Article

线性代数-单元12-对角化的应用

线性代数-单元12-对角化的应用，待补充摘要。

May 14, 2026 修考 14 min read

标题： 线性代数：特征值与特征向量的应用（差分方程、马可夫过程与矩阵指数） 作者： 陈晏笙教授 (国立台北科技大学电子工程系) 影片连结： 單元 12．特徵值與特徵向量–對角化的應用 - YouTube

内容概述

本课程深入探讨线性代数中「特征值（Eigenvalues）」与「特征向量（Eigenvectors）」的实际应用。陈晏笙教授首先回顾了特征值与特征向量的核心动机——将高维度矩阵的线性转换，简化为纯量乘法，大幅降低计算复杂度。接著，课程展示了如何透过矩阵「对角化（Diagonalization）」来求解动态系统问题，包括离散时间的「差分方程（Difference Equations）」（如费波那契数列与马可夫过程），以及连续时间的「微分方程（Differential Equations）」（涉及矩阵指数的计算）。最后，教授总结了如何透过特征值来判断系统的稳定性，并分享了快速寻找特征值的实用数学技巧。

主题拆解与详细内容

1. 特征值与特征向量的核心动机

在线性代数中，我们经常需要处理输入向量 $x$ 经过矩阵 $A$ 的线性转换，得到输出向量 $Ax$ 。当矩阵 $A$ 非常庞大（例如 $1000 \times 1000$ ）且需要进行多次转换（例如 $A^k x$ ）时，直接相乘的计算量会非常惊人。

特征值与特征向量的发明正是为了解决这个问题。对于一个矩阵 $A$ ，如果我们能找到特定的向量 $x$ （即特征向量），使得 $A$ 作用在 $x$ 上时，其效果等同于纯量 $\lambda$ （即特征值）乘上 $x$ ： $Ax = \lambda x$ 那么，高维度的矩阵乘法就被简化成了简单的纯量倍数放大或缩小。但是，仅仅能够对eigenvector实现这种简化计算实在是太过与特殊化。所以我们想到了将eigenvector作为bases来组成其他的空间中的向量。这样，任一能够被组合的向量都能够享受到大规模矩阵变换的简化运算。在这个世界中，Singular不再是评价一个矩阵优劣的标准，而是是否有足够的eigenvector能够覆盖整个空间变得更加重要。 对角化的关键前提：

对于一个 $n \times n$ 的矩阵 $A$ ，必定存在 $n$ 个特征值。
但这 $n$ 个特征值不一定能对应到 $n$ 个「线性独立（Linearly Independent）」的特征向量。
如果我们找不到 $n$ 个独立的特征向量，该矩阵被称为 「瑕疵矩阵（Defective Matrix）」。此类矩阵无法享有特征值系统带来的简化优势，属于对角化金字塔中最底层、最难处理的特例。
反之，若能找到 $n$ 个独立的特征向量，它们就能组成该 $n$ 维空间的基底（Basis）。此时，空间中的任何输入向量 $x$ 都可以写成这些特征向量的线性组合： $x = c_1 x_1 + c_2 x_2 + \dots + c_n x_n$ 经过 $A$ 转换后，输出即为： $Ax = c_1 \lambda_1 x_1 + c_2 \lambda_2 x_2 + \dots + c_n \lambda_n x_n$ 这将原本复杂的变换彻底简化。本质上是要实现一个线性转换的简化

2. 应用一：差分方程（Difference Equations）

差分方程用于描述离散时间下，状态如何从这一步演进到下一步（即旧状态与新状态的更新）。其一般形式为： $u_{k+1} = A u_k$ 给定初始状态 $u_0$ ，经过 $k$ 次迭代后，第 $k$ 个状态为： $u_k = A^k u_0$ 如果手动计算 $A^k$ ，计算量极大。但若运用对角化与特征向量基底的概念，我们将 $u_0$ 写成特征向量的线性组合（ $u_0 = c_1 x_1 + \dots + c_n x_n$ ），则第 $k$ 步的解可以直接写为： $u_k = c_1 (\lambda_1)^k x_1 + c_2 (\lambda_2)^k x_2 + \dots + c_n (\lambda_n)^k x_n$ 其中，系数矩阵 $c$ 的求法为： $c = X^{-1} u_0$ （ $X$ 为特征向量组成的矩阵）。如此一来， $A^k$ 的计算就转化为求特征值的 $k$ 次方，瞬间解决了计算难题。对于这种题目有两种解法

