【数值分析 - 3. 特征分解】

矩阵分解

矩阵分解

矩阵分解（或称为矩阵因式分解）是线性代数中的一个重要概念，在许多领域如机器学习、数据分析、信号处理等都有广泛应用。下面是10种常见的矩阵分解方法：

1. 奇异值分解（SVD）

   • 将任意矩阵 $A$ 分解成三个矩阵的乘积 $U\Sigma V^T$，其中 $U$ 和 $V$ 是正交矩阵，$\Sigma$ 是一个对角矩阵。

2. 特征分解（Eigenvalue Decomposition）

   • 适用于方阵，将矩阵 $A$ 分解为 $Q\Lambda Q^{-1}$，其中 $Q$ 包含特征向量，$\Lambda$ 是对角矩阵，其元素是对应的特征值。

3. QR 分解

   • 将矩阵 $A$ 表示为正交矩阵 $Q$ 和上三角矩阵 $R$ 的乘积，即 $A=QR$。

4. LU 分解

   • 将矩阵 $A$ 分解为下三角矩阵 $L$ 和上三角矩阵 $U$ 的乘积，即 $A=LU$。有时还会引入置换矩阵 $P$ 来保证分解成功，即 $PA=LU$。

5. Cholesky 分解

   • 针对对称正定矩阵 $A$，将其分解为下三角矩阵 $L$ 和其转置 $L^T$ 的乘积，即 $A=L{L}^T$。

6. 极分解（Polar Decomposition）

   • 将矩阵 $A$ 分解为正交矩阵 $U$ 和半正定对称矩阵 $P$ 的乘积，即 $A=UP$ 或 $A=PU$。

7. 非负矩阵分解（NMF）

   • 对于非负矩阵 $A$，找到非负矩阵 $W$ 和 $H$，使得 $A\approx WH$，这在数据挖掘和模式识别中有应用。

8. 稀疏编码（Sparse Coding）

   • 类似于 NMF，但是目标是让矩阵的一个因子尽可能稀疏，通常用于信号处理和机器学习中的特征学习。

9. 核范数最小化（Nuclear Norm Minimization）

   • 一种优化问题，用于低秩矩阵恢复或补全，通过最小化矩阵的核范数来逼近原始矩阵。

10. 张量分解（Tensor Decomposition）

    • 虽然严格意义上不是矩阵分解，但在高维数据分析中，将多维数组（张量）分解为多个低秩张量的乘积也是一种常见技术，如 CANDECOMP/PARAFAC (CP) 分解或 Tucker 分解。

