反对称矩阵及其矩阵指数函数

1.反对称矩阵
\qquad 假设矩阵$A$为$n$阶方阵，若有$A^T=-A$，则称矩阵$A$为反对称矩阵。
2.向量的反对称矩阵
\qquad 两个三维列向量$V_1=[V_{1x}{V}_{1y}{V}_{1z}{]}^T$和$V_2=[V_{2x}{V}_{2y}{V}_{2z}{]}^T$之间的叉积为:$$V_1\times V_2=\left|\begin{array}{ccc}i& j& k\\ V_{1x}& V_{1y}& V_{1z}\\ V_{2x}& V_{2y}& V_{2z}\end{array}\right|=\left|\begin{array}{c}{V}_{1y}{V}_{2z}-V_{1z}{V}_{2y}\\ -(V_{1x}{V}_{2z}-V_{1z}{V}_{2x})\\ V_{1x}{V}_{2y}-V_{1y}{V}_{2x}\end{array}\right|\text{\hspace{1em}(1)}$$ \qquad 构造由向量$V_1$中各元素构成的特殊矩阵，其与向量$V_2$的矩阵乘法为:$$\left[\begin{array}{ccc}0& -V_{1z}& V_{1y}\\ V_{1z}& 0& -V_{1x}\\ -V_{1y}& V_{1x}& 0\end{array}\right]\left[\begin{array}{c}{V}_{2x}\\ V_{2y}\\ V_{2z}\end{array}\right]=\left[\begin{array}{c}{V}_{1y}{V}_{2z}-V_{1z}{V}_{2y}\\ -(V_{1x}{V}_{2z}-V_{1z}{V}_x)\\ V_{1x}{V}_{2y}-V_{1y}{V}_{2x}\end{array}\right]\text{\hspace{1em}(2)}$$ \qquad 可以看出此时式(1)和式(2)右侧结果形式完全相同。将式(2)左侧的特殊矩阵记作:$$V\times =\left[\begin{array}{ccc}0& -V_z& Vy\\ V_z& 0& -V_x\\ -V_y& V_x& 0\end{array}\right]\text{\hspace{1em}(3)}$$ \qquad 并将其称为向量$V=[V_x{V}_y{V}_z{]}^T$的反对称矩阵。
\qquad 引入反对称矩阵的概念后，两个向量的叉乘运算即可表示为前一个向量的反对称矩阵与后一个向量的矩阵乘法运算。即:$$V_1\times V_2=(V_1\times )V_2\text{\hspace{1em}(4)}$$ \qquad 若$V$是实向量，则有:$$(V\times {)}^H=(V\times {)}^T=-(V\times )\text{\hspace{1em}(5)}$$ \qquad 其中$H$表示共轭转置。可进一步推出:$$(V\times {)}^H(V\times )=(V\times )(V\times {)}^H=\left[\begin{array}{ccc}{V}_y^2+V_z^2& -V_x{V}_y& -V_x{V}_z\\ -V_x{V}_y& V_x^2+V_z^2& -V_y{V}_z\\ -V_x{V}_z& -V_y{V}_z& V_x^2+V_y^2\end{array}\right]\text{\hspace{1em}(6)}$$ \qquad 可知反对称矩阵$(V\times )$同时还是正规矩阵。由正规矩阵的性质可知，存在酉矩阵$U$使得$(V\times )$酉相似于对角阵，且不同特征值对应的特征向量相互正交。
\qquad $反对称矩阵(V\times )$的特征多项式为：$$\begin{array}{rl}f(\lambda )=det(\lambda I-(A\times ))& =\left|\begin{array}{ccc}\lambda & V_z& -V_y\\ -V_z& \lambda & V_x\\ V_y& -V_x& \lambda \end{array}\right|\\ & ={\lambda }^3+(V_x^2+V_y^2+V_z^2)\lambda \\ & ={\lambda }^3+v^2\lambda \end{array}\text{\hspace{1em}(7)}$$ \qquad 其中$v=|V|=\sqrt{V_x^2+V_y^2+V_z^2}$为向量$V$的模。
