{
  "id": "matrix-diagonalization",
  "title": "矩阵对角化",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "矩阵对角化将方阵表示在特征向量基下，使其作用化为各坐标方向上独立的数乘。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "矩阵的对角化"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/matrix-diagonalization/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/matrix-diagonalization/",
      "json": "https://aiwiki.page/en/matrix-diagonalization.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "矩阵对角化是线性代数中的一种方法，将方矩阵表示为\n\n\\[A=PDP^{-1},\\]\n\n其中 \\(P\\) 可逆，\\(D\\) 是对角矩阵，即所有非对角元均为零。等价地，\\(P^{-1}AP=D\\)。\\(P\\) 的各列是 \\(A\\) 的特征向量，而 \\(D\\) 中对应的对角元是这些向量的特征值。能够作如此表示的矩阵称为可对角化矩阵。这一方法通过选取合适的坐标，将可能相互耦合的变换化为彼此独立的数乘。(math.purdue.edu)"
    },
    {
      "heading": "定义与几何意义",
      "text": "设 \\(A\\) 是域（数学） \\(F\\) 上的一个 \\(n\\times n\\) 矩阵。在 \\(F\\) 上可对角化，要求 \\(P\\) 和 \\(D\\) 的元素都属于 \\(F\\)。定义中的等式等价于\n\n\\[AP=PD.\\]\n\n令 \\(P=[v_1\\ \\cdots\\ v_n]\\)，\\(D=\\operatorname{diag}(\\lambda_1,\\ldots,\\lambda_n)\\)，便得到每一列都满足 \\(Av_i=\\lambda_i v_i\\)。由于 \\(P\\) 可逆，这些向量构成 \\(F^n\\) 的一组基。(people.math.osu.edu)\n\n从几何角度看，有限维向量空间上的线性映射可对角化，是指它有一组完全由特征向量组成的基。若 \\(x=Py\\)，则 \\(Ax=PDy\\)：在特征向量坐标 \\(y\\) 下，每个坐标都乘以对应的特征值。这是一种相似变换，只是用另一组基表示同一个映射，而非改变映射本身。(math.purdue.edu)"
    },
    {
      "heading": "可对角化的判据",
      "text": "核心判据是：\\(A\\) 必须有 \\(n\\) 个线性无关的特征向量。对于特征值 \\(\\lambda\\)，其特征空间为\n\n\\[E_\\lambda=\\ker(A-\\lambda I),\\]\n\n其中 \\(I\\) 表示单位矩阵，核就是零空间。这一空间的维数称为该特征值的几何重数。该特征值的代数重数则是它作为特征多项式\n\n\\[\\chi_A(t)=\\det(tI-A)\\]\n\n的根的重数。几何重数不会超过代数重数。(ximera.osu.edu)\n\n矩阵在 \\(F\\) 上可对角化，当且仅当其特征多项式在 \\(F\\) 上能够分解为一次因子的乘积，且每个特征值的几何重数都等于代数重数。因此，在 \\(F\\) 中有 \\(n\\) 个互异的特征值，便能保证矩阵可对角化；但特征值互异并非必要条件：单位矩阵只有一个特征值，却本身就是对角矩阵。另一方面，仅有可逆性并不能保证矩阵可对角化。(textbooks.math.gatech.edu)\n\n所选的域至关重要。例如，\n\n\\[R=\\begin{pmatrix}0&-1\\\\1&0\\end{pmatrix}\\]\n\n的特征值为 \\(i\\) 和 \\(-i\\)。因此，它在复数域上可对角化，但在实数域上不可对角化，因为它没有实特征向量。然而，即便在复数域上，矩阵也可能没有足够多的线性无关特征向量。(people.math.osu.edu)"
    },
    {
      "heading": "构造方法与示例",
      "text": "在精确运算中，可以先求出 \\(\\chi_A(t)\\) 的根，再针对每个特征值求解 \\((A-\\lambda I)v=0\\)，最后从所得的特征向量中选出一组基，从而构造对角化。这些齐次线性方程组可以用高斯消元法求解。选出的向量依次构成 \\(P\\) 的各列，其特征值按相同顺序填入 \\(D\\) 的对角线。如果总共能选出的线性无关特征向量少于 \\(n\\) 个，就无法对角化。(textbooks.math.gatech.edu)\n\n下面是一个可以直接验证的例子：\n\n\\[A=\\begin{pmatrix}2&1\\\\0&3\\end{pmatrix},\\qquad P=\\begin{pmatrix}1&1\\\\0&1\\end{pmatrix},\\qquad D=\\begin{pmatrix}2&0\\\\0&3\\end{pmatrix}.\\]\n\n列向量 \\((1,0)^T\\) 和 \\((1,1)^T\\) 对应的特征值分别为 \\(2\\) 和 \\(3\\)，通过矩阵乘法即可验证 \\(AP=PD\\)。\n\n相比之下，\n\n\\[J=\\begin{pmatrix}1&1\\\\0&1\\end{pmatrix}\\]\n\n的特征多项式是 \\((t-1)^2\\)，但其特征空间仅由形如 \\((a,0)^T\\) 的向量组成。它的几何重数为一，而非二，因此不可对角化。没有特征向量基的矩阵称为亏损矩阵。(textbooks.math.gatech.edu)"
    },
    {
      "heading": "正交对角化与酉对角化",
      "text": "对于一些重要的矩阵类别，谱定理给出了更强的结论。每个实对称矩阵都有一组由特征向量组成的标准正交基，并且可以写成\n\n\\[A=QDQ^T,\\]\n\n其中 \\(Q\\) 是正交矩阵，\\(D\\) 是实对角矩阵。因此，\\(Q\\) 的转置 \\(Q^T\\) 就是它的逆矩阵。(ocw.mit.edu)\n\n在复数域上，矩阵能够通过酉矩阵对角化，当且仅当它是正规矩阵，即满足 \\(A^*A=AA^*\\)，其中 \\(A^*\\) 是共轭转置。此时 \\(A=UDU^*\\)。满足 \\(A=A^*\\) 的厄米矩阵是正规矩阵，且其特征值均为实数。一般的可对角化条件较弱，并不要求特征向量相互正交。(ocw.mit.edu)"
