{
  "id": "linear-transformation",
  "title": "线性变换",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性变换是向量空间之间保持向量加法和标量乘法的映射。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "线性映射"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/linear-transformation/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/linear-transformation/",
      "json": "https://aiwiki.page/en/linear-transformation.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "线性变换是向量空间之间保持向量加法和标量乘法的函数。它描述的是与向量的代数结构相容的变换，无论这些向量是坐标序列、多项式还是函数。线性变换也称为线性映射，是线性代数的核心研究对象。定义域与目标空间的维数不必相同；当二者是同一个向量空间时，这种变换通常称为线性算子。(dummit.cos.northeastern.edu)"
    },
    {
      "heading": "定义与基本性质",
      "text": "设 \\(V\\) 和 \\(W\\) 是同一域（数学） \\(F\\) 上的向量空间。若对任意 \\(u,v\\in V\\) 和 \\(a,b\\in F\\)，映射 \\(T:V\\to W\\) 都满足\n\n\\[T(au+bv)=aT(u)+bT(v),\\]\n\n则称 \\(T\\) 为线性映射。\n\n等价地，它同时满足可加性 \\(T(u+v)=T(u)+T(v)\\) 和齐次性 \\(T(av)=aT(v)\\)。这些条件意味着 \\(T(0)=0\\)，并且任意有限线性组合都得到保持：\n\n\\[T\\left(\\sum_{i=1}^{k}a_iv_i\\right) =\\sum_{i=1}^{k}a_iT(v_i).\\]\n\n因此，线性变换完全由它在定义域的一组基（线性代数）上的取值决定。反过来，为一组基中的每个向量任意指定一个目标空间中的向量，就能确定唯一的线性变换。线性变换不要求保持长度、角度或向量的乘法。(math.mit.edu)"
    },
    {
      "heading": "矩阵表示",
      "text": "对于有限维空间，选定有序基后，就可以用矩阵表示线性变换。若 \\(V\\) 的维数（向量空间）为 \\(n\\)，\\(W\\) 的维数为 \\(m\\)，则表示矩阵 \\(A\\) 有 \\(m\\) 行、\\(n\\) 列。它的第 \\(j\\) 列由 \\(T(v_j)\\) 在所选的 \\(W\\) 的基下的坐标组成。因此，\n\n\\[[T(v)]_W=A[v]_V,\\]\n\n其中方括号表示坐标列向量。在标准坐标下，这一关系写成 \\(T(x)=Ax\\)。每个 \\(m\\times n\\) 矩阵都定义了一个线性变换 \\(F^n\\to F^m\\)。(opentext.uleth.ca)\n\n变换是抽象的映射，而它的矩阵则取决于所选的基。对于算子 \\(T:V\\to V\\)，更换基后，新旧矩阵之间满足矩阵相似关系：\n\n\\[A'=P^{-1}AP,\\]\n\n其中 \\(P\\) 将新坐标转换为旧坐标。矩阵的元素可能改变，但秩、行列式和特征值等内在性质不会改变。(dummit.cos.northeastern.edu)"
    },
    {
      "heading": "几何示例与仿射映射",
      "text": "在实坐标空间中，线性变换包括缩放、绕原点旋转、关于包含原点的子空间的反射、剪切和投影。例如，平面内逆时针旋转角度 \\(\\theta\\) 的矩阵为\n\n\\[R_\\theta= \\begin{pmatrix} \\cos\\theta&-\\sin\\theta\\\\ \\sin\\theta&\\cos\\theta \\end{pmatrix},\\]\n\n而水平剪切的矩阵为\n\n\\[S= \\begin{pmatrix} 1&k\\\\ 0&1 \\end{pmatrix}.\\]\n\n这一剪切将 \\((x,y)\\) 映射为 \\((x+ky,y)\\)，改变形状而不引入平移。到水平轴的正交投影将 \\((x,y)\\) 映射为 \\((x,0)\\)，舍弃其中一个坐标。(math.mit.edu)\n\n线性变换将直线映射为直线或一个点，并且始终保持原点不动。仿射映射具有更一般的形式 \\(x\\mapsto Ax+b\\)。它是线性的，当且仅当 \\(b=0\\)。因此，在普通坐标下，平移不是线性变换；不过，借助齐次坐标，可以用更大的矩阵表示仿射映射，使其在扩充后的坐标空间上线性地作用。(groups.csail.mit.edu)"
    },
    {
      "heading": "核、像与秩",
      "text": "两个相关的子空间分别描述了变换丢失了什么，以及它能产生什么。变换的核（线性映射）为\n\n\\[\\ker T=\\{v\\in V:T(v)=0\\},\\]\n\n其像（线性映射）为\n\n\\[\\operatorname{im}T=\\{T(v):v\\in V\\}.\\]\n\n二者分别是 \\(V\\) 和 \\(W\\) 的线性子空间。变换是单射函数，当且仅当其核为 \\(\\{0\\}\\)；变换是满射函数，当且仅当其像等于 \\(W\\)。(ximera.osu.edu)\n\n像的维数称为秩，核的维数称为零化度。对于有限维的定义域，秩—零化度定理指出\n\n\\[\\dim V=\\dim(\\ker T)+\\dim(\\operatorname{im}T).\\]\n\n变换的秩等于它的任意表示矩阵的秩。从几何上看，零化度表示被压缩为零的独立输入方向的个数，而秩表示独立输出方向的个数。对于 \\(T(x,y,z)=(x,y)\\)，核是 \\(z\\) 轴，像是整个坐标平面，并且 \\(3=1+2\\)。(ximera.osu.edu)"
    },
    {
      "heading": "复合、逆与特征向量",
