{
  "id": "null-space",
  "title": "零空间",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "线性映射的零空间是所有被映为零向量的输入构成的子空间，刻画齐次方程的解与解的不唯一性。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "零核",
    "核空间"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/null-space/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/null-space/",
      "json": "https://aiwiki.page/en/null-space.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在线性代数中，线性映射的零空间是所有被该映射映为零向量的向量组成的集合，也称为该映射的核（线性映射），描述的是被映射消去的输入。对于矩阵 \\(A\\)，零空间由齐次方程 \\(Ax=0\\) 的全部解组成。它是输入空间的线性子空间，一般并不是输出空间的子空间。(maths.tcd.ie)"
    },
    {
      "heading": "定义与基本性质",
      "text": "设 \\(T:V\\to W\\) 是域（数学） \\(\\mathbb F\\) 上两个向量空间之间的线性映射。它的零空间为\n\n\\[\\ker T=\\{v\\in V:T(v)=0_W\\}.\\]\n\n对于 \\(\\mathbb F\\) 上的 \\(m\\times n\\) 矩阵，常用记号有\n\n\\[N(A),\\qquad \\operatorname{Null}(A),\\qquad \\ker A.\\]\n\n这里 \\(N(A)\\subseteq\\mathbb F^n\\)，而 \\(A\\) 的像（线性映射）位于 \\(\\mathbb F^m\\) 中。(maths.tcd.ie)\n\n零向量总是属于零空间。若 \\(u,v\\in\\ker T\\) 且 \\(a,b\\in\\mathbb F\\)，则由线性性可得\n\n\\[T(au+bv)=aT(u)+bT(v)=0.\\]\n\n因此，零空间对线性组合封闭。只含零向量的零空间称为平凡零空间；它并不是空集。线性映射是单射函数，当且仅当它的零空间是平凡的，因为 \\(T(u)=T(v)\\) 等价于 \\(u-v\\in\\ker T\\)。(maths.tcd.ie)"
    },
    {
      "heading": "零化度与秩",
      "text": "零空间的维数（向量空间）称为零化度。若 \\(V\\) 是有限维的，则秩—零化度定理指出\n\n\\[\\dim V=\\dim\\ker T+\\dim\\operatorname{im}T.\\]\n\n因此，若 \\(A\\) 有 \\(n\\) 列，且矩阵的秩为 \\(r\\)，则\n\n\\[\\operatorname{nullity}(A)=n-r.\\]\n\n所以，零化度表示变换所丢失的独立输入方向的数目。(homepages.ucl.ac.uk)\n\n矩阵的零空间是平凡的，当且仅当它的各列线性无关。特别地，当 \\(n>m\\) 时，\\(m\\times n\\) 矩阵必定具有非平凡零空间，因为它的秩不可能超过 \\(m\\)。这一结论针对的是齐次方程组，并不能据此断定任意方程 \\(Ax=b\\) 都有解。(live.ocw.mit.edu)"
    },
    {
      "heading": "基的计算",
      "text": "在精确计算中，可以用高斯消元法将 \\(A\\) 化为行阶梯形。初等行变换不改变 \\(Ax=0\\) 的解，因此也不改变它的零空间。将主元变量用自由变量表示，再依次令一个自由变量为 \\(1\\)、其余自由变量为 \\(0\\)，就能得到零空间的一组基（线性代数）。所得基向量的个数等于非主元列的个数。(ocw.mit.edu)\n\n例如，取\n\n\\[A=\\begin{pmatrix} 1&2&3\\\\ 2&4&6 \\end{pmatrix}.\\]\n\n第二个方程是第一个方程的两倍，因此只需保留\n\n\\[x_1+2x_2+3x_3=0.\\]\n\n令 \\(x_2=s\\)、\\(x_3=t\\)，得到\n\n\\[x=s\\begin{pmatrix}-2\\\\1\\\\0\\end{pmatrix} +t\\begin{pmatrix}-3\\\\0\\\\1\\end{pmatrix}.\\]\n\n于是\n\n\\[N(A)=\\operatorname{span}\\{(-2,1,0)^T,(-3,0,1)^T\\}.\\]\n\n这个例子中的矩阵秩为 \\(1\\)，零化度为 \\(2\\)。它的零空间是 \\(\\mathbb R^3\\) 中经过原点的一个平面，但上面给出的基并不唯一。"
    },
    {
      "heading": "几何意义与解集",
      "text": "对于实矩阵，零空间是行空间的正交补：\n\n\\[N(A)=\\operatorname{im}(A^T)^\\perp,\\]\n\n其中 \\(A^T\\) 表示矩阵转置。按标准内积，\\(Ax=0\\) 中的每个方程都表示 \\(x\\) 与 \\(A\\) 的某一行垂直。相应地，左零空间 \\(N(A^T)\\) 与列空间垂直，其维数为 \\(m-r\\)。对于复矩阵，这些结论需使用共轭转置 \\(A^*\\)。(ocw.mit.edu)\n\n对于有解的线性方程组 \\(Ax=b\\)，设 \\(x_p\\) 是一个特解，则每个解都具有如下形式：\n\n\\[x=x_p+z,\\qquad z\\in N(A).\\]\n\n这是因为两个解之差是齐次方程的解，而在一个解上加上任意齐次方程的解，所得向量仍满足 \\(Ax=b\\)。因此，解集是将零空间平移后得到的仿射空间。只有当 \\(b=0\\) 时，它才是线性子空间。有解的方程组具有唯一解，当且仅当 \\(N(A)=\\{0\\}\\)。(people.cs.uchicago.edu)"
