{
  "id": "matrix-similarity",
  "title": "矩阵相似",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "矩阵相似描述同一线性算子在不同基下的矩阵表示之间的关系，保持其代数结构与谱性质。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "矩阵的相似性",
    "矩阵共轭"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/matrix-similarity/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/matrix-similarity/",
      "json": "https://aiwiki.page/en/matrix-similarity.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "矩阵相似是线性代数中两个方矩阵之间的一种关系：它们在可能不同的坐标系中表示同一个线性映射。对于域（数学） \\(F\\) 上的矩阵 \\(A,B\\in F^{n\\times n}\\)，若存在可逆矩阵 \\(P\\in F^{n\\times n}\\)，使得\n\n\\[B=P^{-1}AP,\\]\n\n则称 \\(A\\) 与 \\(B\\) 相似。这一操作称为相似变换。它改变的是算子的矩阵表示，而不是算子本身。(pressbooks.cuny.edu)"
    },
    {
      "heading": "定义与基变换",
      "text": "设 \\(T:V\\to V\\) 是有限维向量空间上的线性算子，\\(\\mathcal E\\) 和 \\(\\mathcal F\\) 是两组有序基（线性代数）。假设 \\(A\\) 是 \\(T\\) 在基 \\(\\mathcal E\\) 下的矩阵表示，且 \\(P\\) 的各列是基 \\(\\mathcal F\\) 中各个基向量在基 \\(\\mathcal E\\) 下的坐标，则\n\n\\[[v]_{\\mathcal E}=P[v]_{\\mathcal F}.\\]\n\n作用算子 \\(T\\)，再将结果的坐标转换回基 \\(\\mathcal F\\)，可得\n\n\\[[T(v)]_{\\mathcal F}=P^{-1}AP[v]_{\\mathcal F}.\\]\n\n因此，\\(B=P^{-1}AP\\) 是 \\(T\\) 在基 \\(\\mathcal F\\) 下的矩阵表示。反过来，任何可逆矩阵 \\(P\\) 都定义了这样一个基变换。(pressbooks.cuny.edu)\n\n相似关系是一种等价关系，具有自反性、对称性和传递性。自反性可由单位矩阵得到；对称性可由变换矩阵的逆矩阵得到。若 \\(B=P^{-1}AP\\)，且 \\(C=Q^{-1}BQ\\)，则\n\n\\[C=(PQ)^{-1}A(PQ).\\]\n\n因此，在给定域上，阶数相同的方阵可划分为若干相似等价类。(pressbooks.cuny.edu)"
    },
    {
      "heading": "保持不变的性质",
      "text": "相似矩阵具有相同的特征多项式，因为\n\n\\[tI-B=P^{-1}(tI-A)P,\\]\n\n所以\n\n\\[\\det(tI-B)=\\det(tI-A).\\]\n\n因此，它们具有相同的特征值与特征向量中的特征值及其代数重数，也具有相同的行列式和矩阵的迹。它们的矩阵的秩也相同，因为左乘或右乘可逆矩阵不会改变秩。(ocw.mit.edu)\n\n更一般地，对于任意多项式 \\(p\\)，都有\n\n\\[p(B)=P^{-1}p(A)P.\\]\n\n由此可知，\\(p(A)=0\\) 当且仅当 \\(p(B)=0\\)，所以相似矩阵具有相同的最小多项式，即使该矩阵代入后得到零矩阵的次数最低的首一多项式。(math.uci.edu)\n\n特征向量本身的坐标不一定相同。由 \\(Av=\\lambda v\\) 可得\n\n\\[B(P^{-1}v)=\\lambda(P^{-1}v).\\]\n\n因此，对应的特征空间具有相同的维数。同样的计算也适用于 \\((A-\\lambda I)^k\\)，从而保持其零空间的维数不变，进而保持每个特征值所对应的广义特征向量结构。(ocw.mit.edu)"
    },
    {
      "heading": "示例与谱判别的局限",
      "text": "作为一个简单的例子，取\n\n\\[A=\\begin{pmatrix}1&0\\\\0&2\\end{pmatrix}, \\qquad P=\\begin{pmatrix}1&1\\\\0&1\\end{pmatrix}.\\]\n\n直接相乘可得\n\n\\[P^{-1}AP=\\begin{pmatrix}1&-1\\\\0&2\\end{pmatrix}.\\]\n\n这两个矩阵看起来不同，但上述计算明确表明它们相似。这也说明，非对角元素不是相似不变量。(sites.wcsu.edu)\n\n反过来，特征值相同并不足以判定矩阵相似。考虑\n\n\\[I_2=\\begin{pmatrix}1&0\\\\0&1\\end{pmatrix}, \\qquad J=\\begin{pmatrix}1&1\\\\0&1\\end{pmatrix}.\\]\n\n两者的特征多项式都是 \\((t-1)^2\\)，行列式均为 \\(1\\)，迹均为 \\(2\\)，秩均为 \\(2\\)。然而，它们并不相似，因为对任意可逆矩阵 \\(P\\)，都有 \\(P^{-1}I_2P=I_2\\)。它们的最小多项式也不同，分别为 \\(t-1\\) 和 \\((t-1)^2\\)。因此，这些常用不变量只能提供必要条件，不能给出完整的分类。(ocw.mit.edu)"
    },
    {
      "heading": "对角化与标准形",
