3x3矩阵怎么求逆矩阵_表象变换的幺正算符怎么定义的? 为何说算符与态可以看作矩阵?...

最新推荐文章于 2022-10-19 00:01:57 发布
最新推荐文章于 2022-10-19 00:01:57 发布
阅读量1.9k 收藏
点赞数
文章标签： 3x3矩阵怎么求逆矩阵
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_42426472/article/details/113040690
版权

2bed2709d62fa420e39ea6e0b8a769e9.png

为了方便计算,量子力学常常进行表象的转换. 而表象的转换也十分简单, 只要插入封闭性关系式[1]即可达到目的. 运算过程中我们会发现可以抽象出一个重复率很高的部分, 所以方便起见我们将其定义为基的变换矩阵, 它是一个幺正矩阵.

下面定义两组三维离散完备正交基(不难推广到连续无穷维, 三维离散是出于直观化[2]考虑. ):

equation?tex=%5C%5B%5Cleft%5C%7B+%5Cbegin%7Balign%7D+++%26+%5Cleft%5C%7B+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5C+%5C+%5C+%5C+%5C+%5Csum%5Climits_%7Bi%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle++%7B%7Be%7D_%7Bi%7D%7D+%5Cright%7C%7D%3DI%5C+%5C+%5C+%5C+%5C+%5C+i%3D1%2C2%2C3+%5C%5C+++%26+%5Cleft%5C%7B+%5Cleft%7C+%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5C+%5C+%5C+%5C+%5Csum%5Climits_%7Bk%7D%7B%5Cleft%7C+%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle++%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%7C%7D%3DI%5C+%5C+%5C+%5C+%5C+k%3D1%2C2%2C3+%5C%5C++%5Cend%7Balign%7D+%5Cright.%5C%5D

首先要清楚一点: 狄拉克符号"

equation?tex=%5C%5B%5Cleft%7C+Dirac+%5Cright%5Crangle+%5C%5D " 表示的是一个矢量, 但他仅仅只是表示一个抽象的矢量概念的符号罢了. 所表示的矢量本身就像空间中的一个箭头, 它有大小有取向, 大小还好说, 这模长量一下就好了这样就可以用一个数表示, 这是个数不会因观察角度不同而改变; 但如果你想描述它的取向的话首先你要先设立一个坐标系
[3],这样才能表达方向, 然后你才能在所定义的方向上看这个矢量的分量是多少(具体方法是与表征该方向的单位矢量 [4]做内积), 这样一来, 各个方向上的分量也可以用一个数表示. 这样一来才能用一个列矩阵来表示一个矢量. 所以, 表象的选择其实就是坐标系的选择. 差不多一个意思地, 想用方阵来表示一个算符, 那你也要先选定一个表象(坐标系).

上面那段话举个例子就是这样:

equation?tex=%5C%5B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%3D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%3D%5Csum%5Climits_%7Bi%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7C%5Cpsi++%5Cright%5Crangle+%7D%3D%5Csum%5Climits_%7Bi%7D%7B%5Cleft%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7C%5Cpsi++%5Cright%5Crangle+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%7D%5C%5D

其中

equation?tex=%5C%5B%5Cleft%5Clangle++%7B%7Be%7D_%7Bi%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+%5C%5D 是个复数表示分量;
equation?tex=%5C%5B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5C%5D 是基矢, 像单位一样.

所以各个分量单位不同自然不能加在一起而要分开写, 即可以写成列矩阵

equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D

所谓表象的变换就是想从

equation?tex=%5C%5B%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D变成
equation?tex=%5C%5B%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D, 或者反过来变.

其实也简单, 就像一开始说的那样, 插入一个封闭性关系式即可达到目的.

equation?tex=%5C%5B%5Cleft%5Clangle++%7B%7Bu%7D_%7Bk%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+%3D%5Cleft%5Clangle++%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%7C%5Csum%5Climits_%7Bi%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle++%7B%7Be%7D_%7Bi%7D%7D+%5Cright%7C%7D%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%3D%5Csum%5Climits_%7Bi%7D%7B%5Cleft%5Clangle++%7B%7Bu%7D_%7Bk%7D%7D+%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle++%7B%7Be%7D_%7Bi%7D%7D+%7C+%5Cpsi++%5Cright%5Crangle+%7D%5C%5D

