矩阵理论名词解释表

参考书
链接：https://pan.baidu.com/s/1uWudKozeTvC_3nREy5hAKQ?pwd=6he0
提取码：6he0
–来自百度网盘超级会员V5的分享

1. 复数

F 实数R和复数C域， 不包含其他数域

F域（Field）是抽象代数中的一个重要概念，它是一种包含了加法和乘法运算的代数结构。F域是数学中的一种代数结构，通常用于研究线性代数、数论、编码理论、密码学等领域。

F域具有以下性质：

1. 封闭性：在F域中，加法和乘法都是封闭的，即对于F域中的任意两个元素进行加法和乘法运算，结果仍然属于F域。

2. 交换性：F域中的加法和乘法都是交换的，即对于F域中的任意两个元素a和b，a + b = b + a，ab = ba。

3. 结合性：F域中的加法和乘法都是结合的，即对于F域中的任意三个元素a、b和c，(a + b) + c = a + (b + c)，(ab)c = a(bc)。

4. 存在加法逆元素：对于F域中的每个元素a，都存在一个元素-b，使得a + (-b) = 0，其中0是F域中的零元素。

5. 存在乘法逆元素：对于F域中的每个非零元素a，都存在一个元素a⁻¹，使得a * a⁻¹ = 1，其中1是F域中的单位元素。

6. 分配性：F域中的加法对乘法具有分配性，即对于F域中的任意三个元素a、b和c，a * (b + c) = (a * b) + (a * c)。

标量

实数R 实数和复数都是数学中的基本概念，用于描述和表示不同类型的数值。

1. 实数（Real Numbers）：

实数是包括所有实数的数集，它们可以是正数、负数、零以及它们的分数、小数等。实数集合通常用符号 ℝ 表示。实数包括以下几种主要类型的数：

• 自然数（Natural Numbers）：正整数，如1、2、3、4等。
• 整数（Integers）：包括正整数、负整数和零，如-3、0、1、2等。
• 有理数（Rational Numbers）：可以表示为两个整数的比例，如1/2、-3/4、2等。
• 无理数（Irrational Numbers）：不能表示为两个整数的比例，如π（圆周率）和√2（开平方后不是有理数）。
• 实数的集合还包括所有这些类型的数以及它们的有限或无限小数展开。
  复数C
  2. 复数（Complex Numbers）：

复数是由实数部分和虚数部分组成的数。虚数单位 i 是一个特殊的数，定义为 √(-1)。复数通常用符号 z 表示，可以表示为 z = a + bi，其中 a 是实数部分，b 是虚数部分。

复数集合通常用符号 ℂ 表示。复数包括实数，因为当虚数部分 b 等于零时，复数就变成了实数。

复数可以用于解决实数域中无法解决的方程，例如 x² + 1 = 0 的解就是虚数单位 i，表示为 x = ±i。复数在工程、物理学、电路分析等领域中有广泛的应用，它们不仅可以表示实际数值，还可以表示相位、振幅和复杂的波动现象。
向量空间 向量空间是一个数学概念，它表示一个包含向量的集合，满足一定的代数规则。向量空间是线性代数的一个基本概念，用于研究和描述向量之间的线性关系和运算。

一个向量空间包括以下要素：

1. 向量集合：向量空间包含一个或多个向量，这些向量可以是实数向量、复数向量或其他域中的向量。这些向量通常表示为列向量或行向量，例如，n 维实数向量可以表示为 (x₁, x₂, …, xₙ)，其中 x₁, x₂, …, xₙ 是实数。

2. 标量集合：向量空间中包含一组标量，这些标量通常是实数或复数，用来对向量进行线性组合。

3. 加法运算：向量空间中定义了向量的加法运算。对于任意两个向量 u 和 v，它们的和 u + v 仍然是向量空间中的向量，满足加法封闭性。

4. 标量乘法运算：向量空间中定义了向量与标量的乘法运算。对于任意向量 u 和标量 a，它们的乘积 au 仍然是向量空间中的向量，满足标量乘法封闭性。

5. 零向量：向量空间中包含一个特殊的零向量，它满足对于任意向量 u，u + 0 = u。

6. 逆元素：对于每个向量 u，向量空间中存在一个逆元素 -u，满足 u + (-u) = 0。

7. 满足分配律和结合律：向量空间中的加法和标量乘法满足分配律和结合律，即对于任意向量 u、v 和标量 a、b，有以下性质：

   • a(u + v) = au + av
   • (a + b)u = au + bu
   • (ab)u = a(bu)
   • 1u = u，其中 1 是标量 1。

