线性代数及矩阵论（六）

线性代数原文 MIT 18.06 线性代数笔记
矩阵论笔记来自 工程矩阵理论
综合线性代数 机器学习的数学基础
配合视频 线性代数 工程矩阵理论

二十一、特征值和特征向量

1.特征值、特征向量的由来

给定矩阵$A$，矩阵$A$乘以向量$x$，就像是使用矩阵$A$作用在向量$x$上，最后得到新的向量$Ax$。在这里，矩阵$A$就像是一个函数，接受一个向量$x$作为输入，给出向量$Ax$作为输出。

在这一过程中，我们对一些特殊的向量很感兴趣，他们在输入$x$输出$Ax$的过程中始终保持同一个方向，这是比较特殊的，因为在大多情况下，$Ax$与$x$指向不同的方向。在这种特殊的情况下，$Ax$平行于$x$，我们把满足这个条件的$x$成为特征向量（Eigen vector）。这个平行条件用方程表示就是：

$$Ax=\lambda x\text{\hspace{1em}(1)}$$

• 对这个式子，我们试着计算特征值为$0$的特征向量，此时有$Ax=0$，也就是特征值为$0$的特征向量应该位于$A$的零空间中。

  也就是说，如果矩阵是奇异的，那么它将有一个特征值为$\lambda =0$。

• 我们再来看投影矩阵$P=A(A^{T}A{)}^{-1}{A}^T$的特征值和特征向量。用向量$b$乘以投影矩阵$P$得到投影向量$Pb$，在这个过程中，只有当$b$已经处于投影平面（即$A$的列空间）中时，$Pb$与$b$才是同向的，此时$b$投影前后不变（$Pb=1\cdot b$）。

  即在投影平面中的所有向量都是投影矩阵的特征向量，而他们的特征值均为$1$。

  再来观察投影平面的法向量，也就是投影一讲中的$e$向量。我们知道对于投影，因为$e\perp C(A)$，所以$Pe=0e$，即特征向量$e$的特征值为$0$。

  于是，投影矩阵的特征值为$\lambda =1,0$。

• 再多讲一个例子，二阶置换矩阵$A=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]$，经过这个矩阵处理的向量，其元素会互相交换。

  那么特征值为$1$的特征向量（即经过矩阵交换元素前后仍然不变）应该型为$\left[\begin{array}{c}1\\ 1\end{array}\right]$。

  特征值为$-1$的特征向量（即经过矩阵交换元素前后方向相反）应该型为$\left[\begin{array}{c}1\\ -1\end{array}\right]$。

再提前透露一个特征值的性质：对于一个$n\times n$的矩阵，将会有$n$个特征值，而这些特征值的和与该矩阵对角线元素的和相同，因此我们把矩阵对角线元素称为矩阵的迹（trace）。$$\sum _{i=1}^n{\lambda }_i=\sum _{i=1}^n{a}_{ii}$$

在上面二阶转置矩阵的例子中，如果我们求得了一个特征值$1$，那么利用迹的性质，我们就可以直接推出另一个特征值是$-1$。

一些结论：

1. 对于方阵$A$和方阵$B$，$AB$和$BA$有相同的特征值
2. 若A的特征值是$\lambda$,那么$kA，A^m，aA+bE，A^{-1}，A^{\ast }，a{A}^{-1}+b{A}^{\ast }$的特征值是$k\lambda ，{\lambda }^m，a\lambda +b，{\lambda }^{-1}，\frac{|A|}{\lambda }，\frac{a+b|A|}{\lambda }$(从特征值的意义上理解)
3. 若矩阵$A$的特征值是$\lambda$，那么矩阵$f(A)$的特征值是$f(\lambda )$，$f(x)$可以是任意函数，包括$e^x$，如$e^A$的特征值是$e^{{\lambda }_1},e^{{\lambda }_2},e^{{\lambda }_3},\cdots ,e^{{\lambda }_n}$
4. 逆矩阵的特征值和特征向量

