本章进入线性代数的核心内容，探讨特征值与特征向量的性质、矩阵对角化、微分方程组应用以及对称矩阵与正定矩阵的特性。
6.1 特征值介绍
参考资料：书（知识点&例题）、视频、习题
知识点回顾
基本定义 $Ax = \lambda x$ 矩阵 $A$ 作用在向量 $x$ 上，只改变其长度（缩放 $\lambda$ 倍），不改变其方向。 * $x$ 称为特征向量。 * $\lambda$ 称为特征值。
推广性质 * $A^2 x = \lambda^2 x$ * $A^{-1} x = \lambda^{-1} x$ （假设 $A$ 可逆） * $(A + cI)x = (\lambda + c)x$
特征值的求解 方程 $|A - \lambda I| = 0$。 * $n$ 阶矩阵 $A$ 有 $n$ 个特征值。 * 特征值可能重复，可能为复数，可能为 0。 * 展开形式：$\vert A - \lambda I\vert = (\lambda_1 - \lambda)(\lambda_2 - \lambda)\dots(\lambda_n - \lambda)$。
两个重要检验性质 1. 行列式：$\vert A\vert = \lambda_1 \lambda_2 \dots \lambda_n$ 2. 迹：$\sum A_{ii} = \lambda_1 + \lambda_2 + \dots + \lambda_n = \text{trace}(A)$
特征向量的求解 解方程 $(A - \lambda I)x = 0$。 * $x$ 位于 $N(A - \lambda I)$ 空间中。 * 重要：特征向量必须是非零向量。 * 重数与向量数量关系：* 一个特征值重复 1 次 $\rightarrow$ 对应 1 个特征向量。* 一个特征值重复 $k$ 次 $\rightarrow$ 对应 $[1, k]$ 个线性无关特征向量。 * 线性无关性：不同特征值对应的特征向量，彼此线性无关（证明见书 P305）。 * 正交性：如果 $A$ 为对称矩阵，则不同特征值对应的特征向量彼此正交（证明见书 P312）。
深度思考：凭什么有 $Ax = \lambda x$？
特征值理论告诉我们，对于 $n$ 阶方阵 $A$，一定存在 $n$ 个特征值 $\lambda$，使得 $Ax = \lambda x$ 成立，进而可以写成 $AX = X\Lambda$。
特征值和特征向量最大的好处在于“即插即用”：只要能找到一个向量 $x$ 使得 $Ax = \lambda x$ 成立，那么这个 $\lambda$ 和 $x$ 就一定是特征值和特征向量。这与奇异值和奇异向量不同，后者通常需要找一组才能确定。
例题与习题
- Ex6.1A：利用特征值性质求特征值。
- Ex6.1C：对称矩阵特征向量相互正交。
习题解析与思考： * 第 12 题：说明一个特征值可能对应多个特征向量（至少一个），且 $\lambda=0$ 等价于矩阵奇异。 * 第 19 和 32 题：* $\lambda x$ 在 $A$ 的列空间 $C(A)$ 中。* $\lambda \neq 0$ 对应的特征向量在 $C(A)$ 中。* $\lambda = 0$ 对应的特征向量在 $N(A)$ 中。* $\text{rank} \ge$ 非 0 特征值对应的特征向量个数。* 一个特征值至少对应一个特征向量（至少 1 维），不同特征值对应的特征向量彼此线性无关。
Review：$Ax=b$ 的解 = 零空间通解 + 特解。
习题推荐： * 基础题：见书上 √ * 启发题：见书上 ☆
6.2 对角化一个矩阵
参考资料：书（知识点&例题）、视频、习题
知识点回顾
对角化条件 将 $A$ 的 $n$ 个特征向量写在矩阵 $X$ 中，则 $AX = X\Lambda$。 * $X$ 可逆（即 $A$ 有 $n$ 个线性无关的特征向量） $\iff$ $A$ 可对角化。 * 公式：$A = X\Lambda X^{-1}$，或 $\Lambda = X^{-1}AX$。 * 幂运算：$A^k = X\Lambda^k X^{-1}$。
特征值重数与可对角化 * 具有 $n$ 个不同特征值的矩阵一定可以对角化（一个特征值对应一个特征向量，且彼此线性无关）。 * 有重复的特征值时：重复 $k$ 次需要 $k$ 个线性无关特征向量。* 例：若 $A$ 为 5 阶方阵，$\text{rank}A = 2$，则特征值 0 对应 3 个线性无关特征向量（零空间维数为 3）。
相似矩阵 * 定义：若存在可逆矩阵 $X$，使得 $B = XAX^{-1}$，称 $B$ 相似于 $A$。 * 性质：相似矩阵的特征值相同，线性无关的特征向量个数相同。 * Jordan 标准型：这一族矩阵相似到同一个 Jordan 标准型（最接近对角化的矩阵）。任何一个 $n$ 阶方阵都相似到一个 Jordan 标准型上。
