w wyl123ly 的博客
MD

9-2-Hermitian矩阵与酉矩阵

161 KB 2026.10.11 原文件

9-2-Hermitian矩阵与酉矩阵

一句话概括

实对称矩阵()与正交矩阵()在复域的推广分别是厄米矩阵()与酉矩阵();把这两者统一起来的是正规矩阵(),而"可酉对角化"正是正规矩阵的定义性特征。

本篇覆盖:厄米矩阵的定义与实/复概念对照表 → 厄米矩阵特征值全为实的完整证明 → 不同特征值的特征向量正交 → 谱定理的复版本 → 酉矩阵的定义与四条核心性质 → 正规矩阵与谱定理的完整形式 → 傅里叶矩阵的列正交验证 → 实矩阵复特征值成共轭对 → 完整谱分解例题 → 量子力学与信号处理应用。

一、定义

1.1 厄米矩阵

定义 1.1(厄米矩阵,Hermitian matrix) 设 。若

则称 为厄米矩阵,也称自伴随矩阵(self-adjoint matrix)。

写成分量形式:对一切 ,

两条快速判据(做题时先查这两条):

  1. 主对角线元素必须全为实数:取 得 ,由 9-1 节性质 (C10) 知 。
  2. 关于主对角线对称的两个元素互为共轭:。

例 1.2 下列矩阵都是厄米矩阵:

其中第四个是实矩阵(也是实对称矩阵),说明实对称矩阵是厄米矩阵的特例。

例 1.3 下列矩阵不是厄米矩阵:

1.2 酉矩阵

定义 1.4(酉矩阵,unitary matrix) 设 。若

则称 为酉矩阵。等价地 ,即 。

1.3 正规矩阵

定义 1.5(正规矩阵,normal matrix) 设 。若 与其共轭转置可交换:

则称 为正规矩阵。

1.4 实/复两套概念的完整对照

本章最重要的一张表

复线性代数的全部内容,几乎都可以通过下面这张表从实线性代数"翻译"过来。把 换成 ,把"对称"读成"厄米"、把"正交"读成"酉",其余一字不改。

实域概念复域推广定义式实域退化情形
转置 共轭转置 实
对称矩阵厄米矩阵实 + 厄米 对称
正交矩阵酉矩阵实 + 酉 正交
正交对角化酉对角化实对称
内积 复内积 实 退化为点积
长度 复长度 形式相同
正交补 左零空间 实
秩 / 零空间 / 特征值定义完全相同——代数结构不变
特征值可为复数厄米 特征值全实实对称 特征值全实
反对称 反厄米矩阵特征值为纯虚数

关于最后一行:反厄米矩阵(anti-Hermitian matrix,又叫斜厄米矩阵)的特征值全是纯虚数。验证思路与厄米矩阵相同:若 且 ,则 ,故 。量子力学中的动量算符 就是反厄米的,这就是它对应"可观测量的变化率"的原因。


二、几何直观

2.1 厄米矩阵:复空间里的"镜面对称体"

实对称矩阵的几何图像是:存在一组互相垂直的实轴(特征方向),矩阵沿这些轴只做伸缩,不产生扭转。厄米矩阵在 中扮演完全相同的角色,只是"垂直"改由复内积定义。

关键差别在于:实对称矩阵的几何对象是 中的正交基,而厄米矩阵的几何对象是 中的酉基——一组向量 满足

即每个 长度为 (),且两两正交。

为什么"特征值全为实"有几何含义

厄米矩阵表示一个"在复空间里做纯伸缩、不做旋转"的变换。伸缩的比例就是特征值,而纯伸缩的比例在物理上必须是实数——否则你无法说"这个方向被拉伸了 倍"。

反过来,如果矩阵的特征值是复数 ,那就意味着该变换在对应特征方向上除了伸缩 倍之外,还附加了 角度的旋转。旋转矩阵 (9-1 节)的特征值 正是纯旋转 (,);它不是厄米的,因为 。

2.2 酉矩阵:复空间里的"刚体运动"

实正交矩阵的几何图像是 中的"旋转 + 镜像反射",它们保持长度与夹角不变。酉矩阵完全是同一回事,只不过作用于 :

而且保持复内积:

内积保持 长度保持 夹角保持 正交性保持。 所以酉变换是复空间中的"刚体运动"(等距变换),这也解释了为什么它在量子力学里描述"不改变总概率的演化",在信号处理里描述"不改变信号能量的变换"。

几何分解:任意复方阵都可以写成"一个厄米部分 + 一个反厄米部分":

这与实数情形 (对称 part + 反对称 part)完全平行。厄米部分负责"伸缩",反厄米部分负责"旋转"。

2.3 为什么单位圆上的数如此重要

酉矩阵的行列式满足 ,也就是说 落在复平面的单位圆上。这是"体积保持"在复域的精确表述:

当 时称 为特殊酉矩阵(special unitary matrix,记作 ); 一般是单位圆上的任意复数,其辐角记录了变换中"反射"的层数。


三、性质与定理:厄米矩阵

3.1 核心定理:特征值全为实数

定理 3.1(厄米矩阵的实特征值定理) 设 满足 。则 的每一个特征值都是实数。

适用条件: 是厄米矩阵(等价地, 是实对称矩阵)。条件不可削弱:一般的复矩阵和一般的实矩阵都可能有复特征值。

完整证明:

设 是 的任一特征值, 是对应的特征向量:

第一步:左乘 。

用行向量 左乘 (3.1) 两端:

注意 是一个正实数(因为 ,由 9-1 节性质 (H4),)。所以在 (3.2) 中, 等于"左边那个数"除以一个正实数,符号性质取决于左边。

第二步:对 (3.1) 取共轭转置。

对 两端分别取共轭转置。左端用 9-1 节性质 (T4):

右端:。

所以得到

第三步:右乘 。

用列向量 右乘 (3.3) 两端:

第四步:比较 (3.2) 与 (3.4)。

两式的左端都是同一个数 ,右端的 也相同,故

即

第五步:约去正实数。

因为 ,所以 ,可以两边同除:

由 9-1 节性质 (C10), 当且仅当 。故 是实数。

证明的关键在哪里

整个证明只有两个关键动作:

1. 左乘 而不是 。如果写成 ,在 上 可能是 ,第五步的除法就崩了(这正是 9-1 节的错误 1)。

2. 在第二步用了 。这是厄米性唯一被用到的地方。如果 只是普通复矩阵,我们得不到 这一步,证明链断裂。

另外注意,第五步必须用到 。这提醒我们:特征值的定义里"非零特征向量"这个条件绝不是装饰。

推论 3.2 实对称矩阵 ()的特征值全为实数。

证明: 实矩阵满足 ,故 是厄米矩阵,由定理 3.1 得证。

这个推论在第六章已经用实方法(配方法或 Rayleigh 商)证过一次。现在的证明统一了两种情况,而且更短:复版定理一证,实版自动成立。这就是扩张到复数域的价值。

3.2 关键引理: 必为实数

引理 3.3 若 ,则对任意 ,数 是实数。

证明: 取它的共轭转置。因为它是 矩阵(标量),其共轭转置就是取共轭:

由 (C10) 知它是实数。

这个引理是证明定理 3.1 的"隐藏支柱"

定理 3.1 的第四步之所以能比较 (3.2) 与 (3.4),本质上是说" 这个数没有歧义"。引理 3.3 恰好保证了这一点:厄米二次型取实数值。在量子力学中,这正是"厄米算符的期望值必为实数"这条物理要求的数学来源——实验读数当然是实数。

3.3 不同特征值的特征向量正交

定理 3.4(厄米矩阵特征向量的正交性) 设 。若 是 的特征向量,对应特征值 ,则

适用条件:(不同特征值)。若特征值相同(重根),对应特征子空间内的向量未必正交,但可以在这个子空间内做 Gram–Schmidt 正交化(见 3.4 节)。

证明("左乘右乘"技巧):

由特征方程:

第一步:在 (3.5) 左边乘 。

第二步:在 (3.6) 左边乘 ,再取共轭转置。

先左乘:

对 (3.8) 两端取共轭(它两端都是标量,取共轭即取共轭转置):

左端展开:

右端展开(注意由定理 3.1, 是实数,故 ):

(这里用了 9-1 节性质 (H1):。)所以

第三步:比较 (3.7) 与 (3.9)。

两式左端相同,故

移项:

第四步:约去 。

由题设 ,故 ,可以两边同除,得

由 (H1),这等价于 ,即 。

两个证明的对称之美

定理 3.1 与定理 3.4 用的是同一个技巧的两次应用:

- 定理 3.1:对 左乘 ,再从两个方向算出同一个数,比较。

- 定理 3.4:对两个特征方程分别左乘另一个向量的共轭转置,再取共轭比较。

两处都既用到了 ,也用到了 是实数。定理 3.1 是定理 3.4 的前提——如果 可能是复数,第二步的 就不成立。这个依赖顺序在整理笔记时很值得注意。

3.4 谱定理(复版本)

定理 3.5(谱定理,Spectral Theorem,厄米情形) 设 满足 。则存在酉矩阵 与实对角矩阵 ,使得

其中 是 的特征值, 的列是相应的特征向量,且构成 的一组酉基(标准正交基)。

等价说法:厄米矩阵总是可以酉对角化的,而且 (求逆只是转置取共轭,计算上非常便宜)。

证明思路(分四步,每一步都指向定理 3.1 或 3.4):

第 1 步:特征值存在且全为实。 由代数基本定理, 次特征多项式 在 上恰有 个根(计重数),所以至少有一个特征值。由定理 3.1,它们全是实数。

第 2 步:不同特征值的特征向量自动正交。 由定理 3.4。

第 3 步:处理重特征值。 设 是 重特征值,对应的特征子空间 维数为 。需要论证两点:

(a) 维数确实是 。要用到厄米矩阵可以"限制"到不变子空间上仍是厄米的。设 是 的不变子空间(),则 也是不变的:若 ,则对一切 ,(因为 ),故 。这个"正交补也不变"的性质只在厄米(或正规)情形成立,是谱定理的核心技术点。

(b) 在 内部做 Gram–Schmidt 正交化。 是普通复内积空间的一个子空间,可以照搬 9-1 节的复内积与第四章的 Gram–Schmidt 过程,把 的任意一组基化为一组标准正交基。这个过程不改变"都是特征向量"这件事(因为特征子空间对线性组合封闭)。

第 4 步:拼装。 把所有特征子空间的标准正交基依次排列为列,得到 。由第 2、3 步,这 个向量两两正交且长度为 ,故 , 是酉矩阵。又对每个 有 ,所以

3.5 谱定理的三种"等价形态"

谱定理可以写成三种形式,用哪个取决于你想强调什么:

形式一(矩阵分解):

形式二(投影分解): 令 ,则

每个 是到特征方向 的正交投影矩阵(与第四章的 完全同构,只是把转置换成了共轭转置)。

形式三(几何语言): 的作用是"把 分解到 个互相正交的方向上,各自沿方向伸缩 倍,再合成回来"。

验证形式一与形式二的等价性: 由 的分块写法 ,

✓ 一致。

与实对称矩阵的对应

第六章的 就是这里 在 为实矩阵时的特例。第四章讲的正交投影 对应这里的 。整个第四章与第六章的几何内容,在复域中一个都没有丢失,只是符号统一升级了。

3.6 并排推导:实对称矩阵正交对角化 与 厄米矩阵酉对角化

把两个定理的证明一句一句对齐,是看清"复域只是把所有 换成 "的最快办法。下面把两条定理的证明并排走一遍,每一步都成对出现。

定理 A(实对称,见 6-4-对称矩阵与正定矩阵) 设 满足 。则存在正交矩阵 与实对角矩阵 ,使

定理 B(厄米,本篇定理 3.5) 设 满足 。则存在酉矩阵 与实对角矩阵 ,使

第 1 步:特征值存在。

实对称情形厄米情形
依据 是 次实系数多项式 是 次复系数多项式
结论在 中恰有 个根(计重数)同样恰有 个根(计重数)
用到的定理代数基本定理代数基本定理

第 2 步:特征值必为实数。

实对称情形: 设 ,。左乘 :