每种分解都有其特定的应用场景和优势，选择哪种分解取决于具体的问题和数据特性。

矩阵分解的应用场景

不同的矩阵分解方法因其各自的特性和数学性质，在实际应用中有着不同的用途。以下是这些方法在不同场景中的典型应用：

1. 奇异值分解（SVD）

   • 应用场景：降维、数据压缩、图像处理、推荐系统、文本分析中的主题建模。
   • 优点：能够揭示数据的主要成分，并且可以去除噪声。

2. 特征分解（Eigenvalue Decomposition）

   • 应用场景：稳定性分析、主成分分析（PCA）、谱聚类。
   • 优点：能够帮助理解矩阵的内在结构，特别是对于对称矩阵非常有用。

3. QR 分解

   • 应用场景：解决最小二乘问题、数值线性代数中的多项式拟合、信号处理。
   • 优点：QR 分解保证了正交性，有助于减少数值误差。

4. LU 分解

   • 应用场景：求解线性方程组、计算行列式、逆矩阵。
   • 优点：简化了求解过程，特别是当需要多次求解同一系数矩阵的不同常数项时。

5. Cholesky 分解

   • 应用场景：高效地求解线性方程组、最优化问题、概率论与统计学中的协方差矩阵。
   • 优点：对于对称正定矩阵来说，计算速度快且数值稳定。

6. 极分解（Polar Decomposition）

   • 应用场景：机器人学中的运动学、计算机图形学中的变换。
   • 优点：提供了矩阵旋转和平移部分的明确分离。

7. 非负矩阵分解（NMF）

   • 应用场景：图像处理、音频信号处理、文档分类。
   • 优点：结果具有解释性，因为所有元素都是非负的，这有助于理解数据的自然成分。

8. 稀疏编码（Sparse Coding）

   • 应用场景：图像识别、音频处理、生物信息学。
   • 优点：能够从过完备字典中学习到稀疏表示，有利于特征选择和降噪。

9. 核范数最小化（Nuclear Norm Minimization）

   • 应用场景：低秩矩阵恢复、推荐系统、系统辨识。
   • 优点：在数据缺失的情况下仍然能够恢复出完整的矩阵。

10. 张量分解（Tensor Decomposition）

    • 应用场景：多维数据分析、社交网络分析、多媒体数据融合。
    • 优点：可以处理高维数据结构，捕捉到数据之间的复杂关系。

在选择合适的矩阵分解方法时，需要考虑数据的性质（例如是否非负、是否对称）、所需的计算效率、以及最终的应用需求。

1. 矩阵的特征分解

特征分解（Eigenvalue Decomposition），也称为谱分解（Spectral Decomposition），是一种***将矩阵分解为其特征值和特征向量的过程。这种分解仅适用于方阵***，并且对于非对称矩阵，只有在矩阵是可对角化的条件下才成立。下面是特征分解的具体过程和一个计算示例。

1.1 特征分解的过程

1. 计算特征值：

   • 计算矩阵 $A$ 的特征值，即求解特征多项式 $\det (A-\lambda I)=0$ 的根，其中 $\lambda$ 是特征值，$I$ 是单位矩阵。

2. 计算特征向量：

   • 对于每个特征值 ${\lambda }_i$，求解方程 $(A-{\lambda }_{i}I)v_i=0$，得到对应的特征向量 $v_i$。这个方程的解空间（除了零向量外）就是特征向量。

3. 形成特征向量矩阵：

   • 将所有特征向量作为列向量组成矩阵 $Q$。

4. 形成对角矩阵：

   • 将所有特征值放在对角线上形成对角矩阵 $\Lambda$。

5. 组合分解结果：

   • 最终得到的分解形式为 $A=Q\Lambda Q^{-1}$，其中 $Q$ 是由特征向量组成的正交矩阵（如果 $A$ 是对称矩阵，$Q$ 就是酉矩阵），$\Lambda$ 是包含特征值的对角矩阵。

1.2 计算示例

假设我们有一个 $2\times 2$ 的矩阵 $A$：
$A=\left(\begin{array}{cc}1& 2\\ 2& 1\end{array}\right)$

1. 计算特征值：

   • 解决特征多项式 $\det (A-\lambda I)=0$：
     $\det \left(\begin{array}{cc}1-\lambda & 2\\ 2& 1-\lambda \end{array}\right)=(1-\lambda {)}^2-4={\lambda }^2-2\lambda -3=0$
   • 求解二次方程得到特征值 ${\lambda }_1=3,{\lambda }_2=-1$。

2. 计算特征向量：

   • 对于 ${\lambda }_1=3$，解方程 $(A-3I)v_1=0$：
     $\left(\begin{array}{cc}-2& 2\\ 2& -2\end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$
     • 得到 $x=y$，因此一个可能的特征向量为 $v_1=\left(\begin{array}{c}1\\ 1\end{array}\right)$。
   • 对于 ${\lambda }_2=-1$，解方程 $(A+I)v_2=0$：
     $\left(\begin{array}{cc}2& 2\\ 2& 2\end{array}\right)\left(\begin{array}{c}x\\ y\end{array}\right)=\left(\begin{array}{c}0\\ 0\end{array}\right)$
     • 得到 $x=-y$，因此一个可能的特征向量为 $v_2=\left(\begin{array}{c}1\\ -1\end{array}\right)$。

3. 形成特征向量矩阵：

   • 将特征向量作为列向量组成矩阵 $Q$：
     $Q=\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)$

4. 形成对角矩阵：

   • 形成对角矩阵 $\Lambda$：
     $\Lambda =\left(\begin{array}{cc}3& 0\\ 0& -1\end{array}\right)$

5. 组合分解结果：

   • 因此，$A$ 可以分解为：
     $A=Q\Lambda Q^{-1}$

这里，$Q^{-1}$ 是 $Q$ 的逆矩阵，可以通过求解来得到。由于 $Q$ 是正交矩阵，$Q^{-1}=Q^T$，即：
$Q^T={\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)}^T=\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)$

因此，最终的分解形式为：
$A=\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)\left(\begin{array}{cc}3& 0\\ 0& -1\end{array}\right){\left(\begin{array}{cc}1& 1\\ 1& -1\end{array}\right)}^T$

