线性代数学习笔记9-1：基变换、不同坐标系的转换、理解相似矩阵

向量与基向量

之前说过，对于某个向量$\vec{x}=[a,b{]}^T$，我们可以将$a$和$b$两个数字视为标量scalars，标量$a$可以看作缩放基向量$\vec{i}$的因子（也即坐标），标量$b$可以看作缩放基向量$\vec{j}$的因子，然后用坐标线性组合基向量，得到空间中的一个向量$\vec{x}$

傅里叶变换中也隐含着基的思想：从基变换的角度看待DTFT

我们可以定义不同的坐标系，它们使用的基向量不同，这时候，如何在不同坐标系中（用标量的坐标）来表示同一个向量呢？

坐标系的转换

不同坐标系就好像人们使用的不同的语言，我们希望从一种语言翻译到另一种语言

如何在不同坐标系中来表示同一个向量？

在不同坐标系中：

• 原点的位置是相同的
• 但是，坐标轴的具体方向和网格的间距（即：单位向量的方向和长度）不同

从一个例子入手

在我们的坐标系中，基向量$\vec{i}=[1,0{]}^T$，$\vec{j}=[0,1{]}^T$
在小蓝的坐标系统，基向量${\vec{b}}_1=[2，1{]}^T$，${\vec{b}}_2=[-1,1{]}^T$

如果小蓝的坐标中，一个向量$\vec{v}$表示为$[-1,2{]}^T$，那么在我们的坐标系中，求这个向量？

将小蓝所的坐标值转换为我们的坐标值

由于对于小蓝而言，$\vec{v}=-1{\vec{b}}_1+2{\vec{b}}_2$
而我们又知道小蓝坐标系中的基向量在我们的坐标系中表示为${\vec{b}}_1=[2，1{]}^T$，${\vec{b}}_2=[-1,1{]}^T$
因此可以直接写出这个向量在我们眼里的坐标：$$\vec{v}=-1\overrightarrow{[}2，1{]}^T+2[-1,1{]}^T=[-4,1{]}^T$$

归纳上式，这就是“[小蓝坐标系基向量构成的矩阵][小蓝看到的向量坐标]=[我们看到的向量坐标]”
坐标值转换，实际上只需一个矩阵向量乘法$$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]\left[\begin{array}{c}-1\\ 2\end{array}\right]=\left[\begin{array}{c}-4\\ 1\end{array}\right]$$
理解1：几何意义——将我们对于小蓝所说的向量的误解，变为他所提到的真正向量

在小蓝的坐标系下向量表示为(2,1)，那么我们同样可以用(2,1)这个坐标来描述它，但是显然此时不能还用我们的基向量，需要从我们的坐标系（基向量）线性变换到小蓝的坐标系（基向量），从而修正我们的误解

• 先在我们的坐标系中，“强行的错误的”表示小蓝所说的那个向量[2， 1]
• 而后再把我们的误解，即我们用的坐标系，转为小蓝所用的坐标系
  这是基向量的转换，即 从我们的坐标系转为小蓝的坐标系，具体通过一个线性变换实现，即用矩阵$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]$左乘【小蓝所说的坐标】$[-1,2{]}^T$，就得到该向量在我们坐标系下的表示：$\vec{v}=[-4,1{]}^T$

有趣的是，这里是两个看似相反的问题：

• 小蓝的坐标系下的坐标（小蓝的描述）->我们的坐标系下的坐标（我们的描述）
• 我们所用的坐标系（网格）->小蓝所用的坐标系（网格）

理解2：坐标转换与线性变换的关系——坐标系的转换，可以视为一种线性变换

• 由上，坐标转换的过程，只不过是“修正”所使用的基向量，“坐标”仍使用第一个坐标系下的坐标
• 对比线性变换：线性变换后的向量，只不过变为变换后的基向量的线性组合，其中的坐标值/线性组合系数/标量因子与变换前相同
• 可见，坐标转换和线性变换有一定联系；坐标转换与之前提的“整个空间发生的线性变换，由基向量的变换确定”的观点非常切合

将我们所的坐标值转换为小蓝的坐标值

我们的坐标系下的向量[2， 1]，在小蓝的坐标系下，又如何表示呢？

• 同理，先在小蓝的坐标系中，“强行的错误的”表示我们所说的那个向量[2， 1]
• 而后再把小蓝的误解，即将小蓝的坐标系转为我们的坐标系
  这里，“从小蓝的坐标系转为我们的坐标系”所需的线性变换，就是上面的逆变换，因此，这里需要使用上面那个矩阵$\left[\begin{array}{cc}2& -1\\ 1& 1\end{array}\right]$的逆矩阵

线性变换在不同坐标系中的描述

我们知道，矩阵乘以向量，意义是对向量做线性变换，且矩阵的列对应着基向量的新坐标
例如，我们用变换矩阵$\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$描述旋转90°的线性变换

• 那么，问题是：在小蓝的坐标系中，我们要表示相同的旋转90°的线性变换，还能使用这个矩阵来处理小蓝的坐标系下的向量吗？
  显然不能。我们使用的变换矩阵，只接收[用我们的语言描述的向量]，并输出[用我们的语言描述的向量]（因为这个矩阵追踪的是我们的坐标系下，基向量变换后的去处，而与小蓝无关）

因此，要表示同一个线性变换，我们必须：
①用我们的语言描述小蓝所说的向量②用我们的变换矩阵处理向量③将得到的向量转换为小蓝的语言描述的向量
三个矩阵按先后顺序，从右到左依次排列，它们相乘得到的矩阵，就是小蓝坐标系下的旋转90°的变换矩阵

如图，三个矩阵相乘所得矩阵，接收[用小蓝的语言描述的向量]，并输出[用小蓝的语言描述的向量]，从而在小蓝的坐标系下描述了同一种线性变换（旋转90°）

推广来说，一旦看到形如${\mathbf{P}}^{-1}\mathbf{AP}$的表达式，它就暗示了一种数学上的转移作用
从右到左读取，即：

• 两侧的变换代表不同视角（坐标系）的变换，而中间的矩阵代表你的坐标系下所见的变换
• ${\mathbf{P}}^{-1}\mathbf{AP}$，代表的是与$\mathbf{A}$相同的变换，只不过是从另一视角来看的

相似矩阵

当满足关系式$\mathbf{B}={\mathbf{P}}^{-1}\mathbf{AP}$时，称$\mathbf{A}$与$\mathbf{B}$相似，记为$\mathbf{A}\sim \mathbf{B}$
几何意义：相似矩阵$\mathbf{A}$与$\mathbf{B}$是同一个线性变换，只不过它们作用于从不同的坐标系（依赖于不同的基向量）