\qquad 令特征多项式$f(\lambda )=0$，可得矩阵$(V\times )$的特征值为:$${\lambda }_1=0{\lambda }_{2,3}=\pm jv\text{\hspace{1em}(8)}$$ \qquad 当$\lambda =0$时，对应的特征向量满足:$$\left(\begin{array}{ccc}0& V_z& -V_y\\ -V_z& 0& V_x\\ V_y& -V_x& 0\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)\text{\hspace{1em}(9)}$$ \qquad 对应的特征向量可取:$$u_1=\left(\begin{array}{c}{V}_x\\ V_y\\ V_z\end{array}\right)\text{\hspace{1em}(10)}$$ \qquad 当$\lambda =jv$时，对应的特征向量满足:$$\begin{array}{rl}& \left(\begin{array}{ccc}jv& -V_z& V_y\\ V_z& jv& -V_x\\ -V_y& V_x& jv\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)\\ \Rightarrow & \left(\begin{array}{ccc}jv& -V_z& V_y\\ 0& V_x^2+V_y^2& V_y{V}_z-jv{V}_x\\ 0& V_y{V}_z+jv{V}_x& V_x^2+V_z^2\end{array}\right)\left(\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right)=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)\end{array}\text{\hspace{1em}(11)}$$ \qquad 对应的特征向量可取:$$u_2=\left(\begin{array}{c}-V_x{V}_z-jv{V}_y\\ -V_y{V}_z+jv{V}_x\\ V_x^2+V_y^2\end{array}\right)\text{\hspace{1em}(12)}$$ \qquad 同理，当$\lambda =-jv$时，对应特征向量可取:$$u_3=\left(\begin{array}{c}-V_x{V}_z+jv{V}_y\\ -V_y{V}_z-jv{V}_x\\ V_x^2+V_y^2\end{array}\right)\text{\hspace{1em}(13)}$$ \qquad 显然，若$u_i(i=1,2,3)$是反对称矩阵$(V\times )$对应特征值${\lambda }_i$的特征向量，那么$k{u}_i(k\ne 0)$也应该是对应于${\lambda }_i$的特征向量。因此，反对称矩阵$(V\times )$的特征向量并不唯一。
\qquad 记:$$U=[u_1{u}_2{u}_3]\Lambda =diag({\lambda }_1{\lambda }_2{\lambda }_3)\text{\hspace{1em}(14)}$$ \qquad 若$V_x=V_y=0$，取反对称矩阵$(V\times )$的单位正交特征向量:$$u_1=\left[\begin{array}{c}0\\ 0\\ 1\end{array}\right]u_2=\frac{1}{\sqrt{2}}\left[\begin{array}{c}1\\ -j\\ 1\end{array}\right]u_3=\frac{1}{\sqrt{2}}\left[\begin{array}{c}1\\ j\\ 1\end{array}\right]\text{\hspace{1em}(15)}$$ \qquad 可验证$U^{H}U=I$,可知$U$是酉矩阵。
\qquad 由矩阵特征值与特征向量的关系知：$$(V\times )U=U\Lambda \text{\hspace{1em}(16)}$$ \qquad 式(16)两遍同时左乘$U^{-1}$的:$$\Lambda =U^{-1}(V\times )U\text{\hspace{1em}(17)}$$ \qquad 验证了反对称矩阵$(V\times )$可酉相似于对角阵，矩阵$U$为相应的酉相似变换矩阵。
