矩阵相似对角化的意义

ST灬FK

于 2024-07-20 22:33:43 发布

阅读量387

点赞数 25

文章标签：矩阵线性代数

本文链接：https://blog.csdn.net/qq_69042024/article/details/140575938

版权

在学习了很久的线性代数课程后，给定一个方阵，然后将其相似对角化，也许大多数同学都知道操作步骤，但是了解相似对角化背后的意义的人却微乎其微，因此本篇文章打算对相似对角化的意义做出解释。

一、矩阵的映射属性

在解析几何中，我们将既有大小，又有方向的量称之为向量。并且在不同的视角下，向量也可以有不同的表示方法，例如将它看成是空间中的一根带箭头的有向线段，或者是一个有序数组。在引入直角坐标系之后，两种表示法被有机的统一。

我们规定，两个长度和方向都一样的向量称为是相等向量。这意味着在空间中任意给定一个向量，我们总可以以坐标原点为起点作一个和它长度、方向都一样的向量；换句话说，如果将空间中所有向量的起点都移动到坐标原点，那么空间中任意一个点总会有唯一一个向量和它对应。因此该几何点的坐标也可以用来表征向量的坐标。

在空间中存在着很多对坐标点的操作，通过这些操作，我们可以将它从一个位置变到同一平面中的另一个位置，例如投影，旋转，伸缩等。这些操作都可以用一个统一的数学关系式：

$\left\{\begin{matrix} x'=ax+by\\ y'=cx+dy \end{matrix}\right.$

这里a、b、c、d都是实数，给它们取不同的值，便可以表示一个特定的操作，我们称这种操作为线性变换，可以将其写为矩阵式 $\begin{bmatrix} x'\\ y' \end{bmatrix}=\begin{bmatrix} ax+by\\ cx+dy \end{bmatrix}=\begin{bmatrix} a &b \\ c &d \end{bmatrix}\begin{bmatrix} x\\ y \end{bmatrix}$ ，或者简写为 $v=Au$ ，这就类似于函数 $y=ax$ ，可以看到，给一个向量左乘一个矩阵后就可以将其变成另一个向量，这就初步揭示了矩阵的意义，也即它表示了一个特定的映射。

二、对角矩阵

既然我们的最终目的是介绍矩阵对角化的意义，那么就有必要先对对角矩阵作简要的介绍。通过查阅资料，我们知道：给定一个方阵，如果除了主对角线上的元素外的所有元素均为0(主对角元素也可以为0)，那么该方阵即被称为对角矩阵，它的形式为 $\begin{bmatrix} a_{11} & & & \\ & a_{22}& & \\ & & ... & \\ & & & a_{nn} \end{bmatrix}$ 。

我们已经知道，矩阵代表了一种映射，那么对角矩阵同样可以代表一种特殊的映射，写出该矩阵对应的映射式可得 $\begin{bmatrix} x_{1}^{'}=a_{11}x_{1}\\ x_{2}^{'}=a_{22}x_{2}\\ ...\\ x_{n}^{'}=a_{nn}x_{n} \end{bmatrix}$ 。可以看到，对角矩阵的每个元素分别作用于一个n维向量的不同分量上，这意味着对每个分量进行了一定的伸缩，因此，对角矩阵表示的映射就是伸缩映射。

三、矩阵的特征值和特征向量

给定矩阵 $A$ ，实数 $\lambda$ 以及非零向量 $x$ ，如果满足 $Ax=\lambda x$ ，就称 $\lambda$ 为 $A$ 的特征值， $x$ 为特征值 $\lambda$ 对应的特征向量。

这里我们并不讲述如何求取矩阵的特征值与特征向量，而是对该定义背后的意义进行探索，我们知道，矩阵乘以一个向量就会把它变成另一个向量，因此假设 $y=Ax$ ，代入原式可得 $Ax=y=\lambda x$ 。根据解析几何的知识，可以得到，向量 $x$ 和 $y$ 是共线的。