左边是实系数的对称二次型 ,因此是实数;右边 也是实数。故

厄米情形: 设 ,。左乘 :

由引理 3.3, 是实数;又 是正实数。故

这一步的"发动机"是自伴性

两边的论证完全同构:"二次型取实值" + "长度平方是正实数" ⟹ 特征值是实数。

- 实域的"二次型取实值"是自动的(因为 与 都是实数),所以实域只需对称性就能把二次型解释成"纯伸缩的度量";

- 复域的"二次型取实值"不自动,恰恰需要 (这正是 9-1-复数与复向量 例题 7 第 5 步证明的等价刻画)。

换句话说:实域的对称性是"免费"的,复域的自伴性是"必须花钱买"的——这就是为什么复域的对称必须升级为厄米。

第 3 步:不同特征值的特征向量正交。

实对称情形: 设 、,。

(第三个等号用了 ,第四个用了 与 。)移项得

厄米情形: 这就是本篇定理 3.4,用"左乘右乘 + 取共轭"完全相同的手法得到

逐符号对照:,,中间那一步 在复域写成 ——这是同一个恒等式的两个版本。

第 4 步:处理重特征值(最关键的一步)。

设 是 重特征值,特征子空间 (或 )。需要两件事:

(a) ,即"特征向量足够多"。 技术核心是一个引理:自伴矩阵的不变子空间的正交补也是不变子空间。

实对称情形: 设 满足 ,取 。对任意 :

(第二个等号用 ,最后一个等号用 且 。)故 ,即 也不变。

厄米情形: 同样的一步,只把配对方式换成复内积:

故 也不变。

有了这个引理,就可以限制在 上做归纳:把 (或 )限制到 仍是自伴的,限制到 也仍是自伴的,于是整个空间被正交地分解为一个个特征子空间。

(b) 在 内部取标准正交基。 因为 是普通的内积空间(实内积或复内积),可以直接用 4-4-标准正交基与Gram-Schmidt 的 Gram–Schmidt 过程把任意一组基标准正交化。这个过程不会跑出 (特征子空间对线性组合封闭),所以化完之后每个向量仍然是对应 的特征向量。

第 4 步是"哪一个矩阵能酉对角化"的分水岭

"不变子空间的正交补也不变"这条性质,只对自伴矩阵(更一般地,只对正规矩阵)成立。对一般矩阵它可能失效,于是特征子空间"补不满"整个空间,特征向量不够多,就无法构成标准正交基——这正是下面 5.5 节要展示的现象。

反之,只要 ,"特征向量够多"就是免费得到的。这就是厄米矩阵一定能酉对角化的全部秘密。

第 5 步:拼装。

实对称情形厄米情形
取特征子空间的标准正交基
拼成矩阵
正交/酉条件
特征方程
求逆
结论

逐句对照总表(把这张表背下来,第六章与第 9 章就合并成了一章)

实对称情形(第六章)厄米情形(第 9 章)角色
自伴性
内积
正定性(长度)
二次型取实值
正交 / 酉
求逆便宜
谱定理
到特征方向的投影
投影分解
,,特征值的性质
条件数(见 [[11-2-范数与条件数]])

去掉条件会怎样?三个反例

  1. 实矩阵若不对称,定理 A 失效。 取 ( 旋转): 是正交的、元素全为实数,但 ,它的特征值是 ——连实特征值都没有,当然谈不上"实正交对角化"。
  2. 复矩阵若只对称而不厄米,定理 B 失效。 取 :它满足 (复对称),特征值却是 ,不是实数。虽然这个 恰好是正规的(,所以仍可酉对角化),但"沿特征方向只做伸缩"的几何图像已经不成立——它的特征方向伴随着旋转。
  3. 复对称既不保证厄米、也不保证正规。 取

它满足 ,但

所以它不正规,不能酉对角化。它的特征值是 ,对应的两个特征向量内积为 (不正交)。"复对称"这个条件比"实对称"弱得多,几乎带不来任何好性质。

一句话记住本节的对应关系

复域的每一个 ,都是实域某个 的升级版;而"对称"这个词在复域没有几何含义,必须换成"厄米"(自伴)。 只要抓住"二次型取实值"这一条几何要求,就能自己推出所有该换的地方。


四、性质与定理:酉矩阵

4.1 定义与基本性质

定理 4.1(酉矩阵的四条核心性质) 设 。以下命题等价:

(i) ;

(ii) (即 可逆,且逆等于共轭转置);

(iii) 的列向量构成 的一组标准正交基(酉基);

(iv) 保内积:对一切 ,。

此外,以下性质也都成立:

(v) 保长度: 对一切 ;

(vi) ;

(vii) 两个酉矩阵之积仍是酉矩阵;酉矩阵的逆仍是酉矩阵; 是酉矩阵。故全部 阶酉矩阵构成一个群,称为酉群(unitary group)。

证明 (i) (ii):由 知 可逆且 。

证明 (i) (iii):记 的列为 ,则 。计算 的第 个元素:

(因为 的第 行正是 。)由 得

即任意两列正交( 时为 )、每列长度为 ( 时为 )。故 是 的一组标准正交基。

证明 (i) (iv):

(这里用了 ,即 9-1 节性质 (T4)。)

证明 (iv) (v):取 :

两边开方(都是非负实数)得 。

证明 (vi):由 9-1 节性质 (T6)、行列式乘法性与 (T4):

故 ,即 。

证明 (vii):设 都是酉矩阵。

乘积:。✓

逆:(因为 对方阵 蕴含 )。✓

单位元:。✓

"方阵"这个前提不能丢

推出 只在 是方阵时成立。对长方矩阵,"左逆 = 右逆"不成立(这与实数域完全一样,见第四章关于投影矩阵 的讨论)。

4.2 酉矩阵与正交矩阵的关系

定理 4.2 实矩阵 是酉矩阵当且仅当 是正交矩阵。

证明: 为实矩阵时 (因为 ),故 。

因此:正交矩阵 = 酉矩阵 ∩ 实矩阵。正交矩阵是酉矩阵的一个子集,而且是其中"元素必须为实数"的那部分。

一个必须纠正的误解

酉矩阵的元素不一定是复数。单位矩阵 、置换矩阵、、Hadamard 矩阵 都是实矩阵,也都是酉矩阵。反过来说,"酉"这个词描述的是变换的几何行为(保内积 / 是复空间中的刚体运动),而不是"元素含 "。

4.3 酉矩阵的对角化能力

定理 4.3 若 是酉矩阵,则 可酉对角化,且其特征值全部满足 (落在复平面单位圆上)。

证明思路(特征值的模): 设 ,。两边取长度:

由定理 4.1(v),左端 。故

几何解释:酉矩阵是刚体运动,不含伸缩,所以"伸缩比例" 的模只能是 ——它纯粹是旋转,。这与厄米矩阵形成鲜明对照:

厄米矩阵 酉矩阵
几何行为纯伸缩(无旋转)纯旋转(无伸缩)
特征值位置全部在实轴上全部在单位圆上
对称形态 型,指数增长/衰减 型,振荡
物理对应可观测量(能量、位置)时间演化算符、门操作

可对角化性的证明思路:由 4.3 已证 的特征值模为 。更直接的路径是注意到酉矩阵也是正规矩阵(),由下一节的定理 5.2 立即得可酉对角化。这与"正交矩阵可酉对角化"(但在实数域内不一定能正交对角化,除非它对称)的结论一致——例如 旋转矩阵是正交的,但它的特征值是 ,在实域内无特征值。


五、性质与定理:正规矩阵与谱定理的完整形式

5.1 正规矩阵

定义 5.1(回顾定义 1.5) 是正规矩阵,若 。

定理 5.2(谱定理,完整形式) 设 。则

即:( 酉、 对角)当且仅当 。

证明( 方向,即"正规 可酉对角化")的思路:

这个方向是 Schur 三角化定理的直接推论。Schur 定理断言:任何复方阵 都可以写成

其中 是酉矩阵, 是上三角矩阵(对角线元素为 的特征值)。证明用归纳法:取一个特征向量作为 的第一列,在其余方向做归纳。

现在若 还是正规的,则 也正规:

(中间一步用了正规性 。)最后只需证明:正规的上三角矩阵必为对角矩阵。

设 是正规上三角矩阵。比较 与 的 元素:

两者相等,故 ,即 ,第一行除对角元外全为零。对 的右下 子块重复同样的论证,归纳得 是对角矩阵。

证明( 方向,即"可酉对角化 正规"):

若 ,则 ( 对角, 仍是对角矩阵)。于是

而对角矩阵满足 (逐元素看,),故两者相等。

5.2 正规矩阵的统一框架

一图看清四类矩阵的关系

下表中所有矩阵都是正规矩阵,因此全部可以酉对角化。它们的区别只在于特征值被约束在复平面的哪一部分。

矩阵类型定义式特征值位置特征向量实矩阵时的退化
厄米矩阵实轴()正交实对称矩阵
反厄米矩阵虚轴( 纯虚)正交实反对称矩阵
酉矩阵单位圆()正交正交矩阵
正规矩阵复平面任意位置正交实正规矩阵

包含关系(都是正规矩阵的子类):

三者的交集:既厄米又酉的矩阵满足 且 ,即 ,特征值只能是 。所以这类矩阵就是"对某些方向保持不变、对另一些方向取反"的反射型变换(例如 Pauli 矩阵 )。

为什么这个统一很重要:第四章(正交投影)、第六章(实对称矩阵的谱定理)、第七章(SVD,本质上是把"正规"的思想用在 上)的所有几何结论,在正规矩阵这个框架下都成了同一个定理的不同侧面。当你发现一个矩阵是正规的,你就立即免费得到了:可酉对角化、特征向量正交、求逆方便()、任意幂次好算()。

5.3 实矩阵的复特征值成共轭对

定理 5.3 设 是实方阵。若 是 的特征值,则 也是 的特征值,且重数相同。更进一步:若 是对应于 的特征向量,则 是对应于 的特征向量。

证明:

设 。对两端取共轭。因为 是实矩阵,:

故

即 是特征值, 是对应特征向量。

重数相同:特征多项式 的系数由 的元素经加减乘得到,全是实数,因此 是实系数多项式。实系数多项式的复根成共轭对出现,且共轭的两个根重数相同(因为 ,所以 ,把 的因子取共轭即得 )。

三个直接推论:

  1. 实矩阵的复特征值个数必为偶数(非实特征值一律成对出现)。
  2. 奇数阶实矩阵至少有一个实特征值。因为非实特征值成对, 为奇数时剩下至少一个必须是实的。这是"特征多项式是奇次实系数多项式,必有实根"的矩阵版本。
  3. 时只有两种可能:两个实特征值(例如对称矩阵),或一对共轭复特征值(例如旋转矩阵 ,特征值 )。这也解释了为什么二阶旋转矩阵不可能有实特征向量。

一个有用的旋转公式

实矩阵 的复特征值可以写成极坐标形式

其中 (几何平均伸缩率), 是旋转角。对 9-1 节的 :,,对应 ✓ 与" 是 旋转"完全一致。

5.4 补:Schur 三角化定理的完整证明

5.2 节在证明谱定理时用了一句"Schur 定理断言任何复方阵都可以写成 "。为了让证明链完全自足,这里把 Schur 定理完整证一遍。

定理 5.4(Schur 三角化定理,Schur triangularization) 设 。则存在酉矩阵 与上三角矩阵 ,使

并且 的主对角线元素恰好是 的 个特征值(重数计入,顺序可以任意指定)。

适用条件: 是任意复方阵——没有任何附加条件。这正是它比谱定理更"基础"的原因:它把"任意矩阵"化到"上三角",代价是三角而不是对角。

证明(对阶数 归纳)

