线性方程组
线性方程组是线性代数最核心的应用场景。本章把所有前几章的工具——矩阵、向量、秩、行列式——汇聚到同一个问题:给定 $m$ 个方程、$n$ 个未知数的线性系统,如何判断它是否有解?解是否唯一?如何把所有解(如果有无穷多个)用一种紧凑的方式表达出来?
本章覆盖:高斯消元的矩阵语言、矩阵的秩与解的存在性判定、齐次方程组 $AX=0$ 的解空间与基础解系、非齐次方程组 $AX=b$ 的解的结构(通解 = 特解 + 导出组通解)。
这一章的学习难度有两层。第一层是计算层面——把消元过程规范化成矩阵变换,知道如何求行最简形、如何读解。这一层只要多练就能掌握。第二层是理解层面——为什么要用基础解系来表达通解?为什么自由变量个数是 $n - r$?解空间作为一个向量空间意味着什么?这一层需要把向量空间、线性相关、秩这些概念连贯起来,才能真正理解。
本章的内容在高等代数(通常称为线性代数 II)中还会进一步深化:从 $\mathbb{R}^n$ 推广到一般的域上的线性空间,从矩阵的秩推广到线性映射的核与像的维数关系(秩-零化度定理)。在数值计算课程中,高斯消元法会被进一步细化为 LU 分解,并讨论主元选取策略(部分主元、全主元)与数值稳定性问题。如果将来学习偏微分方程数值解或有限元分析,大型稀疏线性系统的求解将是日常工作的核心。
前置知识回顾
- 矩阵的基本运算:乘法、转置,来自 。
- 矩阵的秩:$r(A)$ 是矩阵中最大非零子式的阶数,也是行(列)向量组的最大无关向量个数,来自 。
- 向量组的线性相关性:若存在不全为零的 $k_i$ 使 $\sum k_i a_i = 0$,则向量组线性相关,否则线性无关,来自 。
- n 维向量空间:$\mathbb{R}^n$ 是所有 n 维向量关于加法与数乘构成的向量空间,来自 。
线性方程组是数学中最古老也最普遍的问题之一。从中学的二元一次方程组开始,到工程中上千个未知数的大型稀疏线性系统,所有问题的背后是同一个矩阵方程 $AX = b$。在线性代数课程中,解线性方程组既是前三章(矩阵、行列式、向量)的汇聚点,也是后续特征值与二次型的工具基础。
从二元一次方程组开始:
解这个方程组可以用代入法、加减消元法,也可以用二阶行列式计算。但问题来了:当方程个数 $m$ 和未知数个数 $n$ 都很大(比如 $m=1000, n=1000$)时,人工消元不再可行。我们需要一套 系统的矩阵语言来描述整个消元过程。
线性方程组在实际应用中有三个主要来源:
将方程组写成矩阵形式:
从列向量的角度看,$AX = b$ 等价于:
即:方程组有解当且仅当右端向量 $b$ 可以由系数矩阵 $A$ 的列向量线性表示。这个直观在所有后续理论中都会反复出现。
从这个角度看,$m imes n$ 矩阵 $A$ 的 $n$ 个列向量张成了一个 $\mathbb{R}^m$ 中的子空间——列空间 $\operatorname{Col}(A)$。方程组 $AX=b$ 有解的条件等价于 $b \in \operatorname{Col}(A)$。如果 $b$ 在列空间中,解存在;如果不在,解不存在。这个几何视角在后面判断解的存在性时非常有用。

高斯消元(Gaussian Elimination)是求解线性方程组最核心的算法。它的矩阵视角是:对增广矩阵 $(A \mid b)$ 进行行初等变换,化为行阶梯形(Row Echelon Form),再进一步化为行最简形(Reduced Row Echelon Form),然后直接回代写出解。
行阶梯形矩阵
满足三条规则的矩阵:
行最简形矩阵(Reduced Row Echelon Form, RREF)
在行阶梯形的基础上增加:每个主元均为 $1$,且主元所在列的其余元素均为 $0$。
例:
行初等变换的三种操作(它们都保持方程组的解不变):
- 交换两行($r_i \leftrightarrow r_j$)
- 某行乘以非零常数($r_i \leftarrow k r_i$)
- 某行加上另一行的倍数($r_i \leftarrow r_i + k r_j$)
高斯消元的标准步骤
行最简形中主元的个数就是系数矩阵 $A$ 的秩 $r(A)$。主元列对应约束变量,非主元列对应自由变量。自由变量的个数为 $n - r(A)$。这个值是方程组解的自由度——即有多少个独立的参数可以自由取值。
需要特别注意:行初等变换改变列空间但不改变行空间。消元过程中,矩阵的行向量之间的线性关系被保留(所以行空间的维数不变),但列向量之间的关系可能发生改变。这也是为什么求列向量的极大无关组时要化为列最简形,而不是行最简形。
