基

基 (Basis)

在线性代数中，一个向量空间 $V$ 的基 (Basis) 是一个由向量组成的集合 $B = \{\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_n\}$，这个集合中的向量需要满足两个关键条件：它们是线性无关的，并且它们可以生成 (span) 整个向量空间 $V$。

从概念上讲，基为向量空间提供了一个"坐标系"。一旦我们为向量空间选定了一组基，空间中的任何一个向量都可以用这组基向量的线性组合来唯一地表示。这种表示形式中的系数，就被称为该向量在这组基下的坐标 (Coordinates)。基的概念是连接抽象的向量空间与具体的数值表示之间的桥梁，没有基，向量空间只是一个缺乏计算工具的结构。

形式化定义

一个向量空间 $V$ 的子集 $B \subseteq V$ 被称为 $V$ 的一个基，如果它满足以下两个条件：

线性无关 (Linear Independence)：集合 $B$ 中的向量是线性无关的。这意味着，对于集合中任意有限个不同的向量 $\{\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_k\} \subseteq B$，唯一能够使得方程

成立的标量系数解是 $c_1 = c_2 = \dots = c_k = 0$。换句话说，基集合中的任何一个向量都不能被表示为其他基向量的线性组合。这保证了基集合中没有"冗余"的向量。

生成空间 (Spanning Set)：集合 $B$ 是 $V$ 的一个生成集。这意味着，对于向量空间 $V$ 中的任意一个向量 $\mathbf{v}$，它都可以被表示为 $B$ 中向量的（有限）线性组合。即，存在一组标量 $c_1, c_2, \dots, c_n$ 和基向量 $\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_n \in B$，使得：

这个条件保证了基集合足以"覆盖"或"构建"出整个向量空间中的每一个向量。

结合这两个条件，基是一个"最小的生成集"，也是一个"最大的线性无关集"。任何不是基的生成集都可以缩小到基的大小，任何线性无关集都可以扩充为基。

常见示例

笛卡尔坐标系的标准基

最常见和直观的基是欧几里得空间 $\mathbb{R}^n$ 中的标准基 (Standard Basis)，也称为自然基 (Natural Basis)。

在二维空间 $\mathbb{R}^2$（即平面）中，标准基是 $B = \{\mathbf{e}_1, \mathbf{e}_2\}$，其中：

平面上的任意一个向量 $\mathbf{v} = \begin{pmatrix} a \\ b \end{pmatrix}$ 都可以唯一地写成 $\mathbf{v} = a\mathbf{e}_1 + b\mathbf{e}_2$。这里的 $(a, b)$ 就是向量 $\mathbf{v}$ 在标准基下的坐标。

在三维空间 $\mathbb{R}^3$ 中，标准基是 $B = \{\mathbf{e}_1, \mathbf{e}_2, \mathbf{e}_3\}$，其中：

$\mathbb{R}^2$ 的非标准基

一个向量空间通常有无穷多组不同的基。例如，对于 $\mathbb{R}^2$，集合 $B' = \{\mathbf{v}_1, \mathbf{v}_2\}$ 也是一组基，其中：

我们可以验证它满足两个条件：

线性无关：方程 $c_1\begin{pmatrix} 1 \\ 1 \end{pmatrix} + c_2\begin{pmatrix} 1 \\ -1 \end{pmatrix} = \begin{pmatrix} 0 \\ 0 \end{pmatrix}$ 意味着 $c_1+c_2=0$ 和 $c_1-c_2=0$，解得唯一的解是 $c_1=0, c_2=0$。

生成空间：对于任意向量 $\begin{pmatrix} x \\ y \end{pmatrix} \in \mathbb{R}^2$，我们总能找到系数 $c_1, c_2$ 使其成立。通过求解方程组，我们得到 $c_1 = \frac{x+y}{2}$ 和 $c_2 = \frac{x-y}{2}$。

例如，向量 $\mathbf{u} = \begin{pmatrix} 3 \\ 5 \end{pmatrix}$ 在标准基下的坐标是 $(3, 5)$。但在基 $B'$ 下，它的坐标是 $c_1 = \frac{3+5}{2} = 4$ 和 $c_2 = \frac{3-5}{2} = -1$。因此，$\mathbf{u} = 4\mathbf{v}_1 - \mathbf{v}_2$。