可以得到

equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%3D%5Csum%5Climits_%7Bk%7D%7B%5Cleft%5Clangle+%7B%7Bu%7D_%7Bk%7D%7D%7C%5Cpsi++%5Cright%5Crangle+%5Cleft%7C+%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%5Crangle+%7D%3D%5Csum%5Climits_%7Bki%7D%7B%5Cleft%5Clangle+%7B%7Bu%7D_%7Bk%7D%7D%7C%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7C%5Cpsi++%5Cright%5Crangle+%5Cleft%7C+%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%5Crangle+%7D%5C%5D

写成矩阵形式

equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D

上面方阵定义为表象的变换矩阵, 记作

equation?tex=S

不难看出

equation?tex=S 的矩阵元就是
equation?tex=%5C%5B%7B%7BS%7D_%7Bki%7D%7D%3D%5Cleft%5Clangle++%7B%7Bu%7D_%7Bk%7D%7D+%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5C%5D

所以假如分别记

equation?tex=%5C%5B%5Cleft%5C%7B+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5Cleft%5C%7B+%5Cleft%7C+%7B%7Bu%7D_%7Bk%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5C%5D 表象下的
equation?tex=%5C%5B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%5C%5D 为
equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%2C%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%5C%5D 的话，

则有:

equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%3DS%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%5C%5D ，其中
equation?tex=%5C%5B%7B%7BS%7D_%7Bki%7D%7D%3D%5Cleft%5Clangle++%7B%7Bu%7D_%7Bk%7D%7D+%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5C%5D
equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%3DS%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%5CRightarrow+%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%3D%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%5C%5D
[5]

实际上逻辑上来说

equation?tex=%5C%5B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%2C%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%2C%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%5C%5D 实际上是一回事, 毕竟坐标系不会改变什么本质的东西.

一个不怎么贴切的说法是它们三个就好比是某全裸角色和他的两个时装版本.

在上文的基础上讲讲算符的表象转换:

equation?tex=%5C%5BA%3D%5Csum%5Climits_%7Bi%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7C%7DA%5Csum%5Climits_%7Bj%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bj%7D%7D%7C%7D%3D%5Csum%5Climits_%7Bij%7D%7B%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bj%7D%7D%7C%7D%5C%5D

其中

equation?tex=%5C%5B%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5C%5D 是个复数表示分量, 称作矩阵元, 记作
equation?tex=%5C%5B%7B%7BA%7D_%7Bij%7D%7D%5C%5D .

equation?tex=%5C%5B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bj%7D%7D%7C%5C%5D 是一个基矩阵, 像个单位一样, 表示
equation?tex=%5C%5B%7B%7BA%7D_%7Bij%7D%7D%5C%5D 该放在哪个位置.

#一般不会这样写, 但这样写也有够直观的.

比如说假如

equation?tex=%5C%5B%7B%7B%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle+%7D_%7Be%7D%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++0++%5C%5C++++1++%5C%5C++++0++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C+%5C+%5C+%7B%7B%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle+%7D_%7Be%7D%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++1++%5C%5C++++0++%5C%5C++++0++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D

那么

equation?tex=%5C%5B%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle+%7B%7B%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7C%7D_%7Be%7D%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++0++%5C%5C++++1++%5C%5C++++0++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+1%2C0%2C0+%5Cright%5D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++0+%26+0+%26+0++%5C%5C++++1+%26+0+%26+0++%5C%5C++++0+%26+0+%26+0++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D 就说明了这个矩阵元要放在第二行第一列.

当然了,上面的矩阵是在

equation?tex=%5C%5B%5Cleft%5C%7B+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5C%5D 表象下写出来的

所以呢

equation?tex=%5C%5B%7B%7BA%7D_%7Be%7D%7D%3D%5Csum%5Climits_%7Bij%7D%7B%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bj%7D%7D%7C%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D

所谓表象变换就是:

想从

equation?tex=%5C%5B%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D

变成
equation?tex=%5C%5B%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D

其实也简单, 就像一开始说的那样, 插入两个封闭性关系式即可达到目的.