\qquad 反对称矩阵的幂运算如下:$$\begin{array}{rl}(V\times {)}^1& =v^0(V\times )\\ (V\times {)}^2& =V{V}^T-v^{2}I=v^0(V\times {)}^2\\ (V\times {)}^3& =(V{V}^T-v^{2}I)(V\times )=V{V}^T(V\times )-v^2(V\times )=V\cdot 0_{1\times 3}-v^2(V\times {)}^2=-v^2(V\times {)}^2\\ (V\times {)}^4& =(V\times {)}^3(V\times )=-v^2(V\times {)}^2\\ (V\times {)}^5& =(V\times {)}^2(V\times {)}^3=(V{V}^T-v^{2}I)(-v^2(V\times ))=v^4(V\times )\\ (V\times {)}^6& =(V\times {)}^3(V\times {)}^3=(-v^2(V\times ))(-v^2(V\times ))=v^4(V\times {)}^2\\ ⋮& \end{array}\text{\hspace{1em}(18)}$$ \qquad 由式(18)可写出通项公式：$$\begin{array}{r}(V\times {)}^i=\{\begin{array}{ll}(-1{)}^{\frac{i-1}{2}}{v}^{i-1}(V\times {)}^2& \text{i=1,3,5,…}\\ (-1{)}^{\frac{i-2}{2}}{v}^{i-2}(V\times {)}^2& \text{i=2,4,6,…}\end{array}\end{array}\text{\hspace{1em}(19)}$$
3.反对称矩阵的矩阵指数函数
\qquad 根据哈密顿-凯莱定理，矩阵的指数函数$e^{(V\times )}$可以展开成$(V\times )$的有限项级数展开式，即:$$e^{(V\times )}=\sum _{i=0}^{\infty }\frac{(V\times {)}^i}{i!}=k_{0}I+k_1(V\times )+k_2(V\times {)}^2\text{\hspace{1em}(20)}$$ \qquad 其中$k_0,k_1,k_2$为待定系数。
\qquad 由式(17)和式(20)可得: $$\begin{array}{rl}{e}^{\Lambda }& =e^{U^{-1}(V\times )U}=\sum _{i=0}^{\infty }\frac{(U^{-1}(V\times )U{)}^i}{i!}=U^{-1}[\sum _{i=0}^{\infty }\frac{(V\times {)}^i}{i!}]U\\ & =U^{-1}{e}^{(V\times )}U=U^{-1}[k_{0}I+k_1(V\times )+k_2(V\times {)}^2]U\\ & =k_0{U}^{-1}U+k_1{U}^{-1}(V\times )U+k_2{U}^{-1}(V\times {)}^{2}U\\ & =k_{o}I+k_1\Lambda +k_2{\Lambda }^2\end{array}\text{\hspace{1em}(21)}$$ \qquad 将式(21)两边展开成矩阵形式:$$\left[\begin{array}{ccc}{e}^{{\lambda }_1}& 0& 0\\ 0& e^{{\lambda }_2}& 0\\ 0& 0& e^{{\lambda }_3}\end{array}\right]=\left[\begin{array}{ccc}{k}_0+k_1{\lambda }_1+k_2{\lambda }_1^2& 0& 0\\ 0& k_0+k_1{\lambda }_2+k_2{\lambda }_2^2& 0\\ 0& 0& k_0+k_1{\lambda }_3+k_2{\lambda }_3^2\end{array}\right]\text{\hspace{1em}(22)}$$ \qquad 将式(8)带入式(22)得:$$\{\begin{array}{l}{e}^0=k_0\\ e^{jv}=k_0+k_1(jv)+k_2(jv{)}^2\\ e^{-jv}=k_0+k_1(-jv)+k_2(-jv{)}^2\end{array}即\{\begin{array}{l}{k}_0=1\\ k_0+k_1(jv)-k_2{v}^2=cosv+jsinv\\ k_0-k_1(jv)-k_2{v}^2=cosv-jsinv\end{array}\text{\hspace{1em}(23)}$$ \qquad 由式(23)解得待定系数:$$k_0=1,k_1=\frac{sinv}{v},k_2=\frac{1-cosv}{v^2}\text{\hspace{1em}(24)}$$ \qquad 将式(24)回带入式(23)，则有反对称矩阵的矩阵函数公式为:$$e^{(V\times )}=I+\frac{sinv}{v}(V\times )+\frac{1-cosv}{v^2}(V\times {)}^2\text{\hspace{1em}(25)}$$ \qquad 直接将式(19)带入式(20)，亦可求得:
