所以,综上所述,行列式实际上本身就是一个关于面积的情势的推广.其实就是在给定一组基的情况下,N个向量张成的一个N维定义的广义四边形的体积,其拭魅这就是行列式本质的一个含义.

4 行列式的一个推广

根据上边的结论,我们其实很轻易的推广到三维体积的一个计算:

在这里我们应当要留意到,行列式的定义,其实是每一行各取一个不合列的元素的一个乘积并且符号和所谓的逆序性有关的.什么是逆虚性?所谓逆序性，其几何意义就是在规定了一个正偏向之后（比如大年夜1,2,3,4,5...N这个次序定义为正号），交换随便率性一对数都取一次负号。如许的性质我们在上述的面积函数中已经有所看到，实际上体积，更高维度的广尸体积，也有正偏向之说，只不过已经难以用右手轨则（以及叉乘）来形象解释罢了。右手定则的局限性也是将高维面积推广成行列式表达的一个念头之一。

对于如许交换随便率性一堆指标的操作就可以改变符号的性质,其实我们就叫做否决称性.这个时刻,如不雅你善于思虑,你会想为什么要取不合行不合列元素的乘积.因为如不雅有随便率性两个元素是同业同列的,那么他们交换他们的列指标,乘积不变然则符号要相反.是以乘积必须如果0,这也就是在行列式值中不予表现的原因之一.

行列式的定义其实是比角９依υ?杂的,其实就是来自于广大年夜的面积映射的否决称性,其实面积映射是一个2维的,把二维随便率性拓展到多维,我们其实就可以发明R维的情势和R*R的行列式的情势是完全一致的.

其实袈溱这里,我们可以把各类维度所代表的器械来总结下,二维所代表的是平面内的面积,三维天然而然其实就是三维空间内的体积,四维其实就是四维空间内的超体积.依次类推.在上边的推理中我们发明,这些矢量给定的基坐标写出的矩阵必定是方阵,矩阵的行列式对应的面积或者是体积.如许的推广证实信赖在随便率性一本的线性代数书中都邑看到,我只是说了人话罢了.

5 行列式和矩阵的逆

我们知道很多定理,比如行列式为0的矩阵,弗成逆,行列式不为0的矩阵,可逆,这个时刻我们不禁要问,代外面积的行列式,是若何和线性变更的可逆性结合在一路的.

大年夜线性无关到线性相干，个中损掉了部分信息（例如坍缩成共线或者共面），是以这个变换显然就是弗成逆的。线性是否无关和所张成N维体的体积有直接关系，这个别积值又与A的行列式有关。是以我们就建立了A的行列式与其是否可逆的几何干系。

这个时刻我们就应当要懂得线性变更的几何意义.如今我来陈述一下:

如不雅我们把空间一一组线性无关的矢量都写成列向量的情势，那么他们所张成的N维体体积不为零，根据膳绫擎的分析，其值由行列式给出。向量经由线性变换A变换之后，获得的新向量情势如下：

留意到A是一个N*N的矩阵，向量是列向量。

变换前，N维体的体积是：

变换之后，N维体的体积是（留意到，第二个等式实际上说清楚明了几何意义是若何定义矩阵乘法的，也就是N*N矩阵A和别的一个N个列向量构成的N*N矩阵的乘法）：

如不雅A的行列式不为零，那么A可以把一组线性无关的矢量，映射成一组新的，线性无关的矢量；A是可逆的（一对一的映射，保真映射，KERNEL是{0}）

在三维空间中,我们一般是应用的右手定则进行实验.如不雅以X轴的┞俘方形为头部,Y轴的┞俘偏向为尾部.右手定则告诉我,纸面偏向向外的偏向是面积的┞俘偏向.如不雅反过来,纸面向内的偏向就是该面积的┞俘偏向.与所规定的┞俘负号的偏向是相反的.如今如许来看正负号的几何的意义就比脚绫趋显了

如不雅A的行列式为零，那么A就会把一组线性无关的矢量，映射成一组线性相干的矢量

举例解释，我们假设A是一个3维的矩阵。如不雅映射前，有一组三个线性无关的矢量，我们知道它们张成的体积不是0；经由映射后，他们对应的新矢量也能张成一个平行六面体，那么这个平行六面体的体积就是原体积乘以A的行列式。

显然，如不雅A的行列式是0，那么变换后的新“平行六面体"的体积将弗成避免的也是0。根据上文的结论，我们有：变换后的┞封一组新矢量线性相干。

结论：

线性变换A的行列式是否为零，就代表了其映射的保真性，也即，能不克不及把一组线性无关的矢量变换成另一组保持无关性的矢量。

6 秩

其拭魅这里其实用到了一个理论:

然则有的时刻,固然行列式A不克不及把空间一组数量最大年夜的矢量线性无关,然则它可以或许包管那个一组少数量标矢量让其线性无关,这个数量矢量往往小于线性空间的维度,这个数量就叫做线性变换A的秩

在这里,其实我们不难看到,所谓的面积其实就是一个2*2的矩阵的行列式:

比如:一个秩为2为3*3的矩阵A,因为秩小于3,那么任何一个3维六面体经由他的变更后,体积变为0,退化一个面,然则仍然存在一个面积不为0的面,在变换今后照样一个非零面积的面

所以说所谓的一个线性变换的秩,无非就是变更后,还能保持一个非零体积的几何外形的最大年夜的维度.

更高维度的推理,欲望有兴趣的小伙伴可以本身去证实,不明白的问题亦可以在文┞仿下面评论.欲望可以或许和大年夜家多多交换,多谢指教.

本文转自雷锋网，如需转载请至雷锋网官网申请授权。本文作者夏洪进，原载于作者的小我博客。

【编辑推荐】

1. AI帮您解决“太长不看”难题：若何构建一套深层抽象概括模型
    2/3   首页 上一页 1 2 3 下一页 尾页
   
   

   　　推荐阅读

   　　神经网络理论基础及Python实现

   【技巧沙龙】AI开辟者拭魅战营-7分钟打造1个定制技能。7月22号，我们等你一路！ 一、独裁前向神经收集独裁前向神经收集由三部分构成：输出层、隐蔽层、输出层，每层由单位构成;输入层由练>>>详细阅读

   
   

   本文标题：一文读懂矩阵的秩和行列式的意义

   地址：http://www.17bianji.com/lsqh/36266.html

    1/2    1