第 11 章　特征值与特征向量

11.1动机：方向不变的幸运向量

看矩阵 A = [[2,0],[0,3]]，它做「横向拉伸 2 倍、纵向拉伸 3 倍」。随便取个向量 (1,1)，变换后变成 (2,3)——方向变了。

但有些向量特别「幸运」：

• (1,0) 变换后是 (2,0)：还在 x 轴上，方向没变，只是长度变成 2 倍；
• (0,1) 变换后是 (0,3)：还在 y 轴上，方向没变，只是长度变成 3 倍。

这个「方向不变」的性质，就是整个特征向量概念的灵魂。

为什么「不变方向」值得如此兴师动众？因为它把复杂变换拆解成沿几个独立方向的纯缩放。想象一位结构工程师拿到一块受力的金属板：板内一点的应力状态可以用一个 2×2 矩阵描述（材料力学里会正式讲），它把「试探方向」变成「受力向量」。绝大多数方向上，力会被「剪切」得又拉又扭；但总存在两个互相垂直的主方向——沿它们只有纯拉伸、没有剪切。这两个主方向就是应力矩阵的特征向量，对应的倍数就是主应力。判断材料会不会开裂，强度理论只看主应力——因为脆性破坏几乎总是从「最受拉的主方向」开始。这就是特征向量领到的第一份工程工资。

第二个常见误区是把特征向量当成「某一个向量」。错——特征向量指的是一整个方向：若 v 满足 Av=λv，那么 2v、−5v、100v 全都满足（A(kv)=kAv=kλv=λ·kv），这条直线（除零点外）上所有向量都是特征向量。所以答案写 (1,1) 与写 (2,2) 都对，惯例是取最简洁的代表。配套的事实还有：同一个特征值可以配一整个子空间的向量（极端例子：恒等变换 λ=1 配所有向量）。

还要泼一盆冷水：不是每个矩阵都有实特征向量。取旋转 90° 矩阵 [[0,−1],[1,0]]：它把平面上每个向量都转 90°，没有任何方向能幸免——「不变方向」在这个变换里不存在（特征值是两个纯虚数 ±i，几何上对应「纯旋转」动作）。这提醒我们：特征向量的存在性本身需要论证，第 12 章的「实对称矩阵必有实特征值与正交特征向量」正是为此准备的定心丸。

趁热打铁追问一步：A=[[2,0],[0,3]] 把 (1,1) 送到 (2,3)，(1,1) 不是特征向量——那像 (2,3) 本身会不会是？再算：A·(2,3) = (4,9)，而 4/2=2、9/3=3，两个比值不同，(4,9) 不是 (2,3) 的倍数——也不是。整个平面除了两条坐标轴，再无第三个不变方向。这个小小的「追查」给出重要直觉：不变方向是变换的稀缺资源：2×2 矩阵至多两个（重根时可能只有一个），找到一条少一条。

从第 10 章的视角回望更有一层哲学味：矩阵是「动作」，特征值是动作的「本质成分」。有的动作是纯缩放（对角阵）、有的是纯旋转（正交阵）、更多是混合体。特征分解相当于给动作做「成分化验」：拿到一张化验单——沿方向 v₁ 缩放 λ₁ 倍、沿方向 v₂ 缩放 λ₂ 倍……化验单一旦在手，矩阵的幂、指数、稳定性这些高难度项目全部降价处理。

再看负特征值的画面。镜像矩阵 [[−1,0],[0,1]] 把 x 轴向量 (1,0) 映到 (−1,0)：严格说方向「反了 180°」，但像仍躺在同一根直线上——代数上 (−1,0)=(−1)·(1,0)，倍数存在，λ=−1 成立。「方向不变」的精确含义是「像与原向量共线」，反向也合格。工程上 λ<0 常见于带反馈环节的系统：一步「过头再回摆」，符号逐拍交替——振荡衰减的代数指纹，正是一对模小于 1 的负特征值或共轭复特征值。

工程场景：传感器校准里常见「轴向增益矩阵」——两个测量轴之间总有轻微串扰（x 方向的物理量泄漏一点到 y 通道）。校准矩阵的特征向量指出「真实的主测量轴」：沿主轴放置传感器，串扰自动消失，两个通道各管各的 λ。机械振动更经典：让结构「自由振动」，它只会沿少数几个固有振型摆动，每个振型对应一个固有频率——振型与频率正是结构刚度矩阵的特征向量与特征值（的平方根）。地面共振试验、颤振分析的第一步，都是把实测信号往「振型」上分解。