8. 封闭性：向量空间中的运算保持封闭性，即对向量的线性组合和标量乘法操作的结果仍然属于向量空间。

向量空间的例子包括实数向量空间、复数向量空间、多项式向量空间、矩阵向量空间等。向量空间的概念在线性代数、函数空间、几何学、物理学、工程学以及计算机科学中都有广泛的应用。通过研究向量空间，我们可以更好地理解和分析线性关系、线性变换、投影、最小二乘法等重要的数学和科学概念。
点积 可以推广高维
叉积 只能三维。

叉积（Cross Product），也称为矢量积或叉乘，是向量的一种二元运算，通常用符号 “×” 表示。叉积操作用于计算两个三维向量之间的向量积，其结果是另一个向量。叉积在物理、工程、计算机图形学等领域中有广泛的应用。

给定两个三维向量 a 和 b，它们的叉积 a × b 的计算方式如下：

如果 a = (a₁, a₂, a₃) 和 b = (b₁, b₂, b₃)，则 a × b 的结果是一个新的向量 c = (c₁, c₂, c₃)，其中 c₁、c₂、c₃ 的计算方式如下：

c₁ = a₂ * b₃ - a₃ * b₂
c₂ = a₃ * b₁ - a₁ * b₃
c₃ = a₁ * b₂ - a₂ * b₁

叉积操作的结果是一个垂直于 a 和 b 所在平面的新向量 c。这个新向量 c 的方向遵循右手法则：如果你将右手的食指放在向量 a 上，中指放在向量 b 上，并将右手的拇指指向 a，然后叉开食指和中指的方向，拇指所指的方向就是向量 c 的方向。

一些叉积的性质和应用包括：

1. 叉积的大小：叉积的大小等于 a 和 b 所在平面的面积乘以 sin(θ)，其中 θ 是 a 和 b 之间的夹角。

2. 方向：叉积的方向垂直于 a 和 b 所在平面，并且遵循右手法则。

3. 应用：叉积在物理学中用于描述力矩、角动量和磁场，还在工程学中用于计算力和力矩。

4. 交叉乘积：叉积还可以用于计算线段和平面的交点，以及计算三维空间中的体积。

叉积是向量代数中的一个重要操作，通常用于解决涉及三维空间的问题，如机械工程、计算机图形学中的法线计算等。它与点积（数量积）是向量运算中的两个基本概念，具有不同的性质和应用。
叉积的大小等于两个向量的长度（模）乘以它们之间夹角的正弦值。具体来说，给定两个三维向量 a 和 b，它们的叉积 a × b 的大小记作 |a × b|（也可以写作 ||a × b|| 或 ‖a × b‖），则有以下公式：

|a × b| = |a| * |b| * sin(θ)

其中：

• |a × b| 表示叉积 a × b 的大小。
• |a| 表示向量 a 的长度（模）。
• |b| 表示向量 b 的长度（模）。
• θ 表示向量 a 和向量 b 之间的夹角。

这个公式表明叉积的大小与两个向量的长度和它们之间夹角的正弦值有关。如果夹角 θ 为零度或180度，那么 sin(θ) 将为零，因此叉积的大小也将为零。如果夹角 θ 为90度，那么 sin(θ) 将等于1，叉积的大小将等于两个向量长度的乘积。

这个性质使得叉积在许多物理和工程应用中非常有用，例如在计算力矩、角动量、磁场、电磁感应等问题中。通过计算叉积的大小，可以得出有关向量之间的关系和物理现象的信息。

点积 可以推向高维

点积（Dot Product），也称为数量积，是一种向量运算，用于计算两个向量之间的数量关系。点积的结果是一个标量（即一个实数），而不是另一个向量。点积在线性代数和几何学中有广泛的应用，用于测量两个向量之间的相似性、夹角和投影等性质。

给定两个三维向量 a 和 b，它们的点积 a · b 的计算方式如下：

a · b = a₁ * b₁ + a₂ * b₂ + a₃ * b₃

其中：

• a · b 表示向量 a 和向量 b 的点积。
• a₁、a₂、a₃ 是向量 a 的分量。
• b₁、b₂、b₃ 是向量 b 的分量。

点积的计算方法是将两个向量对应分量相乘，然后将所有相乘的结果相加。点积的结果是一个实数值。

点积的性质和应用包括：

1. 点积的大小：点积的大小等于两个向量的长度（模）的乘积与它们之间夹角的余弦值的乘积。具体来说，如果 a 和 b 的长度分别为 |a| 和 |b|，夹角为 θ，则有：

   a · b = |a| * |b| * cos(θ)

