{
  "id": "hermitian-matrix",
  "title": "厄米矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "厄米矩阵等于其共轭转置，其特征值均为实数，且存在由特征向量构成的标准正交基。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "埃尔米特矩阵",
    "厄密矩阵",
    "自伴矩阵"
  ],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/hermitian-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/hermitian-matrix/",
      "json": "https://aiwiki.page/en/hermitian-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "厄米矩阵是等于自身共轭转置的复数方矩阵。也就是说，矩阵 \\(A=(a_{ij})\\) 为厄米矩阵，当且仅当\n\n\\[A=A^*,\\qquad a_{ij}=\\overline{a_{ji}},\\]\n\n其中，\\(A^*\\) 也记作 \\(A^\\dagger\\)，由 \\(A\\) 转置后再对每个元素取复共轭得到。厄米矩阵是实对称矩阵在复数情形下的对应物。厄米矩阵的特征值均为实数，并且存在由特征向量构成的标准正交基，因此在线性代数中具有基础地位；这些性质在优化、数值计算、统计学和量子力学中都至关重要。"
    },
    {
      "heading": "定义与示例",
      "text": "对于复数 \\(z=a+ib\\)，其共轭为 \\(\\overline z=a-ib\\)。厄米条件要求主对角线两侧相互对应的元素互为复共轭。因此，每个对角元素都必须是实数，因为\n\n\\[a_{ii}=\\overline{a_{ii}}.\\]\n\n例如，\n\n\\[A= \\begin{pmatrix} 2&1+i\\\\ 1-i&3 \\end{pmatrix}\\]\n\n是厄米矩阵。相比之下，\n\n\\[B= \\begin{pmatrix} 2&i\\\\ i&3 \\end{pmatrix}\\]\n\n不是厄米矩阵，因为它的两个非对角元素相等，却不互为共轭。\n\n实矩阵为厄米矩阵，当且仅当它等于自身的矩阵转置，因此在实数情形下，厄米性就等同于对称性。对于复矩阵，对称性与厄米对称性则是不同的条件。\n\n每个厄米矩阵都可以唯一地写成\n\n\\[A=S+iK,\\]\n\n其中 \\(S\\) 是实对称矩阵，\\(K\\) 是实反对称矩阵：\n\n\\[S^{\\mathsf T}=S,\\qquad K^{\\mathsf T}=-K.\\]\n\n特别地，每个对角元素的虚部均为零。\n\n这一名称是为了纪念法国数学家夏尔·埃尔米特，厄米型也以他的名字命名。"
    },
    {
      "heading": "作为自伴线性映射的解释",
      "text": "在 \\(\\mathbb C^n\\) 上，采用标准内积\n\n\\[\\langle x,y\\rangle=x^*y.\\]\n\n矩阵 \\(A\\) 为厄米矩阵，当且仅当对所有向量 \\(x,y\\)，都有\n\n\\[\\langle Ax,y\\rangle=\\langle x,Ay\\rangle\\]\n\n成立。因此，相对于这一内积，它表示一个自伴算符。\n\n这一结论取决于所采用的内积和坐标。自伴线性映射在任意标准正交基下的矩阵都是厄米矩阵，但在任意基下的矩阵未必是厄米矩阵。\n\n更一般地，如果内积的坐标表达式为\n\n\\[\\langle x,y\\rangle_G=x^*Gy,\\]\n\n其中 \\(G\\) 是厄米正定矩阵，那么坐标矩阵 \\(A\\) 表示自伴映射，当且仅当\n\n\\[A^*G=GA.\\]\n\n熟悉的条件 \\(A^*=A\\) 是 \\(G=I\\) 时的特例。"
    },
    {
      "heading": "谱性质",
