特征分解

线性代数中，特征分解（Eigendecomposition），又称谱分解（Spectral decomposition）是将矩阵分解为由其特征值和特征向量表示的矩阵之积的方法。需要注意只有对可对角化矩阵才可以施以特征分解。

线性代数
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空间  · 行列式  · 矩阵
向量 标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积） · 内积（数量积） 矩阵与行列式 矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 迹 · 單位矩陣 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反对称矩阵 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展開 · 克罗内克积 线性空间与线性变换 线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 线性无关 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
查 论 编

特征值与特征向量的基础理论

主条目：特征值和特征向量

N 维非零向量 v 是 N×N 的矩阵 A 的特征向量，当且仅当下式成立：

${\displaystyle \mathbf {A} \mathbf {v} =\lambda \mathbf {v} }$ 

其中 λ 为一标量，称为 v 对应的特征值。也称 v 为特征值 λ 对应的特征向量。也即特征向量被施以线性变换 A 只会使向量伸长或缩短而其方向不被改变。

由上式可得

${\displaystyle p\left(\lambda \right):=\det \left(\mathbf {A} -\lambda \mathbf {I} \right)=0\!\ }$ 

称多项式 p(λ) 为矩阵的特征多项式。上式亦称为矩阵的特征方程。特征多项式是关于未知数 λ 的 N 次多项式。由代数基本定理，特征方程有 N 个解。这些解的解集也就是特征值的集合，有时也称为“谱”（Spectrum）。

我们可以对多项式 p 进行因式分解，而得到

${\displaystyle p\left(\lambda \right)=(\lambda -\lambda _{1})^{n_{1}}(\lambda -\lambda _{2})^{n_{2}}\cdots (\lambda -\lambda _{k})^{n_{k}}=0\!\ }$ 

其中

${\displaystyle \sum \limits _{i=1}^{k}{n_{i}}=N}$ 

对每一个特征值 λ_i ，我们都有下式成立：

${\displaystyle \left(\mathbf {A} -\lambda _{i}\mathbf {I} \right)\mathbf {v} =0\!\ }$ 

对每一个特征方程，都会有${\displaystyle m_{i}}$ （ ${\displaystyle 1\leq m_{i}\leq n_{i}}$  ）个线性无关的解。这 m_i 个向量与一个特征值 λ_i 相对应。这里，整数 m_i 称为特征值 λ_i 的几何重数，而 n_i 称为代数重数。这里需要注意的是几何重数与代数重数可以相等，但也可以不相等。一种最简单的情况是 m_i = n_i = 1。特征向量的极大线性无关向量组中向量的个数可以由所有特征值的几何重数之和来确定。

矩阵的特征分解

令 A 是一个 N×N 的方阵，且有 N 个线性獨立的特征向量 ${\displaystyle q_{i}\,\,(i=1,\dots ,N)}$  。这样， A 可以被分解为

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

其中 Q 是N×N方阵，且其第 i列为 A 的特征向量 ${\displaystyle q_{i}}$ 。 Λ 是对角矩阵，其对角线上的元素为对应的特征值，也即 ${\displaystyle \Lambda _{ii}=\lambda _{i}}$ 。这里需要注意只有可对角化矩阵才可以作特征分解。比如 ${\displaystyle {\begin{bmatrix}1&1\\0&1\\\end{bmatrix}}}$ 不能被对角化，也就不能特征分解。

一般来说，特征向量 ${\displaystyle q_{i}\,\,(i=1,\dots ,N)}$  一般被单位化（但这不是必须的）。未被单位化的特征向量组 ${\displaystyle v_{i}\,\,(i=1,\dots ,N),}$  也可以作为 Q 的列向量。这一事实可以这样理解： Q 中向量的长度都被 Q⁻¹ 抵消了。

通过特征分解求反(逆)矩阵

主条目：反(逆)矩阵

若矩阵 A 可被特征分解并特征值中不含零，则矩阵 A 为非奇异矩阵，且其逆矩阵可以由下式给出：

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

因为 Λ 为对角矩阵，其逆矩阵容易计算出：

${\displaystyle \left[\Lambda ^{-1}\right]_{ii}={\frac {1}{\lambda _{i}}}}$ 

对特殊矩阵的特征分解

对称矩阵

任意的 N×N 实对称矩阵的特征值都是实数且都有 N 个线性无关的特征向量。并且这些特征向量都可以正交单位化而得到一组正交且模为 1 的向量。故实对称矩阵 A 可被分解成

${\displaystyle \mathbf {A} =\mathbf {Q} \mathbf {\Lambda } \mathbf {Q} ^{-1}=\mathbf {Q} \mathbf {\Lambda } \mathbf {Q} ^{T}}$ 

其中 Q 为 正交矩阵， Λ 为实对角矩阵。

正规矩阵

类似地，一个复正规矩阵具有一组正交特征向量基，故正规矩阵可以被分解成

${\displaystyle \mathbf {A} =\mathbf {U} \mathbf {\Lambda } \mathbf {U} ^{H}}$ 

其中 U 为一个酉矩阵。进一步地，若 A 是埃尔米特矩阵，那么对角矩阵 Λ 的对角元全是实数。若 A 还是酉矩阵，则 Λ 的所有对角元在复平面的单位圆上取得。

参见

• 矩阵分解
• 特征值
• 特征向量
• 谱定理

参考

• Franklin, Joel N (1968). Matrix Theory. Dover Publications. ISBN 0-486-41179-6
• Golub, G. H. and Van Loan, C. F. (1996). Matrix Computations. 3rd ed., Johns Hopkins University Press, Baltimore. ISBN 0-8018-5414-8.
• Horn, Roger A. and Johnson, Charles R (1985). Matrix Analysis. Cambridge University Press. ISBN 0-521-38632-2.
• Horn, Roger A. and Johnson, Charles R (1991). Topics in Matrix Analysis. Cambridge University Press. ISBN 0-521-46713-6.
• Strang G (1998). Introduction to Linear Algebra. 3rd ed., Wellesley-Cambridge Press. ISBN 0-9614088-5-5.