{
  "id": "eigenspace",
  "title": "特征空间",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "特征空间是由零向量及线性算符某一特征值对应的所有特征向量组成的线性子空间。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "特征子空间"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/eigenspace/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/eigenspace/",
      "json": "https://aiwiki.page/en/eigenspace.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "特征空间是一个线性子空间，线性算符在该子空间上的作用等同于乘以某个固定的标量。它包含某一指定特征值对应的所有特征向量以及零向量。在线性代数中，特征空间描述了受到相同标量作用的方向及更高维的向量集合，为对角化和谱分解提供了基础结构。(math.brown.edu)"
    },
    {
      "heading": "定义与基本性质",
      "text": "设 \\(T:V\\to V\\) 是域（数学） \\(F\\) 上的向量空间 \\(V\\) 上的一个线性映射。对于标量 \\(\\lambda\\in F\\)，定义\n\n\\[E_\\lambda(T)=\\{v\\in V:T(v)=\\lambda v\\} =\\ker(T-\\lambda I),\\]\n\n其中 \\(I\\) 表示恒等算符，\\(\\ker\\) 表示核（线性映射）。当且仅当这个子空间包含非零向量时，标量 \\(\\lambda\\) 才是特征值。零向量属于每个核，但不是特征向量。(math.brown.edu)\n\n子空间性质可由线性性直接得出。如果 \\(u,v\\in E_\\lambda(T)\\) 且 \\(a,b\\in F\\)，则\n\n\\[T(au+bv)=a\\lambda u+b\\lambda v =\\lambda(au+bv).\\]\n\n因此，任意线性组合仍属于同一个特征空间。当 \\(\\lambda=0\\) 是特征值时，其特征空间就是 \\(\\ker T\\)，即被算符映射为零的所有向量组成的集合。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "特征空间的计算",
      "text": "对于一个 \\(n\\times n\\) 矩阵 \\(A\\)，特征空间是 \\(A-\\lambda I\\) 的零空间，这里的 \\(I\\) 表示单位矩阵。计算特征空间需要求解齐次线性方程组\n\n\\[(A-\\lambda I)x=0.\\]\n\n利用高斯消元法可以确定自由变量，并将解集表示为一组基（线性代数）的线性包。当特征空间的维数大于一时，仅找到一个特征向量是不够的。(math.mit.edu)\n\n由秩—零化度定理可得\n\n\\[\\dim E_\\lambda(A)=n-\\operatorname{rank}(A-\\lambda I),\\]\n\n这将特征空间的维数（向量空间）与移位矩阵 \\(A-\\lambda I\\) 的矩阵的秩联系起来。(homepages.ucl.ac.uk)\n\n例如，对矩阵\n\n\\[A=\\begin{pmatrix}2&0&0\\\\0&2&0\\\\0&0&3\\end{pmatrix}\\]\n\n直接计算可得\n\n\\[E_2(A)=\\{(x,y,0):x,y\\in F\\},\\qquad E_3(A)=\\{(0,0,z):z\\in F\\}.\\]\n\n前者是一个坐标平面，后者是一条坐标轴。平面内的每个非零向量都是特征值 \\(2\\) 对应的特征向量，而不仅仅是选作基的那两个坐标向量。"
    },
    {
      "heading": "重数与对角化",
      "text": "\\(E_\\lambda(A)\\) 的维数称为 \\(\\lambda\\) 的几何重数。\\(\\lambda\\) 的代数重数是它作为特征多项式\n\n\\[p_A(t)=\\det(tI-A)\\]\n\n的根的重数，其中 \\(\\det\\) 表示行列式。对于有限维算符的任意特征值，都有\n\n\\[1\\leq\\dim E_\\lambda(A) \\leq\\lambda\\text{ 的代数重数}.\\]\n\n因此，重根所对应的线性无关特征向量的个数不一定等于其重数。(textbooks.math.gatech.edu)\n\n不同特征值对应的特征向量线性无关。更一般地，不同特征空间的和是直和。当且仅当这些特征空间共同张成整个空间时，才能在 \\(F\\) 上进行矩阵对角化：\n\n\\[V=E_{\\lambda_1}(T)\\oplus\\cdots\\oplus E_{\\lambda_r}(T).\\]\n\n等价地，特征多项式必须能在 \\(F\\) 上分解为一次因式的乘积，并且每个特征值的几何重数与代数重数都必须相等。特征值有重根这一点本身并不妨碍对角化。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "对标量域的依赖",
      "text": "域的选择会影响特征值和特征空间。一个实矩阵可能在实数域上没有特征值，却在复数域上具有特征值和特征空间。例如，\n\n\\[R=\\begin{pmatrix}0&-1\\\\1&0\\end{pmatrix}\\]\n\n表示旋转四分之一圈。它没有非零的实特征向量，但在 \\(\\mathbb C\\) 上，其特征值为 \\(i\\) 和 \\(-i\\)，对应的特征空间为\n\n\\[E_i(R)=\\operatorname{span}_{\\mathbb C}\\{(1,-i)\\},\\qquad E_{-i}(R)=\\operatorname{span}_{\\mathbb C}\\{(1,i)\\}.\\]\n\n对于实矩阵，非实特征值及其特征向量成复共轭对出现。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "与坐标选择无关",
      "text": "虽然矩阵的坐标表示会随基的变化而变化，但算符的特征空间由算符本身定义，与坐标选择无关。若对于某个可逆矩阵 \\(P\\)，有\n\n\\[B=P^{-1}AP,\\]\n\n则\n\n\\[E_\\lambda(B)=P^{-1}E_\\lambda(A).\\]\n\n事实上，\\(Bx=\\lambda x\\) 等价于 \\(A(Px)=\\lambda(Px)\\)。因此，满足矩阵相似关系的矩阵表示同一算符在不同坐标系下的形式，对应的特征空间具有相同的维数。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "正交性与谱分解",