这就是特征分解的具体过程和一个简单的计算示例。

2. 斐波那契数列的矩阵表示、特征分解、数列通解

2.1 斐波那契数列

斐波那契数列是一个著名的数列，定义如下：

$F(n)=F(n-1)+F(n-2)$
$F(0)=0,F(1)=1$

我们可以用矩阵的形式来表示斐波那契数列，这样可以更容易地推导出数列的通项公式。

2.2 矩阵表示

为了用矩阵表示斐波那契数列，我们可以定义一个 $2\times 2$ 的矩阵 $A$ 和一个 $2\times 1$ 的向量 $F_n$，其中 $F_n$ 表示第 $n$ 个斐波那契数和第 $n-1$ 个斐波那契数的列向量。定义如下：

$F_n=\left(\begin{array}{c}F(n)\\ F(n-1)\end{array}\right)$

根据斐波那契数列的定义，我们有：

$F(n+1)=F(n)+F(n-1)$

这可以写成矩阵形式：

$F_{n+1}=A{F}_n$

其中，

$A=\left(\begin{array}{cc}1& 1\\ 1& 0\end{array}\right)$

因此，

$F_{n+1}=\left(\begin{array}{c}F(n+1)\\ F(n)\end{array}\right)=\left(\begin{array}{cc}1& 1\\ 1& 0\end{array}\right)\left(\begin{array}{c}F(n)\\ F(n-1)\end{array}\right)$

2.3 特征分解

接下来，我们进行特征分解。首先计算矩阵 $A$ 的特征值和特征向量。

计算特征值

要找到矩阵 $A$ 的特征值，我们需要解方程：

$\det (A-\lambda I)=0$

$\det \left(\begin{array}{cc}1-\lambda & 1\\ 1& -\lambda \end{array}\right)=(1-\lambda )(-\lambda )-1={\lambda }^2-\lambda -1=0$

特征值 $\lambda$ 为方程的解：

$\lambda =\frac{1\pm \sqrt{5}}{2}$

设 ${\lambda }_1=\frac{1+\sqrt{5}}{2}$ 和 ${\lambda }_2=\frac{1-\sqrt{5}}{2}$。

计算特征向量

对于每个特征值，我们需要找到相应的特征向量。

• 对于 ${\lambda }_1=\frac{1+\sqrt{5}}{2}$，解方程 $(A-{\lambda }_{1}I)v_1=0$：

  $\left(\begin{array}{cc}1-\frac{1+\sqrt{5}}{2}& 1\\ 1& -\frac{1+\sqrt{5}}{2}\end{array}\right)v_1=0$

  这简化为：

  $\left(\begin{array}{cc}-\frac{\sqrt{5}}{2}& 1\\ 1& -\frac{1+\sqrt{5}}{2}\end{array}\right)v_1=0$

  解得一个可能的特征向量 $v_1=\left(\begin{array}{c}\frac{\sqrt{5}-1}{2}\\ 1\end{array}\right)$。

• 对于 ${\lambda }_2=\frac{1-\sqrt{5}}{2}$，解方程 $(A-{\lambda }_{2}I)v_2=0$：

  $\left(\begin{array}{cc}1-\frac{1-\sqrt{5}}{2}& 1\\ 1& -\frac{1-\sqrt{5}}{2}\end{array}\right)v_2=0$

  这简化为：

  $\left(\begin{array}{cc}\frac{\sqrt{5}}{2}& 1\\ 1& -\frac{1-\sqrt{5}}{2}\end{array}\right)v_2=0$

  解得一个可能的特征向量 $v_2=\left(\begin{array}{c}\frac{-\sqrt{5}-1}{2}\\ 1\end{array}\right)$。

形成特征向量矩阵

将特征向量作为列向量组成矩阵 $Q$：

$Q=\left(\begin{array}{cc}\frac{\sqrt{5}-1}{2}& \frac{-\sqrt{5}-1}{2}\\ 1& 1\end{array}\right)$

形成对角矩阵

形成对角矩阵 $\Lambda$：

$\Lambda =\left(\begin{array}{cc}\frac{1+\sqrt{5}}{2}& 0\\ 0& \frac{1-\sqrt{5}}{2}\end{array}\right)$

组合分解结果

最终得到的特征分解形式为：

$A=Q\Lambda Q^{-1}$

其中，$Q$ 是由特征向量组成的矩阵，$\Lambda$​ 是对角矩阵，包含了特征值。通过这种方式，我们可以更方便地分析斐波那契数列的性质，并利用矩阵幂来快速计算斐波那契数列的任意一项。

