内容回顾
投影与正交
- 向量到子空间的投影
用于在方程Ax=b无解时,将b向量投影到A的列空间中,求“最优解”,对应最小二乘法LS - Gram-Schmidt正交化
希望从一组基得到标准正交基,方法是先固定一个基向量,从另一基向量中减去其对已固定的正交基向量的投影,得到的新向量就和已固定的基向量正交,以此类推…最终得到一组正交基向量(最后要除以长度,实现标准化) - 正交矩阵
Q
\mathbf Q
Q:就是列向量为一组标准正交基的矩阵
满足 Q T Q = I \mathbf Q^T\mathbf Q=I QTQ=I
(理解:其中 Q \mathbf Q Q的各个列向量标准正交,从而有 q i T q i = 1 \mathbf q_i^T \mathbf q_i=1 qiTqi=1和 q i T q j = 0 ( i ≠ j ) \mathbf q_i^T \mathbf q_j=0(i\neq j) qiTqj=0(i=j))
行列式 d e t ( A ) det(\mathbf A) det(A)
- 三个基本性质定义了行列式,其余性质可由它们推导
- 通过性质的推导,计算行列式可以分解为 n ! n! n!个「只有n个非零元素,且每行/每列都有非零元素」的行列式,也可以用推论得出的代数余子式计算: det ( A ) = a 11 C 11 + a 12 C 12 + ⋯ + a 1 n C 1 n \operatorname{det}(\boldsymbol{A})=a_{11} \mathrm{C}_{11}+a_{12} \mathrm{C}_{12}+\cdots+a_{1 \mathrm{n}} \mathrm{C}_{1 \mathrm{n}} det(A)=a11C11+a12C12+⋯+a1nC1n
- 可以计算行列式后,进一步得到逆矩阵的公式 A − 1 = A ∗ ∣ A ∣ \mathbf A^{-1}=\frac{\mathbf A^*}{|\mathbf A|} A−1=∣A∣A∗,并得到方程的克莱姆法则
特征值和特征向量
- 求特征值和特征向量的通用方法: d e t ( A − λ I ) = 0 det(\mathbf A - \lambda\mathbf I)=0 det(A−λI)=0解得 λ \lambda λ后求特征向量
- 若有n个无关的特征向量,则可实施对角化
A
=
S
Λ
S
−
1
\boldsymbol{A}=\boldsymbol{S} \boldsymbol{\Lambda} \boldsymbol{S}^{-1}
A=SΛS−1
由此可以简便的计算矩阵的幂: A k = ( S Λ S − 1 ) k = S Λ k S − 1 \boldsymbol{A}^{k}=\left(\boldsymbol{S} \boldsymbol{\Lambda} \boldsymbol{S}^{-1}\right)^{k}=\boldsymbol{S} \boldsymbol{\Lambda}^{k} \boldsymbol{S}^{-1} Ak=(SΛS−1)k=SΛkS−1 - 若
A
\mathbf A
A为对称矩阵,后面还将知道,对角化得到正交矩阵
A
=
Q
Λ
Q
−
1
=
Q
Λ
Q
T
\boldsymbol{A}=\boldsymbol{Q} \boldsymbol{\Lambda} \boldsymbol{Q}^{-1}=\boldsymbol{Q} \boldsymbol{\Lambda} \boldsymbol{Q}^{T}
A=QΛQ−1=QΛQT
原因:对称矩阵的特征向量正交,而正交矩阵满足 Q − 1 = Q T \boldsymbol{Q}^{-1}=\boldsymbol{Q}^T Q−1=QT
例题
Eg1. 投影
对于 a = [ 2 1 2 ] \mathbf{a}=\left[\begin{array}{l}2 \\1 \\2\end{array}\right] a= 212 ,求将任意向量投影到 a \mathbf{a} a所处直线的投影矩阵 P \boldsymbol{P} P
- 根据 P = A ( A T A ) − 1 A T \boldsymbol{P}=\boldsymbol{A}\left(\boldsymbol{A}^{T} \boldsymbol{A}\right)^{-1} \boldsymbol{A}^{T} P=A(ATA)−1AT可得: P = a a T a T a = 1 9 [ 4 2 4 2 1 2 4 2 4 ] \boldsymbol{P}=\frac{\mathbf{a} a^{T}}{\mathbf{a}^{T} \mathbf{a}}=\frac{1}{9}\left[\begin{array}{lll} 4 & 2 & 4 \\ 2 & 1 & 2 \\ 4 & 2 & 4 \end{array}\right] P=aTaaaT=91 424212424
