深入淺出：矩陣的秩及其應用

一、數學定義

矩陣的秩（Rank）是線性代數中的核心概念，定義為矩陣中線性無關的行（或列）向量的最大數目。關鍵特性：

• 行秩 = 列秩（對任意矩陣成立）
• 記作 $\text{rank}(A)$ 或 $r(A)$
• 滿足：$0\le \text{rank}(A)\le \min (m,n)$（$m\times n$矩陣）

數學表達式：
若矩陣 $A$ 的列空間維度為 $r$，則：
$$\text{rank}(A)=\dim (\text{col}(A))=r$$

二、核心作用

1. 解的存在性判斷：

   • $\text{rank}(A)=\text{rank}([A|b])$：方程組有解
   • $\text{rank}(A)<\text{rank}([A|b])$：方程組無解

2. 解的唯一定理：
   若 $\text{rank}(A)=n$（未知數個數）：

   • 齊次方程組：唯一零解
   • 非齊次方程組：唯一非零解

3. 矩陣可逆性：
   方陣 $A$ 可逆 $?\text{rank}(A)=n$（滿秩）

三、計算方法與步驟

方法1：高斯消元法（最常用）

步驟：

1. 通過初等行變換將矩陣化為行階梯形
2. 統計非零行數量

示例：
$$\text{原始矩陣：}\left[\begin{array}{ccc}1& 2& 3\\ 4& 5& 6\\ 7& 8& 9\end{array}\right]$$

$$\text{行階梯形：}\left[\begin{array}{ccc}1& 2& 3\\ 0& ?3& ?6\\ 0& 0& 0\end{array}\right]?\text{非零行數}=2\therefore \text{rank}=2$$

方法2：奇異值分解（SVD）

秩 = 非零奇異值個數
Python實現：

import numpy as np
A = np.array([[1,2],[3,4],[5,6]])
U, S, V = np.linalg.svd(A)
rank = np.sum(S > 1e-10)  # 考慮浮點誤差
print("SVD秩:", rank)  # 輸出: 2

方法3：行列式法（僅適用于方陣）

秩 = 最高階非零子式的階數
$$\text{矩陣：}\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]$$
$$\text{子式：}\det \left(\left[\begin{array}{cc}1& 2\\ 3& 4\end{array}\right]\right)=?2\ne 0?\text{rank}=2$$

四、物理意義

1. 線性變換的維度壓縮

秩表示線性變換后空間的維度：
若線性變換 $T:{\mathbb{R}}^n\to {\mathbb{R}}^m$，則：
$$\dim (\text{im}(T))=\text{rank}(A)$$

示例：

import matplotlib.pyplot as plt
import numpy as np# 原始空間
points = np.array([[0,0], [1,0], [1,1], [0,1]])# 滿秩變換
A_full = np.array([[2,0],[0,1]])
full_rank = A_full @ points.T# 秩1變換
A_rank1 = np.array([[1,1],[1,1]])
rank1 = A_rank1 @ points.T# 繪圖
plt.figure(figsize=(12,4))
plt.subplot(131)
plt.plot(points[:,0], points[:,1], 'ro-')
plt.title("原始空間 ($\dim=2$)")plt.subplot(132)
plt.plot(full_rank[0], full_rank[1], 'bo-')
plt.title("滿秩變換 ($\mathrm{rank}=2$)")plt.subplot(133)
plt.plot(rank1[0], rank1[1], 'go-')
plt.title("秩1變換 ($\mathrm{rank}=1$)")
plt.tight_layout()
plt.show()

執行結果：

• 左圖：二維正方形（原始空間）
• 中圖：變換為二維矩形（保持二維性）
• 右圖：壓縮到一條直線（維度降為1）

2. 信息冗余度

秩越低 $\to$ 數據冗余度越高 $\to$ 可壓縮性越強

五、典型應用場景

1. 圖像壓縮（低秩近似）

原理：利用SVD分解，保留前k個奇異值
Python實現：

from skimage import data
import numpy as np# 加載圖像
image = data.camera().astype(float)# SVD分解
U, S, V = np.linalg.svd(image)# 不同秩的近似
ranks = [5, 20, 100]
plt.figure(figsize=(15,5))for i, r in enumerate(ranks):approx = U[:,:r] @ np.diag(S[:r]) @ V[:r,:]plt.subplot(1,3,i+1)plt.imshow(approx, cmap='gray')plt.title(f"秩={r} (壓縮比:{r*(1+image.shape[0]/image.shape[1]):.1f}x)")

執行結果：

2. 推薦系統（矩陣補全）

核心思想：用戶-物品評分矩陣是低秩的
數學模型：
$$\min \text{rank}(X)\text{s.t.}{P}_{\Omega }(X)=P_{\Omega }(M)$$
常用算法：交替最小二乘（ALS）

3. 控制系統分析

可控性矩陣秩：
$$\text{rank}\left([B,AB,A^{2}B,\dots ,A^{n?1}B]\right)=n$$
$\to$ 系統完全可控

4. 神經網絡優化

梯度矩陣的低秩結構可用于：

• 梯度壓縮（減少通信開銷）
• 高效參數更新（Adafactor等優化器）

六、特殊矩陣的秩

矩陣類型	秩的特性
單位矩陣 $I_n$	$\text{rank}(I_n)=n$
正交矩陣 $Q$	$\text{rank}(Q)=n$
對角矩陣 $\Lambda$	非零對角元個數
投影矩陣 $P$	$\text{rank}(P)=\text{tr}(P)$
全1矩陣 $J$	$\text{rank}(J)=1$
Vandermonde矩陣	取決于節點分布

總結

矩陣的秩揭示了線性系統的本質特性：

1. 數學本質：線性無關性的度量
2. 物理意義：維度壓縮的量化指標
3. 應用價值：從圖像壓縮到推薦系統，貫穿現代科技

理解秩的概念，等于掌握了解讀線性世界的鑰匙——它告訴我們哪些信息是本質的，哪些是冗余的，從而實現對復雜系統的高效掌控。

補充閱讀：Gilbert Strang《線性代數及其應用》第3章，全面講解秩的空間意義和解的結構分析。

---

研究學習不易，點贊易。
工作生活不易，收藏易，點收藏不迷茫 ：）

---