高斯消元的算法复杂度为 $O(n^3)$(对于 $n \times n$ 方阵),这是用来求解大型线性系统的基本算法。在实际工程应用中(如有限元分析、电路仿真),$n$ 可以达到百万量级,这时会使用稀疏矩阵技术来加速消元过程。
对于 $m \times n$ 线性方程组 $AX = b$,引入增广矩阵 $\bar{A} = (A \mid b)$。解的存在性与唯一性完全由 $r(A)$ 和 $r(\bar{A})$ 的关系决定:
定理:线性方程组有解的充要条件
方程组 $AX = b$ 有解 $\iff$ $r(A) = r(\bar{A})$。
当 $r(A) = r(\bar{A}) = r$ 时:
- $r = n$:唯一解(约束变量数 = 未知数总数)
- $r < n$:无穷多解,自由变量个数为 $n - r$
特殊情况速查表
| 方程组类型 | 条件 | 解的情况 |
|---|---|---|
| 齐次 $AX=0$ | $r(A) = n$ | 只有零解 |
| 齐次 $AX=0$ | $r(A) < n$ | 有非零解(无穷多解) |
| 非齐次 $AX=b$ | $r(A) \neq r(\bar{A})$ | 无解 |
| 非齐次 $AX=b$ | $r(A) = r(\bar{A}) = n$ | 唯一解 |
| 非齐次 $AX=b$ | $r(A) = r(\bar{A}) < n$ | 无穷多解 |
| 方阵 $A_{n\times n}$ | $\det(A) \neq 0$ | $AX=b$ 有唯一解 |
| 方阵 $A_{n\times n}$ | $\det(A) = 0$ | $AX=b$ 无解或无穷多解 |
从列向量角度看,$AX = b$ 有解等价于 $b$ 属于 $A$ 的列空间 $\operatorname{Col}(A)$。$r(A) = r(\bar{A})$ 的意思是:$b$ 加入后没有产生新的独立方向——$b$ 已经在列空间的张成之中。
关于齐次方程组,还有两个重要推论:
- 若 $m < n$(方程个数少于未知数个数),齐次方程组 $AX=0$ 一定有非零解。因为 $r(A) \le m < n$,所以 $n - r(A) > 0$,自由变量至少有一个。
- 若 $m = n$(方阵情形),$AX=0$ 有非零解 $\iff \det(A) = 0$。这建立起了行列式与解空间的直接联系——当系数矩阵退化时,零空间维数至少为 1。
齐次线性方程组 $AX = 0$ 的所有解构成 $\mathbb{R}^n$ 的一个子空间,称为解空间(也称为 $A$ 的零空间或核,记作 $\operatorname{Null}(A)$):
解空间的两条基本性质(验证它是子空间):
- 若 $\xi_1, \xi_2$ 是解,则 $\xi_1 + \xi_2$ 也是解(加法封闭)。
- 若 $\xi$ 是解,$k$ 是任意实数,则 $k\xi$ 也是解(数乘封闭)。
证明很简单:$A(\xi_1+\xi_2) = A\xi_1 + A\xi_2 = 0 + 0 = 0$;$A(k\xi) = k(A\xi) = k \cdot 0 = 0$。
基础解系
齐次方程组 $AX = 0$ 的解空间中,一组向量 $\eta_1, \eta_2, \dots, \eta_t$ 若满足:
- $\eta_1, \eta_2, \dots, \eta_t$ 线性无关;
- $AX = 0$ 的每一个解都可以由它们线性表示;
则称 $\eta_1, \dots, \eta_t$ 是 $AX=0$ 的一个基础解系。
定理:基础解系的向量个数
设 $A$ 是 $m \times n$ 矩阵,$r(A) = r$,则 $AX = 0$ 的基础解系含有 $n - r$ 个向量。
解空间 $\operatorname{Null}(A)$ 的维数 $\dim(\operatorname{Null}(A)) = n - r$。
求基础解系的标准步骤
- 将系数矩阵 $A$ 化为行最简形 RREF。
- 确定主元列(约束变量)和非主元列(自由变量)。
- 令每个自由变量分别取 $1$(其余自由变量取 $0$),代入约束方程写出一个解向量。
- 得到的 $n-r$ 个解向量即为基础解系。
齐次方程组通解的表达
若 $\eta_1, \eta_2, \dots, \eta_{n-r}$ 是 $AX=0$ 的一个基础解系,则通解为:
这里的 $k_i$ 是任意常数。这个形式表明:解空间是一个以 $\eta_1, \dots, \eta_{n-r}$ 为基的向量空间。