第 1 步:奠基 。 此时 本身就是上三角矩阵,取 (一阶单位矩阵),,等式 成立,对角元 就是唯一的特征值。✓

第 2 步:归纳假设。 设定理对 阶矩阵已经成立,来证 阶的情形。

第 3 步:取一个特征值与对应的单位特征向量。 由代数基本定理, 次多项式 至少有一个复根 ,即 有特征值 。取对应的非零特征向量 ,并把它单位化:

第 4 步:把 扩充为一组标准正交基。 先把 扩充为 的一组基 (任何非零向量都能扩充成基,这是 3-4-线性无关基与维数 的基扩充定理)。再从 出发做 Gram–Schmidt 正交化(4-4-标准正交基与Gram-Schmidt):第一步只对 单位化,它已经是单位向量,所以不变;后续步骤把 变成与 正交且互相正交的单位向量。最终得到标准正交基

令 ,则 ,即 是酉矩阵。

第 5 步:计算 的第一列。 用 右乘(即取第一列):

而 的第 行是 ,所以 的第 个分量是 ,即

于是第一列是 。把它写成 分块形式:

其中 是某个列向量(它的具体值不影响结论), 是 矩阵。注意左下角已经是零块——这就是"上三角"的雏形。

第 6 步:对 用归纳假设。 是 阶复方阵,由归纳假设存在 阶酉矩阵 与上三角矩阵 ,使

第 7 步:拼装出 与 。 令

先说明 是酉矩阵:分块对角矩阵 满足

所以它也是酉矩阵;再由定理 4.1(vii)"两个酉矩阵之积仍是酉矩阵", 是酉矩阵 ✓。

再算 。注意 ,按 分块乘法(分块乘法规则与普通矩阵乘法一致,见 2-3-用矩阵进行消元):

先算前两个因子的乘积:

再右乘第三个因子:

最后一步用了第 6 步的 。得到的矩阵还是上三角(左下零块 + 上三角)✓。记

则 (两端左乘 、右乘 )。

第 8 步:对角元就是特征值。 是上三角,故 ,即 的特征值是 加上 的特征值。而

  • 与 相似(),相似矩阵有相同的特征多项式,故特征值相同;
  • 与 相似,特征值也相同;
  • 由第 5 步的分块上三角结构,,故 的特征值 = 加上 的特征值。

于是 的对角元由 与 的对角元共同组成,恰好是 的全部特征值。

谱定理的完整证明链(现在闭合了)

把本节与 5.2 节拼起来,就得到"正规矩阵可酉对角化"这条定理的完整、自足证明:

| 环节 | 内容 | 所在位置 |

|---|---|---|

| ① | 代数基本定理: 次复多项式有 个根 | 复分析基础 |

| ② | 任意复方阵可酉三角化 | 本节定理 5.4 |

| ③ | 正规性在酉相似下保持: 正规 正规 | 5.2 节 |

| ④ | 正规 + 上三角 对角 | 5.2 节 |

| ⑤ | 结论:正规 可酉对角化 | 定理 5.2 |

再加上"厄米矩阵的特征值全为实"(定理 3.1),就得到厄米情形的谱定理 ( 实对角)。第 ② 步是整条链上唯一"对任意矩阵都成立"的一环,也是最重要的一环。

5.5 去掉"正规"会怎样:三个反例

"可酉对角化 正规"这条等价关系,从反面看就是:只要不正规,就一定找不到标准正交的特征向量基。 下面三个反例分别对应三种不同程度的"退化"。

反例 1:可对角化,但不可酉对角化。

第 1 步:求特征值。 是上三角矩阵,特征值就是对角元:,。两个特征值不同,所以 有 个线性无关的特征向量,可对角化。

第 2 步:求特征向量。

对应 : 解 :

对应 : 解 :

第 3 步:特征向量不正交。

单位化后内积为 (这就是 7.4 节 numpy 代码里输出 的那个数)。

第 4 步:验证它确实不正规。

两者不相等,由定理 5.2, 不能酉对角化 ✓ 与"特征向量不正交"互为印证。

几何后果:特征向量基"歪斜"了。若用 计算 或 ,误差会被因子 放大;而正规矩阵有 (酉矩阵的条件数最优)。这是"正交特征基"在实际计算中的全部价值(详见 11-2-范数与条件数)。

反例 2:连对角化都做不到(Jordan 块)。

也是上三角,特征值是 (二重)。但

它的零空间是 ,只有一维,即只有一个线性无关的特征向量。所以 不可对角化(特征值的代数重数 > 几何重数 )。这是"退化阶梯"的最低一级:只能写成 Jordan 标准形。

注意 本身就是上三角,所以 就是一个合法的 Schur 三角化——这解释了为什么 Schur 定理对任意矩阵都成立,而"对角"的要求必须加条件。

反例 3:可酉对角化,但在实域内不能正交对角化。

取 旋转矩阵

是实正交矩阵,故由定理 4.2 也是酉矩阵,从而是正规矩阵,所以它可以酉对角化:

(可以直接验证 。)但它的特征值是 ,不是实数,所以 不可能与任何实对角矩阵正交相似:

这个反例说明两件事:(i) "可酉对角化"是比"实域可正交对角化"更宽的条件——实矩阵也常常只能在复域里对角化;(ii) 由 9-1 节定理 1.4.1,实矩阵的复特征值成共轭对,所以 与 总是"成对出现"的,这正是"实域内无法对角化"的代数根源。

四个例子的大对照

矩阵正规?可酉对角化?可对角化?特征向量正交?可用的最简形式
厄米 / 酉 / 正规矩阵✓✓✓✓
✗✗✓✗( 不正交)
✗✗✗✗( 上三角,不能对角)
✓✓(复域)✓(复域)✓(复向量),但实域内不行

一个容易搞错的推理

"特征向量不正交 矩阵不可对角化"是错的(反例 1 就是可对角化但不正交流的)。

正确的逻辑是:

- 可对角化 每个特征值的几何重数 = 代数重数(特征向量"够多");

- 可酉对角化 正规(定理 5.2),此时特征向量不仅够多,还自动两两正交。

两者的强度完全不同,判断时要用不同的判据:先算 与 是否相等(判正规),再去数特征向量的个数(判可对角化)。

5.6 五类矩阵总大对照表:包含关系、共同点与判别流程

本章最重要的一张表(第六章与第 9 章的统一视图)

表中所有"好"矩阵都是正规矩阵的子类,因此全部可以酉对角化,区别只在于特征值被限制在复平面的哪一部分。

矩阵类型定义式是正规的吗特征值位置特征向量实矩阵时退化为几何行为典型例子
实对称矩阵(实)✓实轴实正交——沿正交轴纯伸缩
厄米矩阵✓实轴复正交实对称矩阵沿酉基纯伸缩
反厄米矩阵✓虚轴复正交实反对称矩阵纯旋转的生成元
正交矩阵(实)✓单位圆实or复正交——旋转 + 镜像
酉矩阵✓单位圆复正交正交矩阵复空间刚体运动
正规矩阵✓复平面任意位置复正交实正规矩阵沿酉基"伸缩 + 旋转"
一般方阵无✗任意不一定正交——一般线性变换

包含关系(谁是谁的特例)

再加上两条"交叉"关系:

  • 实矩阵情形:,(定理 4.2);
  • 厄米 酉:既厄米又酉的矩阵满足 且 ,代入得 ,所以特征值只能是 。这类矩阵是"对某些方向保持不变、对另一些方向取反"的反射型变换,Pauli 矩阵就是例子:

三者的特征值都是 与 ,都满足 ,既是厄米又是酉 ✓。

一个有用的记忆图("特征值住在哪里")

把复平面画出来,把四类矩阵的特征值位置标上去——这张图就是第 9 章的"元素周期表":

```

Im

^ * 酉矩阵 / 正交矩阵(单位圆 |λ| = 1)

* |

| * 反厄米(虚轴 Re λ = 0)

---------------+--------------> Re

| * 厄米 / 实对称(实轴 Im λ = 0)

|

正规矩阵:可出现在复平面任意位置(但一定成"共轭对"出现,若 A 是实矩阵)

```

六类矩阵的共同点(这六条是"好矩阵"的通用红利)

  1. 可酉对角化:, 酉、 对角;
  2. 特征向量构成 的标准正交基:;
  3. 满足"等距对偶"恒等式: 对一切 (这正是正规性的等价刻画,见本篇例题 6);
  4. 与 可交换:;
  5. 求逆与求幂只作用于特征值:,(若 可逆);
  6. 关键数值量在酉变换下不变:、奇异值、条件数 都满足 (见 11-2-范数与条件数)。

判别流程(拿到一个矩阵,按这个顺序问)

  1. 它是实矩阵吗? 若是,所有 都可以写成 ,问题退化成第六章的内容。
  2. 算 ,与 比较: → 厄米(实则对称); → 反厄米(特征值纯虚)。
  3. 算 ,与 比较:相等 → 酉(实则正交),特征值在单位圆上。
  4. 算 与 ,互相比较:相等 → 正规,一定可酉对角化。
  5. 都不满足怎么办? 那么只能退到 Schur 形(上三角,定理 5.4);如果连"对角"都不要、只想要正交基,那就改用奇异值分解 ——它把"酉对角化"的思想用在了 与 上,对任何矩阵都成立,这就是 7-1-SVD的构造与几何意义 的主题。

numpy 一键判别(对应上面五步):

import numpy as np

H = lambda M: M.conj().T
A = np.array([[1, 1j], [1j, 1]], dtype=complex)      # 复对称,恰好也是正规的

print("实数矩阵?", np.isrealobj(A))
print("厄米?", np.allclose(A, H(A)))
print("反厄米?", np.allclose(A, -H(A)))
print("酉?", np.allclose(H(A) @ A, np.eye(2)))         # A 本身不是酉的
print("正规?", np.allclose(H(A) @ A, A @ H(A)))
print("除以 sqrt(2) 后是酉的?", np.allclose(H(A) @ A / 2, np.eye(2)))
ev = np.linalg.eigvals(A)
ev = ev[np.argsort(ev.imag)]                          # 按虚部排序,输出稳定
print("特征值:", np.round(ev, 10), " 实部:", ev.real, " 虚部:", ev.imag)
print("特征值的模:", np.abs(ev))

实测输出(numpy 2.3.5):

实数矩阵? False
厄米? False
反厄米? False
酉? False
正规? True
除以 sqrt(2) 后是酉的? True
特征值: [1.-1.j 1.+1.j]  实部: [1. 1.]  虚部: [-1.  1.]
特征值的模: [1.41421356 1.41421356]

读法: 不是厄米、不是反厄米、也不是酉的,但是正规的,所以它一定可以酉对角化。它的两个特征值 的模都是 (既不在实轴、也不在虚轴、也不在单位圆上),正是"正规矩阵的特征值可以出现在复平面任意位置"的例证。

这两个特征值"恰好"互为共轭,但不是定理保证的

与 确实互为共轭,然而不能用 9-1 节定理 1.4.1 来解释——那条定理要求 的元素全为实数,而 含 。本例的共轭性来自 的特殊结构: 说明 是酉矩阵,其特征值模为 ;再加上 、,两根之积为 、之和为 ,解出来必然是 。

一般复矩阵的特征值不必成共轭对: 的特征值是 与 ,就不成对。"共轭对"是实矩阵的专属性质。

一句话记住这张表

厄米 → 实轴,反厄米 → 虚轴,酉 → 单位圆,正规 → 任意位置(但成共轭对),一般矩阵 → 什么都不能保证。

这四句话把第六章(实对称)、第 9 章(复矩阵)、第七章(SVD 处理不正规的一般矩阵)串成了一条线。


六、傅里叶矩阵是酉矩阵(为 9-3 节铺垫)