2. 夹角的余弦值：通过点积的计算，可以求得两个向量之间的夹角的余弦值。如果点积为零，表示两个向量垂直；如果点积为正值，表示两个向量之间的夹角小于90度；如果点积为负值，表示两个向量之间的夹角大于90度。

3. 投影：点积可以用于计算一个向量在另一个向量上的投影长度，这在几何学和物理学中非常有用。

4. 相似性度量：点积也可以用于测量两个向量之间的相似性。如果两个向量的点积较大，表示它们在方向上更为相似。

总之，点积是一种重要的向量运算，用于描述向量之间的数量关系和几何性质。它在物理学、工程学、计算机图形学、机器学习等领域中具有广泛的应用。

向量空间 一般称V是定义在F上的向量空间。但是F不言自明，所以可以省略。
所以说
Rn是定义在R上的向量空间。（实向量空间）
基本上这本书涉及所有向量空间，都称为F上的向量空间

向量空间（Vector Space），也称为线性空间，是一个包含向量的集合，同时满足一系列线性性质和运算规则。向量空间是线性代数的核心概念之一，用于研究和描述向量之间的线性关系和运算。以下是向量空间的基本定义和性质：

定义：向量空间是一个包含以下要素的集合 V，以及两种基本运算，通常称为向量加法和标量乘法，满足以下性质：

1. 封闭性（Closure）：对于 V 中的任意两个向量 u 和 v，它们的向量加法 u + v 仍然属于向量空间 V。

2. 结合律（Associativity）：向量加法满足结合律，即对于任意三个向量 u、v 和 w，满足 (u + v) + w = u + (v + w)。

3. 存在零向量（Zero Vector）：存在一个特殊的零向量 0，使得对于 V 中的任意向量 u，满足 u + 0 = u。

4. 存在加法逆元素（Additive Inverse）：对于 V 中的每个向量 u，存在一个向量 -u，使得 u + (-u) = 0。

5. 标量乘法的封闭性：对于 V 中的任意向量 u 和任意标量 c，标量乘法 cu 仍然属于向量空间 V。

6. 分配性：标量乘法对向量加法具有分配性，即对于任意标量 c 和任意两个向量 u 和 v，满足 c(u + v) = cu + cv。

7. 单位元素（Scalar Identity）：存在一个标量单位元素 1，使得对于 V 中的任意向量 u，满足 1u = u。

8. 结合标量乘法：标量乘法满足结合性，即对于任意标量 c1 和 c2，以及任意向量 u，满足 (c1 * c2)u = c1(c2u)。
   子空间/线性子空间 线性子空间（Linear Subspace）是向量空间的一个重要概念，它是一个向量空间的子集，同时也是一个向量空间，具有与原始向量空间相同的线性性质。具体来说，线性子空间是满足以下条件的向量子集：

9. 封闭性：线性子空间中的任意两个向量的线性组合仍然属于该子空间。换句话说，如果 u 和 v 是线性子空间中的向量，那么它们的线性组合 cu + dv（其中 c 和 d 是任意标量）也必须属于该子空间。

10. 零向量：线性子空间必须包含零向量（0向量），因为零向量是向量空间中的一个必要元素。

线性子空间可以具有不同的维度，包括零维、一维、二维等。以下是一些示例：

1. 零子空间：包含只有零向量的子空间。它是任何向量空间的子空间。

2. 一维子空间：由一个非零向量和它的所有倍数组成。例如，实数向量空间中的一维子空间可以是由向量 (1, 2) 和它的所有倍数组成的子空间。

3. 平面子空间：在三维向量空间中，一个包含平面上所有向量的子空间就是一个平面子空间。

4. 整个向量空间：整个向量空间本身也是一个线性子空间。

5. 多项式子空间：在多项式向量空间中，所有次数不超过 n 的多项式组成的子空间，其中 n 是一个非负整数。

线性子空间的概念对于理解向量空间的结构、研究线性相关性以及解决线性方程组等问题非常重要。线性子空间的性质和运算规则与原始向量空间相似，因此它们可以用于简化问题的分析和求解。
子空间和 子空间的和类似子集的并。
直和类似不交并（排除掉了{0}这个所有都有的）

在线性代数中，给定两个线性子空间（子集），它们的和是一个新的线性子空间，包含了两个原始子空间中所有向量的组合。这个操作通常用符号直接表示为子空间之和。

假设有两个线性子空间 A 和 B，它们是某个向量空间 V 的子集。它们的和 A + B 定义为包含以下所有向量的子集：

A + B = {u + v | u ∈ A, v ∈ B}

换句话说，A + B 包含了由子空间 A 中的向量与子空间 B 中的向量之和所生成的所有向量。这个和操作在线性代数中有重要的应用，它可以用于描述向量空间中的线性组合、生成子空间和解决线性方程组。

