Article

线性代数-单元13-特征值与特征向量频谱定理

线性代数-单元13-特征值与特征向量频谱定理，待补充摘要。

May 14, 2026 修考 16 min read

作者： VidBee_原文 / 课程讲师 链接： 單元 13．特徵值與特徵向量–頻譜定理 - YouTube

视频概述

本课程深入探讨了线性代数中特征值（Eigenvalue）与特征向量（Eigenvector）的顶级应用——谱定理（[[谱定理|Spectral Theorem]]，也称频谱定理）。

讲师首先通过“矩阵金字塔”模型回顾了矩阵对角化的层级，指出谱定理所代表的第三层矩阵不仅能被对角化，其特征向量还绝对正交。为了推导谱定理，课程引入了两个关键的前置知识：第一是将实数域空间（ $R^n$ ）拓展到复数域空间（ $C^n$ ），引入了埃尔米特（Hermitian）转置与三种特殊的复矩阵；

之所以推广到复数域，更重要的是确保对任一数都满足这些条件

第二是相似矩阵（Similar Matrices）的物理意义。最终，通过[[舒尔引理]]（Schur’s Lemma）的证明，水到渠成地揭示了谱定理的核心本质：对称矩阵（或正规矩阵）不仅可以拥有相互正交的特征向量基底，还能被分解为按特征值加权的秩为1的投影矩阵之和，宛如三棱镜将白光色散为不同波长的光谱。 ![](台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260317111930095.png)

主题内容拆解

1. 矩阵特征向量的“世界观”金字塔

为了理解特征向量的价值，讲师提出了一个三层的“金字塔世界观”。输入向量能否写成特征向量的线性组合，决定了矩阵在线性系统中的应用价值。

底层（Layer 1）：缺陷矩阵（Defective Matrices）。 这类方阵虽然有 $N$ 个特征值，但无法找到 $N$ 条线性独立的特征向量，应用场景极少。
中层（Layer 2）：可[[矩阵对角化]]矩阵。 只要矩阵拥有 $N$ 条独立的特征向量，它就能被对角化，写成 $A = X \Lambda X^{-1}$ 的形式（ $\Lambda$ 为特征值组成的对角阵， $X$ 为特征向量矩阵）。斐波那契数列、马尔可夫矩阵、矩阵指数等应用皆源于此。
顶层（Layer 3）：满足谱定理的矩阵。 某些特殊的矩阵不仅能找到 $N$ 条独立的特征向量，而且这些特征向量彼此正交（垂直）。正交化后的特征向量构成了正交矩阵 $Q$ 。因为正交矩阵的逆等于其转置（ $Q^{-1} = Q^T$ ），矩阵可以被优雅地写成 $A = Q \Lambda Q^T$ 。

2. 前置准备一：进入复数域空间（ $C^n$ 空间）

要彻底理解谱定理，必须先跨越实数域（Real number, $R$ ），进入复数域（Complex number, $C$ ）。

共轭的必要性： 在实数系中，一个数的平方或绝对值的平方就是自己乘自己。但在复数系中，求复数绝对值的平方（以及计算向量的长度/范数 Norm），必须是 该复数与其共轭复数（Complex Conjugate）相乘。
埃尔米特转置（Hermitian Transpose）： 过去求实数向量的内积或范数使用的是转置（Transpose, $u^T v$ ）。进入复数域后，所有涉及到转置的操作，都必须同时伴随“取共轭”。这种“先取共轭再转置”的操作被称为埃尔米特转置（通常记作 $A^H$ ）。
复数内积的计算： 在复向量空间中，两个向量 $u$ 和 $v$ 的内积不再是 $u^T v$ ，而是 $u^H v$ 。需注意的是，在复数域中， $u^H v \neq v^H u$ ，两者相差一个共轭。 [file-20260313101453865, p.42](./台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260313101453865.pdf)

3. 三种特殊的复数矩阵及其特征性质

实数域中的三种特殊矩阵（对称矩阵、反对称矩阵、正交矩阵），在复数域中有其对应的高阶版本：

类别	对称性质 (Symmetric)	反对称性质 (Skew-symmetric)	正交/酉性质 (Orthogonal/Unitary)
实数版本	对称矩阵 (Symmetric)	反对称矩阵 (Skew-symmetric)	正交矩阵 ( $Q$ )
复数版本	埃尔米特矩阵 (Hermitian)	反埃尔米特矩阵 (Skew-Hermitian)	酉矩阵 ( $U$ )
定义	$A^H = A$	$A^H = -A$	$U^H = U^{-1}$
特征值 ( $\lambda$ )	实数 (Real)	纯虚数 (Purely imaginary)	模长为 1
特征向量	不同特征值对应的特征向量必定垂直 ( $\lambda_1 \neq \lambda_2$ )	不同特征值对应的特征向量必定垂直 ( $\lambda_1 \neq \lambda_2$ )	不同特征值对应的特征向量必定垂直 ( $\lambda_1 \neq \lambda_2$ )
分解 (第三层)		$A = Q \Lambda Q^T$ $A = U \Lambda U^H$

