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):
- 主对角线元素必须全为实数:取 得 ,由 9-1 节性质 (C10) 知 。
- 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
- 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"。
- 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。
- 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:
- 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)。
- 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。
- 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)
- 可酉对角化:, 酉、 对角;
- 特征向量构成 的标准正交基:;
- 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);
- 与 可交换:;
- 求逆与求幂只作用于特征值:,(若 可逆);
- 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)
- 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。
- 算 ,与 比较: → 厄米(实则对称); → 反厄米(特征值纯虚)。
- 算 ,与 比较:相等 → 酉(实则正交),特征值在单位圆上。
- 算 与 ,互相比较:相等 → 正规,一定可酉对角化。
- 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
- 查主对角线:所有 必须是实数。有一个不是实数,立即否定。
- 查对称位置:对每对 (),验证 。
- 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
- 计算 (转置 + 逐元素取共轭)。
- 求乘积 ,看是否等于 。
- 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 ()。
- 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
- 验证厄米性 。若不满足,不要用这套方法(要用 Jordan 形或 SVD)。
- 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。
- 求特征向量:对每个 解 ,取一组基。
- 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。
- 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。
- 拼装:,,则 。
- 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:
- 用一个酉矩阵 把数据 变换到新基下:;
- 在新基下,大部分系数 很小(能量集中);
- 把小的系数置为零(量化);
- 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.eig | np.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)
- 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)。
- 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)。
- 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。
- 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。
- 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。
- "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.eig | eigh 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)