矩阵特征值

简介

本文的主要是内容是从矩阵的特征值出发，不断深入与之相关的线性代数知识。

为什么要研究矩阵的特征值

矩阵是一种计算工具，研究矩阵的特征值可以简化矩阵的计算，至于到底能简化什么计算，请往后看。
先看一个例子。
已知序列F是Fibonacci序列：
$$1,1,2,3,5,8,...$$
$$F_{k+1}=F_k+F_{k-1}$$
给上面的方程添加一个恒等式:
$$F_k=F_k$$
设$u_k=\left(\begin{array}{c}{F}_{k+1}\\ F_k\end{array}\right)$
则方程组可以写成矩阵形式：
$$u_k=A{u}_{k-1}，A=\left(\begin{array}{cc}1& 1\\ 1& 0\end{array}\right)$$
于是

$$u_k=A^k{u}_0$$

矩阵的幂计算量很大，接下来看特征值是如何简化这个计算。

特征值定义

方阵$A$，若存在非零向量$x$使得$Ax=\lambda x$，则$\lambda$称为矩阵A的特征值，x为对应的特征向量。

把A看作是一种变换，则等式的意义就是对于特征向量x，经过A变换后的方向不变。举例：若A的作用是对地球旋转变换，无论旋转角度等于多少，南极和北极均可以视为A的特征向量。

方阵A的特征值之和等于A的对角线元素之和(迹)。

这个性质可以用二项式定理证明。

如果A是三角阵，则A的对角线元素就是特征值。

$A^T$与A具有相同的特征值。

证明:$|A-\lambda I|=|A^T-\lambda I|$,这说明特征值方程相同，所以特征值相同，但是特征向量一般不同。

如果方阵A有n个线性无关的特征向量，将这n个特征向量组成一个矩阵S，则有
$$S^{-1}AS=\Lambda$$
其中$\Lambda$ 是一个对角阵，其对角线元素就是A的特征值。

可以利用AS=S$\Lambda$证明。
注意事项：1要考虑什么样的方阵符合条件;2S不是唯一，因为特征向量的常数倍仍是特征向量;3如果AS=S$\Lambda$，则S的列向量必然是A的特征向量。
由注意事项1引出：
A的特征向量x,y对应不同的特征值，则x，y线性无关。
推论：
如果A具有n个不同的特征值，则A可以用特征向量对角化。
如果A有重特征值呢？那就看关键问题：是否有n个线性无关的特征向量组。
再介绍一个结论：

如果AB=BA,则A，B具有相同的特征向量。

由于S可逆，故有：
$$A=S\Lambda S^{-1}$$
所以$A^2=S{\Lambda }^2{S}^{-1}$

$$A^k=S{\Lambda }^k{S}^{-1}$$

回到开头Fibonacci序列的问题，将$A^k$次公式代入，可以看到：对角阵的幂是很容易计算的，这就大大简化了矩阵A的幂的计算。
这里再说一点，特征值和特征向量的意义。如果令$u_k=S{v}_k$，则有
$u_k=A{u}_{k-1}=AS{v}_{k-1}=S\Lambda v_{k-1}=S{v}_k$
看右边的等式，消去S可以得到
$$v_k=\Lambda v_{k-1}$$
这个式子还原成方程组形式,如果设v的分量未知数分别为x,y…：
$$\begin{gathered} f(x)=0 \\ g(y)=0 \end{gathered}$$
$$...$$
可以看出令$u=Sv$以后，方程组未知数之间实现了解耦。这说明矩阵的特征向量可以描述系统的内部耦合情况。
我不想进行具体的计算，但下面的结论只有计算过了才能理解更透彻。考虑特征值矩阵的k次方。若k相当大，则特征值的k次方是否收敛，就决定了系统是否能达到稳态。
利用矩阵的特征值特征向量，对矩阵A进行对角化，可以解微分或者差分方程，不举例了。
再强调一下，利用矩阵的特征值特征向量，对矩阵A进行对角化，得到对角矩阵与A具有相同的特征值。这就是特征值研究的目的，为了得到一个与A具有相同特征值的对角矩阵。这个概念也称为相似矩阵。

复数领域

在计算特征值的时候，很容易碰到无实数解的情况，下面是将实数推广到复数。这部分内容看起来复杂，名词一头雾水，但实质内容并不困难，只是在某些计算上做一些微小的修正。
直接亮出结论：

实数域的转置T，在复数域应该是：共轭转置H。

计算内积时可以发现这么做的原因。实数域里一切涉及到转置T的运算在复数域里都替换成H。
复对阵矩阵：$A$