特征值与特征向量，原理与Matlab实现

求解原理

  定义： 设$A$是 $n\times n$ 方阵，如果有数$\lambda$和$n$维非零列向量$X$，满足下式，则称$\lambda$为$A$的一个特征值，非零向量$X$为与$\lambda$对应的特征向量。
$$AX=\lambda X$$
  Step1：特征值求解
  上式可写作$\left(\lambda E-A\right)X=0$，其中 $E$ 是 $n$ 阶单位矩阵，从而得到下式，这是一个关于$\lambda$的$n$次多项式，也称为特征方程或特征多项式，从而解得$n$个特征值${\lambda }_1,{\lambda }_2,...,{\lambda }_n$。
$$\left|\lambda E-A\right|=\left|\begin{array}{cccc}\lambda -a_{11}& -a_{12}& \cdots & -a_{1n}\\ -a_{21}& \lambda -a_{22}& \cdots & -a_{2n}\\ ⋮& ⋮& \ddots & ⋮\\ -a_{n1}& -a_{n2}& \cdots & \lambda -a_{nn}\end{array}\right|=0$$
  Step2：特征向量求解
  对于每一个特征值 ${\lambda }_i$，通过求解方程组 $\left({\lambda }_{i}E-A\right)X_i=0$，得到特征向量$X_i$。这可以转化为齐次线性方程组求解问题，具体步骤如下：

1. 将 ${\lambda }_{i}E-A$ 表示为增广矩阵形式。
2. 对增广矩阵进行高斯消元，得到方程组的简化形式。
3. 根据简化形式，利用回代法求解出特征向量 $X_i$。
     

基本性质

  性质1： 矩阵$A$的$n$个特征值之和等于$A$的$n$个对角元素之和，也常被成为$A$的迹，记作$tr(A)$，即
$${\lambda }_1+{\lambda }_2+...+{\lambda }_n=a_{11}+a_{22}+...+a_{nn}=tr\left(A\right)$$

  性质2：矩阵$A$的$n$个特征值之积等于$A$的行列式，即
$${\lambda }_1{\lambda }_2...{\lambda }_n=\left|A\right|$$

  性质3：线性无关的特征向量可实现矩阵$A$的相似对角化，记$P=\left[X_1{X}_2...X_n\right]$，则
$$P^{-1}AP=diag\left({\lambda }_1,{\lambda }_2,...,{\lambda }_n\right)$$

  性质4：特征值是唯一确定的，但是特征向量具有不同的形式。补充：一方面，特征向量可以选择不同的模长；另一方面，特征向量可以选择不同的基向量。例如，对于单重特征值，特征向量是一维的，可以选择两个方向，对于双重的特征值，特征向量是二维的，可以选择任意一组基向量作为特征向量，详见下述解析计算。

解析计算

  对于矩阵 $A$：
$$A=\left[\begin{array}{ccc}-1& 1& 1\\ 1& -1& 1\\ 1& 1& -1\end{array}\right]$$

  Step1：特征值求解
  展开方程 $\left|\lambda E-A\right|=0$ 得到：
$$\left|\lambda E-A\right|=\left|\begin{array}{ccc}\lambda +1& -1& -1\\ -1& \lambda +1& -1\\ -1& -1& \lambda +1\end{array}\right|=0$$
  展开行列式，得到关于 $\lambda$ 的多项式：
$$(\lambda -1)(\lambda +2{)}^2=0$$
  解这个特征多项式，得到特征值 ${\lambda }_1=-1$ 和 ${\lambda }_2={\lambda }_3=-2$。

  Step2：特征向量求解

  对于特征值 ${\lambda }_1=-1$，我们解方程组 $({\lambda }_{1}E-A)X=0$，即：

$$\left(\begin{array}{ccc}0& -1& -1\\ -1& 0& -1\\ -1& -1& 0\end{array}\right)X=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)$$
  对增广矩阵进行高斯消元，得到简化形式为：
$$\left(\begin{array}{ccc}1& 0& 1\\ 0& 1& 1\\ 0& 0& 0\end{array}\right)X=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)$$
  这里有一个自由变量，我们令 $x_3=t$，其中 $t\ne 0$，然后可以得到：
$$X=t\left(\begin{array}{c}-1\\ -1\\ 1\end{array}\right)$$
  因此，对应于特征值 ${\lambda }_1=-1$ 的特征向量为 $X_1=\left(\begin{array}{c}-1\\ -1\\ 1\end{array}\right)$。

  对于特征值 ${\lambda }_2={\lambda }_3=-2$，我们解方程组 $({\lambda }_{2}E-A)X=0$，即：

$$\left(\begin{array}{ccc}-1& -1& -1\\ -1& -1& -1\\ -1& -1& -1\end{array}\right)X=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)$$

  对增广矩阵进行高斯消元，得到简化形式为：
$$\left(\begin{array}{ccc}1& 1& 1\\ 0& 0& 0\\ 0& 0& 0\end{array}\right)X=\left(\begin{array}{c}0\\ 0\\ 0\end{array}\right)$$

  这里有两个自由变量，我们令 $x_2=s$ 和 $x_3=t$，其中 $s,t\ne 0$，然后可以得到：
$$X=s\left(\begin{array}{c}1\\ -1\\ 0\end{array}\right)+t\left(\begin{array}{c}1\\ 0\\ -1\end{array}\right)$$

  因此，对应于特征值 ${\lambda }_2={\lambda }_3=-2$ 的特征向量为 $X_2=\left(\begin{array}{c}1\\ -1\\ 0\end{array}\right)$ 和 $X_3=\left(\begin{array}{c}1\\ 0\\ -1\end{array}\right)$。

Matlab实现

  实际过程中，可直接采用Matlab求解特征值和特征向量，示例代码如下所示。

% 给定矩阵 A
A = [-1, 1, 1; 1, -1, 1; 1, 1, -1];

% 求解特征值和特征向量
[V, D] = eig(A);

% 输出特征值和特征向量
disp('特征值：');
disp(diag(D)');
disp('特征向量：');
disp(V);

  如下结果可以看出，求解所得特征值与解析计算是一致的，但特征向量的选择有所不同。一方面，Matlab进行了模长度的归一化（通过$\lambda =1$的特征向量可以看出）；另一方面，Matlab选择的是正交基作为$\lambda =2$的特征向量。

参考文献

参考1：线性代数，特征值与特征向量