对于投影矩阵 P \boldsymbol{P} P,求列空间、秩、特征值和特征向量
- 由于是投影到 a \mathbf{a} a所处直线的投影矩阵, P \boldsymbol{P} P的列空间就是 a \mathbf{a} a所处直线,进而 R a n k ( P ) = 1 Rank(\boldsymbol{P})=1 Rank(P)=1
- 由于是投影到直线,
P
\boldsymbol{P}
P必然对应降维的线性变换,从而必然有特征值
λ
=
0
\lambda=0
λ=0,并且为二重特征值(从三维到一维);
另一方面, t r a c e ( P ) = trace(\boldsymbol{P})= trace(P)=特征值之和=对角元之和=1,得到所有三个特征值 λ 1 = 0 , λ 2 = 0 , λ 3 = 1 \lambda_1=0,\lambda_2=0,\lambda_3=1 λ1=0,λ2=0,λ3=1 - 由于是投影矩阵 P \boldsymbol{P} P,特征值 λ 3 = 1 \lambda_3=1 λ3=1对应的特征向量,就是 a = [ 2 1 2 ] \mathbf{a}=\left[\begin{array}{l}2 \\1 \\2\end{array}\right] a= 212 (投影后 P a = a \boldsymbol{P}\mathbf{a}=\mathbf{a} Pa=a)
Eg1-2 差分方程
(接上一题)对于方程 u k + 1 = P u k \mathbf{u}_{k+1}=\boldsymbol{P} \mathbf{u}_{k} uk+1=Puk,(初值 u 0 = [ 9 9 0 ] \mathbf{u} 0=\left[\begin{array}{l}9 \\9 \\0\end{array}\right] u0= 990 ),求 u k \mathbf{u}_{k} uk
- 解法1:由于是投影矩阵,无论投影多少次,都等效于只投影一次,即 P k u 0 = P u 0 \boldsymbol{P}^{k} \mathbf{u}_{0}=\boldsymbol{P} \mathbf{u}_{0} Pku0=Pu0,故 u k + 1 = P k u 0 = P u 0 = [ 6 3 6 ] \mathbf{u}_{k+1}=\boldsymbol{P}^{k} \mathbf{u}_{0}=\boldsymbol{P} \mathbf{u}_{0} =\left[\begin{array}{l}6 \\3 \\6\end{array}\right] uk+1=Pku0=Pu0= 636
- 通用解法:对于一般的
u
k
+
1
=
A
u
k
\mathbf{u}_{k+1}=\boldsymbol{A} \mathbf{u}_{k}
uk+1=Auk问题,思路是将初值
u
0
\mathbf{u}_{0}
u0拆为特征向量的线性组合(矩阵幂后,只是对特征向量的多次缩放),即
u
0
=
c
1
x
1
+
c
2
x
2
+
c
3
x
3
\mathbf{u}_{0}=c_{1} \mathbf{x}_{1}+c_{2} \mathbf{x}_{2}+c_{3} \mathbf{x}_{3}
u0=c1x1+c2x2+c3x3,
那么最终的解就是 u k = c 1 λ 1 k x 1 + c 2 λ 2 k x 2 + c 3 λ 3 k x 3 \mathbf{u}_{k}=c_{1} \lambda_{1}{ }^{k} \mathbf{x}_{1}+c_{2} \lambda_{2}{ }^{k} \mathbf{x}_{2}+c_{3} \lambda_{3}{ }^{k} \mathbf{x}_{3} uk=c1λ1kx1+c2λ2kx2+c3λ3kx3
而本例中 λ 1 = 0 , λ 2 = 0 , λ 3 = 1 \lambda_1=0,\lambda_2=0,\lambda_3=1 λ1=0,λ2=0,λ3=1,只有一项
Eg2 投影
给出一系列对称矩阵
A
2
=
[
0
1
1
0
]
,
A
3
=
[
0
1
0
1
0
2
0
2
0
]
,
A
4
=
[
0
1
0
0
1
0
2
0
0
2
0
3
0
0
3
0
]
\boldsymbol{A}_{2}=\left[\begin{array}{ll}0 & 1 \\1 & 0\end{array}\right], \boldsymbol{A}_{3}=\left[\begin{array}{lll}0 & 1 & 0 \\1 & 0 & 2 \\0 & 2 & 0\end{array}\right], \boldsymbol{A}_{4}=\left[\begin{array}{llll}0 & 1 & 0 & 0 \\1 & 0 & 2 & 0 \\0 & 2 & 0 & 3 \\0 & 0 & 3 & 0\end{array}\right]