矩阵对角化，使用公式拆为特征矩阵和特征值矩阵的乘积
线性组合：更加推荐，因为可以展现本质，也就是认为是eigen vector作为bases，求系数的一种方法。

3. 案例分析：费波那契数列与黄金比例

费波那契数列（Fibonacci sequence：0, 1, 1, 2, 3, 5, 8…）是一个经典的差分方程应用。其规则为「前两项相加等于下一项」： $F_{k+2} = F_{k+1} + F_k$ 。 [file-20260313101453865, p.26](./台北科技大学单元12 对角化的应用.assets/file-20260313101453865.pdf) 为了将其转化为矩阵形式，我们引入一个平庸方程式（Trivial equation） $F_{k+1} = F_{k+1}$ ，建构出以下系统：【这个方程是构建整个等式的关键】 $\begin{bmatrix} F_{k+2} \\ F_{k+1} \end{bmatrix} = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix} \begin{bmatrix} F_{k+1} \\ F_k \end{bmatrix}$ 此时，矩阵 $A = \begin{bmatrix} 1 & 1 \\ 1 & 0 \end{bmatrix}$ 。透过求解特征方程式 $\det(A - \lambda I) = \lambda^2 - \lambda - 1 = 0$ ，可以得到两个特征值：

$\lambda_1 = \frac{1 + \sqrt{5}}{2} \approx 1.618$ （此即著名的黄金比例 Golden Ratio）
$\lambda_2 = \frac{1 - \sqrt{5}}{2} \approx -0.618$

数学与自然的奇妙巧合： 当 $k$ 趋近于无穷大时，由于 $|\lambda_2| < 1$ ， $(\lambda_2)^k$ 会收敛至 0，可忽略不计。因此，相邻两项费波那契数的比例 $\frac{F_{k+1}}{F_k}$ 最终会由主导特征值 $\lambda_1$ 决定，亦即收敛于黄金比例 $1.618$ 。这解释了为何向日葵种子排列、黄金螺旋（Golden Spiral）等自然现象中，总是出现费波那契数列与黄金比例的关联。

4. 案例分析：马可夫过程（Markov Process）

马可夫矩阵用来描述系统在不同状态之间转移的机率。 马可夫矩阵的两大特性：

各行元素相加皆等于 1（Column sums to 1）：代表机率守恒。
矩阵中必定有一个特征值为 1（ $\lambda = 1$ ）。这个性质可以泛化也就是如果每一行相加都等于同一个数值，那么这个数就必定是特征值 范例解析（人口迁徙问题）： 假设每年有 10% 的台北市外人口搬入台北市，有 20% 的台北市内人口搬出。这可以写成矩阵： $A = \begin{bmatrix} 0.9 & 0.2 \\ 0.1 & 0.8 \end{bmatrix}$ 註：第一行为台北外，第二行为台北内。 运用上述特性，我们不需解特征方程式就能知道：

$\lambda_1 = 1$ （马可夫矩阵必有此特征值）。
利用「特征值之和等于矩阵对角线元素之和（迹数 Trace = 0.9 + 0.8 = 1.7）」的技巧，可知 $\lambda_2 = 0.7$ 。

系统的稳定状态（Steady State）： 当时间 $k$ 非常大时，由于 $\lambda_2 = 0.7 < 1$ ，对应的项 $(0.7)^k$ 会衰减至 0。系统最终的状态完全由 $\lambda_1 = 1$ 对应的特征向量决定。这代表经过极长时间后，台北内外的人口比例将达到一个动态平衡（例如：总人口的 2/3 在外，1/3 在内），不再随时间改变。

5. 应用二：微分方程与矩阵指数（Matrix Exponential）

![](台北科技大学单元12 对角化的应用.assets/file-20260316140942796.png) [file-20260313101453865, p.36](./台北科技大学单元12 对角化的应用.assets/file-20260313101453865.pdf) 有别于差分方程的离散时间，微分方程处理的是连续时间系统： $\frac{du}{dt} = Au$ 这是一阶线性常微分方程组。其解的形式为： $u(t) = e^{At} u(0)$ 这里的难点在于：如何计算一个矩阵的指数 $e^{At}$ ？

我们必须利用泰勒展开式（Taylor Series）来定义矩阵指数： $e^{At} = I + At + \frac{(At)^2}{2!} + \frac{(At)^3}{3!} + \dots$ 同样地，透过对角化 $A = X \Lambda X^{-1}$ ，可以将矩阵指数转化为对角矩阵的指数： $e^{At} = X e^{\Lambda t} X^{-1}$ 其中， $e^{\Lambda t}$ 是一个对角矩阵，其对角线元素即为 $e^{\lambda_1 t}, e^{\lambda_2 t}, \dots$ 。最终系统的通解为： $u(t) = c_1 e^{\lambda_1 t} x_1 + c_2 e^{\lambda_2 t} x_2 + \dots + c_n e^{\lambda_n t} x_n$ 只要找出特征值与特征向量，就能完美解出连续时间的动态系统。