非齐次线性方程组 $AX = b$ 的解集合本身不是一个向量空间(因为零向量不一定是解——$A \cdot 0 = 0 \neq b$)。但它的解与对应的齐次方程组(称为导出组)$AX = 0$ 的解有密切关系。
非齐次方程组的两条性质
设 $\eta_1, \eta_2$ 是 $AX = b$ 的解,$\xi$ 是 $AX = 0$ 的解。
- $\eta_1 - \eta_2$ 是导出组 $AX = 0$ 的解。
- $\eta_1 + \xi$ 是 $AX = b$ 的解。
非齐次方程组解的结构定理
若 $AX = b$ 有解,且 $\eta^*$ 是它的一个特解,$\eta_1, \dots, \eta_{n-r}$ 是导出组 $AX = 0$ 的一个基础解系,则 $AX = b$ 的通解为:
这个结构可以直观理解:先将问题的结构部分(齐次部分)求解出来,然后通过特解 $\eta^*$ 将整个解空间平移到 $b$ 所在的位置。几何上,非齐次方程组的解集合是一个仿射空间(平移后的向量子空间),而不是向量子空间——因为零向量 $0$ 一般不满足 $A0 = b$。
- 将增广矩阵 $(A \mid b)$ 化为行最简形。
- 判断是否有解:若出现形如 $[0\ 0\ \cdots\ 0 \mid c]$($c \neq 0$)的矛盾行,则无解。
- 若有解,写出约束变量的表达式,令自由变量全部为 $0$,得到一个特解 $\eta^*$。
- 忽略增广矩阵的最后一列,对系数矩阵求导出组的基础解系。
- 写出通解 $X = \eta^* + k_1\eta_1 + \cdots + k_{n-r}\eta_{n-r}$。
如果从线性映射 $T: \mathbb{R}^n \to \mathbb{R}^m, T(X) = AX$ 的视角来看线性方程组,$AX = b$ 的解空间结构可以更深刻地理解:
- 零空间 $\operatorname{Null}(A)$ 是 $T$ 的核,即所有被映射到零点的向量。
- 列空间 $\operatorname{Col}(A)$ 是 $T$ 的像,即所有能到达的向量。
- $b \in \operatorname{Col}(A)$ 意味着 $b$ 在像中,$b$ 的原像就是解集合。
- 解集合 $T^{-1}(b)$ 是零空间的陪集(coset):$T^{-1}(b) = \eta^* + \operatorname{Null}(A)$。
这个视角的价值在于:它将线性代数中的四个基本子空间(行空间、列空间、零空间、左零空间)统一到了一个完整的画面中。前两章讲的行列式告诉我们在 $m=n$ 时解的唯一性;第三章讲的秩告诉我们解空间的结构;而本章则是将这些工具应用到实际求解中。
四个基本子空间的关系
设 $A$ 是 $m \times n$ 矩阵,秩为 $r$:
- $\operatorname{Row}(A) \subseteq \mathbb{R}^n$,维数 $r$
- $\operatorname{Col}(A) \subseteq \mathbb{R}^m$,维数 $r$
- $\operatorname{Null}(A) \subseteq \mathbb{R}^n$,维数 $n-r$
- $\operatorname{Null}(A^T) \subseteq \mathbb{R}^m$,维数 $m-r$
注意:行空间和零空间正交(任意行向量与任意零空间向量内积为 $0$),且互为 $\mathbb{R}^n$ 中的正交补。
例题 1:求齐次方程组的基础解系与通解
题目:求下列齐次线性方程组的基础解系和通解。
目标:掌握行最简形化简、确定自由变量、构造基础解系的标准流程。
- 写出系数矩阵:$A = \begin{pmatrix}1 & 2 & 1 & -1 \\ 3 & 6 & -1 & -3 \\ 5 & 10 & 1 & -5\end{pmatrix}$。
- 化为行最简形:$\xrightarrow{r_2-3r_1}\begin{pmatrix}1 & 2 & 1 & -1 \\ 0 & 0 & -4 & 0 \\ 0 & 0 & -4 & 0\end{pmatrix} \xrightarrow{r_3-r_2}\begin{pmatrix}1 & 2 & 1 & -1 \\ 0 & 0 & -4 & 0 \\ 0 & 0 & 0 & 0\end{pmatrix} \xrightarrow{-\frac{1}{4}r_2}\begin{pmatrix}1 & 2 & 1 & -1 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0\end{pmatrix} \xrightarrow{r_1-r_2}\begin{pmatrix}1 & 2 & 0 & -1 \\ 0 & 0 & 1 & 0 \\ 0 & 0 & 0 & 0\end{pmatrix}$。
