{
  "id": "jordan-normal-form",
  "title": "若尔当标准形",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "若尔当标准形利用特征值及若尔当块的大小，对方阵按相似关系进行分类。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "约旦标准形",
    "若尔当典范形",
    "若尔当形"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/jordan-normal-form/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/jordan-normal-form/",
      "json": "https://aiwiki.page/en/jordan-normal-form.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "若尔当标准形是方矩阵在基变换下的一种分块对角表示，用于描述其结构。每个块的主对角线上都是同一个特征值，紧邻主对角线上方的元素均为 1，其余位置均为 0。每个复数域上的方阵都有这样的表示，而且除排列顺序外，各块是唯一确定的。更一般地，只要矩阵的特征多项式在某个域上能分解为一次因子的乘积，该矩阵在此域上就存在这种表示。\n\n若尔当标准形是线性代数中的一个核心分类定理。它将矩阵对角化推广到不存在由普通特征向量构成的基的矩阵，精确刻画了这些矩阵无法对角化的具体情形。若尔当块决定了矩阵的幂、矩阵函数，以及线性微分方程的指数型解中所伴随的多项式因子。尽管若尔当标准形在精确的代数推理中不可或缺，但它对扰动极为敏感，因此在数值计算中通常会被更稳定的分解方法取代。"
    },
    {
      "heading": "定义与分类定理",
      "text": "对于标量 \\(\\lambda\\) 和正整数 \\(m\\)，大小为 \\(m\\) 的若尔当块定义为\n\n\\[J_m(\\lambda)= \\begin{pmatrix} \\lambda&1&0&\\cdots&0\\\\ 0&\\lambda&1&\\ddots&\\vdots\\\\ \\vdots&\\ddots&\\ddots&\\ddots&0\\\\ 0&\\cdots&0&\\lambda&1\\\\ 0&\\cdots&\\cdots&0&\\lambda \\end{pmatrix}.\\]\n\n大小为一的块就是标量矩阵 \\((\\lambda)\\)。将其写成 \\(J_m(\\lambda)=\\lambda I_m+N_m\\)，便可将其标量部分与一个幂零矩阵分离开来：\\(N_m^m=0\\)，而 \\(N_m^{m-1}\\ne0\\)。这里，\\(I_m\\) 表示 \\(m\\) 阶单位矩阵。\n\n设 \\(A\\) 是域（数学） \\(F\\) 上的一个 \\(n\\times n\\) 矩阵。若尔当标准形定理指出，如果 \\(A\\) 的特征多项式在 \\(F\\) 上完全分裂，则存在可逆矩阵 \\(P\\)，使得\n\n\\[P^{-1}AP=J =\\operatorname{diag}\\bigl( J_{m_1}(\\lambda_1),\\ldots,J_{m_r}(\\lambda_r) \\bigr).\\]\n\n各块的大小满足 \\(m_1+\\cdots+m_r=n\\)。同一特征值可以出现在多个块中，与之对应的各块大小不必相等。反过来，如果在 \\(F\\) 上存在这样的表示，则特征多项式必在 \\(F\\) 上分裂。\n\n除各块的排列顺序外，矩阵 \\(J\\) 是唯一的。然而，换基矩阵 \\(P\\) 通常远非唯一。因此，这一定理是按矩阵相似关系而非相等关系对矩阵进行分类：同一域上特征多项式均分裂的两个矩阵相似，当且仅当它们具有相同的特征值，且每个特征值所对应的块大小构成相同的多重集。