需要注意的是，A + B 的结果是一个子空间，因为它满足线性子空间的定义，即封闭性和包含零向量。具体来说：

1. 封闭性：A + B 中的任意两个向量 u1 + v1 和 u2 + v2 的线性组合仍然属于 A + B，其中 u1 和 u2 分别属于子空间 A，v1 和 v2 分别属于子空间 B。

2. 包含零向量：零向量（0向量）总是属于 A + B，因为 A 和 B 都包含零向量，所以它们的和也包含零向量。

子空间的和操作在研究向量空间的结构和性质时非常有用，它可以用于描述向量空间中的不同子空间之间的关系，例如，两个子空间的和可以用于表示它们的生成子空间。此外，和操作还可以用于解决线性方程组中的问题，例如，寻找线性方程组的解空间。
子空间直和 子空间的直和（Direct Sum）是向量空间中的一种特殊子空间构建方式。如果一个向量空间可以被分解成两个或多个子空间的直和，那么这些子空间的组合称为直和。直和的概念在线性代数中非常重要，它可以帮助我们理解向量空间的结构和性质。

给定一个向量空间 V，如果存在子空间 U1、U2、…、Un，使得满足以下条件：

1. 每个 Ui 都是 V 的子空间。
2. V 中的每个向量可以唯一地表示为 Ui 中向量的线性组合。

那么，我们称 V 为子空间 U1、U2、…、Un 的直和，并表示为：

V = U1 ⊕ U2 ⊕ … ⊕ Un

这里的 ⊕ 符号表示直和操作。直和的概念可以扩展到更多子空间的情况，不仅限于两个子空间。

要注意的是，直和要求每个向量在这些子空间的表示是唯一的。这意味着没有重叠或共享的向量，每个向量都可以被唯一地表示为来自各个子空间的向量的和。这使得直和的概念成为向量空间分解和分析的有力工具。

直和的性质和应用：

1. 直和是一个子空间：如果 V = U1 ⊕ U2 ⊕ … ⊕ Un，则直和 V 本身也是一个子空间，具有向量空间的所有性质。

2. 直和的维度：如果 V = U1 ⊕ U2 ⊕ … ⊕ Un，那么 V 的维度等于这些子空间的维度之和，即 dim(V) = dim(U1) + dim(U2) + … + dim(Un)。

3. 基的选择：每个子空间 Ui 都有自己的基，而 V 的基可以通过将这些子空间的基合并而得到。

4. 应用：直和的概念在线性代数、矩阵理论、线性变换等领域中有广泛的应用，用于分解向量空间、描述线性独立性、解决线性方程组等问题。
   3

有限维向量空间

张成/线性张成 在线性代数中，“张成”（Span）是一个术语，指的是一组向量的线性组合生成的向量空间。具体来说，给定一组向量 {v₁, v₂, …, vn} 和一个标量域（通常是实数或复数），这组向量的张成是所有可以表示为这些向量线性组合的向量的集合。

形式化地说，给定向量空间 V 和向量集合 {v₁, v₂, …, vn}，则这组向量的张成 Span(v₁, v₂, …, vn) 是满足以下条件的向量集合：

Span(v₁, v₂, …, vn) = {c₁v₁ + c₂v₂ + … + cnvn | 对于所有 c₁, c₂, …, cn 属于标量域}

这里，c₁, c₂, …, cn 是标量（通常是实数或复数），v₁, v₂, …, vn 是给定的向量。张成是一个向量空间，其中包含了所有可以通过线性组合生成的向量。

关于张成的一些重要性质和概念包括：

1. 生成子空间：张成也被称为生成子空间（Generating Subspace），因为它是由给定向量生成的子空间，包含了这些向量以及它们的线性组合。

2. 线性相关性：如果给定向量集合 {v₁, v₂, …, vn} 是线性相关的，那么它们的张成包含的向量将有限；如果它们是线性无关的，那么它们的张成可以生成一个更大的向量空间。

