{
  "id": "conjugate-transpose",
  "title": "共轭转置",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "复矩阵的共轭转置将行与列互换，并将每个元素替换为其复共轭。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "厄米转置",
    "厄米共轭",
    "厄米伴随"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/conjugate-transpose/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/conjugate-transpose/",
      "json": "https://aiwiki.page/en/conjugate-transpose.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "矩阵的共轭转置是将其行与列互换，并对每个元素取复共轭后得到的矩阵。这一运算结合了矩阵转置与共轭，通常记作 \\(A^*\\)、\\(A^H\\) 或 \\(A^\\dagger\\)。在复数域上的线性代数中，共轭转置所起的作用与普通转置在实矩阵中的作用相对应，尤其体现在内积和伴随变换的定义中。(reference.wolfram.com)"
    },
    {
      "heading": "定义与记号",
      "text": "对于元素为复数的 \\(m\\times n\\) 矩阵 \\(A=(a_{ij})\\)，其共轭转置是按下式定义的 \\(n\\times m\\) 矩阵：\n\n\\[(A^*)_{ij}=\\overline{a_{ji}}.\\]\n\n这里，复共轭将 \\(a+bi\\) 映为 \\(a-bi\\)，其中 \\(a,b\\) 为实数，且 \\(i^2=-1\\)。共轭与转置的运算顺序可以交换，因此\n\n\\[A^*=\\overline{A}^{\\,T}=\\overline{A^T}.\\]\n\n如果所有元素都是实数，共轭不会改变它们，因此 \\(A^*=A^T\\)。这一运算既适用于方阵，也适用于非方阵。(reference.wolfram.com)\n\n例如，根据定义可得\n\n\\[A= \\begin{pmatrix} 1+i&2&-i\\\\ 3i&4-i&5 \\end{pmatrix}, \\qquad A^*= \\begin{pmatrix} 1-i&-3i\\\\ 2&4+i\\\\ i&5 \\end{pmatrix}.\\]\n\n因此，\\(A^*\\) 的每一列都是对 \\(A\\) 的对应行逐元素取共轭后得到的。\n\n使用记号时需要注意：星号有时表示逐元素共轭，而非共轭转置。剑号也是一种通用记法，而 \\(A^H\\) 则明确表示厄米转置。(reference.wolfram.com)"
    },
    {
      "heading": "代数性质",
      "text": "对于大小相容的矩阵和复标量 \\(\\alpha\\)，有\n\n\\[(A^*)^*=A,\\qquad (A+B)^*=A^*+B^*,\\qquad (\\alpha A)^*=\\overline{\\alpha}A^*.\\]\n\n第一个恒等式说明这一运算是对合：连续施行两次便得到原矩阵。关于标量的恒等式表明，在固定大小矩阵构成的向量空间上，这一运算是共轭线性的，而不是复线性的。(math.ucdavis.edu)\n\n对于矩阵乘法，各因子的顺序会反转：\n\n\\[(AB)^*=B^*A^*.\\]\n\n这种顺序反转至关重要；一般而言，\\(A^*B^*\\) 不仅不是正确结果，其矩阵大小甚至未必满足相乘的条件。如果 \\(A\\) 存在逆矩阵，则\n\n\\[(A^{-1})^*=(A^*)^{-1}.\\]\n\n借助这些规则，可以计算复杂表达式的共轭转置，而无须逐一展开每个元素。(fab.cba.mit.edu)"
    },
    {
      "heading": "内积与伴随",
      "text": "对于列向量 \\(x,y\\in\\mathbb C^n\\)，标准复内积为\n\n\\[\\langle x,y\\rangle=x^*y =\\sum_{j=1}^n\\overline{x_j}y_j.\\]\n\n按照这一约定，内积对第一个变量是共轭线性的，对第二个变量是线性的。特别地，\n\n\\[\\langle x,x\\rangle=\\sum_j|x_j|^2,\\]\n\n对于任意非零向量，这个值都为正。由此可定义欧几里得范数：\\(\\|x\\|_2=\\sqrt{x^*x}\\)。与实数情形不同，使用 \\(x^Tx\\) 无法保证非零向量的长度平方为正：例如，对于 \\(x=(1,i)^T\\)，虽然 \\(x\\ne0\\)，但 \\(x^Tx\\) 等于零。(web.mit.edu)\n\n若矩阵 \\(A\\) 表示线性映射 \\(A:\\mathbb C^n\\to\\mathbb C^m\\)，则乘积规则给出\n\n\\[\\langle Ax,y\\rangle=\\langle x,A^*y\\rangle.\\]\n\n这个恒等式刻画了标准内积下的伴随算子。因此，共轭转置可以将作用于内积中一个变量的变换转移到另一个变量上。这种对应关系依赖于标准正交坐标；在任意基下，伴随算子的矩阵一般不能仅通过对原矩阵取共轭转置得到。(reference.wolfram.com)"