equation?tex=%5C%5B%5Clangle+%7B%7Bu%7D_%7Bm%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7Bn%7D%7D+%5Cright%5Crangle+%3D%5Clangle+%7B%7Bu%7D_%7Bm%7D%7D%7C%5Csum%5Climits_%7Bi%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7C%7DA%5Csum%5Climits_%7Bj%7D%7B%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bj%7D%7D%7C%7D%5Cleft%7C+%7B%7Bu%7D_%7Bn%7D%7D+%5Cright%5Crangle+%3D%5Csum%5Climits_%7Bij%7D%7B%5Cleft%5Clangle++%7B%7Bu%7D_%7Bm%7D%7D+%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle++%7B%7Be%7D_%7Bj%7D%7D+%7C+%7B%7Bu%7D_%7Bn%7D%7D+%5Cright%5Crangle+%7D%5C%5D

即

equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3D%5Csum%5Climits_%7Bmn%7D%7B%5Clangle+%7B%7Bu%7D_%7Bm%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7Bn%7D%7D+%5Cright%5Crangle+%5Cleft%7C+%7B%7Bu%7D_%7Bm%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Bu%7D_%7Bn%7D%7D%7C%7D%3D%5Csum%5Climits_%7Bijmn%7D%7B%5Cleft%5Clangle+%7B%7Bu%7D_%7Bm%7D%7D%7C%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7Bj%7D%7D+%5Cright%5Crangle+%5Cleft%5Clangle+%7B%7Be%7D_%7Bj%7D%7D%7C%7B%7Bu%7D_%7Bn%7D%7D+%5Cright%5Crangle+%5Cleft%7C+%7B%7Bu%7D_%7Bm%7D%7D+%5Cright%5Crangle+%5Clangle+%7B%7Bu%7D_%7Bn%7D%7D%7C%7D%5C%5D

写成矩阵形式

equation?tex=%5C%5B%5Cbegin%7Balign%7D+++%26+%5C+%5C+%5C+%5C+%5C+%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D+%5C%5C+++%26+%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D+%5C%5C++%5Cend%7Balign%7D%5C%5D

上面第二行最左边方阵定义为表象的变换矩阵, 记作

equation?tex=S .

不难看出

equation?tex=S 的矩阵元就是
equation?tex=%5C%5B%7B%7BS%7D_%7Bmi%7D%7D%3D%5Cleft%5Clangle+%7B%7Bu%7D_%7Bm%7D%7D%7C%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5C%5D, 且最右边的是
equation?tex=%5C%5B%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%5C%5D.

所以假如分别记

equation?tex=%5C%5B%5Cleft%5C%7B+%5Cleft%7C+%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5Cleft%5C%7B+%5Cleft%7C+%7B%7Bu%7D_%7Bm%7D%7D+%5Cright%5Crangle++%5Cright%5C%7D%5C%5D 表象下的
equation?tex=A 为
equation?tex=%5C%5B%7B%7BA%7D_%7Be%7D%7D%2C%7B%7BA%7D_%7Bu%7D%7D%5C%5D 的话，

则有:

equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3DS%7B%7BA%7D_%7Be%7D%7D%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%5C%5D, 其中
equation?tex=%5C%5B%7B%7BS%7D_%7Bmi%7D%7D%3D%5Cleft%5Clangle+%7B%7Bu%7D_%7Bm%7D%7D%7C%7B%7Be%7D_%7Bi%7D%7D+%5Cright%5Crangle+%5C%5D
equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3DS%7B%7BA%7D_%7Be%7D%7D%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%5CRightarrow+%7B%7BA%7D_%7Be%7D%7D%3D%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%7B%7BA%7D_%7Bu%7D%7DS%5C%5D , 其中
equation?tex=%5C%5B%7B%7B%5Cleft%28+%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D+%5Cright%29%7D_%7Bim%7D%7D%3D%5Cleft%5Clangle+%7B%7Be%7D_%7Bi%7D%7D%7C%7B%7Bu%7D_%7Bm%7D%7D+%5Cright%5Crangle+%5C%5D

#所以事实上

equation?tex=%5C%5BS%2C%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%5C%5D 的位置都是相对的,不用过于在意.

#Still,

equation?tex=%5C%5BA%2C%7B%7BA%7D_%7Be%7D%7D%2C%7B%7BA%7D_%7Bu%7D%7D%5C%5D 物理上来说是一回事, 也有地方说他们是互为幺正等价算符.

显然幺正等价厄米算符均有全同的谱(本征值).