- 确定主元与自由变量:主元在第 1、3 列,对应 $x_1,x_3$ 是约束变量;第 2、4 列非主元,$x_2,x_4$ 是自由变量。$r=2$,$n=4$,基础解系含 $4-2=2$ 个向量。
- 写出约束方程:$\begin{cases} x_1 + 2x_2 - x_4 = 0 \\ x_3 = 0 \end{cases}$,即 $\begin{cases} x_1 = -2x_2 + x_4 \\ x_3 = 0 \end{cases}$。
- 赋值自由变量构造基础解系:
取 $(x_2, x_4) = (1, 0)$:$\eta_1 = (-2, 1, 0, 0)^T$。
取 $(x_2, x_4) = (0, 1)$:$\eta_2 = (1, 0, 0, 1)^T$。 - 验证:$A\eta_1 = 0$✓,$A\eta_2 = 0$✓,且 $\eta_1, \eta_2$ 明显线性无关。基础解系为 $\{\eta_1, \eta_2\}$。
答案:通解 $X = k_1\begin{pmatrix}-2 \\ 1 \\ 0 \\ 0\end{pmatrix} + k_2\begin{pmatrix}1 \\ 0 \\ 0 \\ 1\end{pmatrix},\quad k_1,k_2 \in \mathbb{R}$。
验算:代入原方程组验证第一组:$1\cdot(-2)+2\cdot1+1\cdot0+(-1)\cdot0 = -2+2+0+0 = 0$ ✓。第二组:$1\cdot1+2\cdot0+1\cdot0+(-1)\cdot1 = 1+0+0-1=0$ ✓。两个解向量确实满足方程组。
例题 2:求非齐次方程组的通解
题目:求解线性方程组。
目标:掌握增广矩阵化简、判断是否有解、求特解 + 导出组通解的标准流程。
- 写出增广矩阵:$(A\mid b) = \begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 1 & 2 & 2 & 1 & \mid & 2 \\ 2 & 4 & 5 & 2 & \mid & 5\end{pmatrix}$。
- 化为行最简形:
$\xrightarrow{r_2-r_1}\begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 0 & 0 & -1 & 0 & \mid & -1 \\ 0 & 0 & -1 & 0 & \mid & -1\end{pmatrix} \xrightarrow{r_3-r_2}\begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 0 & 0 & -1 & 0 & \mid & -1 \\ 0 & 0 & 0 & 0 & \mid & 0\end{pmatrix}$
$\xrightarrow{-r_2}\begin{pmatrix}1 & 2 & 3 & 1 & \mid & 3 \\ 0 & 0 & 1 & 0 & \mid & 1 \\ 0 & 0 & 0 & 0 & \mid & 0\end{pmatrix} \xrightarrow{r_1-3r_2}\begin{pmatrix}1 & 2 & 0 & 1 & \mid & 0 \\ 0 & 0 & 1 & 0 & \mid & 1 \\ 0 & 0 & 0 & 0 & \mid & 0\end{pmatrix}$。 - 判断有解:最后一行是 $[0\ 0\ 0\ 0 \mid 0]$,无矛盾。$r(A)=r(\bar{A})=2 < 4=n$,无穷多解。
- 求特解:令自由变量 $x_2, x_4$ 全为零,代入约束方程 $\begin{cases} x_1 + 2x_2 + x_4 = 0 \\ x_3 = 1 \end{cases}$,得 $\eta^* = (0, 0, 1, 0)^T$。
- 求导出组的基础解系:忽略最后一列,导入方程组约束方程为 $\begin{cases} x_1 = -2x_2 - x_4 \\ x_3 = 0 \end{cases}$。
取 $(x_2,x_4)=(1,0)$:$\eta_1 = (-2,1,0,0)^T$。