6. 系统稳定性分析总结（System Stability）

特征值的大小直接决定了系统（无论是离散还是连续）在时间推移下的稳定性。

离散时间系统（差分方程 $A^k$ ）：
- 稳定（Stable / 衰减至 0）： 所有特征值的绝对值均小于 1 ( $|\lambda| < 1$ )。
- 中性稳定（Neutrally Stable / 达到稳态不变）： 最大特征值的绝对值等于 1 ( $|\lambda| = 1$ )。
- 不稳定（Unstable / 发散爆掉）： 存在至少一个特征值的绝对值大于 1 ( $|\lambda| > 1$ )。
连续时间系统（微分方程 $e^{\lambda t}$ ）：
- 稳定（Stable / 衰减至 0）： 所有特征值的实部均小于 0 ( $Re(\lambda) < 0$ )。
- 中性稳定（Neutrally Stable / 震荡或达到稳态）： 所有特征值实部小于等于 0，且至少有一个为 0 ( $Re(\lambda) \le 0$ 且存在 $Re(\lambda) = 0$ )。虚部则决定其是否呈弦波震荡。
- 不稳定（Unstable / 发散爆掉）： 存在至少一个特征值的实部大于 0 ( $Re(\lambda) > 0$ )。

7. 找特征值与特征向量的捷径与技巧

在面对工程与大考的矩阵时，教授提供了一些不需硬解特征方程式（ $\det(A - \lambda I) = 0$ ）的捷径：

迹数与行列式定理：
- 所有特征值之和 = 矩阵的迹数（Trace，主对角线元素之和）。
- 所有特征值之乘积 = 矩阵的行列式值（Determinant）。
零空间（Null Space）判断法：
- 如果矩阵 $A$ 是奇异矩阵（Singular matrix，例如某行与某行线性相依，或各行相加等于特定常数时，透过列运算会出现全零列），则 $\det(A) = 0$ ，这意味著必定有至少一个特征值 $\lambda = 0$ 。
- 若能找到非零的 $x$ 使得 $(A - \lambda I)x = 0$ ，则该 $\lambda$ 即为特征值，而 $x$ 是零空间向量（即特征向量）。例如：马可夫矩阵各列加总为 0 时，可知其必定奇异，进而推导出 $\lambda=1$ 为其特征值。
对称矩阵（Symmetric Matrix）特性：
- 只要 $A^T = A$ ，该矩阵必可对角化。
- 对应于不同特征值的特征向量彼此必然正交（Orthogonal）。这在计算反矩阵 $X^{-1}$ 时，能将其简化为转置矩阵 $X^T$ ，大幅节省计算时间（将在后续单元详述）。

框架与思维模型：特征值对角化解题框架

本课程展示了一个用以解决线性动态系统的标准化思维模型：「对角化解题四步法」。

不论面对的是离散时间（差分方程）还是连续时间（微分方程），都可依循以下框架求解：

Step 1: 建立系统矩阵模型
- 将问题的文字描述转化为矩阵形式。例如将前两项相加转化为 $u_{k+1} = A u_k$ ，或将微分关系转化为 $du/dt = Au$ 。
Step 2: 提取系统特征（寻找特征值与特征向量）
- 利用 $\det(A - \lambda I) = 0$ 或上述的实用捷径（Trace、Determinant、Markov特性等）找出所有的特征值 $\lambda$ 。
- 解出 $(A - \lambda I)x = 0$ 对应的特征空间（零空间），找出 $n$ 个独立的特征向量 $x$ 。
Step 3: 转换初始条件（分解向量）
- 将给定的初始状态 $u_0$ 投影到特征向量构成的基底上。
- 即求解线性组合： $u_0 = c_1 x_1 + c_2 x_2 + \dots + c_n x_n$ 。可以利用矩阵反运算 $\mathbf{c} = X^{-1} u_0$ 求出常数系数 $c_i$ 。
Step 4: 写出时间演进的通解
- 对于差分方程，通解为： $u_k = \sum c_i (\lambda_i)^k x_i$
- 对于微分方程，通解为： $u(t) = \sum c_i e^{\lambda_i t} x_i$
- 观察 $\lambda_i$ 的数值，直接判断当 $k \to \infty$ 或 $t \to \infty$ 时，系统中哪些项会衰减至 0、哪些项会保留成为稳态，进而完成系统行为预测。