{
  "id": "spectral-theorem",
  "title": "谱定理",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "将适当的线性算符表示为正交特征向量分解或谱测度积分的一类定理。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "谱分解定理"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/spectral-theorem/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/spectral-theorem/",
      "json": "https://aiwiki.page/en/spectral-theorem.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "谱定理是线性代数和泛函分析中的一类结果，描述了何时可以将一个线性映射表示为彼此独立、相互正交的谱分量。在有限维情形下，它刻画了哪些算符具有由特征向量组成的标准正交基。在无限维希尔伯特空间中，相应的表示通常采用谱积分，而非特征向量展开。其主要版本涉及自伴算符，以及复空间上的正规算符。(linear.axler.net)"
    },
    {
      "heading": "有限维形式",
      "text": "对于满足 \\(A^{T}=A\\) 的实对称矩阵 \\(A\\)，谱定理断言：它的所有特征值均为实数，并且可以选取其特征向量组成一组标准正交基。等价地，\n\n\\[A=QDQ^{T},\\]\n\n其中 \\(Q\\) 是正交矩阵，\\(D\\) 是对角元为实数的对角矩阵。\\(Q\\) 的各列是特征向量，\\(D\\) 中相应的对角元则是这些向量对应的特征值。这比通常的矩阵对角化更强，因为后者不要求基变换由标准正交基构成。(math.berkeley.edu)\n\n对于复矩阵，用 \\(A^{*}\\) 表示共轭转置。正规算符满足\n\n\\[A^{*}A=AA^{*}.\\]\n\n复数域上的谱定理断言，\\(A\\) 是正规矩阵，当且仅当存在酉矩阵 \\(U\\) 和复对角矩阵 \\(D\\)，使得\n\n\\[A=UDU^{*}.\\]\n\n自伴算符满足 \\(A=A^{*}\\)，在矩阵术语中也称为厄米矩阵；它的特征值均为实数。酉矩阵也是正规矩阵，但它们的特征值位于单位圆上，不一定在实轴上。(linear.axler.net)\n\n标量取自实数域还是复数域，是一个重要区别。实正规矩阵未必能在实数域上对角化：平面旋转的角度若不是 \\(\\pi\\) 的整数倍，就不存在实特征向量。在实数域上，能够正交对角化的充要条件是自伴性，而不仅仅是正规性。(linear.axler.net)"
    },
    {
      "heading": "正交谱分解",
      "text": "按不同的特征值将特征向量分组，可以得到不依赖于基的形式：\n\n\\[A=\\sum_{\\lambda}\\lambda P_{\\lambda}.\\]\n\n这里，\\(P_{\\lambda}\\) 是到 \\(\\lambda\\) 所对应的特征空间上的正交投影。这些投影满足\n\n\\[P_{\\lambda}P_{\\mu}=0\\quad(\\lambda\\ne\\mu), \\qquad \\sum_{\\lambda}P_{\\lambda}=I.\\]\n\n因此，整个空间分解为相互正交的子空间，而算符在每个子空间上的作用都只是乘以一个标量。虽然重特征值对应的特征空间中，单个特征向量的选取并不唯一，但特征空间及其投影是唯一确定的。(math.berkeley.edu)\n\n实对称矩阵谱定理的一种标准证明采用对维数的归纳法。找到一个实单位特征向量 \\(v\\) 后，由对称性可知，它的正交补在 \\(A\\) 的作用下保持不变：若 \\(w\\) 与 \\(v\\) 正交，则\n\n\\[\\langle Aw,v\\rangle=\\langle w,Av\\rangle=0.\\]\n\n\\(A\\) 在这个正交补上的限制仍然是对称的。重复这一论证，就能构造出所需的标准正交特征基。因此，内积是谱定理的关键，而不仅仅是一种辅助性的记号选择。(math.berkeley.edu)"
    },
    {
      "heading": "紧算符",
