M

矩阵深度探索

可视化理解逆矩阵与秩的概念

核心概念

矩阵的逆代表变换的可逆性，秩描述了变换后空间的维度。这些概念是线性代数的基础，在计算机图形学、机器学习等领域有广泛应用。

1

逆矩阵 (Inverse Matrix)

定义：若方阵 $A$ 存在矩阵 $B$ 使得

$$ AB = BA = I $$

则 $B$ 称为 $A$ 的逆矩阵，记作 $A^{-1}$。

当前矩阵：

$$ A = \begin{bmatrix} 1 & 1 \\ 0 & 1 \end{bmatrix} $$

几何意义：

逆矩阵 $A^{-1}$ 可以"撤销"矩阵 $A$ 所代表的线性变换，将变换后的空间恢复到原始状态。

2

矩阵的秩与数乘

秩的定义：

$$ \text{rank}(A) = \text{列空间的维度} = \text{行空间的维度} $$

数乘性质：对于 $k \neq 0$，有 $rank(kA) = rank(A)$

标准基矩阵：

$$ A = \begin{bmatrix} 1 & 0 \\ 0 & 1 \end{bmatrix} $$

当前状态：

$$ \text{rank}(A) = 2 $$

几何解释：

秩为 0 表示矩阵将整个空间压缩到一个点；秩为 1 表示压缩到一条线；秩为 2 表示保持整个平面不变。

重要公式参考

可逆条件：

$det(A) \neq 0 \iff A \text{ 可逆} \iff rank(A) = n$

秩的性质：

$0 \leq rank(A) \leq \min(m, n)$

$rank(AB) \leq \min(rank(A), rank(B))$

Standard Basis
坐标: (0, 0)
î ĵ