      "text": "有限维谱定理指出，\\(A\\) 为厄米矩阵，当且仅当\n\n\\[A=U\\Lambda U^*,\\]\n\n其中 \\(U\\) 是酉矩阵，而\n\n\\[\\Lambda=\\operatorname{diag}(\\lambda_1,\\ldots,\\lambda_n)\\]\n\n的对角元素均为实数。\n\n\\(U\\) 的各列构成一组由特征向量组成的标准正交基。因此：\n\n- 每个特征值都是实数。\n- 不同特征值对应的特征向量相互正交。\n- 每个特征值的代数重数等于其特征空间的维数。\n- 每个厄米矩阵都可对角化，即使存在重特征值也不例外。\n\n为什么特征值是实数\n\n设 \\(Av=\\lambda v\\)，其中 \\(v\\ne0\\)。则\n\n\\[v^*Av=\\lambda v^*v.\\]\n\n由厄米对称性可得\n\n\\[\\overline{v^*Av}=v^*A^*v=v^*Av,\\]\n\n所以 \\(v^*Av\\) 是实数。由于 \\(v^*v>0\\)，\n\n\\[\\lambda=\\frac{v^*Av}{v^*v}\\in\\mathbb R.\\]\n\n这一论证说明了厄米对称性为何能对特征值与特征向量施加如此强的约束。不过，仅有实特征值并不足以使矩阵成为厄米矩阵：酉对角化条件不可或缺。\n\n谱投影\n\n设 \\(\\mu_1,\\ldots,\\mu_r\\) 为 \\(A\\) 的互不相同的特征值。则\n\n\\[A=\\sum_{j=1}^r\\mu_jP_j,\\]\n\n其中 \\(P_j\\) 是到 \\(\\mu_j\\) 对应特征空间上的正交投影。这些投影满足\n\n\\[P_j^*=P_j,\\qquad P_j^2=P_j,\\qquad P_jP_k=0\\quad(j\\ne k),\\qquad \\sum_{j=1}^rP_j=I.\\]\n\n这一表示将 \\(A\\) 的作用分解为在相互正交的子空间上彼此独立的实数倍缩放。"
    },
    {
      "heading": "二次型与定性",
      "text": "对于厄米矩阵 \\(A\\)，表达式\n\n\\[q_A(x)=x^*Ax\\]\n\n对每个 \\(x\\in\\mathbb C^n\\) 都取实数值。它是实二次型在复数情形下的对应物；通过其关联的半双线性型 \\(x^*Ay\\) 来表述时，通常称为厄米型。\n\n反过来，如果复方阵对每个复向量 \\(x\\) 都满足 \\(x^*Ax\\in\\mathbb R\\)，那么它就是厄米矩阵。这里要求条件对每个复向量都成立十分重要；仅检验实向量是不够的。\n\n根据这些值的符号，可以对厄米矩阵作如下分类：\n\n类型 | 对每个非零 \\(x\\) 的条件 | 特征值条件\n正定 | \\(x^*Ax>0\\) | 所有特征值均为正\n半正定 | \\(x^*Ax\\ge0\\) | 所有特征值均非负\n负定 | \\(x^*Ax<0\\) | 所有特征值均为负\n半负定 | \\(x^*Ax\\le0\\) | 所有特征值均非正\n不定 | 既取正值也取负值 | 既有正特征值也有负特征值\n\n正定矩阵必然可逆。半正定矩阵则可能是奇异矩阵。\n\n对于任意复矩阵 \\(B\\)，格拉姆矩阵\n\n\\[B^*B\\]\n\n是厄米半正定矩阵，因为\n\n\\[x^*B^*Bx=\\|Bx\\|^2\\ge0.\\]\n\n它为正定矩阵，当且仅当 \\(B\\) 的各列线性无关。反过来，每个厄米半正定矩阵都可以分解为 \\(B^*B\\)。\n\n例如，\n\n\\[A= \\begin{pmatrix} a&z\\\\ \\overline z&b \\end{pmatrix}, \\qquad a,b\\in\\mathbb R,\\]\n\n的特征值为\n\n\\[\\lambda_\\pm =\\frac{a+b\\pm\\sqrt{(a-b)^2+4|z|^2}}{2}.\\]\n\n它为正定矩阵，当且仅当\n\n\\[a>0,\\qquad ab-|z|^2>0.\\]"
    },
    {
      "heading": "瑞利商与变分刻画",