#这个操作常用于把表象转换为算符自身的表象,这样可以得到一个对角阵.

关于算符幺正变换

equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3DS%7B%7BA%7D_%7Be%7D%7D%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%5C%5D 的幺正阵究竟是怎么拼出来的这点一直有人问到.

所以这里讲一个直观的理解方法:

前面我们得到了表达式

equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3DS%7B%7BA%7D_%7Be%7D%7D%7B%7BS%7D%5E%7B%5Cdagger+%7D%7D%5C%5D 的矩阵式子

equation?tex=%5C%5B%5Cbegin%7Balign%7D+++%26+%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Bu%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D+%5C%5C+++%26+%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B1%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B2%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle++%7B%7Be%7D_%7B3%7D%7D+%5Cright%7CA%5Cleft%7C+%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D+%5C%5C++%5Cend%7Balign%7D%5C%5D

那么, 我们该如何记住其中的

矩阵

equation?tex=S 是
equation?tex=%5C%5B%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%7B%7Be%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D 而非
equation?tex=%5C%5B%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C%5Cend%7Bmatrix%7D+%5Cright%5D%5C%5D 呢?

也就是说这俩互为厄米共轭的矩阵哪个摆在左边哪个摆在右边呢？

很简单, 知道式子

equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Be%7D%7D%3D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B1%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B2%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B1%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B2%7D%7D+%5Cright%5Crangle++%26+%5Cleft%5Clangle+%7B%7Be%7D_%7B3%7D%7D%7C%7B%7Bu%7D_%7B3%7D%7D+%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%5Cleft%5B+%5Cbegin%7Bmatrix%7D++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B1%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B2%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C++++%5Cleft%5Clangle+%7B%7Bu%7D_%7B3%7D%7D%7C%5Cpsi++%5Cright%5Crangle+++%5C%5C+%5Cend%7Bmatrix%7D+%5Cright%5D%3D%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%5C%5D即可.

上面的这个式子意思是这个矩阵可以把

equation?tex=u 表象的
equation?tex=%5C%5B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%5C%5D 转换到
equation?tex=e 表象, 我们记作
equation?tex=%5C%5B%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%5C%5D .

那么前面的表达式其实可以更加显然的写作

equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3D%7B%7BS%7D_%7Be%5Cto+u%7D%7D%7B%7BA%7D_%7Be%7D%7D%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%5C%5D .
Q: 那么我们对算符进行幺正变换是想解决什么问题呢?
A: 当我们在
equation?tex=u 表象下工作时, 突然想对矢量
equation?tex=%5C%5B%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%5C%5D 进行一个线性变换
equation?tex=A , 但是我们出于某些不知名的原因并不知道
equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%5C%5D 的形式, 而只知道这个操作在
equation?tex=e 表象下的形式
equation?tex=%5C%5B%7B%7BA%7D_%7Be%7D%7D%5C%5D .

现在我们只知道

equation?tex=%5C%5B%7B%7BA%7D_%7Be%7D%7D%5C%5D 的形式, 那我们就这么做:
先把矢量变到
equation?tex=e空间:
equation?tex=%5C%5B%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%5C%5D

➡再对结果进行线性变换
equation?tex=%5C%5B%7B%7BA%7D_%7Be%7D%7D%5Cleft%28+%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D+%5Cright%29%5C%5D

➡再把
equation?tex=e空间的结果变回来:
equation?tex=%5C%5B%7B%7BS%7D_%7Be%5Cto+u%7D%7D%5Cleft%5B+%7B%7BA%7D_%7Be%7D%7D%5Cleft%28+%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D+%5Cright%29+%5Cright%5D%5C%5D

这一顿操作等价于在

equation?tex=u 空间进行操作
equation?tex=A 即:
equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D%3D%7B%7BS%7D_%7Be%5Cto+u%7D%7D%5Cleft%5B+%7B%7BA%7D_%7Be%7D%7D%5Cleft%28+%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%7B%7B%5Cleft%7C+%5Cpsi++%5Cright%5Crangle+%7D_%7Bu%7D%7D+%5Cright%29+%5Cright%5D%5C%5D

所以我们把这一大块封装好当作一整个工具就有了:

equation?tex=%5C%5B%7B%7BA%7D_%7Bu%7D%7D%3D%7B%7BS%7D_%7Be%5Cto+u%7D%7D%7B%7BA%7D_%7Be%7D%7D%7B%7BS%7D_%7Bu%5Cto+e%7D%7D%5C%5D
这是否让人对相似矩阵的意义有了更深的理解?
若
equation?tex=%5C%5BA%3D%7B%7BP%7D%5E%7B-1%7D%7DBP%5C%5D 则称
equation?tex=A%2C+B 互为相似矩阵.