2.4 数列通解

已知初始条件 $X_0=(0,1)$，

则斐波那契数列的通解为

$X_n=A^n{X}_0=Q{\Lambda }^n{Q}^{-1}{X}_0$

$=\left(\begin{array}{cc}\frac{\sqrt{5}-1}{2}& \frac{-\sqrt{5}-1}{2}\\ 1& 1\end{array}\right){\left(\begin{array}{cc}\frac{1+\sqrt{5}}{2}& 0\\ 0& \frac{1-\sqrt{5}}{2}\end{array}\right)}^n{\left(\begin{array}{cc}\frac{\sqrt{5}-1}{2}& \frac{-\sqrt{5}-1}{2}\\ 1& 1\end{array}\right)}^{-1}(0,1)$ 来快速计算任意时刻的状态 $X_n$。

3. 二阶齐次线性差分方程的矩阵表示、特征分解、方程通解

3.1 二阶齐次线性差分方程

二阶齐次线性差分方程可以用来描述很多离散系统的动态行为。这类方程的一般形式可以写作：

$x_{n+2}=a{x}_{n+1}+b{x}_n$

这里 $a$ 和 $b$ 是常数，$x_n$ 是序列的第 $n$ 项。

3.2 矩阵表示

为了将这个差分方程转换成矩阵形式，我们可以定义一个新的向量 $X_n$，它包含了当前项和前一项：

$X_n=\left(\begin{array}{c}{x}_{n+1}\\ x_n\end{array}\right)$

那么下一个状态 $X_{n+1}$ 可以表示为当前状态 $X_n$ 乘以一个矩阵 $A$：

$X_{n+1}=A{X}_n$

其中矩阵 $A$ 定义为：

$A=\left(\begin{array}{cc}a& b\\ 1& 0\end{array}\right)$

这意味着：

$X_{n+1}=\left(\begin{array}{c}{x}_{n+2}\\ x_{n+1}\end{array}\right)=\left(\begin{array}{cc}a& b\\ 1& 0\end{array}\right)\left(\begin{array}{c}{x}_{n+1}\\ x_n\end{array}\right)=\left(\begin{array}{c}a{x}_{n+1}+b{x}_n\\ x_{n+1}\end{array}\right)$

3.3 特征分解

为了进一步分析这个系统，我们可以对矩阵 $A$ 进行特征分解。特征分解可以帮助我们理解系统的长期行为，并且可以使计算变得更为简单。

计算特征值

首先，我们需要找到矩阵 $A$ 的特征值。特征值 $\lambda$ 是满足以下特征方程的解：

$\det (A-\lambda I)=0$

对于矩阵 $A$，我们有：

$\det \left(\left(\begin{array}{cc}a& b\\ 1& 0\end{array}\right)-\lambda \left(\begin{array}{cc}1& 0\\ 0& 1\end{array}\right)\right)=\det \left(\left(\begin{array}{cc}a-\lambda & b\\ 1& -\lambda \end{array}\right)\right)=0$

计算行列式：

$(a-\lambda )(-\lambda )-b=0$

${\lambda }^2-a\lambda -b=0$

解这个二次方程，我们得到两个特征值 ${\lambda }_1$ 和 ${\lambda }_2$：

${\lambda }_{1,2}=\frac{a\pm \sqrt{a^2+4b}}{2}$

计算特征向量

对于每个特征值 ${\lambda }_1$ 和 ${\lambda }_2$，我们可以通过解方程 $(A-\lambda I)v=0$ 来找到对应的特征向量 $v$。

• 对于 ${\lambda }_1$，解方程：

  $\left(\begin{array}{cc}a-{\lambda }_1& b\\ 1& -{\lambda }_1\end{array}\right)\left(\begin{array}{c}{v}_1\\ v_2\end{array}\right)=0$

• 对于 ${\lambda }_2$，解方程：

  $\left(\begin{array}{cc}a-{\lambda }_2& b\\ 1& -{\lambda }_2\end{array}\right)\left(\begin{array}{c}{v}_1\\ v_2\end{array}\right)=0$

