线性代数实战：5种方法搞定二次型标准化（附Python代码示例）

线性代数实战：5种方法搞定二次型标准化（附Python代码示例）

二次型标准化是线性代数中的核心技能，在机器学习优化、物理系统建模等领域有广泛应用。但许多学习者在掌握理论后，面对实际编码实现时仍束手无策。本文将用工程视角解析五种标准化方法，配合可直接运行的Python代码和可视化矩阵变换步骤，帮你跨越理论与实践的鸿沟。

1. 配方法：从交叉项消解到代码实现

配方法的核心思想是通过变量替换逐步消除交叉项。我们先看一个典型场景：假设需要处理二次型f(x₁,x₂)=2x₁² + 4x₁x₂ + 3x₂²：

import sympy as sp x1, x2 = sp.symbols('x1 x2') f = 2*x1**2 + 4*x1*x2 + 3*x2**2 # 步骤1：提取x₁的完全平方 y1 = x1 + x2 # 令y1 = x1 + (4/4)x2 y2 = x2 f_sub = f.subs({x1: y1 - y2, x2: y2}).expand() print(f"配方后表达式: {f_sub}")

输出结果将显示标准化后的形式2y₁² + y₂²。实际操作中需注意：

• 当主对角元为零时，需先做变量置换
• 每次配方后要检查剩余交叉项
• 变换矩阵的逆矩阵即为所求的线性变换

提示：使用sympy的completesquare()函数可自动完成配方，但理解手动过程对掌握本质更重要

2. 初等变换法：矩阵视角的高效处理

初等变换法通过同时行列操作将矩阵对角化。下面展示如何用NumPy实现：

import numpy as np A = np.array([[2, 2], [2, 3]]) # 对应二次型2x1² + 4x1x2 + 3x2² n = A.shape[0] E = np.eye(n) # 构造增广矩阵 augmented = np.block([A, E.T]) # 初等变换过程 for i in range(n): if augmented[i,i] == 0: # 处理零主元情况 for j in range(i+1, n): if augmented[j,i] != 0: augmented[[i,j]] = augmented[[j,i]] break pivot = augmented[i,i] augmented[i] /= pivot for j in range(n): if j != i and augmented[j,i] != 0: augmented[j] -= augmented[j,i] * augmented[i] D = augmented[:n,:n] C = augmented[:n,n:].T print(f"对角矩阵D:\n{D}\n变换矩阵C:\n{C}")

常见错误包括：

• 忘记对单位矩阵执行相同的列变换
• 在行交换时未同步处理列交换
• 未处理零主元的特殊情况

3. 正交变换法：特征值分解实战

正交变换法利用实对称矩阵必可对角化的性质，通过特征值分解实现标准化：

from scipy.linalg import eigh A = np.array([[1, -2], [-2, 4]]) # 示例矩阵 eigenvalues, Q = eigh(A) # 自动正交化 print(f"特征值:\n{eigenvalues}\n正交矩阵Q:\n{Q}") # 验证变换结果 D = Q.T @ A @ Q print(f"验证对角化结果:\n{D}")

关键步骤说明：

1. eigh()函数返回的特征向量已正交化
2. 对于重特征值，需手动Gram-Schmidt正交化
3. 数值计算中建议设置check_finite=True参数

可视化特征向量方向变化：

import matplotlib.pyplot as plt theta = np.linspace(0, 2*np.pi, 100) circle = np.column_stack([np.cos(theta), np.sin(theta)]) ellipse = circle @ A fig, (ax1, ax2) = plt.subplots(1, 2) ax1.plot(circle[:,0], circle[:,1]) ax1.set_title('单位圆') ax2.plot(ellipse[:,0], ellipse[:,1]) ax2.set_title('变换后的椭圆') plt.show()

4. 偏导数法：优化视角的求解路径

偏导数法通过求解极值点来确定标准形，特别适合无平方项的情况。实现示例：

def quadratic_form(x, A): return x.T @ A @ x A = np.array([[0, -2], [-2, 0]]) # f(x1,x2)=-4x1x2 x = sp.Matrix(sp.symbols('x1:3')) # 构建偏导方程组 grad = [sp.diff(quadratic_form(x, A), xi) for xi in x] solution = sp.solve(grad, x) print(f"临界点方程解: {solution}")

该方法在实际应用中需注意：

• 当Hessian矩阵奇异时需结合其他方法
• 可结合符号计算与数值计算提高效率
• 对高维问题计算成本较高

5. 顺序主子式法：限制与变通方案

虽然顺序主子式法使用受限，但在特定场景下仍有用武之地。实现示例：

def cholesky_modified(A): n = A.shape[0] L = np.zeros_like(A) for i in range(n): for j in range(i+1): s = sum(L[i,k] * L[j,k] for k in range(j)) if i == j: L[i,j] = np.sqrt(max(A[i,i] - s, 1e-10)) else: L[i,j] = (A[i,j] - s) / L[j,j] return L A = np.array([[4, 12, -16], [12, 37, -43], [-16, -43, 98]]) try: L = np.linalg.cholesky(A) except np.linalg.LinAlgError: L = cholesky_modified(A) print(f"修正Cholesky分解结果:\n{L}")

当遇到非正定矩阵时，可采用：

• 对角补偿法（添加小的正数到对角元）
• LDLᵀ分解替代
• 转为使用其他标准化方法

综合应用：方法选择决策树

根据实际问题特征选择最佳方法：

实际项目中，我通常会先尝试正交变换法，当矩阵条件数较大时转而使用带修正的Cholesky分解。对于符号计算，配方法和初等变换法往往能给出更直观的结果。