块的排列顺序和广义特征向量的选取都不会带来新的不变量。\n\n\\(P\\) 的各列构成一组基（线性代数），在这组基下，\\(A\\) 所表示的线性映射以若尔当形作用。这一解释揭示了相似变换与其他矩阵变换的区别。相似变换对自同态的定义域和陪域采用相同的坐标变换；若对这两个空间分别进行独立的坐标变换，得到的则是矩阵等价关系，其分类由秩决定。\n\n有些教材将这些 1 放在主对角线紧邻的下方，而非上方。这两种约定给出的矩阵彼此相似，只需将每个块内的基向量顺序颠倒，即可相互转换。无论采用哪种约定，矩阵可对角化都恰好等价于每个若尔当块的大小均为一。若某个矩阵含有大小大于一的块，通常称其为亏损矩阵。"
    },
    {
      "heading": "广义特征向量与空间的分解",
      "text": "对应于特征值 \\(\\lambda\\) 的普通特征向量是满足 \\((A-\\lambda I)v=0\\) 的非零向量 \\(v\\)。广义特征向量满足\n\n\\[(A-\\lambda I)^k v=0\\]\n\n其中 \\(k\\) 为某个正整数。如果 \\(k\\) 是满足该条件的最小正整数，就称该向量的阶为 \\(k\\)。因此，普通特征向量就是一阶广义特征向量。当普通特征向量不能张成整个空间时，高阶广义特征向量便可补足所缺的向量。\n\n对于一个固定的特征值，广义特征空间定义为\n\n\\[G_\\lambda=\\ker(A-\\lambda I)^n.\\]\n\n对于 \\(n\\) 维空间，指数取 \\(n\\) 总是足够的，尽管核空间序列可能早在此之前就已稳定。与普通的特征空间不同，广义特征空间的维数等于 \\(\\lambda\\) 的代数重数。它是 \\(A\\) 的不变子空间，而且 \\(A-\\lambda I\\) 在其上的限制是幂零的。\n\n如果特征多项式能完全分解为一次因式，则所在的向量空间可分解为\n\n\\[V=\\bigoplus_{\\lambda}G_\\lambda,\\]\n\n其中求和遍历所有互异的特征值。这是一个直和：每个向量都能唯一地表示为来自这些广义特征空间的分量之和。证明这一分解的一种方法，是利用不同一次因式的幂彼此互素这一事实，再由欧几里得算法所得的多项式恒等式，构造出到各个分量上的投影。\n\n在 \\(G_\\lambda\\) 内，长度为 \\(m\\) 的若尔当链是满足\n\n\\[(A-\\lambda I)v_1=0,\\qquad (A-\\lambda I)v_j=v_{j-1}\\quad(2\\le j\\le m),\\]\n\n且 \\(v_1\\ne0\\) 的向量序列 \\(v_1,\\ldots,v_m\\)。这些向量线性无关。事实上，对一个假定的线性关系施以 \\(A-\\lambda I\\) 的足够高次幂，首先就能推出最后一个向量的系数为零；重复这一论证，即可依次消去其余系数。在这组有序基下，\n\n\\[Av_1=\\lambda v_1,\\qquad Av_j=\\lambda v_j+v_{j-1},\\]\n\n这恰好对应于超对角线上为一的若尔当块的作用。\n\n因此，证明存在性的关键步骤归结为一个关于幂零变换的定理：有限维空间上的每个幂零变换，都有一组由若干条链构成的基。嵌套的核空间\n\n\\[\\{0\\}\\subseteq\\ker N\\subseteq\\ker N^2\\subseteq\\cdots\\]\n\n为这一构造提供了框架。以相容的方式选取各条链的顶端向量，再反复施以 \\(N\\)，便可得到所需的基。将这一幂零变换的结论分别应用于各个广义特征空间，即可证明若尔当定理。幂零情形本身并不要求底域为代数闭域，因为其所有特征值本来就都是零。"
    },
    {
      "heading": "块大小、重数与完全不变量",