11.2定义：Av = λv

把上面的话写成公式：

左边 Av 是「对 v 施加变换」，右边 λv 是「把 v 拉伸 λ 倍」。等式说：施加变换的效果，等于单纯地把 v 拉伸 λ 倍——方向不变，只改长度（λ 为负则反向）。

为什么强调 v 非零？因为零向量满足任何 Av=λv（0=0），没有意义，所以约定排除。

回到 A=[[2,0],[0,3]]：(1,0) 满足 A(1,0)=(2,0)=2·(1,0)，所以 (1,0) 是特征向量，特征值 2。同理 (0,1) 特征值 3。

三个推论值得现在就记下，它们让定义「活」起来。其一，λ=0 的特殊性：Av=0·v=0 意味着特征向量落进变换的核（第 10 章）——被变换「吞掉」的方向。所以「A 不可逆（det A=0）」与「A 有零特征值」是同一句话（把 λ=0 代入特征方程 det(A−λI)=0 立刻得 det A=0，下节兑现）。其二，同一特征值的向量可以合股：若 v₁、v₂ 都是 λ 的特征向量，则 k₁v₁+k₂v₂ 也是——A(k₁v₁+k₂v₂)=k₁λv₁+k₂λv₂=λ(k₁v₁+k₂v₂)。一个特征值配一整个「特征子空间」。其三，倍数随便缩：特征向量乘任何非零常数仍是特征向量，答案永远取最简洁的代表。

再看两个「秒杀」特例，考试与工程中高频。恒等变换 I：人人都是特征向量，λ=1。投影 [[1,0],[0,0]]：x 轴上向量映到自身（λ=1，「留下」），y 轴上向量映到零向量（λ=0，「消失」）——特征值只取 0 和 1，正对应第 10 章说的「消失/留下」两种命运；它满足 P²=P（幂等），往后会看到幂等矩阵的特征值非 0 即 1，前后完全咬合。

把恒等变换的对角化看穿：A=I 时特征多项式 (1−λ)²=0，λ=1 二重根，且任何非零向量都是特征向量。于是任何可逆的 P 都满足 I=P·I·P⁻¹——同一个矩阵可以有无数种对角化方式。这提示「对角化不唯一」：特征向量的选取自由、排列顺序的自由，都会给出不同的 P 与 D；但特征值本身（连同重数）被矩阵完全决定。「外表自由、内核确定」是对角化的双重性格。

把定义式 Av=λv 的三个角色再点一遍：A 是「施术者」（给定的变换），v 是「受术者」（被挑选出的特殊向量），λ 是「倍率」（标量）。等式两边类型一致——左边是向量（矩阵乘向量），右边也是向量（标量乘向量）。这个看似废话的类型检查，能拦住「把 det(A−λI)=0 误写成 det(A)−λ=0」这类结构性错误：前者是「矩阵减矩阵再取行列式」，后者把矩阵当标量去减，类型根本不对。矩阵世界里，「类型对不对」常常比「数值对不对」更早暴露问题。

工程场景：递推式数字滤波器的系数矩阵常排成上/下三角（按因果顺序装填），稳定性检查第一步就是看对角线——特征值全在眼皮底下，模是否小于 1 一眼定生死。结构分析里把大矩阵按部件排成块三角（先解主机翼、再耦合机身），「对角块的特征值拼成整体特征值」正是分块算法快得惊人的根源之一。

定义一节收个尾，三句话带走：特征对是 (λ, v) 的组合，向量管方向、标量管倍率；倍数随便缩、同值可合股、零值有玄机（不可逆的信号）。判别一个候选向量是不是特征向量，永远只用一招：算 Av、查共线。这一招是全章的地基，后面所有花活都从它长出来。

