线性代数【七】特征值、特征向量与相似矩阵、相似对角化

本节为线性代数复习笔记的第七部分，主要包括：特征值、特征向量与相似矩阵、相似对角化。

1. 特征值与特征向量

  定义：设A是n阶方阵，$\lambda$是一个数，若存在n维非零列向量$\xi$，使得$A\xi =\lambda \xi$，则称$\lambda$是A的特征值，$\xi$是A对应于特征值$\lambda$的特征向量。
  由于$A\xi =\lambda \xi$可得$(\lambda E-A)\xi =0$，因列向量$\xi$非零，也就是说齐次线性方程组有非零解，即矩阵$(\lambda E-A)$中的所有列向量线性相关，也就是行列式为0，即$|\lambda E-A|=0$，这个等式称为特征方程。
  $eg.$$求方阵A=\left[\begin{array}{ccc}0& 0& 1\\ 0& 1& 0\\ 1& 0& 0\end{array}\right]的特征值和特征向量$.
  $解特征方程：|\lambda E-A|=\left|\begin{array}{ccc}\lambda & 0& -1\\ 0& \lambda -1& 0\\ -1& 0& \lambda \end{array}\right|$
$=(\lambda -1)({\lambda }^2-1)=(\lambda -1{)}^2(\lambda +1)=0$
  $解得：{\lambda }_1={\lambda }_2=1，{\lambda }_3=-1$
  $当{\lambda }_1={\lambda }_2=1，则(E-A)x=0，即：$

$\left[\begin{array}{ccc}1& 0& -1\\ 0& 0& 0\\ -1& 0& 1\end{array}\right]\left[\begin{array}{c}{x}_1\\ x_2\\ x_3\end{array}\right]=\left[\begin{array}{c}0\\ 0\\ 0\end{array}\right]$

  $之后就是化系数矩阵为阶梯矩阵的基础解系$
${\xi }_1=[1,0,1{]}^T,{\xi }_2=[0,1,0{]}^T$，$则k_1{\xi }_1+k_2{\xi }_2是对应于$
${\lambda }_1={\lambda }_2=1的全部特征量。同理{\lambda }_3=-1。$

2. 相似矩阵与相似对角化

  相似矩阵即：若$P^{-1}AP=B则A\sim B，$相似矩阵的秩相等、行列式值相等、迹数相等、拥有同样的特征值）尽管相应的特征向量一般不同）、同样的特征多项式、拥有同样的初等因子。
  更加加详细的我们看相似对角化的概念：若存在可逆矩阵P（行列式不为0，列向量线性无关），使得$P^{-1}AP=\Lambda$（对角矩阵），则称A可以相似对角化，记为$A\sim \Lambda ，称\Lambda$为A的相似标准型。
  若$P^{-1}AP=\Lambda ，即AP=P\Lambda ，即A({\xi }_1,{\xi }_2,...,{\xi }_n)$$=({\xi }_1,{\xi }_2,...,{\xi }_n)\left(\begin{array}{ccc}{\lambda }_1& & \\ & ...& \\ & & {\lambda }_n\end{array}\right)，即A{\xi }_i={\lambda }_i{\xi }_i，也就是特征值和特征向量$

---

欢迎扫描二维码关注微信公众号 深度学习与数学   [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读，算法和其他互联网技能的学习，概率论、线性代数等高等数学知识的回顾]