A2=[0110],A3=
010102020
,A4=
0100102002030030
希望将向量投影到
A
3
\boldsymbol{A}_{3}
A3列空间,求投影矩阵
P
\boldsymbol{P}
P
求投影矩阵,首先看 A \boldsymbol{A} A是否可逆:
若 A \boldsymbol{A} A可逆,投影矩阵 P = I \boldsymbol{P}=\mathbf I P=I(因为 A 3 \boldsymbol{A}_{3} A3的列空间张成整个空间;任意向量 v \boldsymbol v v对整个空间的投影,就是该向量本身 P v = v \boldsymbol P \boldsymbol v=\boldsymbol v Pv=v, P = I \boldsymbol{P}=\mathbf I P=I)
若 A \boldsymbol{A} A不可逆/奇异,再使用通用的投影矩阵公式 P = A ( A T A ) − 1 A T \boldsymbol{P}=\boldsymbol{A}\left(\boldsymbol{A}^{T} \boldsymbol{A}\right)^{-1} \boldsymbol{A}^{T} P=A(ATA)−1AT
- 由于 A 3 \boldsymbol{A}_{3} A3不可逆(第一行和第三行成倍数),投影矩阵 P = A ( A T A ) − 1 A T = [ 1 / 5 0 2 / 5 0 1 0 2 / 5 0 4 / 5 ] \boldsymbol{P}=\boldsymbol{A}\left(\boldsymbol{A}^{T} \boldsymbol{A}\right)^{-1} \boldsymbol{A}^{T}=\left[\begin{array}{rrr} 1 / 5 & 0 & 2 / 5 \\0 & 1 & 0 \\2 / 5 & 0 & 4 / 5\end{array}\right] P=A(ATA)−1AT= 1/502/50102/504/5
希望将向量投影到 A 4 \boldsymbol{A}_{4} A4列空间,求投影矩阵 P \boldsymbol{P} P
- 由于 A 4 \boldsymbol{A}_{4} A4可逆( d e t ( A 4 ) = 9 det(\boldsymbol{A}_{4})=9 det(A4)=9), A 4 \boldsymbol{A}_{4} A4列空间就是整个空间本身,投影矩阵 P = I \boldsymbol{P}=\boldsymbol{I} P=I
另外,对于这一系列矩阵,我们可以得到一个大胆猜想:奇数序号的 A n \boldsymbol{A}_{n} An不可逆,偶数序号的 A n \boldsymbol{A}_{n} An可逆
Eg3 特征值
一个四阶方阵 A \mathbf A A的特征值为 λ 1 , λ 2 , λ 3 , λ 4 \lambda_1,\lambda_2,\lambda_3,\lambda_4 λ1,λ2,λ3,λ4,求 A \mathbf A A何时可逆
- 可逆,则对应于“不降维”的线性变换,从而要求所有特征值 λ ≠ 0 \lambda\neq 0 λ=0
求 det ( A − 1 ) \operatorname{det}\left(\boldsymbol{A}^{-1}\right) det(A−1)
- 由于 det ( A − 1 ) \operatorname{det}\left(\boldsymbol{A}^{-1}\right) det(A−1)和 A \mathbf A A的特征值互为倒数,则 det ( A − 1 ) = ( 1 λ 1 ) ( 1 λ 2 ) ( 1 λ 3 ) ( 1 λ 4 ) \operatorname{det}\left(\boldsymbol{A}^{-1}\right)=\left(\frac{1}{\lambda_{1}}\right)\left(\frac{1}{\lambda_{2}}\right)\left(\frac{1}{\lambda_{3}}\right)\left(\frac{1}{\lambda_{4}}\right) det(A−1)=(λ11)(λ21)(λ31)(λ41)
求 t r a c e ( A + I ) trace(\mathbf A+\mathbf I) trace(A+I)