2.求解$Ax=\lambda x$

对于方程$Ax=\lambda x$，有两个未知数，我们需要利用一些技巧从这一个方程中一次解出两个未知数，先移项得$(A-\lambda E)x=0$。

观察$(A-\lambda E)x=0$，右边的矩阵相当于将$A$矩阵平移了$\lambda$个单位，而如果方程有解，则这个平移后的矩阵$(A-\lambda E)$一定是奇异矩阵。根据前面学到的行列式的性质，则有$$|A-\lambda E|=0\text{\hspace{1em}(2)}$$

这样一来，方程中就没有$x$了，这个方程也叫作特征方程（characteristic equation）。有了特征值，代回$(A-\lambda E)x=0$，继续求$(A-\lambda E)$的零空间即可。

• 现在计算一个简单的例子，$A=\left[\begin{array}{cc}3& 1\\ 1& 3\end{array}\right]$，再来说一点题外话，这是一个对称矩阵，我们将得到实特征值，前面还有置换矩阵、投影矩阵，矩阵越特殊，则我们得到的特征值与特征向量也越特殊。看置换矩阵中的特征值，两个实数$1,-1$，而且它们的特征向量是正交的。

  回到例题，计算$|A-\lambda E|=\left|\begin{array}{cc}3-\lambda & 1\\ 1& 3-\lambda \end{array}\right|$，也就是对角矩阵平移再取行列式。原式继续化简得$(3-\lambda {)}^2-1={\lambda }^2-6\lambda +8=0,{\lambda }_1=4,{\lambda }_2=2$。可以看到一次项系数$-6$与矩阵的迹有关，常数项与矩阵的行列式有关。

  (由此，若两个矩阵$A,B$相似可得到 $tr(A)=tr(B),|A|=|B|$)继续计算特征向量，$A-4E=\left[\begin{array}{cc}-1& 1\\ 1& -1\end{array}\right]$，显然矩阵是奇异的（如果是非奇异说明特征值计算有误），解出矩阵的零空间$x_1=\left[\begin{array}{c}1\\ 1\end{array}\right]$；同理计算另一个特征向量，$A-2E=\left[\begin{array}{cc}1& 1\\ 1& 1\end{array}\right]$，解出矩阵的零空间$x_2=\left[\begin{array}{c}1\\ -1\end{array}\right]$。

  回顾前面转置矩阵的例子，对矩阵$A^{\prime }=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]$有${\lambda }_1=1,x_1=\left[\begin{array}{c}1\\ 1\end{array}\right],{\lambda }_2=-1,x_2=\left[\begin{array}{c}-1\\ 1\end{array}\right]$。看转置矩阵$A^{\prime }$与本例中的对称矩阵$A$有什么联系。

  易得$A=A^{\prime }+3E$，两个矩阵特征向量相同，而其特征值刚好相差$3$。也就是如果给一个矩阵加上$3E$，则它的特征值会加$3$，而特征向量不变。这也很容易证明，如果$Ax=\lambda x$，则$(A+3E)x=\lambda x+3x=(\lambda +3)x$，所以$x$还是原来的$x$，而$\lambda$变为$\lambda +3$。

接下来，看一个关于特征向量认识的误区：已知$Ax=\lambda x,Bx=\alpha x$，则有$(A+B)x=(\lambda +\alpha )x$，当$B=3E$时，在上例中我们看到，确实成立，但是如果$B$为任意矩阵，则推论不成立，因为这两个式子中的特征向量$x$并不一定相同，所以两个式子的通常情况是$Ax=\lambda x,By=\alpha y$，它们也就无从相加了。

• 再来看旋转矩阵的例子，旋转$90^{\circ }$的矩阵$Q=\left[\begin{array}{cc}\cos 90& -\sin 90\\ \sin 90& \cos 90\end{array}\right]=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$（将每个向量旋转$90^{\circ }$，用$Q$表示因为旋转矩阵是正交矩阵中很重要的例子）。

  上面提到特征值的一个性质：特征值之和等于矩阵的迹；现在有另一个性质：特征值之积等于矩阵的行列式。$$\prod _{i=1}^n{\lambda }_i=|A|$$

  对于$Q$矩阵，有$\{\begin{array}{ll}{\lambda }_1+{\lambda }_2& =0\\ {\lambda }_1\cdot {\lambda }_2& =1\end{array}$，再来思考特征值与特征向量的由来，哪些向量旋转$90^{\circ }$后与自己平行，于是遇到了麻烦，并没有这种向量，也没有这样的特征值来满足前面的方程组。

