{
  "id": "positive-semidefinite-matrix",
  "title": "半正定矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "半正定矩阵是二次型对任意向量均非负的实对称矩阵或厄米矩阵，等价地，其所有特征值均非负。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "非负定矩阵"
  ],
  "generated_at": "2026-11-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/positive-semidefinite-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/positive-semidefinite-matrix/",
      "json": "https://aiwiki.page/en/positive-semidefinite-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "半正定矩阵是指满足下述条件的实对称或复厄米矩阵 \\(A\\)：对任意维数相容的向量 \\(x\\)，都有 \\(x^*Ax\\geq 0\\)。这里，\\(x^*\\) 表示共轭转置；对于实向量，它就是普通转置。半正定矩阵用于描述非负的二次量，包括方差、长度的平方和二次能量函数。它们在线性代数、统计学、优化和数值计算中具有基础性地位。"
    },
    {
      "heading": "定义与约定",
      "text": "复方阵 \\(A\\in\\mathbb C^{n\\times n}\\) 称为半正定矩阵，如果\n\n\\[A=A^* \\quad\\text{and}\\quad x^*Ax\\geq 0 \\qquad\\text{for every }x\\in\\mathbb C^n.\\]\n\n条件 \\(A=A^*\\) 表示 \\(A\\) 是厄米矩阵。对于实矩阵，相应的定义要求 \\(A=A^{\\mathsf T}\\)，且\n\n\\[x^{\\mathsf T}Ax\\geq 0 \\qquad\\text{for every }x\\in\\mathbb R^n.\\]\n\n标准记号为\n\n\\[A\\succeq 0.\\]\n\n实对称半正定矩阵和复厄米半正定矩阵的集合通常分别记作 \\(\\mathbb S_+^n\\) 和 \\(\\mathbb H_+^n\\)。\n\n表达式 \\(x^*Ax\\) 是与 \\(A\\) 对应的二次型。“半正定”允许这一表达式在某个非零向量处取零值。相比之下，正定矩阵满足\n\n\\[x^*Ax>0\\qquad\\text{whenever }x\\neq 0.\\]\n\n因此，正定矩阵一定是半正定矩阵，反之则不一定成立。零矩阵是半正定矩阵。\n\n对称性是实矩阵标准定义中的重要组成部分。对于任意实方阵 \\(M\\)，\n\n\\[x^{\\mathsf T}Mx = x^{\\mathsf T}\\left(\\frac{M+M^{\\mathsf T}}2\\right)x.\\]\n\n因此，仅要求这一表达式非负，只能约束 \\(M\\) 的对称部分。有些作者在这种情形下会采用更宽泛的“半正定”定义，所以涉及非对称矩阵时，应核实所用的约定。"
    },
    {
      "heading": "等价刻画",
      "text": "对于厄米矩阵 \\(A\\)，以下命题等价：\n\n- \\(A\\succeq 0\\)。\n- \\(A\\) 的所有特征值均非负。\n- 存在一个矩阵 \\(B\\)（不一定是方阵），使得\n\n\\[A=B^*B.\\]\n- \\(A\\) 的所有主子式均非负。\n- \\(A\\) 存在厄米半正定平方根。\n\n这些等价关系将二次型定义与谱、代数和几何方面的描述联系起来。\n\n谱分解与平方根\n\n由谱定理，厄米矩阵可以分解为\n\n\\[A=U\\Lambda U^*,\\]\n\n其中 \\(U\\) 为酉矩阵，\\(\\Lambda=\\operatorname{diag}(\\lambda_1,\\ldots,\\lambda_n)\\) 的对角元素均为实数。令 \\(y=U^*x\\)，可得\n\n\\[x^*Ax=\\sum_{i=1}^n\\lambda_i|y_i|^2.\\]\n\n该式对任意 \\(x\\) 均非负，当且仅当所有 \\(\\lambda_i\\geq 0\\)。\n\n对于这样的矩阵，其唯一的厄米半正定平方根为\n\n\\[A^{1/2} = U\\operatorname{diag}(\\sqrt{\\lambda_1},\\ldots,\\sqrt{\\lambda_n})U^*.\\]\n\n于是 \\(A=(A^{1/2})^*A^{1/2}\\)，从而得到形如 \\(B^*B\\) 的分解。\n\n若 \\(A\\) 的矩阵的秩为 \\(r\\)，则可以选取恰有 \\(r\\) 行的矩阵 \\(B\\)。此时，\\(B\\) 的各列将 \\(A\\) 表示为一个格拉姆矩阵：\n\n\\[a_{ij}=b_i^*b_j.\\]\n\n反过来，每个格拉姆矩阵都是半正定矩阵，因为\n\n\\[x^*B^*Bx=\\|Bx\\|^2\\geq 0.\\]\n\n主子式\n\n选取相同指标集合所对应的行和列，得到的子矩阵称为主子矩阵。它的行列式称为主子式。厄米矩阵是半正定矩阵，当且仅当其所有主子式均非负。\n\n仅检查顺序主子式是不够的。例如，\n\n\\[A= \\begin{pmatrix} 0&0\\\\ 0&-1 \\end{pmatrix}\\]\n\n的顺序主子式为 \\(0\\) 和 \\(0\\)，但它不是半正定矩阵。其第二个对角元素所对应的主子式为 \\(-1\\)。\n\n这与正定情形不同：所有顺序主子式均为正，就足以保证矩阵正定。"