3. 极小张成：如果向量集合 {v₁, v₂, …, vn} 的张成包含了向量空间 V 中的所有向量，那么这个集合被称为 V 的极小张成集。

4. 维度：一个向量空间的维度是指其极小张成集中包含的向量的最小数量。这个维度也被称为向量空间的维数。

张成的概念在理解向量空间的结构、解决线性方程组、描述子空间等问题中非常有用。通过分析给定向量集合的张成，可以了解它们在向量空间中生成的子空间的性质和维度。
有限维 “有限维”（Finite-Dimensional）是指一个向量空间的维度是有限的，即向量空间可以由有限数量的线性无关的基向量生成。这是线性代数中的一个重要概念。

具体来说，如果一个向量空间 V 可以由一组基向量 {v₁, v₂, …, vn} 生成，其中 n 是一个有限的正整数，那么 V 被称为是有限维的。这意味着 V 中的每个向量都可以唯一地表示为这组基向量的线性组合。

有限维向量空间的特点包括：

1. 基：有限维向量空间具有有限数量的基向量，这些基向量是线性无关的。这组基向量可以用来表示空间中的任何向量。

2. 维度：向量空间的维度是指基向量的数量，通常表示为 dim(V)。有限维向量空间的维度是有限的。

3. 坐标表示：在有限维向量空间中，每个向量可以用一组有限数量的坐标表示，这些坐标对应于基向量的线性组合系数。

4. 有限性质：有限维向量空间中的线性组合也是有限维的。这意味着任何由有限维向量生成的子空间仍然是有限维的。

5. 维数定理：维数定理表明，如果一个有限维向量空间 V 的维度为 n，那么任何包含 n 个线性无关向量的集合都是 V 的一个基。

6. 无限维空间对比：与有限维向量空间相对应的是无限维向量空间，其中维度是无限的，它通常涉及到无限多个基向量。

有限维向量空间是线性代数中的一个关键概念，它在数学、物理学、工程学、计算机科学等领域中都有广泛的应用。通过对有限维向量空间的研究，可以更好地理解和分析线性关系、线性变换、矩阵理论等重要的数学和科学概念。
无限维 无限维（Infinite-Dimensional）是指一个向量空间的维度是无限的，即向量空间无法由有限数量的线性无关基向量生成。无限维向量空间在数学和功能分析中起到重要作用，特别是在处理连续和无穷维函数空间的情况下。

线性无关 在线性代数中，一组向量被称为线性无关（Linearly Independent），如果其中没有一个向量可以表示为其他向量的线性组合。换句话说，如果给定向量集合中的任何一个向量不能通过其他向量的线性组合表示为零向量，那么这组向量就被认为是线性无关的。

具体来说，考虑向量集合 {v₁, v₂, …, vn}，其中 v₁, v₂, …, vn 是向量空间中的向量。这组向量被称为线性无关的，如果满足以下条件：

对于任何标量 c₁, c₂, …, cn，如果方程

c₁v₁ + c₂v₂ + … + cnvn = 0

只有在所有 c₁, c₂, …, cn 都等于零时才成立，那么这组向量是线性无关的。如果存在不全为零的标量 c₁, c₂, …, cn 使上述方程成立，那么这组向量是线性相关的。

线性无关的向量集合中的向量不包含多余的信息，它们是空间的“基础”或“独立维度”。线性无关性是线性代数中许多概念和理论的基础，它在矩阵、向量空间、线性方程组等问题中都具有重要作用。

例如，一个向量空间的维度可以由包含线性无关基向量的集合的数量来确定。在求解线性方程组时，线性无关性是判断解是否唯一的重要条件。因此，理解和分析线性无关性是线性代数中的核心概念之一。
张成向量组 张成向量组（Spanning Set）是指一组向量，通过线性组合可以生成一个向量空间中的所有向量。具体来说，如果给定一个向量空间 V 和一个向量集合 {v₁, v₂, …, vn}，那么这个向量集合被称为张成向量组，如果任何向量 v ∈ V 都可以表示为向量集合中向量的线性组合。

形式化地说，向量集合 {v₁, v₂, …, vn} 是向量空间 V 的张成向量组，如果满足以下条件：

对于每个向量 v ∈ V，存在标量 c₁, c₂, …, cn，使得：

v = c₁v₁ + c₂v₂ + … + cnvn

其中 c₁, c₂, …, cn 是标量。

张成向量组的重要性质和概念包括：

1. 生成子空间：张成向量组可以用来生成一个向量空间的子空间。这个子空间包含所有可以由张成向量组中的向量线性组合而成的向量。

2. 极小张成向量组：如果一个向量集合 {v₁, v₂, …, vn} 是一个张成向量组，那么存在一个极小张成向量组，它包含了最少数量的向量，但仍然可以生成整个向量空间。