  我们来按部就班的计算，$|Q-\lambda E|=\left|\begin{array}{cc}\lambda & -1\\ 1& \lambda \end{array}\right|={\lambda }^2+1=0$，于是特征值为${\lambda }_1=i,{\lambda }_2=-i$，我们看到这两个值满足迹与行列式的方程组，即使矩阵全是实数，其特征值也可能不是实数。本例中即出现了一对共轭负数，我们可以说，如果矩阵越接近对称，那么特征值就是实数。如果矩阵越不对称，就像本例，$Q^T=-Q$，这是一个反对称的矩阵，于是我得到了纯虚的特征值，这是极端情况，通常我们见到的矩阵是介于对称与反对称之间的。

  于是我们看到，对于好的矩阵（置换矩阵）有实特征值及正交的特征向量，对于不好的矩阵（$90^{\circ }$旋转矩阵）有纯虚的特征值。

• 再来看一个更糟的情况，$A=\left[\begin{array}{cc}3& 1\\ 0& 3\end{array}\right]$，这是一个三角矩阵，我们可以直接得出其特征值，即对角线元素。来看如何得到这一结论的：$|A-\lambda E|=\left|\begin{array}{cc}3-\lambda & 1\\ 0& 3-\lambda \end{array}\right|=(3-\lambda {)}^2=0$，于是${\lambda }_1=3,{\lambda }_2=3$。而我们说这是一个糟糕的状况，在于它的特征向量。

  带入特征值计算特征向量，带入${\lambda }_1=3$得$(A-\lambda E)x=\left[\begin{array}{cc}0& 1\\ 0& 0\end{array}\right]\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right]$，算出一个特征值$x_1=\left[\begin{array}{c}1\\ 0\end{array}\right]$，当我们带入第二个特征值${\lambda }_1=3$时，我们无法得到另一个与$x_1$线性无关的特征向量了。

  而本例中的矩阵$A$是一个退化矩阵（degenerate matrix），重复的特征值在特殊情况下可能导致特征向量的短缺。

这一讲我们看到了足够多的“不好”的矩阵，下一讲会介绍一般情况下的特征值与特征向量。

• 计算$|A-\lambda E|$时，出现常数就把他融合进其他括号里，使整个式子能拆分（题给的式子一般都能拆分，往那个方向上靠），例如 $(3-\lambda {)}^2(1+\lambda )-10-(-7)(3-\lambda )-(1+\lambda )2=0$，这里$-10$和$(-7)(3-\lambda )$就可以融合成$(1+\lambda )$的格式，从而把$(1+\lambda )$提出来

二十二、对角化和$A$的幂

1.对角化矩阵

上一讲我们提到关键方程$Ax=\lambda x$，通过$|A-\lambda E|=0$得到特征向量$\lambda$，再带回关键方程算出特征向量$x$。

在得到特征值与特征向量后，该如何使用它们？我们可以利用特征向量来对角化给定矩阵。

有矩阵$A$，它的特征向量为$x_1,x_2,\cdots ,x_n$，使用特征向量作为列向量组成一个矩阵$S=[x_1{x}_2\cdots x_n]$，即特征向量矩阵， 再使用公式$$S^{-1}AS=\Lambda \text{\hspace{1em}(1)}$$将$A$对角化。注意到公式中有$S^{-1}$，也就是说特征向量矩阵$S$必须是可逆的，于是我们需要$n$个线性无关的特征向量。

现在，假设$A$有$n$个线性无关的特征向量，将它们按列组成特征向量矩阵$S$，则$AS=A[x_1{x}_2\cdots x_n]$，当我们分开做矩阵与每一列相乘的运算时，易看出$A{x}_1$就是矩阵与自己的特征向量相乘，其结果应该等于${\lambda }_1{x}_1$。那么$AS=[({\lambda }_1{x}_1)({\lambda }_2{x}_2)\cdots ({\lambda }_n{x}_n)]$。可以进一步化简原式，使用右乘向量按列操作矩阵的方法，将特征值从矩阵中提出来，得到$[x_1{x}_2\cdots x_n]\left[\begin{array}{cccc}{\lambda }_1& 0& \cdots & 0\\ 0& {\lambda }_2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\lambda }_n\end{array}\right]=S\Lambda$。