- 求 ( A + I ) (\mathbf A+\mathbf I) (A+I)的特征值:由 d e t ( A + I − λ I ) = 0 det(\mathbf A+\mathbf I-\lambda \mathbf I)=0 det(A+I−λI)=0, ( A + I ) (\mathbf A+\mathbf I) (A+I)的特征值刚好就是 λ 1 + 1 , λ 2 + 1 , λ 3 + 1 , λ 4 + 1 \lambda_1+1,\lambda_2+1,\lambda_3+1,\lambda_4+1 λ1+1,λ2+1,λ3+1,λ4+1,故 t r a c e ( A + I ) = λ 1 + λ 2 + λ 3 + λ 4 + 4 trace(\mathbf A+\mathbf I)=\lambda_1+\lambda_2+\lambda_3+\lambda_4+4 trace(A+I)=λ1+λ2+λ3+λ4+4
Eg4 差分方程
已知二阶差分方程
D
n
=
D
n
−
1
−
D
n
−
2
D_{n} = D_{n-1}- D_{n-2}
Dn=Dn−1−Dn−2和初值
D
0
D_0
D0,求
D
k
D_k
Dk
我们将
[
D
n
D
n
−
1
]
\left[\begin{array}{c}D_{n} \\D_{n-1}\end{array}\right]
[DnDn−1]视为新的变量,从而改写为一阶差分方程
[
D
n
D
n
−
1
]
=
[
1
−
1
1
0
]
[
D
n
−
1
D
n
−
2
]
\left[\begin{array}{c}D_{n} \\D_{n-1}\end{array}\right] =\left[\begin{array}{cc}1 & -1 \\1 & 0\end{array}\right] \left[\begin{array}{l}D_{n-1} \\D_{n-2}\end{array}\right]
[DnDn−1]=[11−10][Dn−1Dn−2]
那么,再次回到上面的矩阵幂问题:已知 u k + 1 = A u k \mathbf{u}_{k+1}=\boldsymbol{A} \mathbf{u}_{k} uk+1=Auk和初值 u 0 \mathbf{u}_0 u0,求 u k = A k u 0 \mathbf{u}_k=\boldsymbol{A}^k\mathbf{u}_0 uk=Aku0;( A = [ 1 − 1 1 0 ] \boldsymbol{A}=\left[\begin{array}{cc}1 & -1 \\1 & 0\end{array}\right] A=[11−10])
求解方法是,先拆分 u 0 = c 1 x 1 + c 2 x 2 + c 3 x 3 \mathbf{u}_{0}=c_{1} \mathbf{x}_{1}+c_{2} \mathbf{x}_{2}+c_{3} \mathbf{x}_{3} u0=c1x1+c2x2+c3x3,那么最终的解就是 u k = c 1 λ 1 k x 1 + c 2 λ 2 k x 2 + c 3 λ 3 k x 3 \mathbf{u}_{k}=c_{1} \lambda_{1}{ }^{k} \mathbf{x}_{1}+c_{2} \lambda_{2}{ }^{k} \mathbf{x}_{2}+c_{3} \lambda_{3}{ }^{k} \mathbf{x}_{3} uk=c1λ1kx1+c2λ2kx2+c3λ3kx3
- 解: A = [ 1 − 1 1 0 ] \boldsymbol{A}=\left[\begin{array}{cc}1 & -1 \\1 & 0\end{array}\right] A=[11−10],特征值和特征向量为 λ 1 = 1 + 3 i 2 , λ 2 = 1 − 3 i 2 \lambda_1=\frac{1 + \sqrt{3} i}{2},\lambda_2=\frac{1 - \sqrt{3} i}{2} λ1=21+3i,λ2=21−3i
关于“稳态”之前说过,对于实数特征值,特征值 ∣ λ i ∣ < 1 |\lambda_i|<1 ∣λi∣<1的项最终会消失,特征值 ∣ λ i ∣ = 1 |\lambda_i|=1 ∣λi∣=1的项恒定,特征值 ∣ λ i ∣ > 1 |\lambda_i|>1 ∣λi∣>1的项最终不断增长
对于复数特征值,虚部引入了复平面上的“旋转”,故特征值的幅值仍然确定稳态,而相位则对应了每次做矩阵乘法时特征向量的旋转角度
