{
  "id": "eigenvalues-and-eigenvectors",
  "title": "特征值与特征向量",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "特征值与特征向量描述线性变换对特定向量的缩放作用，用于矩阵分析、动力系统和统计学。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "本征值与本征向量"
  ],
  "generated_at": "2026-10-03",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/eigenvalues-and-eigenvectors/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/eigenvalues-and-eigenvectors/",
      "json": "https://aiwiki.page/en/eigenvalues-and-eigenvectors.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "在线性代数中，线性变换的特征向量是一个非零向量，变换将它映射为自身的某个标量倍数；相应的标量称为特征值。对于方矩阵 \\(A\\)，这一关系表示为 \\(Av=\\lambda v\\)。特征值与特征向量揭示了变换下保持不变的方向，有助于描述变换的结构、反复施加变换的效果，以及变换在不同坐标系中的表示。(math.mit.edu)"
    },
    {
      "heading": "定义与几何意义",
      "text": "设 \\(T:V\\to V\\) 是实数域或复数域上向量空间中的线性变换。当\n\n\\[T(v)=\\lambda v\\]\n\n时，向量 \\(v\\ne0\\) 称为对应于特征值 \\(\\lambda\\) 的特征向量。\n零向量不在此定义之内，因为它对任意标量都满足这个等式，因而无法确定某个特定的特征值。将特征向量乘以任意非零标量，得到的仍是对应于同一特征值的特征向量。(math.mit.edu)\n\n对于实特征向量和实特征值，其几何意义是沿一条过原点的直线进行缩放。正特征值保持向量方向不变，负特征值使方向反转，而零特征值将向量映射为零向量。特征值的绝对值表示长度的缩放倍数。例如，\n\n\\[A=\\begin{pmatrix}3&0\\\\0&-2\\end{pmatrix}\\]\n\n的特征向量包括 \\((1,0)^T\\) 和 \\((0,1)^T\\)，对应的特征值分别为 \\(3\\) 和 \\(-2\\)：第一个坐标方向被拉伸至原来的三倍，第二个坐标方向则反转并被拉伸至原来的两倍。这些结论可以直接由矩阵乘法得出。(math.mit.edu)\n\n标量域的选择很重要。实平面上旋转四分之一周的变换没有实特征向量，但若在复数域上考察，其矩阵的特征值为 \\(i\\) 和 \\(-i\\)。(ocw.mit.edu)"
    },
    {
      "heading": "特征多项式与特征空间",
      "text": "将特征值方程移项，得到\n\n\\[(A-\\lambda I)v=0,\\]\n\n其中 \\(I\\) 为单位矩阵。这一方程存在非零解，当且仅当 \\(A-\\lambda I\\) 是奇异矩阵，等价地说，其行列式为零。因此，特征值是特征多项式\n\n\\[p_A(t)=\\det(tI-A)\\]\n\n的根。\n对于 \\(n\\times n\\) 矩阵，这是一个 \\(n\\) 次多项式。代数基本定理保证，按重数计，它有 \\(n\\) 个复数根。实矩阵的非实特征值成共轭对出现。(ocw.mit.edu)\n\n对于一个给定的特征值，其特征空间为\n\n\\[E_\\lambda=\\ker(A-\\lambda I).\\]\n\n这个空间包含所有对应的特征向量以及零向量。已知特征值后，求这个空间就相当于求解一个齐次线性方程组。(ocw.mit.edu)\n\n特征值的代数重数是它作为特征多项式根的重数；其几何重数则是对应特征空间的维数。几何重数至少为一，且不大于代数重数。按代数重数计，各特征值之和等于矩阵的迹，各特征值之积等于矩阵的行列式。因此，方阵可逆当且仅当零不是其特征值。(esp.mit.edu)"
    },
    {
      "heading": "对角化与谱定理",
      "text": "对应于不同特征值的特征向量线性无关。一个 \\(n\\times n\\) 矩阵在选定的数域上可对角化，当且仅当在该数域上存在由 \\(n\\) 个特征向量组成的基。将这些向量作为列向量组成可逆矩阵 \\(P\\)，便有\n\n\\[A=PDP^{-1},\\]\n\n其中 \\(D\\) 是对角矩阵，其对角线元素按相同顺序排列为对应的特征值。这称为特征值分解：在特征向量基下，变换独立地作用于各个坐标。(esp.mit.edu)\n\n特征值互不相同是矩阵可对角化的充分条件，但不是必要条件。即使存在重复特征值，只要每个特征空间都具有所需的维数，矩阵仍可对角化。相比之下，\n\n\\[\\begin{pmatrix}1&1\\\\0&1\\end{pmatrix}\\]\n\n有二重特征值 \\(1\\)，但其特征空间只有一维，因此不可对角化。这一结论可通过求解其特征向量方程得到。(esp.mit.edu)\n\n谱定理对实对称矩阵给出了更强的结论：它们的特征值均为实数，且存在一组由特征向量组成的标准正交基。因此，\n\n\\[A=QDQ^T,\\]\n\n且 \\(Q^{-1}=Q^T\\)，其中 \\(Q^T\\) 表示矩阵转置。复厄米矩阵也有类似的分解，只需使用共轭转置。(ocw.mit.edu)"
    },
    {
      "heading": "计算",