于是我们看到，从$AS$出发，得到了$S\Lambda$，特征向量矩阵又一次出现了，后面接着的是一个对角矩阵，即特征值矩阵。这样，再继续左乘$S^{-1}$就得到了上面的公式。当然，所以运算的前提条件是特征向量矩阵$S$可逆，即矩阵$A$有$n$个线性无关的特征向量。这个式子还要另一种写法，$A=S\Lambda S^{-1}$。

我们来看如何应用这个公式，比如说要计算$A^2$。

• 先从$Ax=\lambda x$开始，如果两边同乘以$A$，有$A^{2}x=\lambda Ax={\lambda }^{2}x$，于是得出结论，对于矩阵$A^2$，其特征值也会取平方，而特征向量不变。
• 再从$A=S\Lambda S^{-1}$开始推导，则有$A^2=S\Lambda S^{-1}S\Lambda S^{-1}=S{\Lambda }^2{S}^{-1}$。同样得到特征值取平方，特征向量不变。

两种方法描述的是同一个现象，即对于矩阵幂运算$A^2$，其特征向量不变，而特征值做同样的幂运算。对角矩阵${\Lambda }^2=\left[\begin{array}{cccc}{\lambda }_1^2& 0& \cdots & 0\\ 0& {\lambda }_2^2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\lambda }_n^2\end{array}\right]$。

特征值和特征向量给我们了一个深入理解矩阵幂运算的方法，$A^k=S{\Lambda }^k{S}^{-1}$。

再来看一个矩阵幂运算的应用：如果$k\to \infty$，则$A^k\to 0$（趋于稳定）的条件是什么？从$S{\Lambda }^k{S}^{-1}$易得，$|{\lambda }_i|<1$。再次强调，所有运算的前提是矩阵$A$存在$n$个线性无关的特征向量。如果没有$n$个线性无关的特征向量，则矩阵就不能对角化。

关于矩阵可对角化的条件：

• 如果一个矩阵有$n$个互不相同的特征值（即没有重复的特征值），则该矩阵具有$n$个线性无关的特征向量，因此该矩阵可对角化。

• 如果一个矩阵的特征值存在重复值，则该矩阵可能具有$n$个线性无关的特征向量。比如取$10$阶单位矩阵，$E_{10}$具有$10$个相同的特征值$1$，但是单位矩阵的特征向量并不短缺，每个向量都可以作为单位矩阵的特征向量（别忘了特征向量和特征值的由来），我们很容易得到$10$个线性无关的特征向量。当然这里例子中的$E_{10}$的本来就是对角矩阵，它的特征值直接写在矩阵中，即对角线元素。

  同样的，如果是三角矩阵，特征值也写在对角线上，但是这种情况我们可能会遇到麻烦。矩阵$A=\left[\begin{array}{cc}2& 1\\ 0& 2\end{array}\right]$，计算行列式值$|A-\lambda E|=\left|\begin{array}{cc}2-\lambda & 1\\ 0& 2-\lambda \end{array}\right|=(2-\lambda {)}^2=0$，所以特征值为${\lambda }_1={\lambda }_2=2$，带回$Ax=\lambda x$得到计算$\left[\begin{array}{cc}0& 1\\ 0& 0\end{array}\right]$的零空间，我们发现$x_1=x_2=\left[\begin{array}{c}1\\ 0\end{array}\right]$，代数重度（algebraic multiplicity，计算特征值重复次数时，就用代数重度，就是它作为多项式根的次数，这里的多项式就是$(2-\lambda {)}^2$）为$2$，这个矩阵无法对角化。这就是上一讲的退化矩阵。

由于$k$重特征值最多只会有$k$个线性无关的特征向量，因此就有引入广义特征向量的需求（在一阶高维线性方程组部分）

• 计算矩阵幂次的一般性方法，Hamilton-Cayley定理求解高次幂

2.求$u_{k+1}=A{u}_k$

从$u_1=A{u}_0$开始，$u_2=A^2{u}_0$，所有$u_k=A^k{u}_0$。下一讲涉及微分方程（differential equation），会有求导的内容，本讲先引入简单的差分方程（difference equation）。本例是一个一阶差分方程组（first order system）。

