视频推荐
叉积
目前让我觉得比较困惑的可能就是一个叉积了,这里我觉得应该不是我理解的问题,而是一个角度的问题,如果解析清楚了角度,那么便没有什么难的地方了。
首先需要明确的一个点,那就是,叉积是一个人为定义的计算。
这里第八章第二部分,并不是使用叉积去解释某些几何直观,而是在从几何意义上证明叉积这个运算。
所以,很多看上去多此一举的操作,是因为你已经下意识的认为:
但是这个视频是要证明这个东西的,并不能直接拿来用。
好。那么我接下来会说一些之前困惑我的点:
为什么是线性的?
那么平行六边形的体积,自然就等于垂直于uv这个平面的高,对于这个向量,投影到这个垂直的高,自然会随着的变化而变化。
不过需要注意的是,线性变换并不是一一对应的,在同一个平面上的向量的投影一定都是同一个点,这个涉及零空间,我们只需要知道线性变化的定义:
可加性:
齐次性(按比例拉伸):
只要满足,那么就是线性变换。
如果你的直觉足够敏锐,还能发现一个更大的问题:
这个不是需要证明的东西吗?
我们打个比喻,那就是,这里有一个锤子,它能用来敲钉子,你不用证明锤子能敲钉子,而是为了敲钉子去造锤子。
我们这里就是:
已知我们需要一个代表面积且垂直的向量(为了凑出体积),证明它的代数公式必然长成这样
所以,向量就是被规定了,是垂直于两个向量,并且长度等于底面面积。
那么显然存在:
更进一步的,我们同样可以得到:
那么我们可以得到:
证明完毕
好吧,虽然我也觉得有些奇怪,但是至少说的过去…
特征向量与特征值
这是第二个让我比较困惑的点,困惑的地方在于,为什么线性变化后,特征向量并没有发生方向上的变化。
为了解决这个问题,我重新去看了一遍第六个视频,似乎有了一些新的理解。
在第六个视频中,解方程是这样的:
对向量进行A方阵变化,则能得到求解的向量
先思考一下,如果存在唯一解,那么变化后空间应该不能被压缩。
那么对于特征向量,我们如果要让其在同一直线上,是会存在:
如果将其视为解一个方程,这个式子是什么意思?
那就是,A只对,其进行了拉伸。
那么显而易见的是,拉伸后的向量和原来的向量是在同一方向上的,不是吗?
但是这好像并不正确,因为我们知道A大多数时候并不是一个对角矩阵,,都可以被任意拉伸,不是吗?
(再去看了一遍基底变换,突然又懂了点。)
但我们的坐标系只是以我们自己的角度出发去看的,为什么我们不先变换坐标系呢?
如果我们能找到那个变化的坐标系,使得在这个坐标系上,那些特征值可以作为基向量,使得其只能被拉伸,现在在转回我们的坐标系,不就是对应了和张成空间的方向相同吗?
这就是之后的特征基的含义。
以下为代数思考
二维塌缩到一维的时候,只有少量线会完全塌缩到上,类似于投影,只有完全垂直于该一维的线才能完全塌缩到
那么我们现在转化为代数思维,先将其看做向量,则:
我们从数学意义上思考,两个向量相减,在图形上是怎么表现的?
从减数尾部到被减数尾部,对吧?
那么,就代表了这两个向量重叠。
我们在来思考一个问题:
在这个平面内,为什么我要主动引发塌缩,并且能使其塌缩的就一定是特征值?
来看这个式子:
代表着什么?
是这个向量吧?
那么,在二维的空间里,存在点对应这一个向量吗?
显而易见的是,只有才会对应。
那么实际上,这个行列式:
这就意味着,在这个特定的变化上,所有的拉伸都压缩到了
因为这里可以乘以一个任意的常数,能代表这条线,不是吗?
还是有点混乱,看看我之后能不能解释吧。
部分信息可能已经过时