[!PDF|yellow] [[pages/assets/台北科技大学单元11 特征值与特征向量–目的及对角化/file-20260313101453865.pdf#page=49&selection=0,0,74,31&color=yellow|file-20260313101453865, p.49]]

• Eigenvalue of a Hermitian matrix: real, which represents decay • Eigenvalue of a skew-Hermitian: purely imaginary, which represents oscillation

A. 埃尔米特矩阵 (Hermitian Matrix)

定义： 满足 $A^H = A$ 的矩阵。它是实对称矩阵在复数域的推广。对角线元素必须是实数。
性质 1： 对于任意复数向量 $x$ $x$ ，二次型 $x^H A x$ $x^{H} A x$ 必定是实数。
- ![|250](台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260317103345935.png)
性质 2（核心）： 其特征值必定是实数。即使矩阵元素是复数，其特征值也绝对是实数。
- ![|475](台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260317103524620.png)
性质 3（核心）： 来自不同特征值的特征向量必定互相正交。
- $A=Q\lambda Q^T$

• Symmetric complex matrix • A real symmetric matrix is a special case of Hermitian matrices • The diagonal must be purely real

[!note] 一个反直觉的事实是，对称矩阵在现实生活中的应用比人们想象的更广在统计学和通信领域，对称关系都是非常重要的。

B. 反埃尔米特矩阵 (Skew-Hermitian Matrix)

定义： 满足 $A^H = -A$ 的矩阵。对角线元素必须是纯虚数或零。
性质： 二次型 $x^H A x$ 必定是纯虚数。其特征值必定是纯虚数。同样，来自不同特征值的特征向量必定互相正交。

[!note] 任意一个矩阵都可以表示为一个[[Hermitian Matrices]]与一个[[Skew-hermitian matrix]]之和。

虽然我认为这个表述有些像[[奇信号]]和[[偶信号]]可以组成任意信号一样

C. 酉矩阵 (Unitary Matrix)

定义： 满足 $U^H U = I$ （即 $U^{-1} = U^H$ ）的矩阵。它是实[[正交矩阵]]在复数域的推广。
性质 1（保角与保长）： 向量被酉矩阵作用后，其长度（范数）不变，两个向量之间的夹角（内积）不变。
性质 2： 其特征值的绝对值（大小）必定为 1。
性质 3： 来自不同特征值的特征向量必定互相正交。

4. 前置准备二：[[相似矩阵]]（Similarity）及其物理意义

判定两个矩阵是否“同源”，就像查验DNA一样，而矩阵的DNA就是特征值。

代数定义： 如果存在一个可逆矩阵 $M$ $M$ ，使得 $A = M B M^{-1}$ $A = M B M^{- 1}$ ，则称矩阵 $A$ $A$ 与 $B$ $B$ 互为相似矩阵。相似矩阵拥有完全相同的特征值。
- ![|600](台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260318163929372.png)
物理（几何）意义： 相似矩阵本质上是在执行完全相同的线性转换（例如都在做投影操作），区别仅仅在于选择的基底（Basis）不同。
操作流程理解： $A = M B M^{-1}$ $A = M B M^{- 1}$ 可以理解为：先用 $M^{-1}$ $M^{- 1}$ 将当前空间的向量转换到另一个容易处理的基底空间中；在该空间下用 $B$ $B$ 执行实际的线性转换；转换完成后，再用 $M$ $M$ 把结果转换回原来的基底空间。改变基底，可以让原本复杂的矩阵运算（如复杂的投影阵）变成包含大量零的极简矩阵。
- [[Circuit Theory 台北科技大学 lec36 拉普拉斯转换的电路分析 - 复频域简介及其电路法则]]
- [[傅立叶级数]]
  - 结论：如果两个矩阵互相相似，那么它们执行的操作是完全一样的线性转换，只是组成它们的beses不同而已
  - 应用：通过这个公式，相当于，我们能够在无限个平行世界里创造新的洛基
- ![](台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260318172147663.png)

4.1 投影矩阵作为范例

先将1-2，进入到另一个域中（因为这样可能会使得操作更加简便，就和拉普拉斯变换一样）然后2-3，在这个domain中进行运算最后3-4，转回到原本的domain中 [file-20260313101453865, p.53](./台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260313101453865.pdf) ![](台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260318172044737.png)

5. 舒尔引理 (Schur’s Lemma)

这是推导谱定理的终极工具。舒尔引理揭示了任何矩阵都有一个极其优秀的“变体”（相似矩阵）。

定理内容： 对于任何方阵 $A$ （无需是对称或正交矩阵），都存在一个酉矩阵（正交矩阵） $U$ ，使得 $U^H A U = T$ 。其中 $T$ 是一个上三角矩阵（Upper Triangular Matrix）。
深刻内涵：
1. 任何矩阵都可以通过正交基底的转换，变成一个上三角矩阵。
2. 这个上三角矩阵的对角线元素，正是原矩阵 $A$ 的特征值。
证明思路： 利用数学归纳法与[[Gram-Schmidt 正交化]]过程（Gram-Schmidt Process）。通过找出一个特征向量，将其扩充为空间的正交基，将原矩阵转换为块上三角形式，然后对右下角的子矩阵不断递归该过程，最终由一连串正交矩阵相乘得到最终的酉矩阵 $U$ 。