11.3怎么求：特征方程

怎么找到所有特征值和特征向量？从 Av = λv 出发推导：

Av = λv　⇒　Av − λv = 0　⇒　(A − λI)v = 0

这是一个齐次方程组。我们想要非零解 v。根据第 7、8 章的知识，齐次方程组有非零解，当且仅当系数矩阵不可逆，即行列式为零：

以 A=[[2,1],[1,2]] 为例：A − λI = [[2−λ, 1],[1, 2−λ]]，其行列式为：

(2−λ)² − 1 = λ² − 4λ + 3 = (λ−1)(λ−3) = 0

特征值 λ₁=1、λ₂=3。再分别代回 (A−λI)v=0，解出对应的特征向量：

• λ=1：解 (A−I)v=0，得 v=(1,−1) 方向；
• λ=3：解 (A−3I)v=0，得 v=(1,1) 方向。

几何上，这个矩阵把 (1,1) 方向拉伸 3 倍、把 (1,−1) 方向拉伸 1 倍（不动），非常直观。

深挖：特征方程的来龙去脉

把「开关」看清楚：Av=λv 移项得 (A−λI)v=0，这是以 A−λI 为系数矩阵的齐次方程组（第 6 章）。齐次方程组永远有零解，我们要的是非零解。回忆第 8 章：系数矩阵可逆（det≠0）时解唯一、只能是零向量；系数矩阵不可逆（det=0）时矩阵降维、方程出现自由变量，非零解才会冒出来。所以「存在特征向量」⟺「det(A−λI)=0」——特征方程不是新发明，而是「齐次方程有非零解」这个开关条件，套上了 λ 的外衣。

对 2×2 矩阵 A=[[a,b],[c,d]]，把行列式展开：det(A−λI) = (a−λ)(d−λ)−bc = λ²−(a+d)λ+(ad−bc)。两个熟客现身：λ² − (迹)λ + (行列式) = 0。由韦达定理立刻得到两条「守恒律」：特征值之和 = 迹（对角元之和），特征值之积 = 行列式。算完 λ 后用这两条对账，几乎能拦住所有手滑——先算后验，是特征值计算的标准作业流程。

判别式的符号决定「实不实」：Δ = (a−d)²+4bc。若 A 是实对称矩阵（b=c），则 Δ=(a−d)²+4b² ≥ 0 恒成立，两个根必为实数——这就是「实对称矩阵必有实特征值」的 2×2 版证明，第 12 章将把它升级到 n 维。而一般矩阵（如旋转矩阵 b=−1、c=1）判别式可以为负，特征值成复数对出现，几何上对应「旋转+缩放」的复合动作——复数不是玄学，是旋转的代数语言。

再把视野放宽一步：2×2 的特征多项式是二次的，n×n 矩阵的是 n 次的（每多一维多一个根，含重数与复根）。工程中真正的特征值问题动辄几十万维（全机有限元模型），没有人手解 n 次方程，而是用数值算法（幂迭代、QR 算法、Lanczos 方法）只算「最前几名」的特征对——最大特征值往往独占工程意义（最大主应力、最危险振型）。手算 2×2 是为了建立直觉；软件算 n×n 用的是同一套数学。

术语再升一级：矩阵的全体特征值（含重数）合称它的谱（spectrum），max|λ| 叫谱半径，利用谱信息重组矩阵的过程叫谱分解。「谱」字取自光谱：白光经棱镜分解成不同频率的单色光，正如复杂矩阵经特征分解拆成若干「纯缩放」成分——工程文献里的谱分析、谱方法，源头都在这道特征方程。

最后一个计算现场的提醒：det(A−λI)=0 在数值计算里几乎不会精确成立——浮点误差总会让行列式差那么一点。实用软件因此把判据软化：不求「等于零」，而求「绝对值足够小」（或改用 QR 迭代等间接法直接逼近特征值）。这是工程计算的普遍智慧：代数里的「精确为零」，到了数值世界要翻译成「量级足够小」；理解这层转换，才能读懂软件输出的「特征值」究竟有多可信。

工程场景：结构动力学中「固有频率+振型」的计算，就是把质量与刚度矩阵组装成广义特征方程 det(K−ω²M)=0——与 det(A−λI)=0 同一骨架，只是 λ 换成了 ω²（频率平方）、A 换成了 M⁻¹K。解出的每个 ωᵢ 是一个固有频率，每个特征向量 φᵢ 是一个振型：敲一下结构，它按振型叠加、以固有频率振荡——特征方程就是振动的「基因测序」。共振试验判据、颤振分析起点，全部从这道特征方程出发。

