{
  "id": "identity-matrix",
  "title": "单位矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "单位矩阵是主对角线元素全为1、其余元素全为0的方阵，是矩阵乘法的单位元。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "单位阵",
    "恒等矩阵"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/identity-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/identity-matrix/",
      "json": "https://aiwiki.page/en/identity-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "单位矩阵是一种方矩阵，其主对角线上的元素全为1，其余元素全为0。通常记作 \\(I_n\\)，其中 \\(n\\) 表示矩阵的阶数。向量或维度相容的矩阵与单位矩阵相乘后保持不变。因此，在线性代数中，它的作用相当于普通乘法中的数字 \\(1\\)。单位矩阵也称为单位阵。(ocw.mit.edu)"
    },
    {
      "heading": "定义与记号",
      "text": "对于正整数 \\(n\\)，\\(n\\) 阶单位矩阵为\n\n\\[I_n= \\begin{pmatrix} 1&0&\\cdots&0\\\\ 0&1&\\cdots&0\\\\ \\vdots&\\vdots&\\ddots&\\vdots\\\\ 0&0&\\cdots&1 \\end{pmatrix}.\\]\n\n因此，\\(I_1=(1)\\)，而\n\n\\[I_2=\\begin{pmatrix}1&0\\\\0&1\\end{pmatrix}, \\qquad I_3=\\begin{pmatrix}1&0&0\\\\0&1&0\\\\0&0&1\\end{pmatrix}.\\]\n\n等价地，其第 \\(i\\) 行、第 \\(j\\) 列的元素在 \\(i=j\\) 时为 \\(1\\)，否则为 \\(0\\)。当维度明确时，通常省略下标。单位矩阵是一种特殊的对角矩阵，但对角元素不全为1的对角矩阵通常不能使向量在相乘后保持不变。(web.mit.edu)"
    },
    {
      "heading": "乘法单位元",
      "text": "若 \\(A\\) 有 \\(m\\) 行、\\(n\\) 列，则\n\n\\[I_mA=A,\\qquad AI_n=A.\\]\n\n这里不同的下标很重要：左乘 \\(A\\) 的单位矩阵，其阶数与 \\(A\\) 的行数一致；右乘的单位矩阵，其阶数则与 \\(A\\) 的列数一致。对于 \\(n\\times n\\) 方阵，左右两侧的单位矩阵都是 \\(I_n\\)。这些等式可直接由矩阵乘法规则得到，因为单位矩阵的每一行或每一列都恰好选出另一矩阵的一行或一列。(web.mit.edu)\n\n对于给定的阶数，乘法单位元是唯一的。事实上，若另一个 \\(n\\times n\\) 矩阵 \\(E\\) 对每个 \\(A\\) 都满足 \\(EA=A\\)，取 \\(A=I_n\\)，便有 \\(EI_n=I_n\\)。又因为与 \\(I_n\\) 相乘还满足 \\(EI_n=E\\)，所以 \\(E=I_n\\)。这直接来自定义矩阵乘法的规则。(web.mit.edu)"
    },
    {
      "heading": "恒等变换与坐标",
      "text": "用 \\(I_n\\) 乘坐标向量 \\(x\\)，得到的仍是 \\(x\\)：\n\n\\[I_nx=x.\\]\n\n它表示 \\(n\\) 维向量空间上的恒等线性映射。它的各列是标准坐标向量：第 \\(j\\) 列的第 \\(j\\) 个位置为1，其余位置为0。因此，该矩阵与 \\(x\\) 相乘，就是以 \\(x\\) 的各坐标为系数，对这些列作线性组合。(math.mit.edu)\n\n只要输入和输出坐标采用同一组基（线性代数），恒等变换在该基下的矩阵就是 \\(I_n\\)。更换这组基不会改变其矩阵，因为对于可逆的换基矩阵 \\(P\\)，有\n\n\\[P^{-1}I_nP=I_n.\\]\n\n然而，如果定义域和值域采用不同的基，恒等映射就可能由一个并非单位矩阵的坐标变换矩阵表示。这些结论来自用基表示线性映射的一般规则。(math.mit.edu)"
    },
    {
      "heading": "代数性质与谱性质",
      "text": "由单位矩阵各元素的定义或乘法规则，可以立即得到以下性质：\n\n- 它的矩阵转置仍是它自身：\\(I_n^{\\mathsf T}=I_n\\)。\n- 它的逆矩阵仍是它自身：\\(I_n^{-1}=I_n\\)。\n- 它的行列式为 \\(1\\)。\n- 在实数域或复数域上，其矩阵的迹为 \\(n\\)。\n- 其矩阵的秩为 \\(n\\)，且其零空间只包含零向量。\n- \\(I_n\\) 的任意整数次幂都等于 \\(I_n\\)。(math.mit.edu)\n\n当 \\(n\\geq1\\) 时，它唯一的特征值是 \\(1\\)，每个非零向量都是其特征向量。因此，对应的特征空间就是整个坐标空间。采用 \\(\\chi_A(t)=\\det(tI_n-A)\\) 的约定，其特征多项式为\n\n\\[\\chi_{I_n}(t)=(t-1)^n.\\]\n\n它本身已经是对角矩阵，因此对它进行矩阵对角化时无须换基。这些都是特征值和对角化定义的直接应用。(personal.math.ubc.ca)\n\n在实数域上，\\(I_n\\) 是正交矩阵，因为 \\(I_n^{\\mathsf T}I_n=I_n\\)。在标准内积下，它的各列构成一组标准正交基。它还是正定矩阵，因为对于每个非零实向量 \\(x\\)，都有 \\(x^{\\mathsf T}I_nx=\\sum_i x_i^2>0\\)。(interactivetextbooks.tudelft.nl)"