假设我们得到了两个独立的特征向量 $v_1$ 和 $v_2$。

形成特征向量矩阵

将特征向量作为列向量组成矩阵 $Q$：

$Q=\left(\begin{array}{cc}{v}_{11}& v_{21}\\ v_{12}& v_{22}\end{array}\right)$

形成对角矩阵

形成对角矩阵 $\Lambda$：

$\Lambda =\left(\begin{array}{cc}{\lambda }_1& 0\\ 0& {\lambda }_2\end{array}\right)$

组合分解结果

最终得到的特征分解形式为：

$A=Q\Lambda Q^{-1}$

这里的 $Q$ 是由特征向量组成的矩阵，$\Lambda$ 是对角矩阵，包含了特征值。通过特征分解，我们可以更容易地分析系统的稳定性以及其他动力学性质。

3.4 方程通解

如果我们知道初始条件 $X_0$，我们可以通过 $X_n=A^n{X}_0=Q{\Lambda }^n{Q}^{-1}{X}_0$ 来快速计算任意时刻的状态 $X_n$​。

推导过程：

$X_n=A{X}_{n-1}=A^2{X}_{n-2}=...=A^n{X}_0$

$=(Q\Lambda Q^{-1}{)}^n{X}_0$

$=(Q\Lambda Q^{-1})(Q\Lambda Q^{-1})...(Q\Lambda Q^{-1})X_0$

$=(Q\Lambda )(Q^{-1}Q)(\Lambda )(Q^{-1}Q)...(Q^{-1}Q)(\Lambda Q^{-1})X_0$​

$=(Q\Lambda )(I)(\Lambda )(I)...(I)(\Lambda Q^{-1})X_0$

$=Q{\Lambda }^n{Q}^{-1}{X}_0$​

$=\left(\begin{array}{cc}{v}_{11}& v_{21}\\ v_{12}& v_{22}\end{array}\right){\left(\begin{array}{cc}{\lambda }_1& 0\\ 0& {\lambda }_2\end{array}\right)}^n{\left(\begin{array}{cc}{v}_{11}& v_{21}\\ v_{12}& v_{22}\end{array}\right)}^{-1}{X}_0$

4. n阶齐次线性差分方程的矩阵表示、特征分解、方程通解

4.1 n阶齐次线性差分方程

n阶齐次线性差分方程可以表示为：

$x_{n+k}=a_{k-1}{x}_{n+k-1}+a_{k-2}{x}_{n+k-2}+\cdots +a_1{x}_{n+1}+a_0{x}_n$

其中 $a_0,a_1,\dots ,a_{k-1}$ 是常数系数。

4.2 矩阵表示

为了将这个差分方程转换为矩阵形式，我们可以定义一个 $k$ 维的向量 $X_n$，它包含了当前项及其前 $k-1$ 项：

$X_n=\left(\begin{array}{c}{x}_{n+k-1}\\ x_{n+k-2}\\ ⋮\\ x_{n+1}\\ x_n\end{array}\right)$

这样，下一个状态 $X_{n+1}$ 可以表示为当前状态 $X_n$ 乘以一个 $k\times k$ 的矩阵 $A$：

$X_{n+1}=A{X}_n$

矩阵 $A$ 的形式如下：也称为***递推式的伴生矩阵（companion matrix of recurrence）***

$A=\left(\begin{array}{cccccc}{a}_{k-1}& a_{k-2}& a_{k-3}& \cdots & a_1& a_0\\ 1& 0& 0& \cdots & 0& 0\\ 0& 1& 0& \cdots & 0& 0\\ ⋮& ⋮& \ddots & \ddots & ⋮& ⋮\\ 0& 0& 0& \cdots & 1& 0\end{array}\right)$

这意味着：

$X_{n+1}=\left(\begin{array}{c}{x}_{n+k}\\ x_{n+k-1}\\ ⋮\\ x_{n+2}\\ x_{n+1}\end{array}\right)=\left(\begin{array}{cccccc}{a}_{k-1}& a_{k-2}& a_{k-3}& \cdots & a_1& a_0\\ 1& 0& 0& \cdots & 0& 0\\ 0& 1& 0& \cdots & 0& 0\\ ⋮& ⋮& \ddots & \ddots & ⋮& ⋮\\ 0& 0& 0& \cdots & 1& 0\end{array}\right)\left(\begin{array}{c}{x}_{n+k-1}\\ x_{n+k-2}\\ ⋮\\ x_{n+1}\\ x_n\end{array}\right)$