      "text": "特征多项式提供了理论上的描述，也适用于小规模的精确计算实例。求出其根后，可通过高斯消元法得到特征向量。大型数值问题则采用数值线性代数中直接处理矩阵的方法。例如，LAPACK 的非对称矩阵例程通过舒尔分解计算特征值；对称矩阵例程则先将矩阵化为三对角形式，再求解化简后的问题。(ocw.mit.edu)\n\nQR 算法是一种重要的特征值计算方法。LAPACK 还为对称矩阵问题提供了分治方法。选择何种计算方法取决于矩阵的结构，以及所需的是全部特征值、部分特征值，还是特征向量。(netlib.org)"
    },
    {
      "heading": "应用",
      "text": "特征值与特征向量组成的特征对描述了线性动力系统的基本模态。如果 \\(Av=\\lambda v\\)，那么 \\(A^kv=\\lambda^kv\\)。对于常系数微分方程 \\(x'(t)=Ax(t)\\)，向量值函数 \\(x(t)=e^{\\lambda t}v\\) 是一个解。因此，特征值的模决定离散情况下反复缩放的效果，而特征值的实部决定连续时间中的指数增长或衰减。(ocw.mit.edu)\n\n在主成分分析中，协方差矩阵的特征向量确定数据变动的主要方向，对应的特征值衡量这些方向上的方差。保留最大特征值所对应的方向，可以实现降维。这种分析与奇异值分解密切相关：对于中心化后的数据矩阵 \\(X\\)，其右奇异向量是 \\(X^TX\\) 的特征向量，而奇异值的平方经所选的归一化方式处理后，便得到协方差矩阵的特征值。(web.stanford.edu)"
    }
  ],
  "links": [
    "linear-algebra",
    "linear-transformation",
    "matrix",
    "vector-space",
    "complex-number",
    "identity-matrix",
    "determinant",
    "characteristic-polynomial",
    "polynomial",
    "fundamental-theorem-of-algebra",
    "eigenspace",
    "system-of-linear-equations",
    "matrix-trace",
    "matrix-diagonalization",
    "spectral-theorem",
    "matrix-transpose",
    "gaussian-elimination",
    "numerical-linear-algebra",
    "qr-algorithm",
    "differential-equation",
    "principal-component-analysis",
    "covariance-matrix",
    "variance",
    "dimensionality-reduction",
    "singular-value-decomposition"
  ],
  "sources": [
    {
      "title": "math.mit.edu/~gs/dela/dela_6-1.pdf",
      "url": "https://math.mit.edu/~gs/dela/dela_6-1.pdf"
    },
    {
      "title": "ocw.mit.edu/ans7870/18/18.013a/textbook/HTML/chapter32/section08.html",
      "url": "https://www.ocw.mit.edu/ans7870/18/18.013a/textbook/HTML/chapter32/section08.html"
    },
    {
      "title": "esp.mit.edu/download/13a3138f19fdbee1f473fa0112bc3ad2/M2779_Linear_Algebra_Note…",
      "url": "https://esp.mit.edu/download/13a3138f19fdbee1f473fa0112bc3ad2/M2779_Linear_Algebra_Notes.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/50…",
      "url": "https://ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/506ddc3294b0b9e67a6eb8334a6a2010_2Ola674-PPw.pdf"
    },
    {
      "title": "netlib.org/utk/lsi/lapackLSI/LAPACK",
      "url": "https://netlib.org/utk/lsi/lapackLSI/LAPACK"
    },
    {
      "title": "ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/3c…",
      "url": "https://ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/3c2a1288a5ac476494977909ad1093b7_18-085F08-L05.pdf"
    },
    {
      "title": "web.stanford.edu/class/bios221/MultivariateLab.html",
      "url": "https://web.stanford.edu/class/bios221/MultivariateLab.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}