线性代数与空间解析几何—

2026/05/23 20:35:54·2026/06/03 12:00:30

数学线性代数·16 min read

线性代数矩阵论向量空间特征值课程笔记

Introduction · 课程说明

线性代数：理解线性结构的底层语言

线性代数研究的是向量空间上的线性映射——也就是矩阵。听起来抽象，但它几乎是所有理工科的数学基础：机器学习里的降维（PCA）、图像处理里的卷积、力学里的应力分析、控制理论里的状态空间表示，背后都是矩阵运算。

本课程来自电子科技大学数学科学学院线性代数课程组，共六章内容，配有完整讲义 PDF。枢纽页按章节组织，每个章节卡片关联对应课件资源。

📖 章节结构

排序：

第一章

矩阵及其运算

第一章讲义 PDF（共 4 节）：1.1 · 1.2 · 1.3 · 1.4

矩阵概念、线性运算、乘法、转置、高斯消元、逆矩阵、分块矩阵

→ 矩阵及其运算笔记

第二章

行列式

第二章讲义 PDF（共 5 节）：2.1 · 2.2 · 2.3 · 2.4 · 2.5

n 阶行列式定义、性质、拉普拉斯展开、克拉默法则、矩阵的秩

→ 行列式笔记

第三章

空间解析几何

第三章讲义 PDF（共 4 节）：3.1 · 3.2 · 3.3 · 3.4

向量、内积外积、平面方程、空间直线

→ 空间解析几何笔记

第四章

线性方程组

第四章讲义 PDF（共 4 节）：4.1 · 4.2 · 4.3 · 4.4

齐次/非齐次方程组、解的结构、基础解系

→ 线性方程组笔记

第五章

特征值与特征向量

第五章讲义 PDF（共 4 节）：5.1 · 5.2 · 5.3 · 5.4

特征多项式、对角化、二次型

→ 特征值笔记 · → SVD 笔记

第六章

二次型与欧氏空间

第六章讲义 PDF（共 4 节）：6.1 · 6.2 · 6.3 · 6.4

内积空间、正交变换、二次型化标准形、正定矩阵

→ 二次型笔记

专题

矩阵分解全景

LU · Cholesky · QR · SVD 四大分解的对比、递进关系与应用场景

→ 矩阵分解对比笔记

文章关系图

9 篇文章 · 28 条连接

📚 课件资源

电子科技大学 · 线性代数课程组

第一章至第六章完整讲义 PDF（共 24 节）
44.pdf — 第一章第 4 节补充内容
extension1.pdf — 几个经典图像模型与线性代数的关系
working_comment.pdf — 给本科生的一点建议

与数值分析的关系

线性代数是理论工具，数值分析是将这些理论"算出来"的算法科学。LU 分解、QR 迭代、特征值迭代——这些数值分析的核心方法，都建立在线性代数的理论之上。

查看数值分析枢纽页 →

🔗 知识点关联图

矩阵 → 行列式

行列式是方阵的标量函数，揭示矩阵是否可逆。行列式的本质是线性变换对体积的拉伸因子，是矩阵可逆性的判别工具。

行列式 → 方程组

克拉默法则用行列式给出线性方程组的显式解。行列式为零时方程组解不唯一，必须用高斯消元判断解的结构。

向量空间 → 方程组

线性方程组是否有解，取决于系数矩阵的列空间与常数向量之间的关系。基础解系的维数由秩决定。

特征值 → 主成分分析（PCA）

协方差矩阵的特征值告诉我们数据中方差最大的方向。PCA 就是用特征值分解实现降维——线性代数最重要的应用之一。

SVD → 数据降维

SVD 是任意矩阵的正交对角化，比特征分解适用范围更广。数据中心化后的 SVD 等价于 PCA；截断 SVD 实现最优低秩近似，是推荐系统和图像压缩的理论基础。

矩阵分解的递进链

LU → Cholesky → QR → SVD：从三角分解到双侧正交对角化，条件从严到宽，结构从简到完备。查看矩阵分解全景 →

📋 待研究专题

专题	对应章节	状态
矩阵运算与初等变换	第一章	📋 待研究
行列式计算技巧与Cramer法则	第二章	✅ 已完成
矩阵的秩与线性方程组解的结构	第二章、第四章	📋 待研究
特征值与特征向量的几何意义	第五章	📋 待研究
SVD 与数据降维（PCA）	第五章	✅ 已完成
二次型化标准形与正定矩阵	第五章	📋 待研究

Resources

讲义来源：电子科技大学数学科学学院线性代数课程组。如需公开使用，请注明来源。

相关枢纽页：数值分析枢纽页 · 信号处理枢纽页