      "text": "若尔当块所包含的信息，比单独的特征值或其重数更丰富。对于特征值 \\(\\lambda\\)，其代数重数是它作为特征多项式的根的重数，其几何重数是 \\(\\ker(A-\\lambda I)\\) 的维数。在若尔当标准形中，这两者分别等于与 \\(\\lambda\\) 对应的各块的大小之和，以及这些块的个数。因此，\n\n\\[1\\le \\dim\\ker(A-\\lambda I) \\le \\operatorname{mult}_\\lambda(\\chi_A).\\]\n\n右侧等号成立，当且仅当该特征值对应的每个块的大小都为一。\n\n最小多项式 \\(m_A(t)\\) 是满足 \\(m_A(A)=0\\) 的次数最低的首一多项式。若 \\(s_\\lambda\\) 是属于 \\(\\lambda\\) 的最大块的大小，则\n\n\\[\\chi_A(t)=\\prod_\\lambda(t-\\lambda)^{a_\\lambda}, \\qquad m_A(t)=\\prod_\\lambda(t-\\lambda)^{s_\\lambda},\\]\n\n其中 \\(a_\\lambda\\) 为代数重数。因此，特征多项式反映了属于某个特征值的总维数，而最小多项式反映了其最长链的长度。对于特征多项式可完全分解为一次因式的矩阵，它可对角化，当且仅当其最小多项式没有重因式。\n\n所有块的大小都可以从核的维数恢复出来。固定一个 \\(\\lambda\\)，令\n\n\\[d_0=0,\\qquad d_k=\\dim\\ker(A-\\lambda I)^k.\\]\n\n若各块的大小为 \\(s_1,\\ldots,s_g\\)，则\n\n\\[d_k=\\sum_{i=1}^{g}\\min(k,s_i).\\]\n\n每个块在每一步都使核的维数增加一，直到达到该块的完整大小。由此可知，\\(d_k-d_{k-1}\\) 是大小至少为 \\(k\\) 的块的个数，而\n\n\\[b_k=2d_k-d_{k-1}-d_{k+1}\\]\n\n是大小恰好为 \\(k\\) 的块的个数。这些恒等式也证明了若尔当块大小的唯一性，而无须依赖若尔当基的任何具体构造。\n\n例如，假设某个特征值对应的核的维数为\n\n\\[d_1=3,\\quad d_2=5,\\quad d_3=6,\\quad d_4=7,\\quad d_5=7.\\]\n\n相邻两项的增量依次为 \\(3,2,1,1,0\\)。因此总共有三个块，其中两个的大小至少为二，大小至少为三和至少为四的块则各有一个。所以，各块的大小必为 \\(4,2,1\\)。它们的大小之和为七，最大块的大小为四。\n\n同样的信息也可以从矩阵的秩中获得，因为由秩—零化度定理可得 \\(d_k=n-\\operatorname{rank}(A-\\lambda I)^k\\)。相比之下，矩阵的迹、行列式和特征多项式都无法区分特征值相同但块结构不同的情形。即使同时给出特征多项式和最小多项式，也未必足够：大小为 \\(3,3,1,1\\) 的一组块与大小为 \\(3,2,2,1\\) 的一组块，若特征值均为零，则它们的特征多项式均为 \\(t^8\\)，最小多项式均为 \\(t^3\\)，但对应的矩阵并不相似。"
    },
    {
      "heading": "精确构造与计算示例",
      "text": "精确计算通常首先在所考虑的域上分解特征多项式。对于每个特征值 \\(\\lambda\\)，\\(A-\\lambda I\\) 的各次幂的核决定了相应块的大小。只有确定了这一离散结构之后，才需要选取链向量。这就区分了两项有时会被混为一谈的任务：确定标准形矩阵 \\(J\\)，以及构造一个满足 \\(AP=PJ\\) 的具体可逆矩阵 \\(P\\)。\n\n考虑\n\n\\[A= \\begin{pmatrix} 2&1&0&0\\\\ 0&2&0&0\\\\ 0&1&2&0\\\\ 0&0&0&3 \\end{pmatrix}.\\]\n\n由于 \\(A\\) 是分块三角矩阵，其特征多项式为\n\n\\[\\chi_A(t)=(t-2)^3(t-3).