- 因此,根据欧拉公式 e j ϕ = c o s ϕ + j s i n ϕ e^{j\phi}=cos\phi+jsin\phi ejϕ=cosϕ+jsinϕ,可以将特征向量视为 λ 1 = e i π / 3 , λ 2 = e − i π / 3 \lambda_1=e ^{ i \pi / 3},\lambda_2=e ^{ -i \pi / 3} λ1=eiπ/3,λ2=e−iπ/3,其幅值都为1,因此 A k u 0 \boldsymbol{A}^k\mathbf{u}_0 Aku0中对应的特征向量不会消失也不会无限增大,仅是在不断旋转;并且显然 λ 1 6 = λ 2 6 = 1 \lambda_{1}^{6}=\lambda_{2}^{6}=1 λ16=λ26=1,即每六次旋转回到实轴上,这说明 A 6 = I \boldsymbol{A}^6=\mathbf I A6=I(因为 u 6 = A 6 u 0 = c 1 λ 1 6 x 1 + c 2 λ 2 6 x 2 + c 3 λ 3 6 x 3 = c 1 x 1 + c 2 x 2 + c 3 x 3 = u 0 \mathbf{u}_6=\boldsymbol{A}^6\mathbf{u}_0=c_{1} \lambda_{1}{ }^{6} \mathbf{x}_{1}+c_{2} \lambda_{2}{ }^{6} \mathbf{x}_{2}+c_{3} \lambda_{3}{ }^{6} \mathbf{x}_{3}=c_{1}\mathbf{x}_{1}+c_{2}\mathbf{x}_{2}+c_{3}\mathbf{x}_{3}=\boldsymbol{u}^0 u6=A6u0=c1λ16x1+c2λ26x2+c3λ36x3=c1x1+c2x2+c3x3=u0)
- 对于 u k = A k u 0 \mathbf{u}_k=\boldsymbol{A}^k\mathbf{u}_0 uk=Aku0,最终可以得出 u k \mathbf{u}_k uk序列既不发散也不收敛,而是以6为周期不停循环(1,0,-1,-1,0,1)
Eg5 微分方程
求解微分方程 d u d x = A u = [ 0 − 1 0 1 0 − 1 0 1 0 ] u \frac{d \mathbf{u}}{d x}=\boldsymbol{A} \mathbf{u}=\left[\begin{array}{rrr} 0 & -1 & 0 \\ 1 & 0 & -1 \\ 0 & 1 & 0 \end{array}\right] \mathbf{u} dxdu=Au= 010−1010−10 u
- 求其通解的形式?
通解形式为 u ( t ) = c 1 e λ 1 t x 1 + c 2 e λ 2 t x 2 + c 3 e λ 3 t x 3 \mathbf{u}(t)=c_{1} e^{\lambda_{1} t} x_{1}+c_{2} e^{\lambda_{2} t} x_{2}+c_{3} e^{\lambda_{3} t} x_{3} u(t)=c1eλ1tx1+c2eλ2tx2+c3eλ3tx3,我们需要进一步求特征值和特征向量
最终求得 A = [ 0 − 1 0 1 0 − 1 0 1 0 ] \boldsymbol{A}=\left[\begin{array}{rrr}0 & -1 & 0 \\1 & 0 & -1 \\0 & 1 & 0\end{array}\right] A= 010−1010−10 的特征值 λ 1 = 0 , λ 2 = 2 i , λ 3 = − 2 i \lambda_{1}=0, \lambda_{2}=\sqrt{2} i, \lambda_{3}=-\sqrt{2} i λ1=0,λ2=2i,λ3=−2i(奇异阵,必然有特征值为0)
和特征向量 x 1 = [ 1 0 1 ] , x 2 = [ − 1 2 i 1 ] , x 3 = [ 1 2 i − 1 ] \mathbf{x} 1=\left[\begin{array}{l}1 \\0 \\1\end{array}\right], \mathbf{x}_2=\left[\begin{array}{r}-1 \\\sqrt{2} i \\1\end{array}\right], \mathbf{x} 3=\left[\begin{array}{r}1 \\\sqrt{2} i \\-1\end{array}\right] x1= 101 ,x2= −12i1 ,x3= 12i−1 (反对称阵/以及对称阵,满足 A T A = A A T \boldsymbol{A}^{T} \boldsymbol{A}=\boldsymbol{A} \boldsymbol{A}^{T} ATA=AAT,具有正交的特征向量,可以做内积验证其正交性,但注意复向量的内积要取共轭)
通解: u ( t ) = c 1 x 1 + c 2 e 2 i t x 2 + c 3 e − 2 i t x 3 \mathbf{u}(t)=c_{1} x_{1}+c_{2} e^{\sqrt{2} i t} x_{2}+c_{3} e^{-\sqrt{2} i t} x_{3} u(t)=c1x1+c2e2itx2+c3e−2itx3,其中 x i x_i xi为三个特征向量 - 通解收敛还是发散?