相似矩阵的概念更广义一点, 因为
equation?tex=%5C%5BP%5C%5D 只要求是有逆的线性变换而不要求是幺正变换.

参考

  1. ^也称基的完备性关系式
  2. ^也就是说出于人道主义(笑
  3. ^或者说选择一个坐标系吧
  4. ^一般就是基矢量
  5. ^用到了幺正性, 不难证明其具有这个性质
鲜榨口语App
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
C#用矩阵运算（实现3x3矩阵求逆）
02-06
定义了一个矩阵的储存方法CMatrix 定义了一个矩阵的预算方法CMatrix_Operation 代码可以实现以下功能： 1.矩阵加法 2.矩阵减法 3.矩阵乘法 4.矩阵行列式 5.矩阵转置 6.矩阵的伴随矩阵 7.矩阵的逆（只限于3x3） 8.向量的单位化 此代码为本人做3D建模(空间旋转)时用的基础代码
3x3矩阵怎么求逆矩阵_矩阵型组织结构，郭士纳与任正非都是怎么说的？
weixin_31833795的博客
01-17 1666
《进化：组织形态管理》​矩阵型结构是企业转型的“三引擎"之一，另外两个是全流程业务管理方式与二元管理基础，不仅对企业转型至关重要，而且中国企业通常难以驾驭，看看郭士纳和任正非是怎么说的，就能感知一二：郭士纳对矩阵型结构的认知​任正非对矩阵型结构的认知​从中国企业变革现状来看，构建矩阵型结构难度远远超过传统的职能型结构，主要体现在三方面：首先，矩阵型结构是动态管理架构，强调灵活性，本身与频繁变化的市...
3x3矩阵怎么求逆矩阵_分块矩阵求逆公式
weixin_39676979的博客
12-31 6122
结论摘自William H. Greene的经典教材Econometric Analysis的附录A推导过程上图中的结果是假设分块矩阵的 存在逆矩阵，在这里我给出的是假设 存在逆矩阵的情形下的推导过程。因为不想编辑公式，所以用的是全能扫描王扫描的图，比较劣质，反正你们也不会看的，无所谓的。另一种情形下的分块矩阵的逆矩阵的推导过程P.S.这个分块矩阵求逆公式用的太多了，但又总是记不住，每次都要去...
代码实现3X3矩阵求逆（C语言 用伴随矩阵实现）
最新发布
qq_46664080的博客
10-19 2643
一个方阵A如果满足 |A| != 0，则可以认为矩阵A可逆，其逆矩阵为： 使用伴随矩阵求逆法最关键的一步是如何求矩阵A的伴随矩阵A*，A*求解如下图： 该方法的实验结果如下：
ker矩阵是什么意思_矩阵求逆的几何意义是什么？
weixin_39929635的博客
11-22 527
点击蓝色字关注我们！向量：[a1, a2, a3, ..., an]矩阵： a11, a12, a13, ..., a1n a21, a22, a23, ..., a2n ... an1, an2, an3, ..., ann现只讨论这个n阶非奇异方阵，如果一组向量彼此线性无关——它们就可以成为度量这个线性空间的...
op.rar_算符 语法分析_算符优先分析_算符优先实验
09-22
在编程语言设计与实现领域，编译器是至关重要的组件之一。它负责将高级语言转换为机器可理解的指令。在编译器的设计过程中，语法分析是一个关键阶段，它涉及理解程序代码中的结构和规则。本实验“op.rar”着重探讨了...
Compile_Lab4.zip_算符优先分析_算符优先文法_算符优先算法
09-14
编译原理作业 算符优先语法分析　实现算符优先分析算法，完成以下描述算术表达式的算符优先文法的算符优先分析过程。 　G[E]:E→E+T∣E-T∣T T→T*F∣T/F∣F F→(E)∣i
chz.rar_优先分析表_有向图_算符优先_算符分析
09-23
在计算机科学领域，编译器设计是至关重要的一个部分，其中算符优先分析是一种用于解析表达式的关键技术。本文将详细探讨"算符优先函数"、"有向图"以及它们在"算符优先分析"中的应用。我们将不涉及具体代码实现（如a....
第8章：表象变换与量子力学的矩阵形式.pptx
09-18