4.3 特征分解

为了进行特征分解，我们需要找到矩阵 $A$ 的特征值和特征向量。

计算特征值

首先，我们需要找到矩阵 $A$ 的特征值。特征值 $\lambda$ 是满足以下特征方程的解：

$\det (A-\lambda I)=0$

对于矩阵 $A$，我们有：

$\det \left(\left(\begin{array}{cccccc}{a}_{k-1}-\lambda & a_{k-2}& a_{k-3}& \cdots & a_1& a_0\\ 1& -\lambda & 0& \cdots & 0& 0\\ 0& 1& -\lambda & \cdots & 0& 0\\ ⋮& ⋮& \ddots & \ddots & ⋮& ⋮\\ 0& 0& 0& \cdots & 1& -\lambda \end{array}\right)\right)=0$

这个行列式的结果是一个 $k$ 阶的多项式，称为特征多项式：

$p(\lambda )=(-1{)}^k({\lambda }^k-a_{k-1}{\lambda }^{k-1}-a_{k-2}{\lambda }^{k-2}-\cdots -a_1\lambda -a_0)$

解这个多项式方程，我们得到 $k$ 个特征值 ${\lambda }_1,{\lambda }_2,\dots ,{\lambda }_k$。

计算特征向量

对于每个特征值 ${\lambda }_i$，我们可以通过解方程 $(A-{\lambda }_{i}I)v_i=0$ 来找到对应的特征向量 $v_i$。每个特征向量 $v_i$ 是一个 $k$ 维向量。

形成特征向量矩阵

将特征向量作为列向量组成矩阵 $Q$：

$Q=\left(\begin{array}{cccc}{v}_1& v_2& \cdots & v_k\end{array}\right)$

形成对角矩阵

形成对角矩阵 $\Lambda$，其中对角线上的元素是特征值：

$\Lambda =\left(\begin{array}{cccc}{\lambda }_1& 0& \cdots & 0\\ 0& {\lambda }_2& \cdots & 0\\ ⋮& ⋮& \ddots & ⋮\\ 0& 0& \cdots & {\lambda }_k\end{array}\right)$

组合分解结果

最终得到的特征分解形式为：

$A=Q\Lambda Q^{-1}$

这里的 $Q$ 是由特征向量组成的矩阵，$\Lambda$ 是对角矩阵，包含了特征值。

4.4 方程通解

通过这种方法，我们可以更方便地分析 n 阶齐次线性差分方程的行为，并且可以利用矩阵的幂来快速计算差分方程的解。如果矩阵 $A$ 可以对角化，那么我们可以通过对角化后的形式更容易地求解 $X_n$，即：

$X_n=A^n{X}_0=(Q\Lambda Q^{-1}{)}^n{X}_0=Q{\Lambda }^n{Q}^{-1}{X}_0$

这样，我们只需要计算对角矩阵 $\Lambda$ 的幂，然后通过矩阵乘法得到 $X_n$。

5. 二阶齐次线性微分方程的矩阵表示、特征分解、方程通解

5.1 二阶齐次线性微分方程

二阶齐次线性微分方程可以表示为：

$y^{\prime \prime }+p(x)y^{\prime }+q(x)y=0$

5.2 矩阵表示

为了将这样的微分方程转换为矩阵形式，我们可以使用一个技巧，即通过引入辅助变量来将二阶方程转化为一阶向量方程。

设 $y_1=y$，那么 $y_1^{\prime }=y^{\prime }$。再设 $y_2=y^{\prime }$，则有 $y_2^{\prime }=y^{\prime \prime }$。因此原方程可以写作：

$y_2^{\prime }+p(x)y_2+q(x)y_1=0$

现在我们有了两个方程：

$y_1^{\prime }=y_2$
$y_2^{\prime }=-q(x)y_1-p(x)y_2$

可以将这两个方程组合成一个一阶向量微分方程：

$\left(\begin{array}{c}{y}_1^{\prime }\\ y_2^{\prime }\end{array}\right)=\left(\begin{array}{cc}0& 1\\ -q(x)& -p(x)\end{array}\right)\left(\begin{array}{c}{y}_1\\ y_2\end{array}\right)$

或者用更简洁的矩阵形式表示为：

${\mathbf{Y}}^{\prime }(x)=A(x)\mathbf{Y}(x)$

其中，

$\mathbf{Y}(x)=\left(\begin{array}{c}{y}_1(x)\\ y_2(x)\end{array}\right),A(x)=\left(\begin{array}{cc}0& 1\\ -q(x)& -p(x)\end{array}\right)$