3. 维度：张成向量组的维度是指向量组中线性无关向量的最大数量。维度也被称为向量空间的维数。

4. 基：如果一个向量集合是一个张成向量组，并且其中的向量是线性无关的，那么它被称为向量空间的一组基。一组基可以用来表示向量空间中的任何向量。

5. 坐标表示：在张成向量组中，每个向量可以用一组标量（通常是实数或复数）的坐标表示，这些标量是线性组合中的系数。

张成向量组是线性代数中一个关键的概念，它用于描述向量空间的生成和结构。通过找到适当的张成向量组，可以更好地理解向量空间中的线性关系和性质。
基 在线性代数中，“基”（Basis）是向量空间中的一个重要概念。基是向量空间中的一组特殊的线性无关向量，它们可以用来表示该向量空间中的所有向量。具体来说，一组基向量可以生成向量空间内的每个向量，而且这种表示是唯一的。

以下是关于基的一些要点：

1. 基的定义：给定一个向量空间 V，一组向量 {v₁, v₂, …, vn} 被称为 V 的基，如果满足以下两个条件：

   • 这组向量是线性无关的，即没有一个向量可以表示为其他向量的线性组合。
   • 这组向量可以生成整个向量空间 V，也就是说，任何 V 中的向量都可以表示为这组基向量的线性组合。

2. 基的性质：

   • 基向量的数量可以不同，不同向量空间的维度可能不同。
   • 基向量的顺序通常没有固定要求，只要它们满足基的定义即可。
   • 向量空间中的每个向量都可以唯一地表示为基向量的线性组合。

3. 维度：向量空间的维度是指其基向量的数量。如果一个向量空间的维度为 n，那么它是 n 维的。

4. 坐标表示：在基的表示下，每个向量可以用一组标量（通常是实数或复数）的坐标表示，这些标量是基向量的线性组合系数。

5. 标准基：某些向量空间具有标准基，其中基向量是单位向量，例如 n 维欧几里得空间的标准基是 {e₁, e₂, …, en}，其中每个基向量 eᵢ 仅在第 i 个分量上为 1，其余分量为 0。

基的概念在线性代数中非常重要，它使我们能够将复杂的向量空间和线性变换问题转化为更简单的坐标和矩阵操作。通过选择适当的基，我们可以更容易地分析和求解线性方程组、矩阵操作以及线性变换等问题。因此，基是线性代数的核心概念之一。
标准基 5. ****：某些向量空间具有标准基，其中基向量是单位向量，例如 n 维欧几里得空间的标准基是 {e₁, e₂, …, en}，其中每个基向量 eᵢ 仅在第 i 个分量上为 1，其余分量为 0。
维数dim（V） 标准基（Standard Basis）是指向量空间中的一组特殊基向量，它们具有特定的性质，通常是单位向量，且在向量空间的坐标表示中非常有用。标准基在线性代数和向量空间的表示中具有重要作用。

以下是一些常见的标准基示例：

1. 欧几里得空间的标准基：在 n 维欧几里得空间（n-dimensional Euclidean space）中，标准基是一组单位向量，通常表示为 {e₁, e₂, …, en}，其中每个基向量 eᵢ 仅在第 i 个分量上为 1，而其他分量都为 0。这种基是用于表示坐标的标准方式，例如，点 (x₁, x₂, …, xn) 在这个标准基下的表示就是 x₁e₁ + x₂e₂ + … + xnen。

2. 复数向量空间的标准基：在复数向量空间中，通常采用标准基 {1, i}，其中 1 表示实部为 1 的单位向量，i 表示虚部为 1 的单位向量。这两个基向量可用于表示复数。

3. 多项式向量空间的标准基：在多项式向量空间中，标准基通常是 {1, x, x², x³, …}，即所有次数递增的单项式。这些基向量可用于表示多项式。

4. 其他标准基：标准基的选择取决于向量空间的性质。在不同的上下文中，可能会有不同的标准基。例如，在某些情况下，正交基也被认为是一种标准基。

标准基的优点在于它们的坐标表示非常直观和简单。使用标准基，我们可以轻松地将向量空间中的向量表示为一组坐标，这对于解决线性方程组、矩阵操作、线性变换等问题非常有帮助。标准基的另一个重要特性是它们通常是线性无关的，这意味着它们可以用来构建向量空间的基，并且可以生成整个向量空间。

5. 线性映射/线性变换

线性映射 线性映射，也称为线性变换、线性算子或线性操作，是线性代数中的一个重要概念。它指的是将一个向量空间中的向量映射到另一个向量空间中的过程，同时保持线性性质。