    },
    {
      "heading": "重要的矩阵类别",
      "text": "厄米矩阵是满足 \\(A^*=A\\) 的方阵。它的对角元素为实数，关于主对角线对称的元素互为复共轭。厄米矩阵的特征值均为实数，并且存在由特征向量组成的标准正交基。这是谱定理的有限维形式，将共轭转置与矩阵对角化联系起来。(web.mit.edu)\n\n酉矩阵满足\n\n\\[U^*U=UU^*=I,\\]\n\n其中 \\(I\\) 为单位矩阵。等价地，\\(U^{-1}=U^*\\)。它的各列构成标准正交组，且它保持内积和向量范数不变。当矩阵元素均为实数时，这一条件就化为正交矩阵的定义条件。(math.ucdavis.edu)\n\n对于任意非方阵 \\(A\\)，矩阵 \\(A^*A\\) 都是厄米矩阵。应用内积恒等式可得\n\n\\[x^*A^*Ax=\\|Ax\\|_2^2\\ge0.\\]\n\n因此，它是半正定矩阵。如果 \\(A\\) 的列向量线性无关，则对于非零 \\(x\\)，上式严格为正，从而 \\(A^*A\\) 是正定矩阵。它的各元素是这些列向量两两之间的内积，因此它是这些列向量的格拉姆矩阵。这些结论都可以由前述恒等式直接推出。(web.mit.edu)"
    },
    {
      "heading": "在矩阵分解中的作用",
      "text": "在数值线性代数中，共轭转置出现在复矩阵的奇异值分解中：\n\n\\[A=U\\Sigma V^*.\\]\n\n这里，\\(U\\) 和 \\(V\\) 是酉矩阵，而 \\(\\Sigma\\) 是非方形对角矩阵，其对角元素为非负实数，称为奇异值。\\(U\\) 和 \\(V\\) 的列分别为左奇异向量和右奇异向量。LAPACK 的复矩阵奇异值分解例程返回的是 \\(V^*\\)，而不是 \\(V\\)，这与重构矩阵时所用的形式一致。(netlib.org)"
    }
  ],
  "links": [
    "matrix",
    "matrix-transpose",
    "linear-algebra",
    "complex-number",
    "complex-conjugation",
    "real-number",
    "vector-space",
    "matrix-multiplication",
    "inverse-matrix",
    "inner-product",
    "norm-mathematics",
    "linear-map",
    "adjoint-operator",
    "basis-linear-algebra",
    "hermitian-matrix",
    "eigenvalues-and-eigenvectors",
    "orthonormal-basis",
    "spectral-theorem",
    "matrix-diagonalization",
    "unitary-matrix",
    "identity-matrix",
    "orthogonal-matrix",
    "linear-independence",
    "positive-definite-matrix",
    "gram-matrix",
    "numerical-linear-algebra",
    "singular-value-decomposition"
  ],
  "sources": [
    {
      "title": "reference.wolfram.com/language/ref/ConjugateTranspose.html",
      "url": "https://reference.wolfram.com/language/ref/ConjugateTranspose.html"
    },
    {
      "title": "math.ucdavis.edu/~anne/WQ2007/mat67-Notes_on_Matrices.pdf",
      "url": "https://www.math.ucdavis.edu/~anne/WQ2007/mat67-Notes_on_Matrices.pdf"
    },
    {
      "title": "fab.cba.mit.edu/classes/864.20/text/linalg.pdf",
      "url": "https://fab.cba.mit.edu/classes/864.20/text/linalg.pdf"
    },
    {
      "title": "web.mit.edu/18.06/www/Spring16/lecture29.pdf",
      "url": "https://web.mit.edu/18.06/www/Spring16/lecture29.pdf"
    },
    {
      "title": "netlib.org/lapack/explore-html/d1/d7f/group__gesvd_ga8a84ecb8d1f230d5d3bd382939…",
      "url": "https://netlib.org/lapack/explore-html/d1/d7f/group__gesvd_ga8a84ecb8d1f230d5d3bd3829395affe1.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}