6.1 傅里叶矩阵的定义

定义 6.1(傅里叶矩阵,Fourier matrix) 设 为整数,令

称 复矩阵 为傅里叶矩阵,其元素为

把它显式写下(注意下标从 开始,且 ):

6.2 的傅里叶矩阵

取 ,则

四个幂次分别是

所以

四个单位根在复平面上的位置:(角度 )、()、()、()。它们正好把单位圆四等分,构成一个内接正方形的四个顶点。

6.3 定理: 是酉矩阵

定理 6.2 对每个 ,傅里叶矩阵 满足

因此 是酉矩阵,且

适用条件: 必须是本原 次单位根( 次单位根里的这一个确实是本原的,因为 当且仅当 )。

证明(关键是单位根求和公式):

先建立一条基本引理。

引理 6.3(单位根求和公式) 令 ,则对任意整数 ,

引理证明:

情形 : 令 ,则 , 项相加得 。

情形 : 令 。两边同乘 :

把右端的求和指标平移,并利用 :

于是 。由 知 (因为 ),故 ,从而 。

这条引理在几何上是什么意思

把单位圆上的 等分点看作向量。当 与 互素时, 仍然跑遍全部 个等分点(只是顺序变了),这 个单位向量的和 —— 由正多边形的对称性 —— 必然是零向量。这就是" 个方向的力互相抵消"。

而当 时,每个 都等于 , 个 相加得 ,这就是"全部力指向同一方向"。

定理 6.2 的证明:

计算 的第 个元素。,其第 行是 第 列的共轭。而 第 列的元素为 ,故 第 行的第 个元素是 (因为 ,故 )。

于是

由引理 6.3,取 :

但 都在 中,故 ,其中只有 (即 )能被 整除。所以

即 。两边除以 得 ,故 是酉矩阵。

最后,由 得 :

这个结论的几何含义: 的每一列都是单位向量(长度为 ),且不同列互相正交(复内积为零)。即使不做归一化(不除以 ), 也已经"正交",只是长度是 而不是 。

6.4 的完整列正交验证

现在亲手验证 的情形。记 的四列为 :

(1) 各列长度。

四列长度都是 ,长度平方都是 。✓

(2) 用 与其他列做内积。

(3) 用 与其他列做内积(注意 ):

(4) 用 与 做内积():

结论:四列两两正交、长度都是 ,所以 ✓,与定理 6.2 完全一致。

(5) 顺带验证取逆公式。 由 :

(注意 与 只有第 2、4 行的虚部符号不同,这体现了 。)

注意 与 本身极为相似——唯一区别是第 2 与第 4 行交换了位置(等价于把 换成 )。这预告了 FFT 的核心思想:正向变换与逆向变换在算法上几乎是同一个程序。

6.5 与 9-3 节的衔接

傅里叶矩阵为什么如此重要?因为它把离散傅里叶变换(Discrete Fourier Transform,DFT)解释成了纯粹的矩阵乘法:

这样,离散傅里叶变换的全部性质都可以从" 是(几乎)酉矩阵"这一条推出:正交基分解、能量守恒(Parseval 恒等式)、逆变换公式 。下一节 9-3 会在此基础上讲 FFT 如何把 的矩阵乘法降到 。


七、计算方法与步骤

7.1 判断一个矩阵是否为厄米矩阵

  1. 查主对角线:所有 必须是实数。有一个不是实数,立即否定。
  2. 查对称位置:对每对 (),验证 。
  3. 快速记忆:实矩阵的情形退化为"检查是否对称"。

7.2 判断一个矩阵是否为酉矩阵

  1. 计算 (转置 + 逐元素取共轭)。
  2. 求乘积 ,看是否等于 。
  3. 更快的做法:逐个验证列向量的标准正交性——每列长度是否为 ()、任意两列的内积是否为 ()。
  4. 更更快的做法(如果 有结构):检查 的每个元素是否都具有相同的模(例如傅里叶矩阵的元素模全为 ),且行(列)之间是否"频率不同"。有结构时优先用理论判据,而不是硬算。

7.3 厄米矩阵的谱分解(酉对角化)步骤

  1. 验证厄米性 。若不满足,不要用这套方法(要用 Jordan 形或 SVD)。
  2. 求特征值:解特征方程 。实用技巧是先算 与 做检验。由定理 3.1,答案一定是实数。
  3. 求特征向量:对每个 解 ,取一组基。
  4. 若特征值无重根:把上一步得到的特征向量各自单位化(除以自身长度)即得酉基。
  5. 若有重根:在对应的特征子空间内做 Gram–Schmidt 正交化,再各自单位化。
  6. 拼装:,,则 。
  7. 验证:检查 与 。

7.4 用 numpy 做复矩阵运算

只用 numpy 即可,无需额外依赖。

import numpy as np

# ---------- 1. 厄米矩阵的判定 ----------
A = np.array([[2, 1 + 1j],
              [1 - 1j, 3]], dtype=complex)

AH = A.conj().T                      # 共轭转置 A^H
print("Hermitian?", np.allclose(A, AH))     # True
print("diag real?", np.allclose(A.diagonal().imag, 0))   # True

# 一个反例:只取转置不取共轭
B = np.array([[1, 1j], [1j, 1]], dtype=complex)
print("B Hermitian?", np.allclose(B, B.conj().T))        # False

# ---------- 2. 厄米矩阵的谱分解 ----------
# 用 eigh 而不是 eig:保证返回实数特征值 + 标准正交特征向量
w, Q = np.linalg.eigh(A)
print("eigenvalues:", w)             # 实数,已按升序排列
print("eigenvalue dtype:", w.dtype)  # float64

# 验证 A = Q Lambda Q^H
Lam = np.diag(w)
recon = Q @ Lam @ Q.conj().T
print("reconstruction ok?", np.allclose(A, recon))       # True

# 验证 Q 是酉矩阵
print("Q^H Q = I?", np.allclose(Q.conj().T @ Q, np.eye(2)))  # True

# 验证 eigh 返回的特征向量(列)是 A 的特征向量
for k in range(2):
    q = Q[:, k]
    print(f"col {k}: A q = lambda q ?", np.allclose(A @ q, w[k] * q))

# ---------- 3. 酉矩阵的性质验证 ----------
# 构造一个 2x2 酉矩阵(一般形式的 U(2) 元素)
theta, phi, alpha, beta = 0.7, 1.1, 2.0, 0.4
U = np.array([
    [np.exp(1j*alpha)*np.cos(theta),  np.exp(1j*beta)*np.sin(theta)],
    [-np.exp(1j*(alpha+phi))*np.sin(theta), np.exp(1j*(beta+phi))*np.cos(theta)]
], dtype=complex)

print("U^H U = I?", np.allclose(U.conj().T @ U, np.eye(2)))   # True
print("|det U| =", abs(np.linalg.det(U)))                     # 1.0

# 保长度
x = np.array([1 + 2j, 3 - 1j])
print("norm preserved?", np.isclose(np.linalg.norm(U @ x), np.linalg.norm(x)))  # True

# 保内积
y = np.array([2 - 1j, 0 + 1j])
lhs = (U @ x).conj() @ (U @ y)
rhs = x.conj() @ y
print("inner product preserved?", np.isclose(lhs, rhs))       # True

# 酉矩阵的特征值落在单位圆上
ev = np.linalg.eigvals(U)
print("|eigenvalues| =", np.abs(ev))                          # 全为 1.0

# ---------- 4. 实矩阵的复特征值成共轭对 ----------
R = np.array([[0.0, -1.0], [1.0, 0.0]])      # 90 度旋转
evR = np.linalg.eigvals(R)
print("R eigenvalues:", np.sort_complex(evR))   # [-0.-1.j  0.+1.j] 即 -i, +i
print("R Hermitian?", np.allclose(R, R.conj().T))   # False —— 所以特征值可以是复数

# ---------- 5. 正规矩阵:可酉对角化的充要条件 ----------
def is_normal(M):
    return np.allclose(M.conj().T @ M, M @ M.conj().T)

print("Hermitian is normal?", is_normal(A))    # True
print("Unitary is normal?  ", is_normal(U))    # True

# 一个可对角化但不是正规的矩阵:它的特征向量不正交
C = np.array([[1.0, 1.0], [0.0, 2.0]])
print("C normal?", is_normal(C))               # False
wC, VC = np.linalg.eig(C)
inner = VC[:, 0].conj() @ VC[:, 1]
print("C 的两特征向量内积 =", inner)            # 约 0.9999999999999999(几乎平行!)
print("C eigenvectors orthogonal?", np.isclose(inner, 0))   # False

numpy 三个必记要点

1. 厄米矩阵一律用 np.linalg.eigh,不要用 eig。eigh 保证实数输出与标准正交特征向量,速度还快一倍。但它只读上三角部分——对非厄米矩阵误用会静默给出错误答案。

2. np.linalg.eigvals 返回的顺序是任意的,且对实矩阵也可能返回复数类型。比较时用 np.allclose 配合排序,不要用 ==。

3. A.conj().T 就是 。numpy 没有单独的 .H 属性(np.matrix 有,但 np.matrix 已不推荐使用)。若嫌长可以自己包一层:H = lambda M: M.conj().T。


八、例题

例题 1:厄米矩阵的完整谱分解

设

求 的谱分解 ,并逐项验证。

第 1 步:验证厄米性。

✓ 是厄米矩阵(主对角线 都是实数;)。

第 2 步:求特征值。

用迹与行列式:

特征值满足 、,即

两者都是实数,符合定理 3.1。✓

第 3 步:求特征向量。

对应 : 解 :

第一行:,取 得 :

(检验第二行: ✓)

对应 : 解 :

第一行:,取 得 :

(检验第二行: ✓)

第 4 步:验证正交性(定理 3.4)。

注意 ,故第一项为 。所以

第 5 步:单位化。

故

第 6 步:拼装。

第 7 步:验证 。

第 8 步:用投影形式复核(谱定理的形式二)。

先算 :

(用了 。)

再算 :

于是

第一项:

第二项():

相加:

与原来的 完全一致。谱分解验证通过。

顺便注意 :

这正是"特征子空间的正交投影之和为单位矩阵"。


例题 2:判断矩阵类型并利用结构求逆与求幂

设

(1) 判断 是否为酉矩阵。

(2) 判断 是否为厄米矩阵。

(3) 求 。

(4) 求 。

解:

第 1 步:把 提出来看清楚结构。 令

(1) 判断酉性。

先算 。转置 ( 是对称的),再取共轭:

注意 ,它等于 交换两列(或两行)的结果。既然 ,则

计算 。

的元素:,,,。

的元素:,,,。

每个乘积 ,故 。

,。故 。

。

。

所以

于是

是酉矩阵。

(2) 判断厄米性。

而

两者不同(例如 元素 )。所以 不是厄米矩阵。

顺便验证一下"既厄米又酉 "

是酉的但不是厄米的,所以 是允许的。事实上由第 (4) 问会看到 。

而 本身呢? 不是厄米的(因为 )。 的两个特征值会落在单位圆上但不是 。

(3) 求 。

由酉性,:

比起用伴随矩阵公式求逆,这里省了非常多的计算

若用 ,要先算 ,再算四个代数余子式。识别出酉性后,一次转置加取共轭就完事了。 这就是"结构信息"的价值,也是第五章强调"对称矩阵求逆只需换符号"的复域版本。

(4) 求 。

方法:用酉对角化( 是正规矩阵)。

先求特征值。。

(上面算过)。

特征值满足 。因式分解:注意 、,所以

验证 ✓, ✓,符合定理 4.3(酉矩阵特征值在单位圆上)。

求特征向量。 对应 :解 ,即 (因为 )。

第一行:,即 。注意 ,故方程变为 ,得 。取

对应 :解 。

第一行:,即 (因为 ),得 。取

验证正交:

单位化: ,,故

注意这个 是实矩阵!它是正交矩阵(也自动是酉矩阵),而且 (这是一个 Hadamard 型矩阵)。

对角化:

求幂:

的幂以 为周期:,,,。而

所以

这一步是最关键的洞察:对角化之后,矩阵的" 次幂"退化成了两个数的幂。指数运算的复杂度从"矩阵乘法 次"降到"数论上的一次取模"。这正是第六章讲 时强调的动机,在复域中同样成立。

拼装:

先算前两个因子的乘积:

再乘第三个因子(合并系数 ):

结果解释:这是一个交换两行的置换矩阵。也就是说,把 连续作用 次,最终效果只是把向量的两个分量互换。这个漂亮的结果并不显然,只有借助谱分解才能干净地得到。

验证(用小指数检查规律):

元素: ✓(与 的 元素 一致)

元素: ✓

元素: ✓

元素: ✓

所以

而 是偶数,所以 。置换矩阵自乘:两次回到 , 是奇数,故结果为 。✓ 两种算法结论一致。

本题小结:识别矩阵的结构(酉、厄米、正交)能带来巨大的计算红利——求逆只需共轭转置、求幂只需对角元的幂、验证正交只需看特征向量的内积。数学里最划算的投资永远是先看清结构,再动手算。


例题 3(手算): 厄米矩阵的完整酉对角化(含二重特征值)

例题 3(手算):重特征值必须用 Gram-Schmidt

题目:设 为下面的 复矩阵。

(1) 验证 是厄米矩阵;

(2) 求 的全部特征值,并指出哪个是重根、它的代数重数与几何重数各是多少;

(3) 求各特征子空间的基;对二重特征值,故意取一组不正交的基,再用 Gram–Schmidt 正交化;

(4) 写出谱分解 ,验证 ;

(5) 用"投影形式"复核 。

第 1 步:验证厄米性。 先转置再取共轭:

用快速判据复核:主对角线 全是实数 ✓; ✓;含 的位置当然满足 ✓。所以 是厄米矩阵。

第 2 步:求特征值。 是分块对角矩阵

分块对角矩阵的特征多项式是各块之积,所以特征值 = 的特征值加上 。先算 :

所以 的全部特征值是

三个都是实数 ✓ 符合定理 3.1。 是二重根:代数重数为 。后面会看到它的几何重数也是 ——厄米矩阵一定如此(这正是它能酉对角化的原因)。

用迹与行列式交叉检验:

第 3 步:求 的特征向量。 解 :

第一行:,即 ;第三行:,即 。取 :

代回第二行验证: ——这里直接算更清楚:,故 ✓。

单位化: ,所以

第 4 步:求 的特征子空间。 解 :

第一行:,即 ;第三行恒成立(),所以 是自由变量。秩为 ,故

两组线性无关的特征向量可以取

验证 确实在 里(第二行:,直接算:,故 ✓)。

第 5 步:检查 与 正交吗?

不正交! 这就是 3.4 节强调的情形:同一个特征值的特征向量未必正交,必须在特征子空间内部做 Gram–Schmidt 正交化。(这不违反定理 3.4——那条定理只对不同特征值断言正交性。)

第 6 步:在 内做 Gram–Schmidt。

第一步:把 单位化。 ,故

第二步:从 中减去它在 方向上的投影。 复域投影系数是内积 (第一个向量取共轭):

第三步:单位化。 ,已经单位化,取

结果很漂亮: 正是 的一组标准正交基。而且它们与 也正交(这一步由定理 3.4 自动保证,但也可以直接验算):

第 7 步:拼装并验证酉性。 取

酉性: 三列两两正交、长度都是 ,故 ✓(上面第 6 步已逐项验算)。

第 8 步:用投影形式复核 。 由于 的后两个对角元都是 ,可以合并:

括号里是三个正交投影之和,等于 (这是"投影分解" 的实例)。所以只需算一个外积:

于是

与题目给出的 完全一致 ✓。谱分解验证通过。

本题的三个教学点

1. 重特征值必须做 Gram-Schmidt: 张成 但不是正交基,直接拿来拼 会让 , 也就不成立(只能写成 )。

2. 复域 Gram–Schmidt 的投影系数要取共轭: 里的 是关键;若写成 ,算出的系数会是 ,正交化直接失败。

3. 二重特征值让"投影形式"更好用:把相同特征值合并成 ,计算量大幅减少。这个技巧在数值计算里对应"用低秩修正表示矩阵"(见 7-2-图像压缩与低秩逼近)。


例题 4(手算):复对称酉矩阵的验证、特征值与幂次

例题 4(手算):复对称、非厄米,但酉

题目:设

(1) 验证 ( 是酉矩阵);

(2) 判断 是否为对称矩阵、厄米矩阵;计算 并验证 ;

(3) 求 的全部特征值与特征向量,验证特征值落在单位圆上、特征向量两两正交;

(4) 写出 的谱分解,并求 、、;

(5) 解释" 是复对称但非厄米"与"它的特征向量仍然正交"为什么不矛盾。

第 1 步(1):验证酉性。 记 ,则 。先求 : 是对称的(),所以 :

逐项计算 :

所以 ,从而

是酉矩阵。

第 2 步(2):判断对称性与厄米性。 由 知

但

(判据: 与 相等而不互为共轭,违反 。)

行列式:

✓ 符合定理 4.1(vi)。

第 3 步(3):求特征值。 用迹与行列式:

验证模为 :

符合定理 4.3:酉矩阵的特征值全在单位圆上。(顺便注意: 是本原 次单位根——这预告了 。)

第 4 步(3):求特征向量。

对应 : 解 ,把 提出来(即解 ):

第一行给 ,即 。取 :

对应 : 类似地得 ,取

代回验证 那一组:

即 ✓。

正交性:

单位化: ,故

注意这个 是实矩阵,而且 (一个 Hadamard 型正交矩阵)。

第 5 步(4):谱分解与幂次。

求 : 用 ,其中

先算前两个因子的乘积:;再乘第三个因子:

用直接乘法核对:

(有趣的是 ,其中 是 Pauli 矩阵。)

求 : ,所以

求 : ,所以

但 ,说明 的"阶"恰好是 ——这与它的特征值 是本原 次单位根完全对应。特征值的阶就是矩阵的阶,这是谱分解给出的最直接的"结构信息"。

第 6 步(5):为什么"复对称 + 非厄米"却有正交特征向量?

不矛盾,因为正交性不是来自对称性,而是来自酉性: 是酉矩阵,而酉矩阵一定是正规矩阵(),由定理 5.2,正规矩阵必可酉对角化,其特征向量自动构成标准正交基。

对照 9-1 节例题 4,看清两个矩阵的差别

| | | |

|---|---|---|

| 对称? | ✓ | ✓ |

| 厄米? | ✗ | ✗ |

| 正规? | ✓() | ✓() |

| 酉? | ✓ | ✗(只差一个 倍) |

| 特征值 | (在单位圆上) | (不在单位圆上,模为 ) |

| 特征向量正交? | ✓ | ✓ |

共同点:两个都是正规矩阵,所以特征向量都正交;差别:只有 是酉的,所以只有它的特征值被"钉"在单位圆上。可见"正规"决定正交性,"酉/厄米"决定特征值的位置。


例题 5(手算):非正规矩阵的完整体检

例题 5(手算):诊断一个不可酉对角化的矩阵

题目:设 为下面的 实矩阵。

(1) 验证 不正规(分别算出 与 );

(2) 求特征值与特征向量,验证特征向量不正交;

(3) 由此说明 不可酉对角化(引用定理 5.2 的 方向)——但 可对角化,写出 ;

(4) 计算特征向量矩阵 的条件数,并与酉矩阵的 对比;

(5) 写出 的一个 Schur 三角化。

第 1 步(1):验证不正规。

两者不相等(例如 元:),所以 不是正规矩阵。

第 2 步(2):特征值与特征向量。 是上三角矩阵,特征值就是对角元:

对应 : ,即 ,给出 :

对应 : ,即 ,给出 :

正交性检验:

不正交(不是"差一点",是完完全全不正交)。单位化后内积为 。

第 3 步(3):为什么 不可酉对角化。 用反证法:假如存在酉矩阵 与对角矩阵 使 ,则由定理 5.2 的 方向("可酉对角化 正规"), 必须是正规矩阵——这与第 1 步矛盾。所以

但 可对角化(两个特征值不同,特征向量 线性无关)。令

验证 :

区别只在 不正交:。这正是"可对角化"与"可酉对角化"的差别。

第 4 步(4):特征基的条件数。 的奇异值由 的特征值决定:

于是

而酉矩阵的特征向量矩阵满足 (因为 ,全部奇异值都是 )。

这就是"正交特征基"的实际价值:用 表示坐标时误差最多被放大 倍;若矩阵更大、特征向量更"歪斜", 会指数级增长,用 算 就会完全失去精度(详见 11-1-数值稳定性与LU 与 11-2-范数与条件数)。

第 5 步(5):Schur 三角化。 本身已经是上三角矩阵,所以取 、 就是它的一个 Schur 三角化:

注意 的对角元 正是 的特征值 ✓ 与定理 5.4 一致。 已经是上三角,但无法再对角化成酉相似的形式——上三角里的那个 ( 元素)就是"非正规性"的度量,它不可能被酉变换消掉。

本题给出的"退化阶梯"完整图像

落在中间一级:可对角化,但不可酉对角化。判断自己在哪一级,最省事的判据就是一次矩阵乘法:算 与 是否相等。


例题 6(证明):正规矩阵的四个等价刻画

例题 6(证明):从"等距对偶"到"特征向量正交"

题目:设 。证明以下四条等价:

(i) 正规,即 ;

(ii) 对一切 ,;

(iii) 对 的每个特征对 ,都有 ;

(iv) 的不同特征值对应的特征向量必正交。

并说明 (i) 与" 可酉对角化"的关系。

第 1 步:(i) (ii)。 对任意 ,

即

是厄米矩阵:由 9-1 节 (T4)、(T1),

若 正规: ,于是左右两边之差恒为 ,即 (ii) 成立。

反之若 (ii) 成立: 则对一切 有 。因为 厄米,由谱定理 ,取 (第 个特征向量)得

对每个 都成立,故 ,从而 ,即 ✓。

(这一步用到了谱定理——它是本节的"基础设施"。也可以不用谱定理,改用"、 两次代入"的技巧,思路与 9-1 节例题 7 第 5 步相同。)

第 2 步:(i) (ii) (iii)。 设 ,,并令

先说明 也正规。 用 9-1 节 (T2)、(T3)(注意 是复数,出来时要取共轭):

两者相减得

所以 正规 ✓。

再用 (ii)。 由 知 ,故 。对 应用 (ii):

即 ,也就是

这正是 (iii) ✓。

第 3 步:(iii) (iv)。 设

由 (iii),。用两种方式计算同一个标量:

(第二个等号用了 。)两式右端相同,所以

由 得

第 4 步:(iv) (i)(配合定理 5.2)。 若 (iv) 成立,则每个特征子空间都可以取标准正交基(不同特征值的基自动正交,同一特征值内部做 Gram–Schmidt),拼起来就得到 的一组标准正交特征向量基,即 可酉对角化;再由定理 5.2 的 方向, 是正规矩阵 ✓。

(这里需要"几何重数 = 代数重数",它由第 4 步的拼装过程直接给出: 个正交特征向量必然线性无关,而 个线性无关的特征向量就意味着可对角化。)