应用：差分方程组 $u_{k+1} = Au_k$。 * 使用特征值求解，特征值决定了 $u$ 的增长速度。 * 参见书 P307 斐波那契数列通项公式。 * 高阶差分方程组参考书 P322。
例题与习题
- Ex6.2B：特征值性质求特征值，对称矩阵特征向量正交。
重点习题解析： * 第 30 题 (凯莱-哈密顿定理)：对于矩阵 $A$，其特征多项式为 $p(\lambda) = |A-\lambda I| = (\lambda-\lambda_1)\dots(\lambda-\lambda_n)$。则 $p(A) = (A-\lambda_1 I)\dots(A-\lambda_n I) = O$（零矩阵）。这意味着矩阵满足自己的特征方程。 * 第 37 题：$AB$ 和 $BA$ 具有相同的非零特征值。进一步推论：$\text{tr}(AB) = \text{tr}(BA)$。当 $A$ 或 $B$ 可逆时，$AB$ 与 $BA$ 相似。 * 第 40 题：$AB$ 和 $BA$ 具有相同的非零特征值（除了 $|m-n|$ 个 0）。证明思路：已知 $ABx = \lambda x$，则 $BA(Bx) = \lambda(Bx)$。几何理解：当进行两次线性变换时，不论变换顺序如何，其所产生的拉伸（或缩放）因子在非零情况下是相同的。这与特征值描述的“尺度因子”有关。推广：$ABC$、$BCA$ 和 $CAB$ 的非零特征值相同，但与 $CBA$ 不一定相同。
习题推荐： * 基础题：见书上 √ * 启发题：见书上 ☆
6.3 微分方程组
参考资料：书（知识点&例题）、视频、习题
知识点回顾
本节是矩阵特征值的应用：线性常系数微分方程组的解法。
求解一阶微分方程组 已知 $u' = Au$ 和初始条件 $u(0)$。 采用待定系数法，设解的形式为 $u = e^{\lambda t} x$，其中 $\lambda$ 是 $A$ 的特征值，$x$ 是对应的特征向量。 通解形式： $$ u = c_1 e^{\lambda_1 t} x_1 + c_2 e^{\lambda_2 t} x_2 + \dots + c_n e^{\lambda_n t} x_n $$ 或者写成矩阵指数形式： $$ u = e^{At} u(0) $$
矩阵指数 $e^{At}$ * 定义：$e^{At} = I + At + \frac{1}{2}(At)^2 + \frac{1}{6}(At)^3 + \dots + \frac{1}{n!}(At)^n$。 * 同理可定义 $\cos(At)$ 和 $\sin(At)$。 * 性质：* 特征值为 $e^{\lambda t}$，特征向量与 $A$ 相同。* 对 $t$ 的导数为 $Ae^{At}$。* 总存在逆矩阵 $e^{-At}$。* 若 $A$ 可对角化，则 $e^{At} = X e^{\Lambda t} X^{-1}$。解为 $u = X e^{\Lambda t} c$。* 若 $AB=BA$，则 $e^A e^B = e^B e^A = e^{A+B}$。* 若 $A$ 反对称，则 $e^{At}$ 为正交矩阵。
解耦的物理意义 * $u' = Au$ 表示 $u_1, u_2, \dots$ 相互耦合。 * 将 $u$ 表示为 $A$ 特征向量的组合：$u = Xv$，即 $v = X^{-1}u$。 * 则 $v' = \Lambda v$，$v(t) = e^{\Lambda t} v(0)$。 * 利用 $A$ 的特征值和特征向量将耦合的系统转化为独立的标量方程求解。 * 增长/衰减：解中每项随时间的变化由特征值 $\lambda$ 决定。
例题与习题
- Ex6.3B：微分方程描述真实世界物理现象。高阶线性常系数微分方程组可以转换为 1 阶方程组求解。
- Ex6.3C：当 $A$ 不可对角化（Jordan form）时，一阶解 $u$ 中会出现类似 $te^{At}$ 的项。
系统响应： * 齐次方程通解（零输入响应）：$f(t)=0$ 时的解。 * 非齐次方程：若存在“外力”项 $f(t) \neq 0$。 * 全响应 = 零输入响应（通解） + 零状态响应（特解）。* 线性方程通解 = 零空间 + 特解。
习题解析： * 第 23 题：若 $AB=BA$，则 $e^A e^B = e^B e^A = e^{A+B}$。 * 第 28 题：将差分方程写成一阶方程组的形式 $AU_{n+1} = BU_n$。
应用：马尔可夫矩阵 * 定义：每一个元素代表概率，每列（或行，视定义而定）加起来为 1。 * 性质：1 是其特征值，其他特征值幅度小于 1。特征值 1 决定了其 $k$ 次幂之后的稳态。
习题推荐： * 基础题：见书上 √ * 启发题：见书上 ☆ * 重点关注：15, 16, Note 2
6.4 对称矩阵
What's special about eigenvalues and eigenvectors? This is the way we look at a matrix.