    },
    {
      "heading": "逆矩阵与线性方程组",
      "text": "单位矩阵出现在可逆方阵的定义中：\n\n\\[A^{-1}A=AA^{-1}=I_n.\\]\n\n这些等式表明，逆矩阵能够撤销 \\(A\\) 所施加的变换。对于线性方程组 \\(Ax=b\\)，左乘 \\(A^{-1}\\) 可得 \\(x=A^{-1}b\\)。(math.mit.edu)\n\n在高斯–若尔当消元法中，单位矩阵构成增广矩阵的右侧分块；该方法是高斯消元法的扩展：\n\n\\[[A\\mid I_n]\\longrightarrow[I_n\\mid A^{-1}].\\]\n\n当 \\(A\\) 可逆时，将 \\(A\\) 化为单位矩阵的行变换，也会同时将右侧附加的单位矩阵化为 \\(A^{-1}\\)。等价地，逆矩阵的各列分别是方程组 \\(Ax=e_j\\) 的解，其中每个标准坐标向量 \\(e_j\\) 对应一个方程组。(math.mit.edu)"
    },
    {
      "heading": "对角平移与正则化",
      "text": "给方阵加上 \\(cI_n\\)，只会改变其对角元素。若 \\(Av=\\mu v\\)，则\n\n\\[(A+cI_n)v=(\\mu+c)v.\\]\n\n因此，加上单位矩阵的标量倍数会使特征值平移，而对应的特征向量保持不变。与任意矩阵相加的情形不同，这种平移可直接由特征向量方程推出。(web.mit.edu)\n\n在岭回归中，对于目标函数 \\(\\|y-X\\beta\\|_2^2+\\lambda\\|\\beta\\|_2^2\\)，系数公式中会出现这一运算：\n\n\\[\\widehat{\\beta} =(X^{\\mathsf T}X+\\lambda I_p)^{-1}X^{\\mathsf T}y,\\]\n\n这里，\\(p\\) 是受惩罚的系数个数。单位矩阵使每个系数具有相同的二次正则化权重；若模型包含截距项，通常会将其单独处理。(faculty.washington.edu)"
    }
  ],
  "links": [
    "matrix",
    "linear-algebra",
    "vector-space",
    "linear-map",
    "linear-combination",
    "basis-linear-algebra",
    "matrix-transpose",
    "inverse-matrix",
    "determinant",
    "matrix-trace",
    "matrix-rank",
    "null-space",
    "eigenvalues-and-eigenvectors",
    "eigenspace",
    "characteristic-polynomial",
    "matrix-diagonalization",
    "orthogonal-matrix",
    "inner-product",
    "orthonormal-basis",
    "system-of-linear-equations",
    "gaussian-elimination",
    "ridge-regression",
    "regularization"
  ],
  "sources": [
    {
      "title": "ocw.mit.edu/ans7870/18/18.013a/textbook/HTML/chapter04/section04.html",
      "url": "https://www.ocw.mit.edu/ans7870/18/18.013a/textbook/HTML/chapter04/section04.html"
    },
    {
      "title": "web.mit.edu/~linalg/webpage/Fall19/Lecture%20notes.pdf",
      "url": "https://web.mit.edu/~linalg/webpage/Fall19/Lecture%20notes.pdf"
    },
    {
      "title": "math.mit.edu/~jorloff/suppnotes/suppnotes02/m.pdf",
      "url": "https://math.mit.edu/~jorloff/suppnotes/suppnotes02/m.pdf"
    },
    {
      "title": "personal.math.ubc.ca/~tbjw/ila/ila.pdf",
      "url": "https://personal.math.ubc.ca/~tbjw/ila/ila.pdf"
    },
    {
      "title": "interactivetextbooks.tudelft.nl/linear-algebra/Chapter7/OrthoBase.html",
      "url": "https://interactivetextbooks.tudelft.nl/linear-algebra/Chapter7/OrthoBase.html"
    },
    {
      "title": "math.mit.edu/~gs/linearalgebra/ila5/linearalgebra5_2-5.pdf",
      "url": "https://math.mit.edu/~gs/linearalgebra/ila5/linearalgebra5_2-5.pdf"
    },
    {
      "title": "faculty.washington.edu/yenchic/25A_stat535/Lec4_Linearreg.html",
      "url": "https://faculty.washington.edu/yenchic/25A_stat535/Lec4_Linearreg.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}