四个刻画分别什么时候用

刻画形式什么时候最好用
(i) 定义数值判据:一次矩阵乘法就能验证,numpy 里写 np.allclose(H(A)@A, A@H(A))
(ii) 等距对偶理论证明:把"正规"转化成一个关于向量的长度等式,好操作
(iii) 伴随特征向量计算特征向量:知道 的特征向量就是 的特征向量
(iv) 特征向量正交几何直觉:正交基、谱分解、投影公式都靠它

与定理 5.2 的分工

定理 5.2 说的是"可酉对角化 正规";本例题 6 给的是"正规"的四个可操作判据。两者合起来才是完整的图景:

正规(四种等价说法) 存在酉矩阵 使 。

特别地,第 1 步的 (ii) 还告诉我们一件有意思的事:正规矩阵与它的共轭转置"作用在同一个向量上时长度的增长方式完全相同"。厄米矩阵()是这句话的极端情形——两者干脆是同一个矩阵。


例题 7(numpy 数值验证):厄米谱分解、酉矩阵、正规判据与"退化阶梯"

例题 7(numpy 验证):把本篇的定理全部跑一遍

题目:只用 numpy 完成以下验证,并把输出与例题 3–6 的手算结果对照:

(1) 例题 3 中 厄米矩阵的谱分解(含二重特征值)与手工 Gram–Schmidt 的对照;

(2) 例题 4 中酉矩阵 的酉性、复对称非厄米、特征值、、;

(3) 例题 5 中 的不正规性与非正交特征向量,以及特征基条件数 ;

(4) 例题 6 的等价刻画 (ii): 在正规时成立、非正规时失败;

(5) "特征值住在哪里":厄米、反厄米、酉、正规四类矩阵的特征值分布。

代码:

import numpy as np

np.set_printoptions(precision=4, suppress=True)
H = lambda M: M.conj().T


def is_normal(M):
    return np.allclose(H(M) @ M, M @ H(M))


def sort_ev(ev):
    """按 (实部, 虚部) 排序,输出稳定,便于与手算结果对照。"""
    return np.array(sorted(ev, key=lambda z: (round(z.real, 9), round(z.imag, 9))))


# ---------- 1. 3x3 厄米矩阵的谱分解(含二重特征值) ----------
A = np.array([[2, 1j, 0],
              [-1j, 2, 0],
              [0, 0, 3]], dtype=complex)
print("A 厄米?", np.allclose(A, H(A)), "  A 正规?", is_normal(A))
w, Q = np.linalg.eigh(A)
print("eigh 特征值(已升序)=", w)
print("重建 A = Q Lambda Q^H 正确?", np.allclose(Q @ np.diag(w) @ H(Q), A))
print("Q^H Q = I ?", np.allclose(H(Q) @ Q, np.eye(3)))

# ---------- 2. 二重特征值 3 的特征子空间内的 Gram-Schmidt ----------
a = np.array([1j, 1, 0], dtype=complex)      # a, b 都是 lambda = 3 的特征向量
b = np.array([1j, 1, 1], dtype=complex)
print("A a = 3a ?", np.allclose(A @ a, 3 * a), "  A b = 3b ?", np.allclose(A @ b, 3 * b))
print("a^H b =", np.round(H(a) @ b, 6), "  (两个向量不正交,需要 Gram-Schmidt)")

qa = a / np.linalg.norm(a)                   # 第一步:单位化 a
b_perp = b - (H(qa) @ b) * qa                # 第二步:减去在 qa 上的投影
qb = b_perp / np.linalg.norm(b_perp)         # 第三步:单位化
print("Gram-Schmidt 得到 qb =", np.round(qb, 10))
print("qa^H qb =", np.round(H(qa) @ qb, 12))

v1 = np.array([-1j, 1, 0], dtype=complex)    # lambda = 1 的特征向量
q0 = v1 / np.linalg.norm(v1)
Qfull = np.column_stack([q0, qa, qb])
Lam = np.diag([1.0, 3.0, 3.0])
print("q0^H qa =", np.round(H(q0) @ qa, 12), "  q0^H qb =", np.round(H(q0) @ qb, 12))
print("手工拼装的 Q^H Q = I ?", np.allclose(H(Qfull) @ Qfull, np.eye(3)))
print("手工拼装的 Q Lambda Q^H = A ?", np.allclose(Qfull @ Lam @ H(Qfull), A))

# ---------- 3. 酉矩阵 U = (1/sqrt2)[[1, i], [i, 1]] ----------
U = np.array([[1, 1j], [1j, 1]], dtype=complex) / np.sqrt(2)
print("U^H U = I ?", np.allclose(H(U) @ U, np.eye(2)))
print("U 对称?", np.allclose(U, U.T), "  U 厄米?", np.allclose(U, H(U)))
print("det U =", np.round(np.linalg.det(U), 12), " |det U| =", abs(np.linalg.det(U)))
evU = sort_ev(np.linalg.eigvals(U))
print("特征值 =", np.round(evU, 10), " 模 =", np.abs(evU))
print("(1+1i)/sqrt2 =", (1 + 1j) / np.sqrt(2), " (1-1i)/sqrt2 =", (1 - 1j) / np.sqrt(2))
print("U^4 = -I ?", np.allclose(np.linalg.matrix_power(U, 4), -np.eye(2)))
print("U^8 = I  ?", np.allclose(np.linalg.matrix_power(U, 8), np.eye(2)))

# ---------- 4. 非正规矩阵:C = [[1, 1], [0, 2]] ----------
C = np.array([[1.0, 1.0], [0.0, 2.0]])
print("C 正规?", is_normal(C))
print("C^H C =", (H(C) @ C).tolist(), "  C C^H =", (C @ H(C)).tolist())
wC, VC = np.linalg.eig(C)
print("C 的特征值 =", sort_ev(wC))
print("C 的两特征向量内积 =", np.round(H(VC[:, 0]) @ VC[:, 1], 12), " (不等于 0)")

# ---------- 5. 正规矩阵的等价刻画:||Mx|| = ||M^H x|| ----------
x = np.array([1 + 2j, 3 - 1j])
for name, M in [("厄米", A[:2, :2]), ("酉", U), ("非正规", C)]:
    lhs = np.linalg.norm(M @ x)
    rhs = np.linalg.norm(H(M) @ x)
    print(f"{name}: ||Mx|| = {lhs:.6f}, ||M^H x|| = {rhs:.6f}, 相等? {np.isclose(lhs, rhs)}")

# ---------- 6. 四类矩阵的特征值位置 ----------
herm = np.array([[2.0, 1.0], [1.0, 2.0]])                 # 厄米
anti = np.array([[0.0, 1.0], [-1.0, 0.0]])                # 反厄米
unitary = np.array([[0.0, 1.0], [1.0, 0.0]])              # 酉
normal = np.array([[1.0, 1.0], [-1.0, 1.0]])              # 正规(非厄米、非酉)
for name, M in [("厄米", herm), ("反厄米", anti), ("酉", unitary), ("正规", normal)]:
    ev = sort_ev(np.linalg.eigvals(M))
    print(f"{name}: 特征值 = {np.round(ev, 6)}, 实部 = {np.round(ev.real, 6)},"
          f" 虚部 = {np.round(ev.imag, 6)}, 正规? {is_normal(M)}")

# ---------- 7. 正规矩阵:A v = lambda v 蕴含 A^H v = conj(lambda) v ----------
wU, VU = np.linalg.eig(U)
for k in range(2):
    xk = VU[:, k]
    print(f"U: A v = lambda v ? {np.allclose(U @ xk, wU[k] * xk)}"
          f"   A^H v = conj(lambda) v ? {np.allclose(H(U) @ xk, np.conj(wU[k]) * xk)}")
wC2, VC2 = np.linalg.eig(C)
x0 = VC2[:, 0]
print("非正规 C: A^H v = conj(lambda) v ?",
      np.allclose(H(C) @ x0, np.conj(wC2[0]) * x0), " (一般不成立)")

# ---------- 8. 非正规矩阵的特征基条件数(对比酉基) ----------
S = np.array([[1.0, 1.0], [0.0, 1.0]])       # C 的特征向量矩阵
print("kappa(S) =", np.round(np.linalg.cond(S), 6), "  kappa(Q) =", np.round(np.linalg.cond(np.eye(2)), 6))
print("(3+sqrt5)/2 =", (3 + np.sqrt(5)) / 2)

实际输出(numpy 2.3.5):

A 厄米? True   A 正规? True
eigh 特征值(已升序)= [1. 3. 3.]
重建 A = Q Lambda Q^H 正确? True
Q^H Q = I ? True
A a = 3a ? True   A b = 3b ? True
a^H b = (2+0j)   (两个向量不正交,需要 Gram-Schmidt)
Gram-Schmidt 得到 qb = [0.+0.j 0.+0.j 1.+0.j]
qa^H qb = 0j
q0^H qa = 0j   q0^H qb = 0j
手工拼装的 Q^H Q = I ? True
手工拼装的 Q Lambda Q^H = A ? True
U^H U = I ? True
U 对称? True   U 厄米? False
det U = (1+0j)  |det U| = 0.9999999999999998
特征值 = [0.7071-0.7071j 0.7071+0.7071j]  模 = [1. 1.]
(1+1i)/sqrt2 = (0.7071067811865475+0.7071067811865475j)  (1-1i)/sqrt2 = (0.7071067811865475-0.7071067811865475j)
U^4 = -I ? True
U^8 = I  ? True
C 正规? False
C^H C = [[1.0, 1.0], [1.0, 5.0]]   C C^H = [[2.0, 2.0], [2.0, 4.0]]
C 的特征值 = [1. 2.]
C 的两特征向量内积 = 0.707106781187  (不等于 0)
厄米: ||Mx|| = 11.445523, ||M^H x|| = 11.445523, 相等? True
酉: ||Mx|| = 3.872983, ||M^H x|| = 3.872983, 相等? True
非正规: ||Mx|| = 7.549834, ||M^H x|| = 7.348469, 相等? False
厄米: 特征值 = [1. 3.], 实部 = [1. 3.], 虚部 = [0. 0.], 正规? True
反厄米: 特征值 = [0.-1.j 0.+1.j], 实部 = [0. 0.], 虚部 = [-1.  1.], 正规? True
酉: 特征值 = [-1.  1.], 实部 = [-1.  1.], 虚部 = [0. 0.], 正规? True
正规: 特征值 = [1.-1.j 1.+1.j], 实部 = [1. 1.], 虚部 = [-1.  1.], 正规? True
U: A v = lambda v ? True   A^H v = conj(lambda) v ? True
U: A v = lambda v ? True   A^H v = conj(lambda) v ? True
非正规 C: A^H v = conj(lambda) v ? False  (一般不成立)
kappa(S) = 2.618034   kappa(Q) = 1.0
(3+sqrt5)/2 = 2.618033988749895

逐条对照手算结果:

输出手算结论是否一致
eigh 特征值 = [1. 3. 3.]( 是二重根)✓ 例题 3 第 2 步
a^H b = (2+0j),两个特征向量不正交✓ 例题 3 第 5 步
Gram-Schmidt 得到 qb = [0, 0, 1]正交化后得到 ✓ 例题 3 第 6 步
手工拼装的 Q Lambda Q^H = A ? True手工拼的 确实给出谱分解✓ 例题 3 第 7、8 步
U 对称? True U 厄米? False复对称但非厄米✓ 例题 4 第 2 步
特征值 = [0.7071±0.7071j],模 = [1. 1.],模为 ✓ 例题 4 第 3 步
U^4 = -I ? True、U^8 = I ? True、✓ 例题 4 第 5 步
输出的两个乘积矩阵不相等(第 元 对 )不相等 ⟹ 不正规✓ 例题 5 第 1 步
非正规 C 的两特征向量内积 = 0.707106781187,不正交✓ 例题 5 第 2 步
`非正规: \\Mx\\≠ \\M^H x\\`刻画 (ii) 对非正规矩阵失败✓ 例题 6 第 1 步
反厄米特征值 = [0.-1.j 0.+1.j]纯虚数(虚轴)✓ 5.6 节对照表
酉特征值 = [-1. 1.]落在单位圆上(实数点 也在单位圆上)✓ 5.6 节对照表
正规特征值 = [1.-1.j 1.+1.j]模为 ,既不在实轴也不在单位圆上✓ 5.6 节"任意位置"
kappa(S) = 2.618034 = (3+sqrt5)/2特征基条件数 ,而 ✓ 例题 5 第 4 步

