和定义为\n\n\\[U+W=\\{u+w:u\\in U,\\ w\\in W\\},\\]\n\n即同时包含这两个子空间的最小子空间。对于有限维子空间，\n\n\\[\\dim(U+W)=\\dim U+\\dim W-\\dim(U\\cap W).\\]\n\n减去交空间的维数，是为了扣除两个空间共有的方向所造成的重复计数。(cfm.brown.edu)\n\n若 \\(U\\cap W=\\{0\\}\\)，则和空间中的每个元素都有唯一的分解 \\(u+w\\)；此时，这个和称为直和，记作 \\(U\\oplus W\\)。若子空间 \\(U\\) 满足 \\(V=W\\oplus U\\)，则称 \\(U\\) 为 \\(W\\) 在 \\(V\\) 中的补空间。有限维向量空间的每个子空间都有补空间，但补空间通常不唯一。(cfm.brown.edu)"
    },
    {
      "heading": "线性映射与方程",
      "text": "对于线性映射 \\(T:V\\to Y\\)，其核（线性映射） \\(\\ker T=\\{v:T(v)=0\\}\\) 是 \\(V\\) 的子空间，其像则是 \\(Y\\) 的子空间。对于矩阵 \\(A\\)，它们分别对应矩阵的零空间和列空间。因此，齐次线性方程组 \\(Ax=0\\) 的解集总是一个子空间。(ocw.mit.edu)\n\n秩—零化度定理给出了二者维数之间的关系：当 \\(V\\) 为有限维空间时，\n\n\\[\\dim\\ker T+\\dim\\operatorname{im}T=\\dim V.\\]\n\n因此，对于一个 \\(m\\times n\\) 矩阵，其零空间的维数为 \\(n-\\operatorname{rank}(A)\\)，其中矩阵的秩是列空间的维数。若 \\(Ax=b\\) 有一个特解 \\(x_0\\)，则其全部解构成集合 \\(x_0+\\ker A\\)，这通常是仿射子空间，而不是线性子空间。(ocw.mit.edu)"
    },
    {
      "heading": "正交性与逼近",
      "text": "在有限维情形下，内积给出了一个特殊的补空间。正交补\n\n\\[W^\\perp=\\{v:\\langle v,w\\rangle=0\\text{ 对所有 }w\\in W\\text{ 成立}\\}\\]\n\n是一个子空间，且 \\(V=W\\oplus W^\\perp\\)。每个向量都可以唯一地分解为一个属于 \\(W\\) 的分量和一个垂直于 \\(W\\) 的分量。(cfm.brown.edu)\n\n第一个分量就是该向量在 \\(W\\) 上的正交投影，也是在内积诱导的范数下，\\(W\\) 中与该向量距离最近的唯一一点。在普通最小二乘法中，拟合向量是观测响应向量在设计矩阵列空间上的投影；残差则位于该列空间的正交补中。这使子空间的几何性质与逼近和回归直接联系起来。(ocw.mit.edu)"
    }
  ],
  "links": [
    "vector-space",
    "field-mathematics",
    "linear-algebra",
    "linear-combination",
    "complex-number",
    "real-number",
    "affine-space",
    "polynomial",
    "linear-span",
    "basis-linear-algebra",
    "linear-independence",
    "dimension-vector-space",
    "direct-sum",
    "linear-map",
    "kernel-linear-map",
    "matrix",
    "column-space",
    "system-of-linear-equations",
    "rank-nullity-theorem",
    "matrix-rank",
    "inner-product",
    "orthogonal-complement",
    "orthogonal-projection",
    "ordinary-least-squares"
  ],
  "sources": [
    {
      "title": "math.brown.edu/streil/teaching/MA_54_s03/text.pdf",
      "url": "https://www.math.brown.edu/streil/teaching/MA_54_s03/text.pdf"
    },
    {
      "title": "homepages.ucl.ac.uk/~ucahmto/0005/004.html",
      "url": "https://www.homepages.ucl.ac.uk/~ucahmto/0005/004.html"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/c501620f128ab205bc26777093…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/c501620f128ab205bc267770934d707a_MIT18_06SCF11_ZoomNotes.pdf"
    },
    {
      "title": "cfm.brown.edu/people/dobrush/cs52/Mathematica/Part3/intersection.html",
      "url": "https://www.cfm.brown.edu/people/dobrush/cs52/Mathematica/Part3/intersection.html"
    },
    {
      "title": "cfm.brown.edu/people/dobrush/cs52/Mathematica/Part3/direct.html",
      "url": "https://www.cfm.brown.edu/people/dobrush/cs52/Mathematica/Part3/direct.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/projections-onto-subspaces/"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}