      "text": "对于 \\(x\\ne0\\)，瑞利商为\n\n\\[R_A(x)=\\frac{x^*Ax}{x^*x}.\\]\n\n若特征值按如下次序排列：\n\n\\[\\lambda_1\\le\\cdots\\le\\lambda_n,\\]\n\n则\n\n\\[\\lambda_1\\le R_A(x)\\le\\lambda_n.\\]\n\n极值在特征向量处取得：\n\n\\[\\lambda_1=\\min_{\\|x\\|=1}x^*Ax,\\qquad \\lambda_n=\\max_{\\|x\\|=1}x^*Ax.\\]\n\n更一般地，中间的特征值也可以通过子空间上的极小极大原理来刻画。这些刻画将谱理论与数学优化联系起来，并为许多特征值近似方法奠定了基础。\n\n谱范数满足\n\n\\[\\|A\\|_2=\\max_j|\\lambda_j|.\\]\n\n若 \\(A\\) 可逆，其谱条件数为\n\n\\[\\kappa_2(A)= \\frac{\\max_j|\\lambda_j|}{\\min_j|\\lambda_j|}.\\]\n\n因此，厄米对称性并不保证矩阵具有良好的条件性：一个非常接近零的特征值就可能使矩阵高度病态。"
    },
    {
      "heading": "代数结构",
      "text": "厄米矩阵对加法和实数数乘封闭。因此，\\(n\\times n\\) 厄米矩阵构成一个维数为 \\(n^2\\) 的实向量空间：对角线上有 \\(n\\) 个实参数，对角线上方的 \\(n(n-1)/2\\) 个元素各有两个实参数。\n\n它们不构成复向量空间。若 \\(A\\ne0\\) 为厄米矩阵，则 \\(iA\\) 为反厄米矩阵：\n\n\\[(iA)^*=-iA.\\]\n\n由此可以直接得到几个有用的封闭性质：\n\n- 若 \\(A\\) 可逆且为厄米矩阵，则其逆矩阵也是厄米矩阵。\n- 若 \\(A\\) 和 \\(B\\) 都是厄米矩阵，则 \\(AB\\) 为厄米矩阵，当且仅当 \\(AB=BA\\)。\n- 若 \\(A\\) 为厄米矩阵，则对每个维数相容的矩阵 \\(C\\)，\\(C^*AC\\) 都是厄米矩阵。\n- 厄米矩阵的每个主子矩阵都是厄米矩阵。\n- 关于 \\(A\\) 的每个实系数多项式都是厄米矩阵。\n\n每个复方阵 \\(M\\) 都有唯一分解\n\n\\[M=H+iK, \\qquad H=\\frac{M+M^*}{2},\\qquad K=\\frac{M-M^*}{2i},\\]\n\n其中 \\(H\\) 和 \\(K\\) 都是厄米矩阵。\n\n厄米矩阵的矩阵的迹和行列式都是实数：\n\n\\[\\operatorname{tr}(A)=\\sum_j\\lambda_j,\\qquad \\det(A)=\\prod_j\\lambda_j.\\]\n\n二者都不一定为正。"
    },
    {
      "heading": "厄米矩阵的函数",
      "text": "利用谱分解，可以通过下式定义矩阵函数：\n\n\\[f(A)=U\\operatorname{diag} \\bigl(f(\\lambda_1),\\ldots,f(\\lambda_n)\\bigr)U^*.\\]\n\n只要 \\(f\\) 在各特征值处取实数值，\\(f(A)\\) 就是厄米矩阵。\n\n重要的例子包括：\n\n- 半正定矩阵具有唯一的半正定平方根。\n- 正定矩阵具有唯一的厄米对数。\n- 对于厄米矩阵 \\(A\\)，矩阵指数函数 \\(e^A\\) 为正定矩阵。\n- 对于实数 \\(t\\)，矩阵 \\(e^{itA}\\) 为酉矩阵。\n\n最后一条性质将厄米生成元与酉演化联系起来。"
    },
    {
      "heading": "应用",