    },
    {
      "heading": "示例与元素性质",
      "text": "实对称 \\(2\\times2\\) 矩阵\n\n\\[A= \\begin{pmatrix} a&b\\\\ b&c \\end{pmatrix}\\]\n\n是半正定矩阵，当且仅当\n\n\\[a\\geq 0,\\qquad c\\geq 0,\\qquad ac-b^2\\geq 0.\\]\n\n例如，\n\n\\[A= \\begin{pmatrix} 1&1\\\\ 1&1 \\end{pmatrix}\\]\n\n是半正定矩阵，因为\n\n\\[x^{\\mathsf T}Ax=(x_1+x_2)^2.\\]\n\n其特征值为 \\(2\\) 和 \\(0\\)，所以它不是正定矩阵。\n\n矩阵半正定并不等同于各元素均非负。矩阵\n\n\\[\\begin{pmatrix} 1&-1\\\\ -1&1 \\end{pmatrix}\\]\n\n是半正定矩阵，而\n\n\\[\\begin{pmatrix} 1&2\\\\ 2&1 \\end{pmatrix}\\]\n\n的元素虽然全为正数，特征值却为 \\(3\\) 和 \\(-1\\)。\n\n对于任意半正定矩阵，\n\n\\[a_{ii}\\geq 0, \\qquad |a_{ij}|^2\\leq a_{ii}a_{jj}.\\]\n\n第二个不等式可由其 \\(2\\times2\\) 主子式得到，也是柯西—施瓦茨不等式在格拉姆表示中的体现。特别地，如果某个对角元素为零，则其所在行和列的所有元素都必为零。"
    },
    {
      "heading": "代数与几何性质",
      "text": "封闭性与变换\n\n若 \\(A,B\\succeq 0\\)，且 \\(\\alpha,\\beta\\geq 0\\)，则\n\n\\[\\alpha A+\\beta B\\succeq 0.\\]\n\n因此，半正定矩阵构成一个凸锥。这个锥是闭集，它在厄米矩阵空间中的内部恰好由正定矩阵组成。\n\n对于任意维数相容的矩阵 \\(C\\)，\n\n\\[C^*AC\\succeq 0.\\]\n\n若 \\(C\\) 可逆，则这一变换在两个方向上都保持半正定性。取 \\(C\\) 为选取坐标的矩阵，即可看出半正定矩阵的每个主子矩阵也都是半正定矩阵。\n\n两个半正定矩阵的普通乘积 \\(AB\\) 不一定是厄米矩阵，因此也不一定是半正定矩阵。如果 \\(A\\) 与 \\(B\\) 可交换，则其乘积半正定。相比之下，两者的逐元素乘积总是半正定的，这就是舒尔乘积定理。\n\n零方向与半范数\n\n对于 \\(A\\succeq 0\\)，\n\n\\[x^*Ax=0 \\quad\\Longleftrightarrow\\quad Ax=0.\\]\n\n因此，其二次型取零值的方向恰好构成它的零空间。\n\n表达式\n\n\\[\\|x\\|_A=\\sqrt{x^*Ax}\\]\n\n定义了一个半范数。它是真正的范数，当且仅当 \\(A\\) 正定。类似地，\\(x^*Ay\\) 定义了一个可能退化的内积；当 \\(A\\) 正定时，它就是通常意义下的内积。\n\n由特征值还可得\n\n\\[\\operatorname{tr}(A)\\geq 0, \\qquad \\det(A)\\geq 0.\\]\n\n半正定矩阵是正定矩阵，当且仅当它可逆，等价地，当且仅当其行列式严格为正。仅有迹非负或仅有行列式非负，都不足以保证矩阵半正定。\n\n勒夫纳序\n\n对于大小相同的厄米矩阵，定义\n\n\\[A\\succeq B \\quad\\Longleftrightarrow\\quad A-B\\succeq 0.\\]\n\n这一关系称为勒夫纳序，它是一种偏序，而非逐元素的比较。它表示\n\n\\[x^*Ax\\geq x^*Bx \\qquad\\text{for every }x.\\]\n\n在迹配对下，半正定锥是自对偶的：\n\n\\[A\\succeq 0 \\quad\\Longleftrightarrow\\quad \\operatorname{tr}(AB)\\geq 0 \\quad\\text{for every }B\\succeq 0,\\]\n\n其中 \\(A\\) 为厄米矩阵。这一性质在优化对偶理论中十分重要。"
    },
    {
      "heading": "应用",