参考资料：书（知识点&例题）、视频、习题
知识点回顾
实对称矩阵 若 $S^T = S$，则 $S$ 一定能对角化。 $$ S = Q\Lambda Q^{-1} = Q\Lambda Q^T $$ 这也是著名的主轴定理或谱定理。 * $n$ 个特征值均为实数。 * $n$ 个特征向量相互正交（且可选为单位正交，组成矩阵 $Q$）。 * 实对称矩阵的特征值与主元符号相同。
Schur 分解定理 对于任意方阵 $A \in \mathbb{C}^{n \times n}$，存在酉矩阵 $U \in \mathbb{C}^{n \times n}$，使得： $$ A = U R U^H $$ 其中 $R$ 为上三角矩阵，且对角线元素即为 $A$ 的特征值。 * $A$ 与 $R$ 酉相似，特征值相同。 * Schur 分解是不唯一的。
推广：共轭对称与正规矩阵 由 Schur 分解可以推导出更一般的结论：
-
共轭对称矩阵：
- 一定能对角化，特征值为实数，特征向量相互正交。
- $S = U\Lambda U^H$。
-
共轭反对称矩阵：
- 一定能对角化，特征值为虚数，特征向量相互正交。
-
正规矩阵：
- 定义：$A^H A = A A^H$。
- 充要条件：矩阵一定能谱分解 $A = U\Lambda U^H$（可对角化，且特征向量相互正交）。
- 包含范围：
- 共轭对称矩阵（实数域为实对称矩阵）：特征值实数。
- 共轭反对称矩阵（实数域为实反对称矩阵）：特征值虚数。
- 酉矩阵（包含正交矩阵）：特征值模为 1。
6.5 正定矩阵
参考资料：书（知识点&例题）、视频、习题
知识点回顾
正定矩阵的定义域 思考：正定矩阵是否一定对称？ 任何一个矩阵 $A$ 可以分裂为一个反对称矩阵 $M$ 加上一个对称矩阵 $S$ ($A=M+S$)。 在实数域上，反对称矩阵 $M$ 的二次型 $x^T M x = 0$。 如果矩阵 $A$ 是正定的，其对称部分 $S$ 一定是正定的。因此，正定矩阵一般均直接定义在对称矩阵上（复数域为共轭对称矩阵）。
判别准则 对于对称矩阵 $S$，以下条件等价： 1. 所有特征值 $\lambda_i > 0$。 2. 所有主元 $d_i > 0$。 3. 二次型 $x^T S x > 0$（对所有 $x \neq 0$）。 4. 所有左上角子行列式 $> 0$。
几何与物理意义 * 矩阵 $S$ 包含了二次函数的二阶导信息。 * 若二阶导矩阵正定，表示该函数为凸函数，存在极小值。 * $x^T S x$ 的图像像一个“碗”。 * $Ax$ 是关于 $x$ 的一次形式；$x^T A x$ 为二次形式。
来源 * $A^T A$ 总是半正定矩阵。 * 若 $A$ 列满秩，则 $A^T A$ 正定。
深入理解 为什么对称矩阵特征值全为正 $\implies$ 矩阵正定？ 利用谱分解 $A = X\Lambda X^{-1} = X\Lambda X^T$，代入二次型： $$ x^T A x = (X^T x)^T \Lambda (X^T x) = \lambda_1 y_1^2 + \dots + \lambda_n y_n^2 $$ 由于 $X$ 可逆，若 $x \neq 0$ 则 $y \neq 0$。当所有 $\lambda_i > 0$ 时，平方和必大于 0，即正定。
例题与习题
习题推荐： * 基础题：见书上 √ * 启发题：见书上 ☆