具体来说，一个函数或映射 T：V → W 被称为线性映射，如果它满足以下两个性质：

1. 加法性质：对于任意 v₁ 和 v₂ 属于 V，有 T(v₁ + v₂) = T(v₁) + T(v₂)。这表示线性映射对向量的加法操作保持。

2. 标量乘法性质：对于任意 v 属于 V 和任意标量 k，有 T(kv) = kT(v)。这表示线性映射对向量的标量乘法操作保持。

换句话说，线性映射对向量的线性组合操作保持不变。这两个性质合在一起被称为线性性质，是线性映射的核心特征。

一些重要的线性映射示例包括：

1. 矩阵乘法：将一个矩阵与一个向量相乘的过程是一个线性映射。这个映射将向量空间 Rⁿ 映射到 R^m，其中矩阵的维度为 m×n。

2. 导数操作：在微积分中，对多项式或函数取导数是一个线性映射。它将一个函数空间映射到另一个函数空间。

3. 积分操作：对函数进行积分也是一个线性映射。它将一个函数空间映射到另一个函数空间。

4. 投影：在几何学中，将一个向量投影到另一个向量上的操作也是一个线性映射。

5. 零映射：将所有向量映射为零向量的映射也是一个线性映射。

线性映射在数学、物理学、工程学和计算机科学等领域中都有广泛的应用。它们用于描述各种线性关系，解决线性方程组，研究线性变换和矩阵操作，以及在机器学习和数据分析中进行特征工程等任务中发挥关键作用。
核空间/零空间 V的子空间

核空间（Kernel Space），也称为零空间（Null Space），是与线性映射（线性变换）相关的一个概念。它是线性映射的一种性质，表示被映射到零向量的所有输入向量的集合。

核空间是一个向量空间，其中的向量集合包含了所有映射到零向量的输入向量。具体来说，对于一个线性映射 T：V → W，其中 V 和 W 分别是两个向量空间，核空间 Ker(T) 定义如下：

Ker(T) = {v ∈ V | T(v) = 0}

这里，“0” 表示 W 中的零向量。

核空间的性质和重要概念包括：

1. 零向量的存在：由于线性映射将零向量 V 中的零向量映射到 W 中的零向量，所以零向量总是核空间的一部分。

2. 线性性质：核空间本身是一个向量空间，因此它满足向量空间的所有性质，包括对加法和标量乘法的封闭性。这意味着核空间中的任何线性组合仍然属于核空间。

3. 维度：核空间的维度是线性映射的一个重要性质。核空间的维度等于输入向量空间 V 的维度减去映射的像空间（Range Space）的维度，通常表示为 dim(Ker(T))。

4. 零映射的核：对于零映射（将所有输入映射为零向量）来说，其核空间包含了输入向量空间 V 中的所有向量，因为它们都映射为零向量。

5. 非零映射的核：对于非零映射，核空间包含了一组线性无关的向量，它们被映射为零向量。

核空间在线性代数中非常有用，它在解决线性方程组、求解线性变换的性质以及理解线性映射的内核等方面发挥重要作用。核空间的维度和结构提供了关于线性映射的信息，有助于分析和理解线性映射的性质。
值域 W的子空间

值域（Range），也称为像空间（Image Space）或射影空间（Codomain），是与线性映射（线性变换）相关的概念。它表示线性映射将输入向量空间映射到的目标向量空间的子集，也就是线性映射的所有可能输出值的集合。

具体来说，考虑一个线性映射 T：V → W，其中 V 和 W 分别是两个向量空间。值域 R(T) 或 Im(T) 定义如下：

R(T) = {w ∈ W | 存在 v ∈ V，使得 T(v) = w}

这表示值域包含了所有能够通过线性映射 T 从输入向量空间 V 到输出向量空间 W 中映射出的向量 w。

值域的一些关键性质和概念包括：

1. 零向量的存在：值域中总是包含输出向量空间 W 中的零向量，因为线性映射将输入向量的零向量映射为输出向量的零向量。

2. 线性性质：值域是线性映射的一个子空间，因此它满足向量空间的所有性质，包括对加法和标量乘法的封闭性。

3. 维度：值域的维度通常小于或等于输出向量空间 W 的维度。值域的维度通常被称为线性映射的秩（Rank），表示为 rank(T)。

4. 零映射的值域：对于零映射（将所有输入映射为零向量）来说，其值域只包含零向量。

5. 满射映射的值域：如果一个线性映射是满射（Surjective），也就是它的值域等于输出向量空间 W，那么它被称为满射映射。

值域在线性代数中非常有用，它用于描述线性映射的输出范围和性质。值域的维度和结构提供了关于线性映射的信息，有助于分析和理解线性映射的性质以及在线性方程组、线性变换和图像处理等应用中的应用。
同构 同构（Isomorphism）是线性代数和抽象代数中的一个重要概念。它描述了两个代数结构之间的一种映射，保持了这两个结构之间的关键性质。在不同的数学领域中，同构可能有不同的具体定义，但它们都涉及到结构之间的一种特殊映射。