\\]\n\n在前三个标准坐标向量张成的子空间上，\\(N=A-2I\\) 满足\n\n\\[Ne_2=e_1+e_3,\\qquad Ne_1=Ne_3=0.\\]\n\n因此，\\(N\\) 在该子空间上的秩为一，且其平方为零。与特征值 \\(2\\) 对应的核维数为 \\(d_1=2\\) 和 \\(d_2=3\\)；第四个坐标方向对核没有贡献，因为 \\(A-2I\\) 在该方向上的作用是乘以一。因此，特征值 \\(2\\) 对应的块大小分别为二和一。\n\n一条长度为二的链是\n\n\\[v_1=e_1+e_3,\\qquad v_2=e_2,\\]\n\n因为 \\((A-2I)v_2=v_1\\)，且 \\((A-2I)v_1=0\\)。对于剩下的大小为一的块，可以取与前述向量线性无关的特征向量 \\(v_3=e_3\\)。第四个标准坐标向量是特征值 \\(3\\) 对应的特征向量。因此，取\n\n\\[P=(v_1\\ v_2\\ v_3\\ e_4) = \\begin{pmatrix} 1&0&0&0\\\\ 0&1&0&0\\\\ 1&0&1&0\\\\ 0&0&0&1 \\end{pmatrix}\\]\n\n便有\n\n\\[P^{-1}AP= \\begin{pmatrix} 2&1&0&0\\\\ 0&2&0&0\\\\ 0&0&2&0\\\\ 0&0&0&3 \\end{pmatrix}.\\]\n\n最小多项式为 \\((t-2)^2(t-3)\\)。尽管重特征值对应的普通特征子空间是二维的，\\(A\\) 仍不可对角化。\n\n对于规模更大的问题，任意选取广义特征向量可能会得到线性相关的链。因此，选取链顶向量时，既要与此前选定的链相容，也要与核滤过相容。一种方法是从所需的最长链开始，再补充较短的链，以填满剩余维数。另一种方法则利用由这些核构造的商空间来组织选取过程。无论采用哪种方法，求解链方程都归结为依次精确求解一系列线性方程组，通常使用高斯消元法处理。\n\n直接验证很有价值，因为它无需显式求逆：只要检验 \\(P\\) 非奇异且 \\(AP=PJ\\)，就能证明结果成立。不过，当特征值属于复杂的代数扩张时，即便底层的线性代数步骤是有限的，精确符号计算仍可能代价高昂。"
    },
    {
      "heading": "矩阵的幂、解析函数与预解算子",
      "text": "若尔当形将许多矩阵函数的计算化为标量函数及其导数的计算。设 \\(J=\\lambda I+N\\) 是一个大小为 \\(m\\) 的块。由于 \\(N^m=0\\)，由二项式定理可得，对非负整数 \\(k\\)，\n\n\\[J^k= \\sum_{r=0}^{\\min(k,m-1)} \\binom{k}{r}\\lambda^{k-r}N^r.\\]\n\n当 \\(\\lambda\\ne0\\) 时，各条上副对角线上的元素都含有关于 \\(k\\) 的多项式因子，并乘以 \\(\\lambda\\) 的幂。当 \\(\\lambda=0\\) 时，该块是幂零的，对所有 \\(k\\ge m\\)，其 \\(k\\) 次幂均为零。这两种长期行为有着根本区别。\n\n更一般地，如果 \\(f\\) 在各特征值的邻域内是解析函数，则\n\n\\[f(J_m(\\lambda)) = \\sum_{r=0}^{m-1} \\frac{f^{(r)}(\\lambda)}{r!}N_m^r.\\]\n\n由于 \\(N_m\\) 的所有更高次幂都为零，标量函数的泰勒级数在代入后便截断为有限和。对于多项式，这一恒等式无须解析性假设即可成立。对于一般矩阵，\n\n\\[f(A)=P f(J)P^{-1}.\\]\n\n虽然 \\(P\\) 并不唯一，但这一定义与所选的若尔当基无关。\n\n例如，矩阵指数满足\n\n\\[e^{tJ_m(\\lambda)} =e^{\\lambda t} \\left( I+tN_m+\\frac{t^2}{2!}N_m^2+ \\cdots+ \\frac{t^{m-1}}{(m-1)!}N_m^{m-1} \\right).