11.4对角化：找到「好基」

特征向量最漂亮的应用是对角化——呼应第 10 章「换基」的伏笔。

如果 A 有 n 个线性无关的特征向量，把它们排成矩阵 P（每列一个特征向量），对应的特征值排成对角矩阵 D，那么：

A = PDP⁻¹

意思是：在「特征向量组成的基」这个新视角下，变换 A 简化成了一个纯缩放的对角矩阵 D——每个方向独立地缩放 λᵢ，互不干扰。

为什么这很重要？因为对角矩阵太好算了。比如计算 A 的 100 次幂：

A¹⁰⁰ = (PDP⁻¹)¹⁰⁰ = P D¹⁰⁰ P⁻¹

而 D¹⁰⁰ 只需把每个对角元 λᵢ 各自乘 100 次方——从「n×n 矩阵乘 100 次」的巨大计算量，瞬间变成「n 个数各自乘方」。这就是换到好基的威力。

推导：AP = PD，一步到位

对角化公式 A=PDP⁻¹ 不该死记，它是「按列看乘法」（第 10 章）的直接结果。把 P 的两列写成特征向量 v₁、v₂，则 AP = A·[v₁ | v₂] = [Av₁ | Av₂]；而每个 Avᵢ = λᵢvᵢ，所以 AP = [λ₁v₁ | λ₂v₂] = [v₁ | v₂]·[[λ₁,0],[0,λ₂]] = PD。两边右乘 P⁻¹ 即得 A=PDP⁻¹。推导的每一步都是旧朋友：按列看乘法、特征定义、逆矩阵——数学没有新魔法，只有旧零件的新组合。

能对角化的条件随之水到渠成：P 必须可逆，即 n 个特征向量线性无关。两个好消息降低难度：其一，不同特征值的特征向量自动无关——若 v₂=c·v₁，两边作用 A 得 λ₂v₂=λ₁cv₁，即 c(λ₂−λ₁)v₁=0，λ₂≠λ₁ 强制 c=0，矛盾；所以「n 个互不相同的特征值」是充分条件。其二，重根也可能不缺向量：如 2I=[[2,0],[0,2]]，λ=2 二重根，但任何向量都是特征向量，随便挑两个无关的就行。判断标准始终是那句：凑得够不够 n 个无关向量（例题 4 的剪切阵就败在这里）。

「相似」这个词也该正式认识了：A=PDP⁻¹ 时，称 A 与 D 相似。相似矩阵是同一个变换在不同基下的两件外衣——P 负责「翻译坐标」，D 是变换在特征基下的素颜。相似的矩阵共享一切「换基不变量」：特征值、行列式、迹、秩。所以工程师说「算特征值」，其实是问「这个变换本质上沿哪些方向缩放几倍」——无论它当前穿着哪件坐标外衣。对角化，就是把外衣换成最素的那件。

把对角化的完整操作流程列成清单（考试可照此执行）：

1. 算特征方程 det(A−λI)=0，解出全部特征值（重根计入重数）；
2. 对每个 λ 解 (A−λI)v=0，各取一个无关特征向量；
3. 数一数：无关向量凑够 n 个吗？不够 → 不可对角化（转用若尔当形）；够 → 继续；
4. 特征向量按列拼成 P，对应特征值按序排成对角阵 D；
5. 求出 P⁻¹，组装 A=PDP⁻¹，最后用 AP=PD 复核一遍。

复盘：两条路线各花了多少力气？D 路算了 1 次乘方（3⁵=243）加 2 次矩阵乘法；直连路连乘了 3 次（A²、A⁴、A⁵）。k=5 时差距尚小；k=100 时 D 路只需把 3⁵ 换成 3¹⁰⁰（一次幂运算），直连路却要再乘 99 次——渐近优势完全碾压。quiz 第 4 题问的正是这件事。

工程场景：仿真软件里每天都要算「A 的 k 次幂」——迭代算法跑 k 步 = Aᵏ 作用一次、系统演化 k 个周期 = Aᵏ、级联 k 个相同环节 = Aᵏ。对角化把 O(k·n³) 级的重复乘法压缩成 O(n) 级的乘方，代价只在最初的一次分解；求解器、图形管线、控制算法都吃这套「一次分解、终身受用」的红利。顺带点亮连续时间版本：微分方程 x′=Ax 的解是 x(t)=e^{At}·x(0)，矩阵指数的计算捷径正是对角化——e^{At}=P·e^{Dt}·P⁻¹，而 e^{Dt} 只把每个 λᵢ 换成 e^{λᵢt}。于是「连续系统的稳定性」看特征值的实部（实部全负 → e^{λt} 衰减），「离散系统的稳定性」看特征值的模（模全小于 1 → λᵏ 收敛）——两套判据合起来就是控制理论里的「极点位置判据」，教材与仿真软件同源。