    },
    {
      "heading": "数值计算与应用",
      "text": "在数值计算中，可以利用奇异值分解构造零空间的一组标准正交基。在完整分解 \\(A=U\\Sigma V^*\\) 中，\\(V\\) 中与 \\(\\Sigma\\) 的零对角元对应的列，加上其余右侧方向所对应的列，共同张成 \\(N(A)\\)。采用浮点运算时，通常根据容差将足够小的奇异值视为零。这样得到的是数值意义下的零空间，其维数可能不同于精确的代数零化度。(docs.scipy.org)\n\n在普通最小二乘法中，向系数向量加上零空间中的分量，不会改变拟合值。摩尔—彭罗斯伪逆选取欧几里得范数最小的最小二乘解，该解在 \\(N(A)\\) 中没有分量。在一个线性逆问题中，同样的结构可以揭示未知量的哪些变化无法通过测量加以区分。(ocw.mit.edu)"
    }
  ],
  "links": [
    "linear-algebra",
    "linear-map",
    "kernel-linear-map",
    "matrix",
    "linear-subspace",
    "field-mathematics",
    "vector-space",
    "image-linear-map",
    "linear-combination",
    "injective-function",
    "dimension-vector-space",
    "rank-nullity-theorem",
    "matrix-rank",
    "linear-independence",
    "gaussian-elimination",
    "basis-linear-algebra",
    "orthogonal-complement",
    "matrix-transpose",
    "inner-product",
    "system-of-linear-equations",
    "affine-space",
    "singular-value-decomposition",
    "orthonormal-basis",
    "floating-point-arithmetic",
    "ordinary-least-squares",
    "moore-penrose-pseudoinverse",
    "inverse-problem"
  ],
  "sources": [
    {
      "title": "maths.tcd.ie/~mozgovoy/data/notes_LA2.pdf",
      "url": "https://www.maths.tcd.ie/~mozgovoy/data/notes_LA2.pdf"
    },
    {
      "title": "homepages.ucl.ac.uk/~ucahmto/0007/_book/3-3-linear-maps.html",
      "url": "https://www.homepages.ucl.ac.uk/~ucahmto/0007/_book/3-3-linear-maps.html"
    },
    {
      "title": "live.ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/c1729bd4d02104d1632a4…",
      "url": "https://live.ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/c1729bd4d02104d1632a4dd8cc63d055_MIT18_06S10_L11.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/b547dd4153ccc350860df8f430…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/b547dd4153ccc350860df8f43085c2d6_MIT18_06SCF11_Ses1.14sum.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/75…",
      "url": "https://ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/7549c43ec4a5c4544fb68cb626396fbd_nutshell.pdf"
    },
    {
      "title": "people.cs.uchicago.edu/~laci/HANDOUTS/linalgbook.pdf",
      "url": "https://people.cs.uchicago.edu/~laci/HANDOUTS/linalgbook.pdf"
    },
    {
      "title": "docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.null_space.html",
      "url": "https://docs.scipy.org/doc/scipy/reference/generated/scipy.linalg.null_space.html"
    },
    {
      "title": "ocw.mit.edu/courses/12-864-inference-from-data-and-models-spring-2005/76f046407…",
      "url": "https://ocw.mit.edu/courses/12-864-inference-from-data-and-models-spring-2005/76f0464070f454ed5f7477601bf6e8ac_least_square_2_4.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}