\\]\n\n对于大小为三的块，上式为\n\n\\[e^{tJ_3(\\lambda)} =e^{\\lambda t} \\begin{pmatrix} 1&t&t^2/2\\\\ 0&1&t\\\\ 0&0&1 \\end{pmatrix}.\\]\n\n这些多项式因子源于广义特征向量，而非额外的特征值。对于可逆块，将同一原理应用于 \\(f(z)=1/z\\)，即可得到其逆矩阵的有限展开式。\n\n若尔当块也能描述预解算子的奇点。对于 \\(z\\ne\\lambda\\)，\n\n\\[(zI-J_m(\\lambda))^{-1} = \\sum_{r=0}^{m-1} \\frac{N_m^r}{(z-\\lambda)^{r+1}}.\\]\n\n因此，对于单个块，预解算子在其特征值处有一个 \\(m\\) 阶极点。对于整个矩阵，在 \\(\\lambda\\) 处的极点阶数等于对应于该特征值的最大块的大小，而不是该特征值的代数重数。\n\n这些公式将矩阵函数与多项式插值联系起来。要得到 \\(f(A)\\)，只需构造一个多项式，使其在每个特征值处的函数值以及直到 \\(s_\\lambda-1\\) 阶的各阶导数值都与 \\(f\\) 相同，其中 \\(s_\\lambda\\) 是对应于该特征值的最大块的大小。由此得到的埃尔米特插值条件唯一确定了一个次数小于 \\(\\deg m_A\\) 的多项式。因此，最小多项式精确规定了所需的标量函数导数信息。"
    },
    {
      "heading": "线性微分方程与离散动力学",
      "text": "对于常矩阵 \\(A\\)，齐次常微分方程\n\n\\[x'(t)=Ax(t),\\qquad x(0)=x_0,\\]\n\n的解为 \\(x(t)=e^{tA}x_0\\)。作代换 \\(x=Py\\)，方程便化为 \\(y'=Jy\\)，从而可以对每个若尔当块独立求解。与 \\(\\lambda\\) 对应的 \\(m\\) 阶块会在解中产生含有下列因子的项：\n\n\\[e^{\\lambda t},\\ te^{\\lambda t},\\ldots, t^{m-1}e^{\\lambda t}.\\]\n\n因此，与某个特征值相伴的多项式的最高次数，比该特征值对应的最大块的阶数小一。\n\n举一个具体例子，\n\n\\[A=\\begin{pmatrix}-1&1\\\\0&-1\\end{pmatrix}\\]\n\n给出的解为\n\n\\[x_2(t)=e^{-t}x_2(0),\\qquad x_1(t)=e^{-t}\\bigl(x_1(0)+t x_2(0)\\bigr).\\]\n\n两个坐标都趋于零，但耦合产生了对角系统中没有的多项式因子。如果非对角位置的耦合更强，那么尽管所有解最终都会衰减，某些初始条件下仍可能出现显著的瞬态放大。若尔当结构揭示了其中的多项式机制，而在固定范数下衡量的放大程度，还受到坐标变换的几何性质的影响。\n\n对于连续时间线性系统，所有解都趋于零，当且仅当每个特征值的实部都严格为负。多项式因子无法抵消指数衰减。原点处的平衡点是稳定的，即足够小的初始状态在所有 \\(t\\ge0\\) 时都保持很小，当且仅当所有特征值的实部都非正，且虚轴上每个特征值对应的所有块均为一阶。这样的特征值称为半单特征值。虚轴上的特征值若对应更大的块，就会产生多项式增长。\n\n对于离散时间动力系统\n\n\\[x_{k+1}=Ax_k,\\]\n\n其解为 \\(x_k=A^k x_0\\)。所有解都趋于零，当且仅当每个特征值的模都小于一。矩阵幂 \\(A^k\\) 保持有界，当且仅当所有特征值的模都不大于一，且单位圆上的特征值都是半单的。将线性递推关系化为一阶向量方程后，即可直接应用这些条件。\n\n若尔当块也说明了为什么有界性假设会对谱施加约束。有限维随机转移矩阵的幂保持有界。因此，单位圆上的任何特征值都只能对应一阶若尔当块；否则，块的幂公式就会导致多项式增长。与严格位于单位圆内部的特征值对应的块则可以有更高的阶数，从而产生带有多项式因子的衰减瞬态。这一区别在有限马尔可夫链的分析中很重要，因为收敛速度不仅取决于特征值的模，还取决于非平凡的块结构以及所选的坐标。"