多项式空间中的基

向量空间的概念不仅限于几何向量。考虑所有次数不超过2的实系数多项式构成的空间，记为 $P_2(\mathbb{R})$。这个空间的一个标准基是：

空间中的任何一个多项式，如 $p(x) = a_0 + a_1x + a_2x^2$，都可以看作是这组基向量的线性组合，其坐标为 $(a_0, a_1, a_2)$。

核心性质与定理

表示的唯一性 (Uniqueness of Representation)：对于一个给定的基 $B$，向量空间 $V$ 中的每一个向量 $\mathbf{v}$ 都可以被唯一地表示为基向量的线性组合。这是基最重要的特性之一，它使得坐标的概念得以成立。如果存在两种表示方式，通过简单的代数运算和利用基的线性无关性，可以证明这两种表示的系数必须完全相同。

维度 (Dimension)：一个非常深刻的定理指出：对于一个给定的有限维向量空间，其所有基都包含相同数量的向量。这个不变的数值被称为该向量空间的维度。例如，$\mathbb{R}^2$ 的维度是 2，因为它的所有基（无论是标准基还是非标准基）都含有2个向量；$P_2(\mathbb{R})$ 的维度是 3，因为它的标准基含有3个元素。如果一个向量空间的基包含无限个向量，则称该空间为无限维向量空间。

基的存在性 (Existence of a Basis)：除了只包含零向量的平凡向量空间外，任何一个向量空间都存在一组基。对于无限维空间，这个结论的证明依赖于集合论中的选择公理。基的存在性保证了任何向量空间都有至少一个"坐标系"，这是后续所有线性代数运算的基础。

基变换

由于同一向量在不同基下有不同的坐标，因此在不同基之间转换坐标是一个核心问题。这个转换过程通过一个称为基变换矩阵 (Transition Matrix / Change-of-Basis Matrix) 的特殊矩阵来完成。

假设空间 $V$ 有两组基，$B = \{\mathbf{u}_1, \dots, \mathbf{u}_n\}$ 和 $C = \{\mathbf{w}_1, \dots, \mathbf{w}_n\}$。任何一个向量 $\mathbf{x} \in V$ 在这两组基下有不同的坐标表示，记为 $[\mathbf{x}]_B$ 和 $[\mathbf{x}]_C$。基变换矩阵 $P_{C \leftarrow B}$ 可以将一个向量从基 $B$ 的坐标转换到基 $C$ 的坐标：

该矩阵的第 $j$ 列是由基 $B$ 中的第 $j$ 个向量 $\mathbf{u}_j$ 在基 $C$ 下的坐标向量 $[\mathbf{u}_j]_C$ 构成的。基变换矩阵一定是可逆的，其逆矩阵 $P_{B \leftarrow C} = P_{C \leftarrow B}^{-1}$ 实现了反向的坐标转换。

应用

基是线性代数乃至整个数学的基石概念，其应用无处不在：

线性变换的矩阵表示：任何一个线性变换都可以通过它作用于基向量上的效果来完全确定。选择不同的基（特别是特征向量组成的基），可以得到该变换的更简洁的矩阵表示（如对角矩阵）。这一原理是谱定理和奇异值分解 (SVD) 等关键定理的基础。

数据压缩与降维：在机器学习和信号处理中，像主成分分析 (PCA) 这样的技术，其本质就是寻找一组新的基，使得数据在这组基上的表示能够最大化地保留信息，从而可以用更少的基向量来近似原始数据。压缩感知 (Compressed Sensing) 则利用信号在某种基下的稀疏性，以远低于奈奎斯特采样定理要求的采样频率重构完整信号。

函数空间分析：在泛函分析中，函数的概念被推广。例如，傅里叶级数就是将周期函数表示为一组正弦和余弦函数（一组正交基）的线性组合。小波分析则使用另一类函数基（小波基）来分析信号。这些方法在图像处理和音频压缩中具有核心作用。

计算机图形学：物体的旋转、缩放、平移等变换都是通过改变其顶点在特定坐标系（基）下的坐标来完成的。场景中的不同物体可能使用不同的局部坐标系，它们之间的转换就是基变换。GPU的并行架构特别适合执行大规模的矩阵和基变换运算。