线性代数的本质 - 10 - 特征向量与特征值

特征值和特征向量

$A$ 是 $n$ 阶矩阵，如果数 $\lambda$ 和 $n$ 维非零列向量 $\vec x$ 使关系式

$$A\vec x = \lambda \vec x$$ 成立，那么，这样的数 $\lambda$ 称为矩阵 $A$ 的特征值，非零向量 $\vec x$ 称为 $A$ 的对应于特征值 $\lambda$ 的特征向量。

以上是特征值和特征向量的定义，根据之前学过的线性变换的知识，我们可以这样解读特征值和特征向量：

• 空间经过线性变换 $A$ 之后，如果有向量还保持着原来的位置（可反向），即这个向量还留在它自己原来的张成空间里，那么这个向量就是 $A$ 的特征向量。显然找到一个特征向量，就找到了无数个。向量位置不变，但大小可以变，大小变化的倍数，就是特征值 $\lambda$。

如何求解$A\vec x = \lambda \vec x$，稍作整理可以得到

$$(A-\lambda E)\vec v = \vec 0$$ ,根据之前所学，只有矩阵将空间压缩到更低的维度时，才有可能存在一个非零向量，使得它被压缩成了 $\vec 0$，而空间压缩就对应于矩阵行列式为 $0$，所以只需要令 $$det(A-\lambda E) = 0$$ 即可。

注意：

• 不是每个线性变换都有特征值和特征矩阵，比如二维空间旋转90度的变换，每一个向量都离开了原来的位置。通常没有 $\lambda$ 没有实数解表示着某种旋转。
• 同一个特征值可能对应多个向量，比如一个将所有向量拉伸为 2 倍的变换，特征值是2，平面内的每一个向量都是属于这个特征值的特征向量。

特征基

如果基向量都是特征向量，会发生什么?

这意味着所有的基向量都是特征向量，矩阵的对角元是它们所属的特征值，这是个对角矩阵。

对角矩阵定义：除对角线以外其他元素均为0的矩阵被称为对角矩阵。

对角矩阵在很多方面都更加容易处理：

• 如果计算对角矩阵 $A$ 的 $n$ 次幂，只需要将每一个对角元 $a_{ii}$ 求 $n$ 次幂，变为 $a_{ii}^n$ 即可。但非对角矩阵就不能这么方便的计算。

如何转化为对角矩阵？

如果一个变换 $H$ 的所有特征向量，能张成全空间，那么我就可以变换坐标系，使得这些特征向量就是基向量。

方法如下：

• 首先要再次明确，不是所有矩阵都能对角化，必须满足上面的条件。

• 将新的基向量，也就是选出来当作基底的特征向量，作为矩阵的列组成一个矩阵，称为基变换矩阵 $A$.

  • 那么 $A^{-1}HA$ 就是在 $A$ 空间的语言下描述的 $H$ 变换。而且 $A^{-1}HA$ 一定是一个对角矩阵，对角元是特征值。之所以是对角矩阵，是因为我们是以位置不变的特征向量来构造 $A$ 的，所以 $H$ 这个变换在 $A$ 空间看来，只是让 $A$ 的基向量进行了缩放而已。
  • 这样就得到了对角矩阵，可以在运算完之后再换回原空间的表述。

  • 一组基向量（同样是特征向量）构成的集合被称为一个“特征基”。