    },
    {
      "heading": "基域、实标准形与有理标准形",
      "text": "通常的若尔当标准形是否存在，取决于所用的标量域。在复数域上，代数基本定理保证每个特征多项式都能分解为一次因子的乘积。在实数域上，矩阵可能具有非实特征值，因此未必存在完全由标量特征值块构成的实若尔当标准形。例如，\n\n\\[R=\\begin{pmatrix}0&-1\\\\1&0\\end{pmatrix}\\]\n\n的特征多项式为 \\(t^2+1\\)。它在复数域上可对角化，特征值为 \\(i\\) 和 \\(-i\\)，但没有实特征向量。\n\n实若尔当标准形用二维对角块来容纳共轭特征值对。若 \\(a+ib\\) 是一个特征值，其中 \\(b\\ne0\\)，则定义\n\n\\[C=\\begin{pmatrix}a&-b\\\\b&a\\end{pmatrix}.\\]\n\n一对大小为 \\(m\\) 的共轭复若尔当块，对应于一个大小为 \\(2m\\) 的实块，其分块主对角线上为 \\(C\\)，第一条分块上副对角线上为 \\(I_2\\)：\n\n\\[\\begin{pmatrix} C&I_2&0&\\cdots\\\\ 0&C&I_2&\\ddots\\\\ \\vdots&\\ddots&\\ddots&\\ddots\\\\ 0&\\cdots&0&C \\end{pmatrix}.\\]\n\n对于 \\(C\\) 的非对角元符号，不同的约定可通过实数域上的基变换相互转换，因而是等价的。\n\n在任意域上，一般用有理标准形来替代若尔当标准形；它也称为弗罗贝尼乌斯标准形。它使用首一多项式的友矩阵，而不要求特征值属于基域。其不变因子构成一条整除链，乘积为特征多项式；最大的不变因子就是最小多项式。因此，对于特征值为无理数或需要扩域才能得到特征值的有理数矩阵，有理标准形尤其有用。\n\n这一理论的概念基础是主理想整环上有限生成模的结构定理。通过定义\n\n\\[t\\cdot v=Av.\\]\n\n线性变换 \\(A\\) 使 \\(V\\) 成为 \\(F[t]\\) 上的模。由于该向量空间是有限维的，这个模是有限生成挠模。将其分解为循环模，就得到有理标准形。进一步分解为准素循环模，则得到形如 \\(F[t]/(p(t)^k)\\) 的因子，其中 \\(p\\) 不可约。\n\n当所有相关的不可约多项式都是一次多项式时，这些初等因子就成为 \\((t-\\lambda)^k\\)，每个初等因子都对应一个大小为 \\(k\\) 的若尔当块。因此，若尔当标准形是更一般分类理论在多项式可分解为一次因子时的特例，而不是一种独立的现象。这一标准形以卡米耶·若尔当命名；他于1870年出版的《置换与代数方程论》是标准形理论发展史上的一部重要文献。现代的模论解释将这一结果纳入抽象代数的框架，也说明了为什么在基域不包含特征值时，相关的标准形仍然适用。"
    },
    {
      "heading": "相似性、可交换变换与谱结构",
      "text": "若尔当标准形不仅提供了一个便于使用的代表元，还精确刻画了两个有限维线性变换何时能通过坐标变换彼此等价。仅凭特征值不足以完成这种分类。例如，\n\n\\[\\begin{pmatrix}\\lambda&1\\\\0&\\lambda\\end{pmatrix} \\quad\\text{and}\\quad \\begin{pmatrix}\\lambda&0\\\\0&\\lambda\\end{pmatrix}\\]\n\n具有相同的特征多项式，但特征子空间的维数不同，因此它们不可能相似。完成分类还需要知道每个特征值所对应的块大小划分。\n\n同样的结构也决定了哪些矩阵与 \\(A\\) 可交换。集合\n\n\\[\\mathcal C(A)=\\{X:XA=AX\\}\\]\n\n称为 \\(A\\) 的中心化子，也称交换子代数。