      "text": "线性变换的函数复合仍是线性变换。选取相容的基时，复合对应于矩阵乘法：先应用 \\(T\\)，再应用 \\(S\\)，所得矩阵为 \\(A_SA_T\\)。双射线性变换的逆也是线性的，因此它是向量空间之间的同构。对于有限维空间上的算子，可逆性等价于其矩阵的行列式非零。(dummit.cos.northeastern.edu)\n\n对于算子 \\(T:V\\to V\\)，特征值与特征向量刻画了所在方向保持不变的非零向量：\n\n\\[T(v)=\\lambda v.\\]\n\n如果一组基完全由特征向量组成，那么算子在这组基下的矩阵就是对角矩阵。这种矩阵对角化可以简化变换的反复应用，因为只需将对角元素分别取相应次幂，就能得到对角矩阵的幂。并非每个算子在其所用的域上都具有由特征向量组成的基。(math.uchicago.edu)"
    },
    {
      "heading": "函数空间与连续性",
      "text": "线性性并不限于几何向量。在适当的可微函数空间上，求导定义了一个线性变换，因为\n\n\\[D(af+bg)=aDf+bDg.\\]\n\n在多项式空间上，求导会降低次数，并将常数多项式映射为零。这些例子说明，以函数空间中的元素为自变量的映射是否具有线性性，与某个函数自身的图像是否为直线，是两回事。(dummit.cos.northeastern.edu)\n\n在泛函分析中，对于赋范向量空间之间的线性变换，还需考虑连续性。线性映射连续，当且仅当存在某个有限常数 \\(C\\)，使每个 \\(v\\) 都满足 \\(\\|T(v)\\|\\le C\\|v\\|\\)。定义域为有限维赋范空间的线性映射总是连续的，但在无限维空间中未必如此；仅有代数意义上的线性性并不能保证这样的界存在。(users.oden.utexas.edu)"
    }
  ],
  "links": [
    "vector-space",
    "mathematical-function",
    "linear-map",
    "linear-algebra",
    "field-mathematics",
    "linear-combination",
    "basis-linear-algebra",
    "matrix",
    "dimension-vector-space",
    "matrix-similarity",
    "orthogonal-projection",
    "affine-map",
    "homogeneous-coordinates",
    "kernel-linear-map",
    "image-linear-map",
    "linear-subspace",
    "injective-function",
    "surjective-function",
    "rank-nullity-theorem",
    "matrix-rank",
    "function-composition",
    "isomorphism",
    "determinant",
    "eigenvalues-and-eigenvectors",
    "matrix-diagonalization",
    "polynomial",
    "functional-analysis",
    "normed-vector-space"
  ],
  "sources": [
    {
      "title": "dummit.cos.northeastern.edu/teaching_sp25_4571/linalgthy_2_linear_transformatio…",
      "url": "https://dummit.cos.northeastern.edu/teaching_sp25_4571/linalgthy_2_linear_transformations_v4.00.pdf"
    },
    {
      "title": "math.mit.edu/~djk/18_022/chapter16/section01.html",
      "url": "https://math.mit.edu/~djk/18_022/chapter16/section01.html"
    },
    {
      "title": "opentext.uleth.ca/Math3410/sec-matrix-of-transformation.html",
      "url": "https://opentext.uleth.ca/Math3410/sec-matrix-of-transformation.html"
    },
    {
      "title": "math.mit.edu/~roed/courses/211/lectures/Sep-20.pdf",
      "url": "https://math.mit.edu/~roed/courses/211/lectures/Sep-20.pdf"
    },
    {
      "title": "groups.csail.mit.edu/graphics/classes/6.837/F03/lectures/04_transformations.pdf",
      "url": "https://groups.csail.mit.edu/graphics/classes/6.837/F03/lectures/04_transformations.pdf"
    },
    {
      "title": "ximera.osu.edu/la/LinearAlgebra/LTR-M-0050/main",
      "url": "https://ximera.osu.edu/la/LinearAlgebra/LTR-M-0050/main"
    },
    {
      "title": "math.uchicago.edu/~womp/2007/linalg2007.pdf",
      "url": "https://math.uchicago.edu/~womp/2007/linalg2007.pdf"
    },
    {
      "title": "users.oden.utexas.edu/~tanbui/books/AdjointBook.pdf",
      "url": "https://users.oden.utexas.edu/~tanbui/books/AdjointBook.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}