    },
    {
      "heading": "应用与数值计算中的注意事项",
      "text": "对角化可以简化矩阵的重复相乘：\n\n\\[A^k=PD^kP^{-1},\\qquad D^k=\\operatorname{diag}(\\lambda_1^k,\\ldots,\\lambda_n^k),\\]\n\n其中 \\(k\\) 为非负整数。这将矩阵的幂运算转化为标量的幂运算。(textbooks.math.gatech.edu)\n\n它也可以简化矩阵指数：\n\n\\[e^{tA}=P\\operatorname{diag}(e^{t\\lambda_1},\\ldots,e^{t\\lambda_n})P^{-1}.\\]\n\n对于常系数微分方程 \\(x'(t)=Ax(t)\\)，作变量替换 \\(x=Py\\)，即可得到彼此独立的方程 \\(y_i'=\\lambda_i y_i\\)。(webhome.auburn.edu) 在主成分分析中，对协方差矩阵进行对角化，可以找出数据变异的各个正交方向；其特征值给出相应方向上的方差。(cs357.cs.illinois.edu)\n\n在数值线性代数中，理论上可对角化并不意味着计算结果一定可靠。近乎线性相关的特征向量可能使 \\(P\\) 成为病态矩阵，从而增加计算对扰动的敏感性。通用特征值求解程序通常先利用酉变换或正交变换计算舒尔分解，再在需要时求出特征向量。与对角化不同，每个复方阵都存在复舒尔分解，其中的因子是上三角矩阵，而不一定是对角矩阵。(netlib.org)"
    }
  ],
  "links": [
    "linear-algebra",
    "matrix",
    "diagonal-matrix",
    "eigenvalues-and-eigenvectors",
    "field-mathematics",
    "basis-linear-algebra",
    "vector-space",
    "linear-map",
    "matrix-similarity",
    "linear-independence",
    "eigenspace",
    "identity-matrix",
    "null-space",
    "dimension-vector-space",
    "characteristic-polynomial",
    "complex-number",
    "real-number",
    "system-of-linear-equations",
    "gaussian-elimination",
    "spectral-theorem",
    "orthonormal-basis",
    "orthogonal-matrix",
    "matrix-transpose",
    "unitary-matrix",
    "matrix-exponential",
    "differential-equation",
    "principal-component-analysis",
    "covariance-matrix",
    "numerical-linear-algebra",
    "schur-decomposition"
  ],
  "sources": [
    {
      "title": "math.purdue.edu/~xu1121/Sec5.3",
      "url": "https://www.math.purdue.edu/~xu1121/Sec5.3"
    },
    {
      "title": "people.math.osu.edu/penneys.2/archive/2568/Diagonalization.pdf",
      "url": "https://people.math.osu.edu/penneys.2/archive/2568/Diagonalization.pdf"
    },
    {
      "title": "ximera.osu.edu/oerlinalg/LinearAlgebra/EIG-0050/main",
      "url": "https://ximera.osu.edu/oerlinalg/LinearAlgebra/EIG-0050/main"
    },
    {
      "title": "textbooks.math.gatech.edu/ila/diagonalization.html",
      "url": "https://textbooks.math.gatech.edu/ila/diagonalization.html"
    },
    {
      "title": "ocw.mit.edu/courses/8-05-quantum-physics-ii-fall-2013/005979fa741c3ea2e0430456b…",
      "url": "https://ocw.mit.edu/courses/8-05-quantum-physics-ii-fall-2013/005979fa741c3ea2e0430456b70caf93_MIT8_05F13_Chap_05.pdf"
    },
    {
      "title": "webhome.auburn.edu/~mip0024/teaching/math2660/slides/28-diagonalization-slides.…",
      "url": "https://webhome.auburn.edu/~mip0024/teaching/math2660/slides/28-diagonalization-slides.html"
    },
    {
      "title": "cs357.cs.illinois.edu/textbook/notes/pca.html",
      "url": "https://cs357.cs.illinois.edu/textbook/notes/pca.html"
    },
    {
      "title": "netlib.org/utk/people/JackDongarra/PAPERS/crc-lapack-handbook.pdf",
      "url": "https://www.netlib.org/utk/people/JackDongarra/PAPERS/crc-lapack-handbook.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}