      "text": "对于有限维内积空间上的自伴算符，不同特征空间彼此正交。谱定理保证存在一组由特征向量构成的标准正交基。这一结论适用于实对称矩阵和复厄米矩阵；对于复矩阵，仅有对称性并不足够。(math.brown.edu)\n\n以 \\(P_\\lambda\\) 表示到 \\(E_\\lambda(T)\\) 上的正交投影，则算符具有如下分解：\n\n\\[T=\\sum_\\lambda\\lambda P_\\lambda,\\qquad I=\\sum_\\lambda P_\\lambda.\\]\n\n在维数大于一的特征空间内，标准正交基并不唯一，但特征空间及其正交投影是固定的。(math.brown.edu)"
    },
    {
      "heading": "广义特征空间",
      "text": "普通特征空间未必能张成整个空间。对于 \\(n\\) 维空间上的算符，与 \\(\\lambda\\) 对应的广义特征空间定义为\n\n\\[G_\\lambda(T)=\\ker(T-\\lambda I)^n.\\]\n\n其中的向量被 \\(T-\\lambda I\\) 的某个正整数次幂映射为零，而不一定被 \\(T-\\lambda I\\) 本身映射为零。当特征多项式能分解为一次因式的乘积时，广义特征空间构成 \\(V\\) 的直和分解，其维数分别等于相应特征值的代数重数。(math.brown.edu)\n\n例如，对矩阵\n\n\\[J=\\begin{pmatrix}2&1\\\\0&2\\end{pmatrix}\\]\n\n直接计算可得 \\(E_2(J)=\\operatorname{span}\\{(1,0)\\}\\)，而 \\((J-2I)^2=0\\)，因此 \\(G_2(J)=F^2\\)。尽管该特征值的代数重数为二，普通特征空间却只有一维。"
    }
  ],
  "links": [
    "linear-subspace",
    "eigenvalues-and-eigenvectors",
    "linear-algebra",
    "field-mathematics",
    "vector-space",
    "linear-map",
    "kernel-linear-map",
    "linear-combination",
    "matrix",
    "null-space",
    "identity-matrix",
    "system-of-linear-equations",
    "gaussian-elimination",
    "basis-linear-algebra",
    "linear-span",
    "rank-nullity-theorem",
    "dimension-vector-space",
    "matrix-rank",
    "characteristic-polynomial",
    "determinant",
    "linear-independence",
    "direct-sum",
    "matrix-diagonalization",
    "real-number",
    "complex-number",
    "matrix-similarity",
    "inner-product",
    "self-adjoint-operator",
    "spectral-theorem",
    "orthonormal-basis",
    "orthogonal-projection"
  ],
  "sources": [
    {
      "title": "math.brown.edu/streil/papers/LADW/HTML_2026_08-31/Ch4.html",
      "url": "https://www.math.brown.edu/streil/papers/LADW/HTML_2026_08-31/Ch4.html"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/1553/eigenvectors.html",
      "url": "https://www.textbooks.math.gatech.edu/ila/1553/eigenvectors.html"
    },
    {
      "title": "math.mit.edu/~poonen/03/notes.pdf",
      "url": "https://math.mit.edu/~poonen/03/notes.pdf"
    },
    {
      "title": "homepages.ucl.ac.uk/~ucahmto/0005_2021/Ch4.S16.html",
      "url": "https://www.homepages.ucl.ac.uk/~ucahmto/0005_2021/Ch4.S16.html"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/diagonalization.html",
      "url": "https://textbooks.math.gatech.edu/ila/diagonalization.html"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/complex-eigenvalues.html",
      "url": "https://textbooks.math.gatech.edu/ila/complex-eigenvalues.html"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/similarity.html",
      "url": "https://textbooks.math.gatech.edu/ila/similarity.html"
    },
    {
      "title": "math.brown.edu/streil/papers/LADW/HTML_2026_08-31/Ch6.html",
      "url": "https://www.math.brown.edu/streil/papers/LADW/HTML_2026_08-31/Ch6.html"
    },
    {
      "title": "math.brown.edu/streil/papers/LADW/HTML_2026_08-31/Ch9.html",
      "url": "https://www.math.brown.edu/streil/papers/LADW/HTML_2026_08-31/Ch9.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}