      "text": "量子力学\n\n在有限维量子力学中，可观测量由厄米算符表示。其特征值是可能的测量结果，而相应的正交谱投影则确定对应的测量概率。\n\n表示量子态的密度矩阵是迹为一的厄米半正定矩阵。对于不显含时间的系统，厄米哈密顿量 \\(H\\) 通过下式生成酉时间演化：\n\n\\[U(t)=e^{-itH/\\hbar},\\]\n\n其中 \\(\\hbar\\) 为约化普朗克常数。\n\n在无限维希尔伯特空间中，相应理论必须谨慎处理算符的定义域。对于无界算符，仅有对称性弱于自伴性；有限维矩阵中的这种等价关系不能不加限制地推广。\n\n统计学与信号处理\n\n对于均值为 \\(\\mu\\) 的复随机向量 \\(X\\)，其协方差矩阵\n\n\\[C=\\mathbb E\\bigl[(X-\\mu)(X-\\mu)^*\\bigr]\\]\n\n是厄米半正定矩阵。它的特征值衡量各个正交方向上的变异程度，为复数数据的主成分分析提供了基础。\n\n厄米协方差矩阵和谱密度矩阵也出现在多通道信号处理、阵列处理和频域分析中。\n\n优化\n\n半正定厄米矩阵构成一个凸锥。形如\n\n\\[A(x)=A_0+\\sum_{j=1}^m x_jA_j\\succeq0, \\qquad x_j\\in\\mathbb R,\\]\n\n的约束称为线性矩阵不等式，其中每个 \\(A_j\\) 都是厄米矩阵。这类约束在半定规划中处于核心地位，而半定规划是凸优化的一个分支。\n\n数值计算\n\n数值线性代数中的算法利用厄米结构来减少存储量和计算量。只需存储矩阵的一个三角部分以及实数对角线即可。\n\n稠密厄米矩阵的特征值算法通常先利用酉变换将矩阵化为实对称三对角形式，再求解三对角矩阵的特征值问题。对于大型稀疏矩阵，迭代方法可以估计选定的特征值，而无须计算完整的谱。\n\n厄米正定线性方程组可利用Cholesky分解求解，\n\n\\[A=LL^*,\\]\n\n其中 \\(L\\) 是对角元素为正实数的下三角矩阵。不定厄米矩阵通常需要采用其他分解，而且往往需要选主元。"
    },
    {
      "heading": "扰动与计算局限",
      "text": "厄米矩阵的特征值具有很强的扰动界。若 \\(A\\) 和 \\(A+E\\) 都是厄米矩阵，并且各自的特征值按递增顺序排列，则\n\n\\[|\\lambda_j(A+E)-\\lambda_j(A)|\\le\\|E\\|_2.\\]\n\n因此，厄米扰动引起的特征值变化不会超过该扰动的谱范数。\n\n特征向量则可能敏感得多。当特征值彼此接近时，微小扰动就可能使单个特征向量发生显著旋转，尽管这一组特征值对应的不变子空间更为稳定。\n\n在浮点计算中，原本应为厄米矩阵的矩阵可能产生一个很小的非厄米分量。将 \\(M\\) 替换为\n\n\\[\\frac{M+M^*}{2}\\]\n\n可以去除这一分量；在实弗罗贝尼乌斯内积下，这一操作就是到厄米矩阵空间的正交投影。它能强制满足厄米对称性，但不能保证半正定性，也不能纠正原始数据中的错误。"
    }
  ],
  "links": [
    "conjugate-transpose",
    "matrix",
    "linear-algebra",
    "complex-number",
    "real-number",
    "matrix-transpose",
    "inner-product",
    "self-adjoint-operator",
    "linear-map",
    "spectral-theorem",
    "unitary-matrix",
    "orthonormal-basis",
    "eigenvalues-and-eigenvectors",
    "orthogonal-projection",
    "quadratic-form",
    "positive-definite-matrix",
    "gram-matrix",
    "mathematical-optimization",
    "condition-number",
    "vector-space",
    "inverse-matrix",
    "matrix-trace",
    "determinant",
    "exponential-function",
    "quantum-mechanics",
    "covariance-matrix",
    "principal-component-analysis",
    "convex-optimization",
    "numerical-linear-algebra",
    "cholesky-decomposition"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}