6. 谱定理 / 频谱定理 (The Spectral Theorem)

当舒尔引理遇到“对称矩阵”（或埃尔米特矩阵）时，奇迹发生了，这就是谱定理的由来。

推导逻辑： 舒尔引理说明 $U^H A U = T$ 。如果 $A$ 是埃尔米特矩阵（ $A = A^H$ ），我们对等式两边取埃尔米特转置，左边 $(U^H A U)^H$ 依然等于 $U^H A U$ ；但右边的上三角矩阵 $T$ 转置后应该变成下三角矩阵。一个矩阵既是上三角又是下三角，说明它只能是对角矩阵（Diagonal Matrix）。
核心结论： 任何对称矩阵/埃尔米特矩阵，不仅一定能被对角化（即便特征值有重复，也保证能找到足够多且相互独立的特征向量），而且其特征向量保证可以相互正交。即： $A = Q \Lambda Q^T$ （实数域）或 $A = U \Lambda U^H$ （复数域）。 [file-20260313101453865, p.56](./台北科技大学单元13 特征值与特征向量–频谱定理.assets/file-20260313101453865.pdf)

谱定理的“光谱拆解”视角（为什么叫Spectral Theorem）

利用矩阵乘法的列观点（Building Blocks）， $A = Q \Lambda Q^T$ 可以被展开为： $A = \lambda_1 q_1 q_1^T + \lambda_2 q_2 q_2^T + \dots + \lambda_n q_n q_n^T$ 其中 $q_i q_i^T$ 是一个秩为 1 的投影矩阵。 物理隐喻： 就像牛顿用三棱镜将白光色散成不同波长（频率）的彩虹光谱一样，一个复杂的对称矩阵 $A$ ，被完美地“拆解”成了若干个基础子成分（投影矩阵）的叠加，而每个子成分的“权重”或“波长”，正是对应的特征值 $\lambda$ 。这也是特征值（Eigenvalue）在数学中被赋予希腊字母 $\lambda$ （代表波长）的深刻历史原因。

7. 正规矩阵 (Normal Matrix)

在金字塔第三层的矩阵（具备谱定理性质）不仅仅是对称矩阵，只要满足特定条件的矩阵都处于这一层。

定义： 凡是满足 $A^H A = A A^H$ 的矩阵，统称为正规矩阵。
包容性： 埃尔米特矩阵、反埃尔米特矩阵、酉矩阵，全部满足这个定义，因此它们都是正规矩阵，它们的特征向量都相互正交，都适用谱定理。

核心框架与思维模型 (Frameworks & Mental Models)

1. 矩阵特征向量的“世界观金字塔”模型

这个模型用于评估方阵在线性代数系统中的“优劣”与可用性：

底层：有缺陷（Defective）。 特征向量数量不足，无法张成全空间，无法对角化。
中层：可对角化（Diagonalizable）。 拥有足够数量的独立特征向量作为基底，可实现 $A = X \Lambda X^{-1}$ ，极大简化矩阵的高次幂运算。前提通常是特征值互不相同。
顶层：谱定理（Spectral/Normal）。 不仅特征向量数量足够，而且自动相互垂直（正交）。矩阵可写成 $A = Q \Lambda Q^T$ 。此时即便特征值重复，也绝对不会跌入底层。

2. 矩阵的“DNA鉴定”与变体模型 (相似性理论)

概念： 两个表面数字完全不同的矩阵 $A$ 和 $B$ ，如果它们的特征值完全相同，它们就是“变体”（相似矩阵）。
思维映射： 永远不要把矩阵只当成一堆数字，要把矩阵看作是一种特定的几何动作（如投影、旋转）。数字的不同，仅仅是因为观察这个动作的“参考系（基底）”不同。通过 $M B M^{-1}$ 这个“过去-执行-回来”的三步走框架，我们可以通过切换参考系，让复杂的计算在最简单的形态（矩阵包含大量0）下完成。

3. 三棱镜色散模型 (谱定理的直观表达)

模型机制： 将复杂的对称矩阵运算，视为一束复合光。矩阵的特征向量 $q_i$ 构成了基础的投影维度（相当于不同颜色的光轨： $q_i q_i^T$ ），而特征值 $\lambda_i$ 则是该维度上的强度/波长。
应用价值： 在现实工程中（如统计学中的主成分分析 PCA、通信工程中的多端口网络 S参数），我们经常遇到对称阵（协方差矩阵等）。谱定理允许我们将极其庞大复杂的数据交互阵列，无损地拆解为几个相互独立、毫不干涉的特征维度的线性叠加，从而提取主要特征，滤除噪音。