11.5特征值的妙用

特征值远不是纸面玩具，它在现实世界里无处不在：

共同的主题是：特征值把「矩阵的复杂行为」提炼成「几个关键数字」——哪些方向会被放大、哪些会衰减、系统长期会走向哪里。

深挖：稳定性判据为什么看特征值

稳定性分析是特征值最硬核的工程应用。考虑离散系统 x(k+1)=A·x(k)——滤波器每拍更新一次状态、结构每步迭代一次响应、经济模型每年调整一次价格，都是这个形状。从初值 x(0) 出发连乘 k 次得 x(k)=Aᵏx(0)。若 A 可对角化，把初值拆到特征方向上 x(0)=c₁v₁+c₂v₂，则 x(k)=c₁λ₁ᵏv₁+c₂λ₂ᵏv₂——每个分量沿自己的特征向量按 λᵏ 指数演化。系统的长期命运由模最大的特征值决定：|λ|<1 的分量几何衰减归零，|λ|>1 的分量指数爆炸。max|λ| 有个专名叫谱半径，判据一句话：谱半径小于 1，收敛；大于 1，发散；恰等于 1，看临界细节。

临界情形顺手给一张速查表：λ=0 → 该方向一步归零（信息永久丢失，矩阵不可逆）；|λ|<1 → 该方向衰减消失；λ=1 → 该方向纹丝不动（稳态成分，PageRank 的核心）；|λ|>1 → 该方向指数放大（失稳，要么修系统、要么等着爆炸）；模为 1 的复特征值 → 该方向持续旋转不衰减（纯振荡）。同一套判据换个场景，就是「电路会不会自激」「结构会不会发散」「算法会不会收敛」——特征值是横跨所有这些问题的公共货币。

特征值是横跨所有这些领域的公共语言，而本章还留着一个悬案：例题 1 与图 11-2 里，两个特征方向恰好互相垂直；但例题 3 的 (1,−2) 与 (1,1) 并不垂直。什么样的矩阵能保证特征向量正交？答案是对称矩阵。第 12 章主角登场：实对称矩阵不仅必有实特征值，还必有一组标准正交的特征向量——二次型、主轴定理、正定性判断将由此全面展开。

工程场景：数字滤波器投用前必须先过「稳定性关」——系数定了特征值就定了，|λ|≥1 的滤波器会让噪声滚成雪球。结构动力学同样在问这个问题：位移响应离散化后 x(k+1)=A·x(k)，谱半径明显小于 1 对应「阻尼足、振动衰减」，贴近 1 对应「阻尼弱、颤振风险高」。PageRank 则是另一方向的用法：反复更新网页权重直到不再变化，稳态分布正是转移矩阵主特征值（λ=1）对应的特征向量——「谁是最重要的网页」的答案，原来是一道特征向量题。

再展开表格里最有工程气的一项——主成分分析（PCA）。一批载荷测量数据散布在二维平面上，往往「斜着」分布：某个方向拉得很长、垂直方向很扁。把坐标原点移到数据中心后，数据的协方差矩阵是一个 2×2 实对称矩阵；它的两个特征向量恰好给出「散布最长的方向」与「垂直次长方向」，两个特征值分别衡量这两方向上的方差。降维的动作就是：保留大特征值的方向、丢掉小特征值的方向——用小比例的方差损失换大比例的维度缩减，是数据压缩与降噪的通用范式。为什么两个主方向一定垂直？因为实对称矩阵的特征向量可选成一组正交基——第 12 章的谱定理将正式兑现这句承诺。

回到工程日常：维护团队巡检结构测振系统，先用特征值筛一遍——最大特征值对应当前最「活跃」的振型，监控它是否逼近安全阈值；飞控软件每版本更新后重算闭环矩阵的谱半径，确认控制律在极端载荷下依然收敛。特征值不再只是教科书里的希腊字母，而是仪表盘上的安全指针：读数离 1 越远，系统越稳。