      "text": "矩阵对角化是相似变换的一个特例。一个矩阵在 \\(F\\) 上可对角化，当且仅当存在一组由特征向量组成的基，且这些向量的坐标属于 \\(F\\)。若以这些向量作为 \\(P\\) 的列，则 \\(P^{-1}AP\\) 为对角矩阵。同一域上的两个可对角化矩阵相似，当且仅当它们的特征值及相应重数相同。(ocw.mit.edu)\n\n当特征多项式可以分解为一次因子的乘积时，例如在复数域上，每个方阵都相似于一个若尔当标准形。其中的各个块记录了特征值和广义特征向量链。两个这样的矩阵相似，当且仅当它们的若尔当块除排列顺序外完全相同。矩阵可对角化，对应于所有块的大小均为一。(pmelvin.blogs.brynmawr.edu)\n\n在任意域上，有理标准形都能给出完整的分类，而无须要求特征值属于该域。其不变因子多项式确定了唯一的标准代表，两个矩阵相似，当且仅当它们的标准代表相同。(pmelvin.blogs.brynmawr.edu)"
    },
    {
      "heading": "相似性判定与数值计算",
      "text": "定义相似关系的等式可以改写为\n\n\\[AP=PB.\\]\n\n对于给定的 \\(A\\) 和 \\(B\\)，这是以 \\(P\\) 的各个元素为未知量的齐次线性方程组。两个矩阵相似，当且仅当该方程组的解空间中包含可逆矩阵。仅有非零解并不足够，因为该解可能是奇异矩阵。标准形则提供了另一种精确判定方法。(sites.wcsu.edu)\n\n在数值线性代数中，舒尔分解采用受到特定限制的相似变换。复矩阵可表示为 \\(A=QTQ^*\\)，其中 \\(Q\\) 是酉矩阵，\\(T\\) 是上三角矩阵，\\(Q^*\\) 表示共轭转置。对于实矩阵，\\(Q\\) 可以取为正交矩阵，而 \\(T\\) 是分块上三角矩阵，其对角块的大小为一或二。这些形式在保持原有特征值的同时，为实际的特征值计算提供了支持。(netlib.org)"
    }
  ],
  "links": [
    "linear-algebra",
    "matrix",
    "linear-map",
    "field-mathematics",
    "vector-space",
    "basis-linear-algebra",
    "equivalence-relation",
    "identity-matrix",
    "inverse-matrix",
    "equivalence-class",
    "characteristic-polynomial",
    "eigenvalues-and-eigenvectors",
    "determinant",
    "matrix-trace",
    "matrix-rank",
    "polynomial",
    "minimal-polynomial",
    "eigenspace",
    "null-space",
    "matrix-diagonalization",
    "complex-number",
    "jordan-normal-form",
    "system-of-linear-equations",
    "numerical-linear-algebra",
    "schur-decomposition",
    "unitary-matrix",
    "conjugate-transpose",
    "orthogonal-matrix"
  ],
  "sources": [
    {
      "title": "pressbooks.cuny.edu/mat5600linearalgebra/chapter/similarity/",
      "url": "https://pressbooks.cuny.edu/mat5600linearalgebra/chapter/similarity/"
    },
    {
      "title": "ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/pages/positive-definite-ma…",
      "url": "https://ocw.mit.edu/courses/18-06sc-linear-algebra-fall-2011/pages/positive-definite-matrices-and-applications/similar-matrices-and-jordan-form/"
    },
    {
      "title": "math.uci.edu/~nckaplan/teaching_files/graduate_algebra/Math206C_Midterm1_Canoni…",
      "url": "https://www.math.uci.edu/~nckaplan/teaching_files/graduate_algebra/Math206C_Midterm1_Canonical_Forms_Things_to_Know.pdf"
    },
    {
      "title": "sites.wcsu.edu/mbxml/OER_Linear_Alg/section_similarity.html",
      "url": "https://sites.wcsu.edu/mbxml/OER_Linear_Alg/section_similarity.html"
    },
    {
      "title": "pmelvin.blogs.brynmawr.edu/files/2021/09/304S20LectureNotes.pdf",
      "url": "https://pmelvin.blogs.brynmawr.edu/files/2021/09/304S20LectureNotes.pdf"
    },
    {
      "title": "netlib.org/utk/lsi/lapackLSI/LAPACK",
      "url": "https://netlib.org/utk/lsi/lapackLSI/LAPACK"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}