要解此方程，需要将$u_0$展开为矩阵$A$特征向量的线性组合，即$u_0=c_1{x}_1+c_2{x}_2+\cdots +c_n{x}_n=[x_1{x}_2\cdots x_n]\left[\begin{array}{c}{c}_1\\ c_2\\ ⋮\\ c_n\end{array}\right]=Sc$。于是$A{u}_0=c_{1}A{x}_1+c_{2}A{x}_2+\cdots +c_{n}A{x}_n=c_1{\lambda }_1{x}_1+c_2{\lambda }_2{x}_2+\cdots +c_n{\lambda }_n{x}_n$。继续化简原式，$A{u}_0=[x_1{x}_2\cdots x_n]\left[\begin{array}{cccc}{\lambda }_1& 0& \cdots & 0\\ 0& {\lambda }_2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\lambda }_n\end{array}\right]\left[\begin{array}{c}{c}_1\\ c_2\\ ⋮\\ c_n\end{array}\right]=S\Lambda c$。用矩阵的方式同样可以得到该式：$A{u}_0=S\Lambda S^{-1}{u}_0=S\Lambda S^{-1}Sc=S\Lambda c$。

那么如果我们要求$A^{100}{u}_0$，则只需要将$\lambda$变为${\lambda }^{100}$，而系数$c$与特征向量$x$均不变。

当我们真的要计算$A^{100}{u}_0$时，就可以使用$S{\Lambda }^{100}c=c_1{\lambda }_1^{100}{x}_1+c_2{\lambda }_2^{100}{x}_2+\cdots +c_n{\lambda }_n^{100}{x}_n$。

接下来看一个斐波那契数列（Fibonacci sequence）的例子：

$0,1,1,2,3,5,8,13,\cdots ,F_{100}=?$，我们要求第一百项的公式，并观察这个数列是如何增长的。可以想象这个数列并不是稳定数列，因此无论如何该矩阵的特征值并不都小于一，这样才能保持增长。而他的增长速度，则有特征值来决定。

已知$F_{k+2}=F_{k_1}+F_k$，但这不是$u_{k+1}=A{u}_k$的形式，而且我们只要一个方程，而不是方程组，同时这是一个二阶差分方程（就像含有二阶导数的微分方程，希望能够化简为一阶倒数，也就是一阶差分）。

使用一个小技巧，令$u_k=\left[\begin{array}{c}{F}_{k+1}\\ F_k\end{array}\right]$，再追加一个方程组成方程组：$\{\begin{array}{ll}{F}_{k+2}& =F_{k+1}+F_k\\ F_{k+1}& =F_{k+1}\end{array}$，再把方程组用矩阵表达得到$\left[\begin{array}{c}{F}_{k+2}\\ F_{k+1}\end{array}\right]=\left[\begin{array}{cc}1& 1\\ 1& 0\end{array}\right]\left[\begin{array}{c}{F}_{k+1}\\ F_k\end{array}\right]$，于是我们得到了$u_{k+1}=A{u}_k,A=\left[\begin{array}{cc}1& 1\\ 1& 0\end{array}\right]$。我们把二阶标量方程（second-order scalar problem）转化为一阶向量方程组（first-order system）。

我们的矩阵$A=\left[\begin{array}{cc}1& 1\\ 1& 0\end{array}\right]$是一个对称矩阵，所以它的特征值将会是实数，且他的特征向量将会互相正交。因为是二阶，我们可以直接利用迹与行列式解方程组$\{\begin{array}{ll}{\lambda }_1+{\lambda }_2& =1\\ {\lambda }_1\cdot {\lambda }_2& =-1\end{array}$。在求解之前，我们先写出一般解法并观察$\left|A-\lambda E\right|=\left|\begin{array}{cc}1-\lambda & 1\\ 1& -\lambda \end{array}\right|={\lambda }^2-\lambda -1=0$，与前面斐波那契数列的递归式$F_{k+2}=F_{k+1}+F_k\to F_{k+2}-F_{k+1}-F_k=0$比较，我们发现这两个式子在项数与幂次上非常相近。