三点数值提醒

1. np.linalg.eigh 返回的特征值与特征向量已经按特征值升序排列,而 eig 不排序;所以对照手算时,用 sort_ev 这类辅助函数把顺序固定下来,输出才稳定(否则同一段代码在不同运行中可能给出相反顺序,让人误以为算错)。

2. |det U| = 0.9999999999999998 就是 。行列式由 LU 分解算出,浮点误差不可避免;判断时用 np.isclose(abs(det), 1)。

3. np.linalg.cond 用奇异值之比定义条件数:。对酉矩阵全部奇异值为 ,所以 ——这是"酉基是最稳的坐标基"的定量表述。

9.1 量子力学:可观测量必须是厄米算符

量子力学的基本假设之一:每个物理可观测量对应一个厄米算符。

  • 位置算符 、动量算符 、哈密顿算符 (能量)都是厄米的(对 要注意它其实是反厄米的,乘以 之后才变成厄米)。
  • 测量结果的取值 = 特征值。由定理 3.1,厄米算符的特征值全为实数,所以测量结果总是实数——这与实验一致。如果算符不是厄米的,它的特征值可能是复数,那"测量得到 焦耳"就荒谬了。
  • 不同特征态互相正交(定理 3.4)。这把"测量结果可以叠加"与"测量结果不会混淆"统一在一起:任意态都可以写成特征态的线性组合 ,而系数由投影给出 ,各分量互不干扰。这是量子测量理论的基础。
  • 时间演化算符是酉的:,其中 (由厄米矩阵的谱分解 + 指数函数得到)。由定理 4.1 的性质 (v),酉演化保长度,也就是总概率守恒 。这一条物理要求与"酉矩阵保长度"这条数学性质是同一件事。

为什么 型是酉的而 型不是

若 是厄米矩阵,其特征值为实数 ,则 的特征值为 ,模为 ,故 是酉的(在特征基下 ,是对角元模为 的对角矩阵的酉相似)。

相反,(不加 )的特征值是 ,是实数但模不为 ,所以不是酉的——它对应扩散、衰减这类"不可逆"过程。虚数单位 在这里的作用是把"指数增长"转成"振荡"。

9.2 信号处理:能量守恒(Parseval 恒等式)

傅里叶变换在信号处理中的地位,很大程度上来自下面这条性质。

定理 9.1(Parseval 恒等式,离散形式) 对 ,令 。则

若用归一化的 ,则 (完全保能量)。

证明: 由定理 6.2():

工程意义:在时域中算出的信号总能量,与在频域中算出的总能量,只差一个已知的常数因子 。"变换"不会凭空创造或消灭能量,它只是换了一个坐标系来看同一个信号。 这条性质是滤波器设计、功率谱估计、压缩感知等全部频域方法的基石。物理上它对应"能量守恒",数学上它就是"酉矩阵保长度"。

9.3 数值线性代数:为什么谱分解好用

对厄米矩阵 ,一旦算出 ,以下全部变得简单:

任务一般矩阵厄米矩阵
求逆,需算逆,仅需逐元取倒数
求幂 需反复乘法,逐元取幂
解 消元 ,三次乘法
条件数需算范数,直接读特征值
正定性判定需算全部顺序主子式全部 即可(对照 6-4 节)

稳定性:厄米矩阵的特征值问题在数值上极其稳定。由定理 3.4,特征向量天然正交,因此特征基的"条件数"是最优的 。这也是 np.linalg.eigh 比 np.linalg.eig 快一倍且更准的根本原因。

9.4 图像与数据:酉变换用于去相关和压缩

在 JPEG 中使用的离散余弦变换(DCT),其变换矩阵是实正交矩阵(因此也是酉矩阵);在更一般的压缩方案(如基于 FFT 的频域压缩)中使用酉变换。它们共同的思路是:

  1. 用一个酉矩阵 把数据 变换到新基下:;
  2. 在新基下,大部分系数 很小(能量集中);
  3. 把小的系数置为零(量化);
  4. 用 变回来得到压缩后的图像。

关键点在于第 2 步能不能成立:图像在像素基下相邻像素高度相关(冗余大),在频域基下系数衰减很快(冗余小)。而第 3 步为什么"安全"?因为 是酉的,置零一个系数对重建图像的误差贡献恰好等于该系数的模平方——这由 Parseval 恒等式(定理 9.1)保证。如果没有酉性,量化引入的误差就无法精确控制,压缩算法的误差分析就无从下手。


十、易错点

三个必须刻在脑子里的错误

错误 1:把 Hermitian 与"对称"混用。

厄米矩阵的判据是 ,不是 。这两者差别很大:

- 矩阵 是对称的(),但不是厄米的()。它的特征值是 和 ——复数! 如果误以为"对称就特征值为实",这里的结论会完全错掉。

- 矩阵 不是对称的(),但是厄米的,特征值为实数 和 。

正确的记忆:保证"特征值为实"的是厄米性(在实矩阵情形退化为对称性),而"对称"这个词在复矩阵上没有几何含义。永远先算 ,不要凭"看起来对称"下结论。

错误 2:忘记共轭转置的乘积顺序颠倒。

写成 是完全错误的。这个错误在推导 、验证正规性、化简 时都会造成灾难性后果。

类比记忆:穿衣服先穿袜子再穿鞋,脱的时候先脱鞋再脱袜子,顺序必须颠倒。这条法则与转置的 完全平行。

附带两条同族的法则也一并要记:

- :标量出来要取共轭,不是简单提出来。

- :这一条不涉及顺序,可以放心用。

错误 3:误以为酉矩阵的元素必须是复数。

酉矩阵的定义是 ,它与"元素是否含 "毫无关系。下面这些矩阵全是酉矩阵,且元素全部是实数:

事实上,由定理 4.2,实矩阵是酉的 它是正交的。所以"酉矩阵"这个概念里,实矩阵那一大类恰好就是我们在第四章已经学过的正交矩阵。

更准确的理解:"酉"描述的是变换的几何行为(保内积、是复空间中的刚体运动),而非元素的取值。 判断酉性时看 是否等于 (或看列是否标准正交),不要去看元素长什么样。

另外四个常见陷阱

1. 不代表 。正交矩阵的行列式只能是 ,但酉矩阵的行列式可以是单位圆上任意复数,例如 (本篇例题 2 就是如此:)。只有在 (特殊酉群)中才要求 。

2. 厄米矩阵的不同特征值对应特征向量正交,但重特征值时不一定。重根情形必须在特征子空间内部做 Gram–Schmidt 正交化,不能想当然。

3. 不能由 可对角化推出。本篇例题 2 中的 有两个不同特征值,所以可对角化,但它不是正规的(它的特征向量不正交)。"可对角化"与"可酉对角化"是两个不同强度的条件。

4. 用 np.linalg.eigh 处理非厄米矩阵会静默出错。eigh 只读矩阵的一半(默认 UPLO='L',即下三角部分),另一半被假定为共轭对称。如果你传入一个非厄米矩阵,它会把读到的下三角镜像到上三角,然后对一个与你给的矩阵完全不同的矩阵求特征值——正常运行、正常返回、不报任何警告。这是比"返回复数"危险得多的坑。用之前务必确认矩阵是厄米的。


十一、练习题

练习 1(基础) 判断下列矩阵是否为厄米矩阵、酉矩阵,或两者都不是:

(a) ;(b) ;(c) 。

对每个矩阵,如果它是厄米的,求出它的全部特征值并验证它们都是实数。

练习 2(基础) 设 。

(a) 验证 是厄米矩阵;

(b) 求 的全部特征值与相应的特征向量;

(c) 验证不同特征值对应的特征向量正交;

(d) 写出谱分解 。

练习 3(进阶) 设 。

(a) 验证 是酉矩阵;

(b) 求 ,验证 ;

(c) 求 的全部特征值,验证它们都落在单位圆上;

(d) 求 。

练习 4(进阶) 证明下列命题:

(a) 若 是厄米矩阵,则对任意实数 , 是酉矩阵。(提示:先用谱定理把 对角化,再对指数函数用 。)

(b) 若 是反厄米矩阵(),则 的特征值全是纯虚数。

(c) 若 可酉对角化,则 是正规矩阵。(即定理 5.2 的 方向,本篇已给出证明,请独立复现。)

(d) 证明 ( 阶傅里叶矩阵)的四个行也两两正交且长度都为 ,即 。(提示:可以直接计算,也可以由 与 是方阵推得。)

练习 5(思考)

(a) 说明为什么"实对称矩阵"恰好是"厄米矩阵"中的实矩阵那一类,而"正交矩阵"恰好是"酉矩阵"中的实矩阵那一类。然后举例说明:存在酉矩阵不是厄米的,也存在厄米矩阵不是酉的。

(b) 设 是正规矩阵, 是任意多项式。证明 也是正规矩阵,且若 ,则 (其中 表示对角元逐一代入)。

(c) 本篇定理 5.3 说实矩阵的复特征值成共轭对出现。请构造一个 的实矩阵,使它的四个特征值恰好是 ,并验证它确实没有实特征值。这样的矩阵可能是对称的吗?为什么?


十二、常见问题 FAQ

Q1:为什么厄米矩阵的特征值一定是实数?能给我一个"不讲公式"的直觉解释吗?

直觉解释是:厄米矩阵表示"纯伸缩",而伸缩比例在物理上必须是实数。

具体地说,一个线性变换可以对空间做两件事——伸缩和旋转。如果一个变换是厄米的(),那么它只做伸缩,不做旋转。而"在某个方向上被拉伸了 倍"这样的话,只有在 是实数时才有意义;"被拉伸了 倍"在几何上无法想象。

数学上可以通过一个"一半一半"的分解来看得更清楚。任意复方阵 都可以唯一地写成

这两部分分别对应"伸缩"和"旋转"。如果 是厄米的,那么第二部分为零,只剩下纯伸缩。因此特征值必须落在实轴上。

反过来,纯旋转的矩阵(如旋转矩阵 )特征值是纯虚数 ,因为它的"伸缩比例"是 ()而全部"信息"都在旋转角度里。旋转矩阵恰好是"反厄米 part"的典型代表(严格说, 的反厄米部分是 本身除以其厄米部分,但对平面旋转而言 的变体关系使它成为正交的,其特征值的模为 )。

Q2:谱定理说厄米矩阵可以酉对角化。那一般矩阵呢?

一般矩阵不一定可以酉对角化,甚至不一定可以对角化。

第一步退化:从"酉对角化"到"普通对角化"。 一般矩阵可以写成 (可对角化),但 只是可逆矩阵,它的列不保证正交。此时特征向量可能靠得很近(在数值上很不稳定),条件数 很大。这是"可对角化但不可酉对角化"的代价。

第二步退化:从"可对角化"到"只有 Jordan 形"。 如果特征值的几何重数小于代数重数(特征向量"不够多"),连对角化都做不到。此时最接近对角的形式是 Jordan 标准形:对角线是特征值,上对角线是 或 。例如

它有特征值 (二重),但只有一个线性无关的特征向量。

那么这个"退化阶梯"是什么样子的?