如果 \\(A\\) 只有一个若尔当块，那么每个与之可交换的矩阵都可表示为 \\(A\\) 的多项式，且多项式的次数小于该块的大小。在标准若尔当基下，这些矩阵都是上三角矩阵，且每条上副对角线上的元素均相同。当存在多个块时，不同链之间还可以有额外的映射，因此中心化子通常会更大。\n\n对于具有相同特征值、大小分别为 \\(p\\) 和 \\(q\\) 的两个块，满足\n\n\\[J_p(\\lambda)X=XJ_q(\\lambda)\\]\n\n的矩形矩阵 \\(X\\) 所构成的空间，其维数为 \\(\\min(p,q)\\)。如果特征值不同，则相应的交织映射空间为零空间。因此，若 \\(s_{\\lambda,1},\\ldots,s_{\\lambda,g_\\lambda}\\) 是特征值 \\(\\lambda\\) 对应的各个块的大小，则\n\n\\[\\dim\\mathcal C(A) = \\sum_\\lambda \\sum_{i=1}^{g_\\lambda} \\sum_{j=1}^{g_\\lambda} \\min(s_{\\lambda,i},s_{\\lambda,j}).\\]\n\n这个公式衡量了保持 \\(A\\) 的作用不变的线性变换有多少个自由度，可用于研究相似类及其对称性。\n\n另一个推论是加法分解\n\n\\[A=S+N,\\qquad SN=NS,\\]\n\n其中 \\(S\\) 可对角化，\\(N\\) 为幂零矩阵。在若尔当坐标下，\\(S\\) 将每个块 \\(J_m(\\lambda)\\) 替换为 \\(\\lambda I_m\\)，而 \\(N\\) 则保留该块上副对角线上的各个 1。当特征多项式能完全分解为一次因式时，这两部分都可以表示为 \\(A\\) 的多项式。这就是 若尔当–舍瓦莱分解的矩阵形式，它将特征值信息与非平凡的链结构分离开来。\n\n还必须区分若尔当对角化与正交对角化或酉对角化。若尔当定理允许使用任意可逆的基变换，并不要求保持长度或角度。相比之下，谱定理指出，复正规矩阵可以通过酉矩阵对角化。这种矩阵没有非平凡的若尔当块。每个复矩阵都有若尔当标准形，但只有正规矩阵才具有由特征向量构成的标准正交基。这一区别说明了为什么谱分解能够保留几何信息，而任意选取的若尔当基却可能使这些信息发生畸变。"
    },
    {
      "heading": "扰动与数值计算",
      "text": "若尔当块结构是一个精确的代数不变量，却不是矩阵元素的连续函数。任意微小的扰动都可能使重特征值分裂，并将一个非平凡的若尔当块变为多个一阶块。例如，考虑\n\n\\[A_\\varepsilon= \\begin{pmatrix} 0&1\\\\ \\varepsilon&0 \\end{pmatrix}.\\]\n\n当 \\(\\varepsilon=0\\) 时，这是一个二阶幂零若尔当块。对于任意非零的 \\(\\varepsilon\\)，它在复数域上的特征值是互不相同的 \\(\\sqrt{\\varepsilon}\\) 和 \\(-\\sqrt{\\varepsilon}\\)，因此它可以对角化。所以，它的若尔当结构在零点处发生了不连续的变化。\n\n对于更大的块，这种敏感性更加明显。在幂零块 \\(N_m\\) 的左下角加上扰动 \\(\\varepsilon\\)，所得矩阵的特征多项式为\n\n\\[t^m-\\varepsilon.\\]\n\n其特征值的模均为 \\(|\\varepsilon|^{1/m}\\)。因此，大小为 \\(|\\varepsilon|\\) 的扰动可能导致特征值发生尺度大得多、达到 \\(|\\varepsilon|^{1/m}\\) 的位移。这个例子解释了为什么与长链相关联的重特征值尤其敏感；它展示的是最坏情形下的扰动机制，并不是说每一种扰动都会产生相同的位移。\n\n在接近缺陷矩阵时，若尔当基也可能变得病态。在上述二维例子中，两个扰动后特征值所对应的特征向量可以取为\n\n\\[\\begin{pmatrix}1\\\\ \\sqrt{\\varepsilon}\\end{pmatrix}, \\qquad \\begin{pmatrix}1\\\\-\\sqrt{\\varepsilon}\\end{pmatrix}.