取 $(x_2,x_4)=(0,1)$:$\eta_2 = (-1,0,0,1)^T$。 - 写出通解:$X = \eta^* + k_1\eta_1 + k_2\eta_2$。
答案:通解 $X = \begin{pmatrix}0 \\ 0 \\ 1 \\ 0\end{pmatrix} + k_1\begin{pmatrix}-2 \\ 1 \\ 0 \\ 0\end{pmatrix} + k_2\begin{pmatrix}-1 \\ 0 \\ 0 \\ 1\end{pmatrix},\quad k_1,k_2 \in \mathbb{R}$。
几何理解:这个方程组的解集合是一个 $\mathbb{R}^4$ 中的二维平面(通过原点的齐次部分)平移后得到的二维仿射平面。特解 $\eta^*$ 确定了平面的位置,而基础解系 $\eta_1, \eta_2$ 给出了平面内的两个独立方向。
例题 3:含参数方程组的解情况讨论
题目:$\lambda$ 取何值时,方程组有唯一解?无穷多解?无解?
目标:熟练使用行列式与秩两种工具讨论含参方程组的解情况。
- 方法一:系数行列式(方阵情形)。
系数矩阵 $A = \begin{pmatrix}\lambda & 1 & 1 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{pmatrix}$,计算 $\det(A) = \begin{vmatrix}\lambda & 1 & 1 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{vmatrix}$。
先第 2、3 行加到第 1 行:$\det(A) = \begin{vmatrix}\lambda+2 & \lambda+2 & \lambda+2 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{vmatrix} = (\lambda+2)\begin{vmatrix}1 & 1 & 1 \\ 1 & \lambda & 1 \\ 1 & 1 & \lambda\end{vmatrix}$。
再化简:$\det(A) = (\lambda+2)\begin{vmatrix}1 & 1 & 1 \\ 0 & \lambda-1 & 0 \\ 0 & 0 & \lambda-1\end{vmatrix} = (\lambda+2)(\lambda-1)^2$。 - 情况一:唯一解——$\det(A) \neq 0$,即 $\lambda \neq -2$ 且 $\lambda \neq 1$。
- 情况二:$\lambda = 1$,矩阵退化为全 1 矩阵。
$(A\mid b) = \begin{pmatrix}1 & 1 & 1 & \mid & 1 \\ 1 & 1 & 1 & \mid & 1 \\ 1 & 1 & 1 & \mid & 1\end{pmatrix}$,$r(A)=1$,$r(\bar{A})=1$,有无穷多解。 - 情况三:$\lambda = -2$。
$(A\mid b) = \begin{pmatrix}-2 & 1 & 1 & \mid & 1 \\ 1 & -2 & 1 & \mid & 1 \\ 1 & 1 & -2 & \mid & 1\end{pmatrix} \xrightarrow{\text{消元}}\begin{pmatrix}1 & 1 & -2 & \mid & 1 \\ 0 & -3 & 3 & \mid & 0 \\ 0 & 0 & 0 & \mid & 3\end{pmatrix}$。
出现矛盾行 $[0\ 0\ 0 \mid 3]$,$r(A)=2$,$r(\bar{A})=3$,无解。
答案:
| $\lambda$ 取值 | $\det(A)$ | $r(A)$ 与 $r(\bar{A})$ | 解的情况 |
|---|---|---|---|
| $\lambda \neq -2$ 且 $\lambda \neq 1$ | $\neq 0$ | $3 = 3$ | 唯一解 |
| $\lambda = 1$ | $0$ | $1 = 1$ | 无穷多解 |
| $\lambda = -2$ | $0$ | $2 \neq 3$ | 无解 |
| 概念 | 定义 / 公式 | 关键点 |
|---|---|---|
| 增广矩阵 | $\bar{A} = (A \mid b)$ | 用于判断有解与否 |
