线性代数学习笔记9-4：复习——相似矩阵、对角化、对称矩阵

回顾

• 基变换的意义：在不同坐标系下，观察同一个向量（坐标变换问题）/观察同一个线性变换（相似矩阵问题）
• 相似矩阵：$\mathbf{B}={\mathbf{M}}^{-1}\mathbf{A}\mathbf{M}$，同一个线性变换，在不同坐标系表现为不同相似矩阵（两矩阵特征值相同，但特征向量不同）

引入特征值和特征向量$\mathbf{A}\mathbf{x}=\lambda \mathbf{x}$

• 对于具有n个无关特征向量的矩阵，可以实施相似对角化：$\mathbf{A}={\mathbf{S}}^{-1}\mathbf{\Lambda }\mathbf{S}$（对角阵$\mathbf{\Lambda }$保持特征值，$\mathbf{S}$保存特征向量）
  优势：计算矩阵幂更方便${\mathbf{A}}^k={\mathbf{S}}^{-1}{\mathbf{\Lambda }}^k\mathbf{S}$
  应用：微分方程$\mathrm{d}\mathbf{u}/\mathrm{dt}=\mathbf{A}\mathbf{u}$和矩阵指数形式$e^{\mathbf{A}t}$
• 对称矩阵：$\mathbf{A}={\mathbf{A}}^T或\mathbf{A}={\mathbf{A}}^H(复数矩阵)$
  一定能得到n个正交的特征向量（即使有重特征值，也有足够的线性无关特征向量），一定有实数特征值
  对称阵对角化更加简洁：$\mathbf{A}=\mathbf{Q}\mathbf{\Lambda }{\mathbf{Q}}^T$（特征向量矩阵为正交矩阵，满足${\mathbf{Q}}^{-1}={\mathbf{Q}}^T$）
• 正定矩阵，在对称阵基础上，还有正实数特征值，可用于判断二次型的几何图像特征
• 奇异值分解SVD：$\mathbf{A}=\mathbf{U}\mathbf{\Sigma }{\mathbf{V}}^T$

例题

Eg1 各种矩阵的特征值特点

对于某矩阵$\mathbf{A}$，其特征值${\lambda }_1=0,{\lambda }_2=c,{\lambda }_3=2$
特征向量$\mathbf{x}1=\left[\begin{array}{l}1\\ 1\\ 1\end{array}\right],\mathbf{x}2=\left[\begin{array}{r}1\\ -1\\ 0\end{array}\right],\mathbf{x}3=\left[\begin{array}{r}1\\ 1\\ -2\end{array}\right]$

• $c$如何取值，保证矩阵$\mathbf{A}$可对角化？
  对角化仅取决于是否有n个无关的特征向量，$c$可以取任意值
• $c$如何取值，保证矩阵$\mathbf{A}$对阵？
  对称矩阵特征向量正交，这里已经满足
  对称矩阵特征值全为实数，$c$需要取实数
• $c$如何取值，保证矩阵$\mathbf{A}$正定？
  正定矩阵特征值全为正实数，然而有${\lambda }_1=0$，故$c$取任何值都不能保证矩阵$\mathbf{A}$正定（但是$c\ge 0$可保证矩阵半正定）
• $c$如何取值，保证矩阵$\frac{1}{2}\mathbf{A}$为投影矩阵？
  投影矩阵特征值只能为0或1（${\mathbf{P}}^2=\mathbf{P}$，两次变换叠加则${\lambda }^2=\lambda$，故$\lambda =0或1$），故$c=0或2$

Eg2 对称矩阵和正交矩阵的特点

已经矩阵$\mathbf{A}$对称且正交

• $\mathbf{A}$的特征值有何限制？
  ①对称阵，特征值为实数；②正交矩阵，特征值$|\lambda |=1$（正交矩阵对应旋转变换；或者由于$\mathbf{Qx}=\lambda \mathbf{x}$，而正交矩阵与任意向量相乘不改变其长度$\Vert \mathbf{Qx}\Vert =\Vert \mathbf{x}\Vert =\Vert \lambda \mathbf{x}\Vert$）
  综上，$\mathbf{A}$的特征值满足$\lambda =\pm 1$
• $\mathbf{A}$是否可逆
  $\mathbf{A}$没有零特征值，必可逆；或者说，正交矩阵一定可逆
• $\mathbf{A}$是否正定
  当有特征值$\lambda =-1$，不是正定的
• $\mathbf{A}$是否可以对角化
  可以，因为对称阵/正交阵 一定有n个无关（且正交）的特征向量（即使很可能有重特征值），必然可以对角化
• 证明：$\mathbf{P}=(1/2)(\mathbf{A}+\mathbf{I})$为投影矩阵
  思路：验证该矩阵满足投影矩阵的各性质①投影矩阵为对称阵（满足）②${\mathbf{P}}^2=\mathbf{P}$，最终只需要证明②
  证明②，法1：计算${\mathbf{P}}^2={\left(\frac{1}{2}(\mathbf{A}+\mathbf{I})\right)}^2=\frac{1}{4}\left({\mathbf{A}}^2+2\mathbf{A}+\mathbf{I}\right)$
  其中，由于$\mathbf{A}$对称且正交，有$\mathbf{A}={\mathbf{A}}^T={\mathbf{A}}^{-1}$，故${\mathbf{A}}^2=\mathbf{I}$，带入上式得到${\mathbf{P}}^2=\frac{1}{2}(\mathbf{A}+\mathbf{I})=\mathbf{P}$
  证明②，法2：投影矩阵的特征值只可能为0或1，转为验证该矩阵的特征值为0或1
  由于上面说过，$\mathbf{A}$的特征值满足$\lambda =\pm 1$，则$\mathbf{A}+\mathbf{I}$特征值$\lambda =0或2$（原来的特征值满足$det(\mathbf{A}-\lambda \mathbf{I})=0$，那么$det[(\mathbf{A}+\mathbf{I})-{\lambda }^{\prime }\mathbf{I}]=0$的解为${\lambda }^{\prime }=\lambda +1$），则$\mathbf{P}=(1/2)(\mathbf{A}+\mathbf{I})$特征值$\lambda =0或1$