将 e λ 1 t e^{\lambda_{1} t} eλ1t视为 A e j ϕ Ae^{j\phi} Aejϕ的形式,则实部 R e { λ } Re\{\lambda\} Re{λ}决定了稳定性(即决定幅值的增长速度,因为 ∣ e a + j b ∣ = ∣ e a ∣ ∣ e j b ∣ = ∣ e a ∣ |e^{a+jb}|=|e^{a}||e^{jb}|=|e^{a}| ∣ea+jb∣=∣ea∣∣ejb∣=∣ea∣),虚部 I m { λ } Im\{\lambda\} Im{λ}对应了单位圆上的相位旋转
R e { λ } > 0 Re\{\lambda\}>0 Re{λ}>0,对应项发散; R e { λ } = 0 Re\{\lambda\}=0 Re{λ}=0,对应项幅值稳定不变; R e { λ } < 0 Re\{\lambda\}<0 Re{λ}<0,对应项消失( t → ∞ 时 u ( t ) → 0 t\rightarrow \infty 时\mathbf{u}(\mathrm{t})\rightarrow 0 t→∞时u(t)→0)
解:既不收敛也不发散,因为
λ
1
=
0
,
λ
2
=
2
i
,
λ
3
=
−
2
i
\lambda_{1}=0, \lambda_{2}=\sqrt{2} i, \lambda_{3}=-\sqrt{2} i
λ1=0,λ2=2i,λ3=−2i,所有
R
e
{
λ
}
=
0
Re\{\lambda\}=0
Re{λ}=0,对应项幅值稳定不变;
另外,虚部对应单位圆上的旋转,故
u
(
t
)
\mathbf{u}(t)
u(t)以周期
T
=
2
π
T=\sqrt{2} \pi
T=2π循环(满足
2
i
T
=
2
π
i
\sqrt{2} iT =2 \pi i
2iT=2πi)
- 如果从另一角度求解方程,通解为
u
(
t
)
=
e
A
t
u
(
0
)
\mathbf{u}(t) =e^{\boldsymbol{A} t} \mathbf{u}(0)
u(t)=eAtu(0),求其中的
e
A
t
e^{\boldsymbol{A} t}
eAt
解:假如 A = S Λ S − 1 \boldsymbol{A} =\boldsymbol{S} \boldsymbol{\Lambda} \boldsymbol{S}^{-1} A=SΛS−1,则 e A t = S e Λ t S − 1 e^{\boldsymbol{A} t} =\boldsymbol{S} e^{\boldsymbol{\Lambda} t} \boldsymbol{S}^{-1} eAt=SeΛtS−1
其中 e Λ t = [ e λ 1 t 0 ⋯ 0 0 e λ 2 t 0 ⋮ ⋱ ⋮ 0 ⋯ 0 e λ n t ] e^{\boldsymbol{\Lambda} t} =\left[\begin{array}{cccc} e^{\lambda_{1} t} & 0 & \cdots & 0 \\ 0 & e^{\lambda_{2} t} & & 0 \\ \vdots & & \ddots & \vdots \\ 0 & \cdots & 0 & e^{\lambda_{n} t} \end{array}\right] eΛt= eλ1t0⋮00eλ2t⋯⋯⋱000⋮eλnt
可见,两种角度得到的解是相同的
从另一个角度(方程解耦)求解微分方程
(前提:若 A \mathbf A A有n个无关的特征向量方程,矩阵可以对角化 A = S Λ S − 1 \boldsymbol{A} =\boldsymbol{S} \boldsymbol{\Lambda} \boldsymbol{S}^{-1} A=SΛS−1)
d u d t = A u \frac{d \mathbf{u}}{d t} =\boldsymbol{A} \mathbf{u} dtdu=Au的解解就是 u ( t ) = e A t u ( 0 ) \mathbf{u}(t)=e^{\boldsymbol{A} t} \mathbf{u}(0) u(t)=eAtu(0),其中 e A t = S e Λ t S − 1 e^{\mathbf At}=\boldsymbol{S} e^{\boldsymbol{\Lambda} t} \boldsymbol{S}^{-1} eAt=SeΛtS−1,意义是坐标变换