| 有解条件 | $r(A) = r(\bar{A})$ | $r(A) \neq r(\bar{A})$ 时无解 |
| 唯一解条件 | $r(A) = r(\bar{A}) = n$ | 约束变量数等于未知数个数 |
| 无穷多解条件 | $r(A) = r(\bar{A}) < n$ | 自由变量 $n-r$ 个 |
| 齐次方程组 | $AX=0$ 总有解(至少零解) | 有非零解 $\iff r(A) < n$ |
| 解空间 | $W = \{X \mid AX=0\}$ | $\mathbb{R}^n$ 的子空间,维数 $n-r$ |
| 基础解系 | 解空间的基 | 包含 $n-r$ 个线性无关的解向量 |
| 齐次通解 | $X = k_1\eta_1 + \cdots + k_{n-r}\eta_{n-r}$ | $k_i$ 为任意常数 |
| 非齐次通解 | $X = \eta^* + \text{齐次通解}$ | 特解 + 导出组通解 |
| 自由变量 | 非主元列对应的变量 | 赋值 $(1,0,\dots,0)$ 等构造基础解系 |
求解线性方程组的完整流程(决策树)
- 将增广矩阵 $(A\mid b)$ 化为行最简形 RREF
- 检查是否有矛盾行($[0\ \cdots\ 0 \mid c], c \neq 0$)
有矛盾 → 无解
无矛盾 → 向下 - 数主元个数 $r$
$r = n$ → 唯一解
$r < n$ → 无穷多解,进入下一步 - 确定自由变量($n-r$ 个),令它们全为 $0$ 得一个特解 $\eta^*$
- 对系数矩阵(忽略最后一列)求导出组的基础解系 $\eta_1, \dots, \eta_{n-r}$
- 通解 = $\eta^* + \sum k_i\eta_i$
学习路线建议
掌握线性方程组章节建议分三步走:
第一步:掌握计算。熟练地将增广矩阵化为行最简形,能快速找出主元列和自由变量,能正确构造基础解系。这一阶段需要做 5-10 道计算题来建立肌肉记忆。
第二步:理解理论。弄清为什么解空间的维数是 $n-r$、为什么非齐次解 = 特解 + 齐次通解。理解每个公式背后的线性空间和线性映射原理。这一阶段建议画图辅助思考。
第三步:建立联系。将本章与前面章节联系起来——行列式为什么能判断唯一解?秩如何决定解的结构?向量组的线性相关与解的存在性有何关系?将点连成线,建立完整的知识网络。
秩-零化度定理的更深层意义
设 $A$ 是 $m\times n$ 矩阵,则 $\dim(\operatorname{Col}(A)) = r(A)$,$\dim(\operatorname{Null}(A)) = n - r(A)$。两者之和为 $n$——这是线性代数基本定理的核心内容:列空间的维数与零空间的维数互补。对应线性映射 $T: \mathbb{R}^n \to \mathbb{R}^m$,零空间是被映射到零的向量,列空间是映射的像。整个 $\mathbb{R}^n$ 分解为 $\operatorname{Null}(A) \oplus (\operatorname{Null}(A))^\perp$。
本章知识点在考研中的常见题型
考研数学中线性方程组是必考内容,常见题型包括:给定含参数的方程组讨论解的情况(例 3 就是典型)、已知齐次方程组的基础解系数目反求矩阵的参数、利用解的结构求特征向量和特征值、以及通过矩阵方程 $AX=B$ 转化为多个线性方程组求解。
解这类题目的核心是牢牢掌握三个等价关系:
参考来源
- 电子科技大学线性代数课程组(邓良剑):线性代数枢纽页 · 讲义 PDF(4.1 n 维向量空间、4.2 线性相关与无关、4.3 解的结构、4.4 基础解系)
- Wikipedia 线性方程组词条:https://zh.wikipedia.org/wiki/线性方程组 — 高斯消元与解空间理论
- CSDN "线性方程组的解与向量空间":https://blog.csdn.net/qq_17065591/article/details/132523926 — 解空间与基础解系的定义
- CSDN 线性代数(解方程组):https://blog.csdn.net/m0_58364248/article/details/122050789 — 解的存在性判定图
- CSDN "基础解系与通解的求法":https://blog.csdn.net/shenliang1985/article/details/114979670 — 初等变换法求基础解系
- 可汗学院:高斯消元视频教程 — 行最简形可视化讲解