$$\begin{array}{rl}{e}^{(V\times )}& =\sum _{i=0}^{\infty }\frac{(V\times {)}^i}{i!}=(V\times {)}^0+\frac{1}{1!}(V\times {)}^1+\frac{1}{2!}(V\times {)}^2+\frac{1}{3!}(V\times {)}^3+\frac{1}{4!}(V\times {)}^4\dots \\ & =(V\times {)}^0+[\frac{1}{1!}(V\times {)}^1+\frac{1}{3!}(V\times {)}^3+\frac{1}{5!}(V\times {)}^5+\dots ]+[\frac{1}{2!}(V\times {)}^2+\frac{1}{4!}(V\times {)}^4+\frac{1}{6!}(V\times {)}^6+\dots ]\\ & =(V\times {)}^0+[\frac{1}{1!}(V\times )-\frac{v^2}{3!}(V\times )+\frac{v^4}{5!}(V\times )+\dots ]+[\frac{1}{2!}(V\times {)}^2-\frac{v^2}{4!}(V\times {)}^2+\frac{v^4}{6!}(V\times {)}^2+\dots ]\\ & =I+\frac{sinv}{v}(V\times )+\frac{1-cosv}{v^2}(V\times {)}^2\end{array}\text{\hspace{1em}(26)}$$ \qquad 根据式(21)可得:$$e^{(V\times )}U=U{e}^{\Lambda }=\left[\begin{array}{ccc}{e}^{{\Lambda }_1}{u}_1& e^{{\Lambda }_2}{u}_2& e^{{\Lambda }_3}{u}_3\end{array}\right]\text{\hspace{1em}(27)}$$ \qquad 对比式(27)与式(16)，可知$e^{(V\times )}$与反对称矩阵$(V\times )$具有相同的特征向量，均为矩阵$U$的列向量:$$\{\begin{array}{l}{\lambda }_1^{\prime }=e^{{\lambda }_1}=e^0=1\\ {\lambda }_2^{\prime }=e^{{\lambda }_2}=e^{jv}=cosv+jsinv\\ {\lambda }_3^{\prime }=e^{{\lambda }_3}=e^{-jv}=cosv-jsinv\end{array}\text{\hspace{1em}(28)}$$ \qquad 由式(28)可知$(e^{\Lambda }{)}^H{e}^{\Lambda }=I$成立，则$e^{\Lambda }$是酉矩阵。
\qquad 若$V$是实向量，则$e^{V\times }$是实矩阵。同时$e^{V\times }$还是单位正交阵，证明如下:$$\begin{array}{rl}[e^{(V\times )}{]}^T{e}^{(V\times )}& =[I+\frac{sinv}{v}(V\times )+\frac{1-cosv}{v^2}(V\times {)}^2{]}^T{e}^{(V\times )}\\ & =[I+\frac{sinv}{v}(V\times {)}^T+\frac{1-cosv}{v^2}((V\times {)}^2{)}^T]e^{(V\times )}\\ & =[I+\frac{sinv}{v}(-V\times {)}^T+\frac{1-cosv}{v^2}((-V\times {)}^2{)}^T]e^{(V\times )}\\ & =e^{(-V\times )}{e}^{(V\times )}\\ & =I\end{array}\text{\hspace{1em}(29)}$$ \qquad 故$det(e^{(V\times )})=e^{tr(V\times )}=e^0=I$，可以看出三阶单位正交阵只有行列式为1时才可以表示为$e^{(V\times )}$的形式。对于行列式为1的单位正交阵我们一般称之为右手直角坐标变换矩阵；反之，行列式为-1的单位正交阵称为左手直角坐标变换矩阵。

参考文献：
[1] 同济大学数学系. 工程数学, 线性代数(第6版)[M]. 北京:高等教育出版社, 2014.
[2] 严恭敏, 翁浚. 捷联惯导算法与组合导航原理[M]. 西安:西北工业大学出版社, 2020.