表象变换与量子力学的矩阵形式 在量子力学中，表象变换是指不同的数学表示方式，以描述同一个物理系统。这些表示方式是等价的，即它们都可以用来描述同一个物理系统，但它们之间存在着某些差异。 在这里，我们主要...
n维方阵求逆矩阵
01-19
1。n维方阵m球逆矩阵的代码；数据类型为double； 2。m为原方阵的指针,结果存在result指针的地址段，需要预先分配好result的内存； 3。原矩阵不变；
计算3X3矩阵模
06-10
计算3X3矩阵模 C语言程序，含代码，直接计算
3x3矩阵怎么求逆矩阵_扒一扒千万级的抖音矩阵 是怎么做出火爆热门视频的？...
weixin_39607474的博客
12-22 244
我们团队近期观察了众多热门视频，发现他们都有各自共通的**锏，那就是——内容形式！ 什么叫做内容形式？就是一条抖音视频，它所呈现出来的形式，其组成如下： 内容形式=展示形式+产出方式 下面，分点做答！ 第一、产出方式 所谓的产出方式，也就是我们生产短视频内容所选择的方式，属于内容制作阶段的工作。 我研究了 200 多个众多抖音视频，发现抖音内容产出主要有 3 种方式： ◆ 原创：内容全是自己创作的...
代数问题3*3矩阵的逆矩阵
热门推荐
qq_35495953的博客
01-26 1万+
问题描述: 方阵A的逆矩阵表示为A-1，满足A* A-1=I，其中I是所有对角线上的值为1而其他所有值为0的单位矩阵。例如矩阵的逆矩阵是： 也就是： 对于一个3*3的矩阵： 使用下面的公式可以得到其逆矩阵，其中|A|≠0: 实现下面的方法可得到矩阵的逆矩阵“ public static double[][] inverse(double[][] A) 如果|A|为0，
3x3矩阵怎么求逆矩阵_什么是短视频矩阵，抖音矩阵怎么玩？
weixin_32821643的博客
01-15 778
你知道，真正会搞抖音运营的人，都是怎么玩的？答案只有两个字：“矩阵”。什么是抖音矩阵？账号与账号之间建立连接，通过横向的抖音运营策划，打通粉丝，提升商业价值。抖音矩阵有哪些类别呢？主要分为家庭、团队、MCN、个人这4类矩阵。1. 家庭矩阵：天津一家人+小金刚＋可爱的金刚嫂＋金刚爸＋金刚妈金刚一家在抖音上的名气是毋庸置疑的。他们是怎么做起来的？其实是由“小金刚”带头，以一带三，粉丝融合，叠...
求逆矩阵的并行算法
love19820823
02-05 1228
matrix-inverse input A(1:n,1:n) outputA^(-1)(1:n,1:n) begin 1. assignA^(-1) = identity matrix 2. For k = 1 to n 3. For i = 1 to n but i != k do in paraallel 4. do row operation for the matrices...
代数问题 3*3 矩阵的逆矩阵
糖饼hc0422的博客
05-19 1568
实现下面的方法可得到矩阵的逆矩阵 public static double[][] inverse(double[][] A) 如果|A|为0，那么方法返回null。 package com.sugarpie.classtest10; import java.util.Scanner; /** * @author sugarpie * @create 2021-04-22-15:12 */ public class VerseTest { public static double[
求逆矩阵 一
netcaoniao的专栏
06-05 732
矩阵快速幂【3*3的矩阵，可以类比成N*N的矩阵】
既然弱小，就只顾变强就是了
07-18 915
遇到类似斐波那契数列且为大数取模的问题，可以用矩阵的快速幂来做，举个例子： 这样的一道题就可以用矩阵快速幂来进行运算，我们不难知道，于是可以列写矩阵方程。 首先，用个结构体来存矩阵 struct node { ll a[5][5]; }; 然后，用个子函数处理矩阵乘积取模的情况。 node node_mul(node e1, node e2, ll mod) //矩阵...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值