      "text": "协方差矩阵\n\n对于具有有限二阶矩的实随机向量 \\(X\\)，其协方差矩阵为\n\n\\[\\Sigma = \\mathbb E\\!\\left[(X-\\mathbb EX)(X-\\mathbb EX)^{\\mathsf T}\\right].\\]\n\n对于任意向量 \\(v\\)，\n\n\\[v^{\\mathsf T}\\Sigma v = \\operatorname{Var}(v^{\\mathsf T}X)\\geq 0.\\]\n\n因此，每个协方差矩阵都是半正定矩阵。\n\n协方差矩阵的奇异性具有明确的统计含义：中心化后的变量存在一个系数不全为零的线性组合，其值几乎必然为零。反过来，每个实对称半正定矩阵都可以是某个随机向量的协方差矩阵，该随机向量也可以取为可能退化的多元正态随机向量。\n\n协方差矩阵的非负特征值表示各正交方向上的方差，为主成分分析提供了谱理论基础。\n\n凸性与优化\n\n对于二次函数\n\n\\[f(x)=\\frac12x^{\\mathsf T}Ax+b^{\\mathsf T}x+c,\\]\n\n其中 \\(A\\) 为实对称矩阵，该函数的凸性等价于 \\(A\\succeq 0\\)。\n\n更一般地，定义在开凸集上的二阶连续可微函数是凸函数，当且仅当其海森矩阵在该定义域内处处半正定。这将矩阵的半正定性与凸优化联系起来。\n\n在半正定规划中，需要在仿射约束和半正定性约束下优化一个线性目标。典型约束是如下线性矩阵不等式：\n\n\\[A_0+\\sum_{i=1}^m x_iA_i\\succeq 0.\\]\n\n这类问题的应用包括控制、估计以及离散优化问题的松弛。\n\n分块矩阵约束通常可以利用舒尔补来简化。若 \\(P\\succ 0\\)，则\n\n\\[\\begin{pmatrix} P&Q\\\\ Q^*&R \\end{pmatrix}\\succeq 0 \\quad\\Longleftrightarrow\\quad R-Q^*P^{-1}Q\\succeq 0.\\]\n\n当 \\(P\\) 奇异时，类似的判据需要使用广义逆，并附加一个关于值域的条件。\n\n核方法与图能量\n\n在机器学习中，半正定核对任意有限输入集合都会产生一个半正定的格拉姆矩阵。这使得核可以解释为特征空间中的内积，并为支持向量机、高斯过程模型等方法提供基础。\n\n在图论中，对于边权对称且非负的无向图，其拉普拉斯矩阵 \\(L=D-W\\) 满足\n\n\\[x^{\\mathsf T}Lx = \\frac12\\sum_{i,j}w_{ij}(x_i-x_j)^2 \\geq 0.\\]\n\n因此，拉普拉斯矩阵是半正定矩阵。它的零空间由在每个连通分量上取常值的向量组成。"
    },
    {
      "heading": "计算与数值局限",
      "text": "对于对称矩阵或厄米矩阵，计算特征值可以直接检验其半正定性。然而，在浮点运算中，理论上半正定的矩阵可能因舍入或近似而出现微小的负特征值。因此，数值检验通常会将最小特征值与一个容差进行比较，该容差与矩阵的尺度和计算精度有关。\n\nCholesky分解对正定矩阵尤为有效。在精确运算下，半正定矩阵也存在三角形式的平方根分解，但零主元需要特殊处理，而且标准的正定 Cholesky 分解程序可能在输入为奇异矩阵时中止。当预期矩阵秩亏时，通常采用带主元选取的分解方法或基于特征值的方法。\n\n以下两种常见修正各有不同用途：\n\n- **对角平移：**将 \\(A\\) 替换为 \\(A+\\varepsilon I\\)，其中 \\(\\varepsilon>0\\)，可使半正定矩阵变为正定矩阵。\n- **特征值截断：**对于厄米矩阵，将负特征值替换为零，可得到在弗罗贝尼乌斯范数下与原矩阵最接近的半正定矩阵。\n\n这些操作会改变原矩阵。因此，在统计和优化应用中，它们可能会改变协方差模型、目标函数或可行域，而不只是改善数值表现。"
    }
  ],
  "links": [
    "matrix",
    "conjugate-transpose",
    "linear-algebra",
    "hermitian-matrix",
    "quadratic-form",
    "positive-definite-matrix",
    "eigenvalues-and-eigenvectors",
    "spectral-theorem",
    "matrix-rank",
    "gram-matrix",
    "determinant",
    "cauchy-schwarz-inequality",
    "null-space",
    "norm-mathematics",
    "inner-product",
    "partial-order",
    "covariance-matrix",
    "principal-component-analysis",
    "hessian-matrix",
    "convex-optimization",
    "semidefinite-programming",
    "machine-learning",
    "graph-theory",
    "floating-point-arithmetic",
    "cholesky-decomposition"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}