因此可以看出，经过矩阵映射后依然与本身共线的向量就是矩阵的特征向量，而比例系数就是特征值。

下面我们举一个例子：

给定矩阵 $\begin{bmatrix} 3 & 2\\ 1& 2 \end{bmatrix}$ ，通过计算，可以求出它的特征值和特征向量分别为 $\left\{\begin{matrix} \lambda _{1}=4,p_{1}=(2,1)^{T}\\ \lambda _{2}=1,p_{2}=(-1,1)^{T} \end{matrix}\right.$ ，可以看到，这两个向量不共线(也即它们线性无关)，因此就可以作为二维空间的一组基向量。

再给定向量 $a=(4,5)^{T}$ ，经过矩阵 $A$ 映射后的向量变为 $Aa=\begin{bmatrix} 3 & 2\\ 1& 2 \end{bmatrix}\begin{bmatrix} 4\\ 5 \end{bmatrix}=\begin{bmatrix} 22\\ 14 \end{bmatrix}$ 。

上面的坐标是我们以坐标轴的单位向量为基向量导出的向量坐标，下面我们以这两个特征向量为基，导出映射前后的两个向量在该基下的坐标，先求出过渡矩阵：

$\begin{bmatrix} 2 &-1 \\ 1& 1 \end{bmatrix}=\begin{bmatrix} 1 &0 \\ 0& 1 \end{bmatrix}X$ ，解得 $X=\begin{bmatrix} 2 &-1 \\ 1& 1 \end{bmatrix}$ ，可以求得：

$\begin{bmatrix} 4\\ 5 \end{bmatrix}=\begin{bmatrix} 2 & -1\\ 1& 1 \end{bmatrix}\begin{bmatrix} x\\ y \end{bmatrix}$ 、 $\begin{bmatrix} 22\\ 14 \end{bmatrix}=\begin{bmatrix} 2 & -1\\ 1& 1 \end{bmatrix}\begin{bmatrix} x'\\ y' \end{bmatrix}$ ，可以解得 $\begin{bmatrix} x\\ y \end{bmatrix}=\begin{bmatrix} 3\\ 2 \end{bmatrix}$ 、 $\begin{bmatrix} x'\\ y' \end{bmatrix}=\begin{bmatrix} 12\\ 2 \end{bmatrix}$ 。

这两个坐标就是以特征向量为基时导出的坐标，可以看到，如果以特征向量为基，那么一个向量经过该矩阵映射后，对应的坐标就进行了独立的伸缩变换，这里3和12就是属于向量 $\begin{bmatrix} 2\\1 \end{bmatrix}$ 的坐标，2和2是属于向量 $\begin{bmatrix} -1\\1 \end{bmatrix}$ 的坐标，它们分别被扩大了4倍和1倍，刚好就是原矩阵的特征值。

因而这个矩阵作用在以它的特征向量为基表达的向量上，就会对该向量的分量进行伸缩变换，这比起一般的矩阵变换能省去很多步骤。

四、相似变换

根据线性代数的内容，我们知道，同一个线性变换在不同的基向量下的表征矩阵也是不同的。

假设给定基向量组 $C$ 和 $D$ ，设有线性变换 $f$ ，它在两组基下的矩阵分别用 $A$ 和 $B$ 表征，给定向量 $a$ ，在 $C$ 和 $D$ 下的坐标分别用数组向量 $x$ 和 $y$ 表示，那么就有 $a=Cx=Dy$ ，再设 $C$ 到 $D$ 的过渡矩阵为 $P$ ，那么有 $D=CP$ 、 $x=Py$ ，向量 $a$ 经过 $f$ 作用后的向量坐标可表示为 $a'=CAx=DBy$ ，经过合理的运算，可得 $CAx=DBy\Rightarrow DP^{-1}APy=DBy\Rightarrow B=P^{-1}AP$ ，因此 $A$ 和 $B$ 是一对相似矩阵，因此相似矩阵就是同一线性变换在不同基向量下的不同矩阵表达。