以下是同构的一般性质和定义：

1. 同构映射：在抽象代数和离散数学中，同构通常指两个代数结构之间的双射（一一对应）映射，该映射保持了结构之间的操作和性质。如果两个代数结构之间存在这样的同构映射，这两个结构被认为是同构的。

2. 同构性质：同构映射保持代数结构的性质，例如，对于群（Group）之间的同构映射，它将群操作保持不变，对于环（Ring）之间的同构映射，它将环的加法和乘法操作保持不变。

3. 同构的例子：常见的同构例子包括整数加法群（(Z, +)）和偶数整数加法群（(2Z, +)）之间的同构映射，以及实数加法群（(R, +)）和实数乘法群（(R*, ×)）之间的同构映射。

4. 同构的重要性：同构在数学中具有重要的作用，它帮助我们理解不同的代数结构之间的关系，使我们能够将一个领域的问题映射到另一个领域，从而更容易解决。同构还有助于分类和理解代数结构的性质。

需要注意的是，同构并不是一种等同关系。两个同构的结构之间可能有一些细微的差异，但这些差异不会影响它们的关键性质。同构关系在代数学、数学逻辑、计算机科学等领域中都有广泛的应用。
算子 算子（Operator）是数学和物理学中的一个概念，通常指的是一种从一个数学空间到另一个数学空间的映射或操作。算子用于描述如何从一个集合或空间中的元素转换为另一个集合或空间中的元素。

以下是算子的一些常见应用和示例：

1. 线性算子：线性算子是一种特殊类型的算子，它满足两个重要性质：加法性质和标量乘法性质。线性算子常常用于线性代数中，例如矩阵乘法操作就是一种线性算子。

2. 微积分中的算子：微积分中的导数算子和积分算子是非常重要的例子。导数算子将一个函数映射到其导数，而积分算子将一个函数映射到其积分。

3. 量子力学中的算子：在量子力学中，算子用于描述量子态的演化和测量。例如，哈密顿算子描述了量子系统的能量，而测量算子描述了测量的效果。

4. 离散变换中的算子：在信号处理中，离散傅里叶变换（DFT）和离散小波变换（DWT）等都可以看作是一种算子，它们用于将信号从一个域变换到另一个域，以便分析和处理。

5. 差分算子：差分算子用于数值计算中的微分方程离散化，它将连续的微分操作转换为离散的差分操作，以便在计算机上求解。

6. 线性变换：在线性代数中，线性变换可以看作是一种从一个向量空间到另一个向量空间的算子，它保持向量空间中的线性性质。

7. 图论中的算子：在图论中，邻接矩阵和拉普拉斯矩阵等用于描述图的结构和性质的矩阵也可以看作是一种算子。

总之，算子是数学和物理学中广泛使用的工具，它们用于描述和操作各种数学结构和物理现象。算子的性质和应用因领域而异，但它们都涉及将输入映射到输出的数学操作或变换。

标题本征值和本征向量/特征值和特征向量

a. 特征值

特征值（Eigenvalue）：
特征值是一个数（通常是实数或复数），表示线性变换中的一个特殊性质。对于一个方阵 A，如果存在一个非零向量 v 使得以下等式成立：

A * v = λ * v

其中，λ 表示特征值，v 表示特征向量。这个等式的含义是，在线性变换 A 作用下，特征向量 v 仅发生尺度缩放，而不改变方向，缩放比例由特征值 λ 决定。特征值 λ 可以是实数或复数，特征向量 v 是一个非零向量。
特征向量
特征向量（Eigenvector）：
特征向量是与特征值相关联的向量。在上述等式 A * v = λ * v 中，向量 v 被称为特征向量，它描述了在线性变换 A 下发生尺度缩放而不改变方向的方向。特征向量通常是非零向量，而且特征向量的长度（范数）可以不同。

特征值和特征向量的计算通常涉及解决矩阵的特征方程（Characteristic Equation）。特征值和特征向量在线性代数中有广泛的应用，包括对角化矩阵、解线性差分方程、分析线性变换的性质、研究动力系统等等。它们是许多数学和科学领域中重要的工具，用于理解和分析线性系统的行为。