\\]\n\n当 \\(\\varepsilon\\) 趋近于零时，这些向量变得近乎平行。以它们为列构成的矩阵的条件数随之增大，从而放大坐标变换中浮点运算的影响。\n\n这些困难并不只是某个特定算法的不足。确定精确的块大小，需要判断某些矩阵的秩是否确实下降，或某些量是否严格等于零。经过舍入的数据通常不包含这些信息。设置容差可以识别出一种合理的邻近结构，但不同的容差选择可能对应不同的块结构。因此，精确的符号输入与数值近似需要采用不同的计算解释。\n\n在常规的数值线性代数计算中，通常更适合采用舒尔分解\n\n\\[A=QTQ^*\\]\n\n其中 \\(Q\\) 为酉矩阵，\\(T\\) 为复数域上的上三角矩阵。其在实数域上的对应形式使用上拟三角矩阵，对角块为一阶或二阶块。与一般的若尔当基变换不同，酉变换在欧几里得算子范数下的条件数为一，因此舒尔形为注重数值稳定性的计算提供了实用的基础。\n\nQR算法无需判定精确的若尔当链，就能计算舒尔形。对于接近缺陷状态的问题，则通过扰动理论、特征值的条件性以及伪谱来研究；伪谱描述了谱在有界扰动下可能发生的移动。若尔当形仍适用于精确分类和证明；而当数据和算术运算都不精确时，舒尔形及相关分解更适合用于计算。"
    }
  ],
  "links": [
    "matrix",
    "complex-number",
    "linear-algebra",
    "matrix-diagonalization",
    "identity-matrix",
    "field-mathematics",
    "characteristic-polynomial",
    "matrix-similarity",
    "basis-linear-algebra",
    "linear-map",
    "eigenvalues-and-eigenvectors",
    "eigenspace",
    "vector-space",
    "direct-sum",
    "minimal-polynomial",
    "matrix-rank",
    "rank-nullity-theorem",
    "matrix-trace",
    "determinant",
    "system-of-linear-equations",
    "gaussian-elimination",
    "binomial-theorem",
    "analytic-function",
    "taylor-series",
    "matrix-exponential",
    "resolvent-operator",
    "ordinary-differential-equation",
    "dynamical-system",
    "recurrence-relation",
    "transition-matrix",
    "markov-chain",
    "fundamental-theorem-of-algebra",
    "real-number",
    "module-mathematics",
    "abstract-algebra",
    "spectral-theorem",
    "unitary-matrix",
    "condition-number",
    "floating-point-arithmetic",
    "numerical-linear-algebra",
    "schur-decomposition",
    "numerical-stability",
    "qr-algorithm"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}