5.3 特征分解

如果 $p(x)$ 和 $q(x)$ 是常数，则矩阵 $A$ 也是常数矩阵，此时可以通过求解矩阵 $A$ 的特征值和特征向量来进行特征分解。

对于常系数矩阵 $A$，其特征值 $\lambda$ 满足特征方程：

$\det (A-\lambda I)=0$

其中 $I$ 是单位矩阵。对于给定的 $A$，解这个二次方程得到 ${\lambda }_1$ 和 ${\lambda }_2$​。

5.4 方程通解

假设 ${\lambda }_1$ 和 ${\lambda }_2$ 是 $A$ 的特征值，对应的特征向量分别为 ${\mathbf{v}}_1$ 和 ${\mathbf{v}}_2$，那么解的一般形式为：

$\mathbf{Y}(x)=c_1{e}^{{\lambda }_{1}x}{\mathbf{v}}_1+c_2{e}^{{\lambda }_{2}x}{\mathbf{v}}_2$

其中 $c_1$ 和 $c_2$ 是积分常数，取决于初始条件。根据 $\mathbf{Y}(x)$ 的定义，$y(x)$ 就是 $\mathbf{Y}(x)$ 的第一个分量，即 $y(x)=c_1{e}^{{\lambda }_{1}x}{v}_{11}+c_2{e}^{{\lambda }_{2}x}{v}_{21}$，其中 $v_{11}$ 和 $v_{21}$ 分别是特征向量 ${\mathbf{v}}_1$ 和 ${\mathbf{v}}_2$ 的第一个分量。

6. n阶齐次线性微分方程的矩阵表示、特征分解、方程通解

6.1 n 阶齐次线性微分方程

对于一个 n 阶齐次线性微分方程：

$y^{(n)}+a_{n-1}(x)y^{(n-1)}+\cdots +a_1(x)y^{\prime }+a_0(x)y=0,$

6.2 矩阵表示

我们可以将其转换为一个 n 维向量的一阶系统。为此，我们定义新的变量 $y_i$ (i=1, 2, …, n) 如下：

$y_1=y,$
$y_2=y^{\prime },$
$y_3=y^{\prime \prime },$
$⋮$
$y_n=y^{(n-1)}.$

这样，原方程可以重新写为一组 n 个一阶微分方程：

$y_1^{\prime }=y_2,$
$y_2^{\prime }=y_3,$
$⋮$
$y_{n-1}^{\prime }=y_n,$
$y_n^{\prime }=-a_0(x)y_1-a_1(x)y_2-\cdots -a_{n-1}(x)y_n.$

这些方程可以写成矩阵形式：

${\mathbf{y}}^{\prime }(x)=A(x)\mathbf{y}(x),$

其中，

$\mathbf{y}(x)=\left(\begin{array}{c}{y}_1(x)\\ y_2(x)\\ ⋮\\ y_n(x)\end{array}\right),$

并且

$A(x)=\left(\begin{array}{ccccc}0& 1& 0& \cdots & 0\\ 0& 0& 1& \cdots & 0\\ ⋮& ⋮& ⋮& \ddots & ⋮\\ 0& 0& 0& \cdots & 1\\ -a_0(x)& -a_1(x)& -a_2(x)& \cdots & -a_{n-1}(x)\end{array}\right).$

6.3 特征分解

如果 $a_i(x)$（i=0, 1, …, n-1）都是常数，那么矩阵 $A$ 也是常数矩阵，此时可以进行特征分解。

特征值 $\lambda$ 可以通过解以下特征方程找到：

$\det (A-\lambda I)=0,$

其中 $I$ 是 n×n 的单位矩阵。

解得 $\lambda$ 后，可以找到对应的特征向量 $\mathbf{v}$。

6.4 方程通解

如果 ${\lambda }_i$ 和 ${\mathbf{v}}_i$ 分别是 $A$ 的特征值和特征向量，则解的一般形式可以表示为：

$\mathbf{y}(x)={\sum }_{i=1}^n{c}_i{e}^{{\lambda }_{i}x}{\mathbf{v}}_i,$

其中 $c_i$ 是常数，由初始条件确定。

需要注意的是，当特征值是复数或多重根时，解的形式会有所不同，并且可能需要使用广义特征向量或其他方法来构造完整的解集。此外，如果系数不是常数，那么情况会复杂得多，通常需要其他技术来求解。