判断自己在哪一级有一个非常干净的判据:看 与 是否相等(定理 5.2)。这一条判据把"酉对角化"这个性质变成了一个只需一次矩阵乘法就能验证的条件,非常实用。

顺便说一句:如果你放弃"对角"这个要求,只要求"三角",那么任何复方阵都可以通过酉变换变成上三角(Schur 三角化定理):。这是本节的证明里用到的关键技术。

Q3:傅里叶矩阵和酉矩阵是什么关系?为什么说 ?

傅里叶矩阵 满足

这不是 ,所以 本身严格来说不是酉矩阵——它的列长度为 而不是 。但只要除以 :

所以 是标准的酉矩阵。 是"酉矩阵的 倍",工程上为了公式简洁,通常不做这个归一化(因为做了之后正变换和逆变换都要带 ,反而不如把整个 放在逆变换里方便)。

至于求逆公式,由 两边左乘 、右乘 :

这条公式的实际价值:它把"求逆矩阵"(一般需要 的高斯–约当消元)降级为"转置 + 取共轭"(,甚至只需要改几个符号)。在 FFT 算法中,这意味着逆向傅里叶变换与正向变换用的是几乎相同的程序(唯一的差别是 和一个 的缩放)。这也是为什么 numpy 里 np.fft.fft 和 np.fft.ifft 的实现高度相似。

Q4:eigh 和 eig 到底该用哪个?我经常搞不清。

记住一条规则:已知矩阵是厄米(或实对称)就用 eigh,否则用 eig。

np.linalg.eignp.linalg.eigh
适用对象任意方阵仅厄米 / 实对称矩阵
特征值类型可能是复数保证实数
特征向量一般不保证正交保证标准正交
是否排序不排序按升序排列
速度标准约快一倍(只读一半矩阵)
用错对象的后果无(它是通用的)静默给出错误答案,不报错!

eigh 之所以快,是因为它利用了厄米矩阵的对称性,只读取并处理矩阵的一半(默认为下三角部分即 UPLO='L',另一半被假定为共轭对称;此外它只考虑主对角线的实部,虚部一律按零处理)。这个优化也正是它的危险所在:如果你传入一个非厄米矩阵,eigh 会悄悄忽略另一半,把它镜像过去,然后对一个与你给的矩阵完全不同的矩阵求特征值,而且正常运行、正常返回、不报任何警告。

实践中的自保措施是先做一次检查:

import numpy as np

def safe_eigh(A, tol=1e-10):
    """只在 A 确实是厄米矩阵时才调用 eigh,否则抛错。"""
    A = np.asarray(A, dtype=complex)
    if not np.allclose(A, A.conj().T, atol=tol):
        raise ValueError("输入矩阵不是厄米矩阵,不能使用 eigh")
    return np.linalg.eigh(A)

# 正确用法
A = np.array([[2, 1+1j], [1-1j, 3]], dtype=complex)
w, Q = safe_eigh(A)
print(w)      # [1. 4.]

# 错误用法会被拦截
C = np.array([[1.0, 1.0], [0.0, 2.0]])
try:
    safe_eigh(C)
except ValueError as e:
    print("已拦截:", e)

另一个常见困惑是"实对称矩阵用 eig 也算对了,是不是说明 eig 也行?"——能用,但不推荐。一是因为返回的是 complex128 类型,虚部全是 ,白白浪费一倍内存和计算;二是因为 eig 不保证特征向量正交(虽然对对称矩阵它实际给出的通常接近正交,但这是 LAPACK 实现的"好意",不是接口承诺的保证);三是因为慢一倍。既然你知道矩阵是对称的,就应该把这个信息告诉 numpy。


本篇小结

核心结论(六条主线)

  1. 厄米矩阵 是实对称矩阵的复域对应物。它的四条性质构成本篇的骨架:
  • 特征值全为实数(定理 3.1,五步证明只用两个动作:左乘 、对特征方程取共轭转置);
  • 二次型 恒为实数(引理 3.3),而且这条性质反过来刻画了厄米性;
  • 不同特征值的特征向量正交(定理 3.4);
  • 可酉对角化:, 实对角(谱定理 3.5)。
  1. 酉矩阵 是复空间中的"刚体运动":等价于"列构成标准正交基"、""、"保内积"、"保长度"(定理 4.1);并且 、特征值全在单位圆上、全体 阶酉矩阵构成群 。实矩阵是酉的 它是正交的(定理 4.2)。
  2. 正规矩阵 是"可酉对角化"的充要条件(定理 5.2): 正规。它还有三个等价刻画:;;不同特征值的特征向量正交。
  3. 谱定理的完整证明链已经闭合:代数基本定理 Schur 三角化(任意方阵 ,定理 5.4) "正规 + 上三角 对角" 谱定理。厄米、反厄米、酉都是正规的特例,因此全部可酉对角化。
  4. 五类矩阵的区别只在"特征值住在复平面的哪里":厄米 实轴,反厄米 虚轴,酉 单位圆,正规 任意位置(实矩阵时成共轭对),一般矩阵 什么都不能保证。
  5. "可酉对角化 可对角化 Schur 三角化"是三层退化阶梯。非正规性的代价是特征基"歪斜": 会把误差放大;而酉基有 ,是数值上最稳的坐标基。

傅里叶矩阵(为 9-3 节铺垫):,故 是酉矩阵,,且 (对称)。它是"酉矩阵 + 高度结构"的典型:既是正交基(保能量),又有递归结构(可快速计算)。

易混概念对照表

容易混淆的一对关键区别判据 / 最小反例
复对称 与厄米 只有厄米才保证特征值为实、二次型取实值 复对称,特征值
酉矩阵与正交矩阵实矩阵时两者等价;"酉"描述几何行为,与元素是否含 无关 既是实正交也是酉
可酉对角化 与 可对角化前者要求相似矩阵是酉的(特征向量正交),后者只要求可逆:可对角化,不可酉对角化
正规 与 厄米 / 酉正规只约束" 与 可交换";厄米、酉还约束特征值的位置 正规但非厄米非酉,特征值
正规 与 "可对角化"正规 可对角化,反之不成立同上: 可对角化但不正规
与 酉矩阵行列式可以是单位圆上任意复数;只有 才要求 本篇例题 4 中 是巧合; 也合法
厄米 与 反厄米 倍可把反厄米变成厄米;特征值从虚轴搬到实轴
保内积 与 保长度对酉矩阵两者等价(保内积 保长度,反向由极化恒等式成立)定理 4.1 的 (iv) 与 (v)
重特征值的正交性不同特征值的特征向量自动正交;同一特征值内部必须做 Gram–Schmidt例题 3 的 同在 中却
酉相似 与一般相似 酉相似保持正规性、厄米性、酉性;一般相似只保持特征值厄米矩阵经一般相似可能变成非厄米
(酉)与 前者特征值模为 (振荡),后者特征值为正实数(增长/衰减) 厄米时 是酉矩阵
np.linalg.eigh 与 np.linalg.eigeigh 只读一半矩阵,非厄米输入会静默出错已知厄米用 eigh,否则用 eig

一句话总结:实对称 厄米,正交 酉,正交对角化 酉对角化,而统一它们的框架是"正规"。 抓住""这一条判据,你就同时拿到了:可酉对角化、特征向量正交、求逆便宜()、求幂便宜()。

相关笔记

  • 9-1-复数与复向量:上一篇。复内积 、共轭转置 的运算法则、复向量的长度与正交,以及"为什么第一个向量要取共轭"的完整解释(含四条反例)。本篇的全部证明都建立在这些定义之上,必须先读。
  • 2-3-用矩阵进行消元:矩阵乘法的分块规则与结合律。本篇定理 5.4(Schur 三角化)的第 7 步完全依赖 分块乘法,那篇讲的分块运算在那里被原样使用。
  • 3-4-线性无关基与维数:基扩充定理、维数与线性无关。Schur 定理证明的第 4 步"把 扩充为一组标准正交基"用的就是那篇的基扩充思想。
  • 4-4-标准正交基与Gram-Schmidt:正交矩阵 、Gram–Schmidt 正交化、坐标公式。本篇"重特征值需在特征子空间内做 Gram–Schmidt"(例题 3)正是那篇方法的直接应用,只是内积换成了复内积。
  • 6-4-对称矩阵与正定矩阵:实对称矩阵的谱定理 、正定的五个等价条件。本篇 3.6 节把它与厄米谱定理并排推导,逐句对照后会发现两条证明只差一个" 换成 "。
  • 6-5-二次型与标准形:二次型、配方法、惯性定理、Rayleigh 商。复域的对应物是厄米型 ;本篇引理 3.3(厄米二次型取实值)与它的逆命题,正是那篇"正定性"讨论在复域的入口。
  • 6-2-矩阵的对角化: 与可对角化条件。本篇例题 5 用一个具体矩阵展示了"可对角化但不可酉对角化"的完整诊断流程,与那篇的判据配合看最清楚。
  • 6-1-特征值引论:特征值、特征多项式、迹与行列式的联系。本篇定理 3.1 与 3.4 的证明技巧(左乘 、比较两个方向算出的同一个数)都源自那篇介绍的 框架。
  • 7-1-SVD的构造与几何意义:对任何矩阵都成立的分解 。当矩阵不正规时,谱分解失效,SVD 是替代方案——它的构造起点 与 恰好是本篇"正规性判据"里出现的两个矩阵。
  • 7-2-图像压缩与低秩逼近:低秩近似与 Eckart–Young 定理。本篇例题 3 第 8 步把谱分解写成 ("满秩减去一个小秩投影"),那篇讲的正是如何用这种低秩修正压缩数据。
  • 8-2-线性变换的矩阵表示:基变换与相似矩阵 。把 限制为酉矩阵就得到"酉相似",本篇的谱定理就是"用酉相似把矩阵化到最简"。
  • 11-1-数值稳定性与LU:浮点误差与部分选主元。本篇反复强调的"酉变换不放大误差"是那篇数值稳定性分析的核心工具。
  • 11-2-范数与条件数:条件数 。本篇例题 5 算出的 与 的对比,就是"为什么要用酉基"的定量答案。
  • 12-2-协方差矩阵:协方差矩阵是对称(半)正定的。其复域推广正是厄米正定矩阵,本篇的谱定理与"正定 特征值全正"在那里直接用于主成分分析。
  • 9-3-快速傅里叶变换FFT:下一篇。本篇第 6 节已经算出 并验证了 的列正交性,那是 FFT 的代数基础;下一篇在此之上讲分治算法如何把 降到 。
  • 附录-矩阵分解总览:、、、 的统一对比。本篇的 是对角化家族在复域的最后一环,建议与那篇的对照表一起看。

参考来源

  • MIT OpenCourseWare 18.06 Linear Algebra, Spring 2010, Lecture 26: Complex matrices; fast Fourier transform —— <https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/resources/lecture-26-complex-matrices-fast-fourier-transform/>
  • MIT OpenCourseWare 18.06 Linear Algebra 课程主页 —— <https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/>
  • Wolfram MathWorld, "Hermitian Matrix" —— <https://mathworld.wolfram.com/HermitianMatrix.html>
  • Wolfram MathWorld, "Unitary Matrix" —— <https://mathworld.wolfram.com/UnitaryMatrix.html>
  • Wolfram MathWorld, "Normal Matrix" —— <https://mathworld.wolfram.com/NormalMatrix.html>
  • NumPy Reference, Discrete Fourier Transform (numpy.fft) —— <https://numpy.org/doc/stable/reference/routines.fft.html>
  • NumPy Reference, numpy.linalg.eigh —— <https://numpy.org/doc/stable/reference/generated/numpy.linalg.eigh.html>
  • Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016, §9.2–9.3
  • 同济大学数学系《线性代数》第六版,高等教育出版社(实对称矩阵的对角化为主要依据,以授课教材为准)