• 用求根公式解特征值得$\{\begin{array}{l}{\lambda }_1=\frac{1}{2}\left(1+\sqrt{5}\right)\approx 1.618\\ {\lambda }_2=\frac{1}{2}\left(1-\sqrt{5}\right)\approx -0.618\end{array}$，得到两个不同的特征值，一定会有两个线性无关的特征向量，则该矩阵可以被对角化。

我们先来观察这个数列是如何增长的，数列增长由什么来控制？——特征值。哪一个特征值起决定性作用？——较大的一个。

$F_{100}=c_1{\left(\frac{1+\sqrt{5}}{2}\right)}^{100}+c_2{\left(\frac{1-\sqrt{5}}{2}\right)}^{100}\approx c_1{\left(\frac{1+\sqrt{5}}{2}\right)}^{100}$，由于$-0.618$在幂增长中趋近于$0$，所以近似的忽略该项，剩下较大的项，我们可以说数量增长的速度大约是$1.618$。可以看出，这种问题与求解$Ax=b$不同，这是一个动态的问题，$A$的幂在不停的增长，而问题的关键就是这些特征值。

• 继续求解特征向量，$A-\lambda E=\left[\begin{array}{cc}1-\lambda & 1\\ 1& 1-\lambda \end{array}\right]$，因为有根式且矩阵只有二阶，我们直接观察$\left[\begin{array}{cc}1-\lambda & 1\\ 1& 1-\lambda \end{array}\right]\left[\begin{array}{c}?\\ ?\end{array}\right]=0$，由于${\lambda }^2-\lambda -1=0$，则其特征向量为$\left[\begin{array}{c}\lambda \\ 1\end{array}\right]$，即$x_1=\left[\begin{array}{c}{\lambda }_1\\ 1\end{array}\right],x_2=\left[\begin{array}{c}{\lambda }_2\\ 1\end{array}\right]$。

最后，计算初始项$u_0=\left[\begin{array}{c}{F}_1\\ F_0\end{array}\right]=\left[\begin{array}{c}1\\ 0\end{array}\right]$，现在将初始项用特征向量表示出来$\left[\begin{array}{c}1\\ 0\end{array}\right]=c_1{x}_1+c_2{x}_2$，计算系数得$c_1=\frac{\sqrt{5}}{5},c_2=-\frac{\sqrt{5}}{5}$。

来回顾整个问题，对于动态增长的一阶方程组，初始向量是$u_0$，关键在于确定$A$的特征值及特征向量。特征值将决定增长的趋势，发散至无穷还是收敛于某个值。接下来需要找到一个展开式，把$u_0$展开成特征向量的线性组合。

• 再下来就是套用公式，即$A$的$k$次方表达式$A^k=S{\Lambda }^k{S}^{-1}$，则有$u_{99}=A{u}_{98}=\cdots =A^{99}{u}_0=S{\Lambda }^{99}{S}^{-1}Sc=S{\Lambda }^{99}c$，代入特征值、特征向量得$u_{99}=\left[\begin{array}{c}{F}_{100}\\ F_{99}\end{array}\right]=\left[\begin{array}{cc}\frac{1+\sqrt{5}}{2}& \frac{1-\sqrt{5}}{2}\\ 1& 1\end{array}\right]\left[\begin{array}{cc}{\left(\frac{1+\sqrt{5}}{2}\right)}^{99}& 0\\ 0& {\left(\frac{1-\sqrt{5}}{2}\right)}^{99}\end{array}\right]\left[\begin{array}{c}\frac{\sqrt{5}}{5}\\ -\frac{\sqrt{5}}{5}\end{array}\right]=\left[\begin{array}{c}{c}_1{\lambda }_1^{100}+c_2{\lambda }_2^{100}\\ c_1{\lambda }_1^{99}+c_2{\lambda }_2^{99}\end{array}\right]$，最终结果为$F_{100}=c_1{\lambda }_1^{100}+c_2{\lambda }_2^{100}$。

• 原式的通解为$u_k=c_1{\lambda }^k{x}_1+c_2{\lambda }^k{x}_2$。

• 总结 $AS=S\Lambda \to A=S\Lambda S^{-1}\to u_{k+1}=A{u}_k=A^{k+1}{u}_0,u_0=Sc\to u_{k+1}=S{\Lambda }^{k+1}{S}^{-1}Sc=S{\Lambda }^{k+1}c$