      "text": "对于紧算符中的自伴算符，有一个与有限维情形尤为直接对应的无限维版本。在可分希尔伯特空间上，这样的算符具有由特征向量组成的标准正交基，其中包括其核的一组基。每个非零谱值都是有限重数的特征值，而零是非零特征值唯一可能的聚点。(ocw.mit.edu)\n\n使用归一化的特征向量 \\(e_j\\)，算符的作用可以写为\n\n\\[Tx=\\sum_j\\lambda_j\\langle x,e_j\\rangle e_j,\\]\n\n这里约定内积对第一个变量是线性的。该级数在希尔伯特空间的范数意义下收敛。紧性使这一分解类似于有限维的对角矩阵，但零可以属于谱而不是特征值——例如，当无穷多个非零特征值趋于零，而算符的核仅含零向量时。(ocw.mit.edu)"
    },
    {
      "heading": "谱测度与连续谱",
      "text": "一般的自伴算符未必有任何特征向量。它们的谱可能包含连续部分，因此通常的特征投影求和不足以表示它们。一般形式的谱定理使用投影值测度 \\(E\\)，将实轴上的博雷尔子集映射为正交投影，其可列可加性按强算符意义理解：\n\n\\[T=\\int_{\\mathbb R}\\lambda\\,dE(\\lambda).\\]\n\n对于有界正规算符，也有类似的表示，即在其复数谱上对复坐标进行积分。(pi.math.cornell.edu)\n\n一个简单的例子可以展示测度论在其中的作用。在 \\(L^{2}([0,1])\\) 上，令\n\n\\[(Tf)(x)=xf(x).\\]\n\n这个有界自伴算符的谱为 \\([0,1]\\)，但它没有非零特征函数：对应于 \\(\\lambda\\) 的特征函数必须在单点 \\(x=\\lambda\\) 之外处处为零，而这个单点集的勒贝格测度为零。它的谱投影是乘以示性函数的算符：\n\n\\[(E(B)f)(x)=\\mathbf 1_B(x)f(x).\\]\n\n因此，谱分解一般并不意味着分解为实际的特征向量。(math.mit.edu)\n\n对于无界自伴算符，谱积分还确定了它的定义域。令 \\(\\mu_x(B)=\\langle E(B)x,x\\rangle\\)，则\n\n\\[D(T)=\\left\\{x:\\int_{\\mathbb R}\\lambda^{2}\\,d\\mu_x(\\lambda)<\\infty\\right\\}.\\]\n\n自伴性还要求算符与其伴随算符具有相同的定义域；仅有对称性不足以保证该定理成立。(pi.math.cornell.edu)"
    },
    {
      "heading": "函数演算与应用",
      "text": "谱表示定义了一种函数演算：\n\n\\[f(T)=\\int f(\\lambda)\\,dE(\\lambda).\\]\n\n在有限维情形下，它成为 \\(\\sum_\\lambda f(\\lambda)P_\\lambda\\)。这为算符的幂、指数以及正算符的平方根提供了统一的框架。(math.mit.edu)\n\n在主成分分析中，协方差矩阵是对称半正定矩阵。其相互正交的特征向量给出主方向，特征值则给出相应的方差。在量子力学中，自伴的可观测量具有谱测度；对于归一化态 \\(\\psi\\)，玻恩规则给出测量结果落在 \\(B\\) 中的概率为 \\(\\langle E(B)\\psi,\\psi\\rangle\\)。(theory.stanford.edu)\n\n与谱定理相关的奇异值分解适用于任意矩形矩阵。与谱对角化不同，它通常在定义域和值域中使用不同的标准正交基，而且其奇异值是非负数，而不是一般意义上的特征值。(axler.net)"
    }
  ],
  "links": [
    "linear-algebra",
    "functional-analysis",
    "linear-map",
    "orthonormal-basis",
    "hilbert-space",
    "matrix",
    "eigenvalues-and-eigenvectors",
    "orthogonal-matrix",
    "matrix-diagonalization",
    "unitary-matrix",
    "self-adjoint-operator",
    "eigenspace",
    "orthogonal-projection",
    "orthogonal-complement",
    "inner-product",
    "measure-theory",
    "principal-component-analysis",
    "covariance-matrix",
    "quantum-mechanics",
    "born-rule",
    "singular-value-decomposition"
  ],
  "sources": [
    {
      "title": "linear.axler.net/LADR4e.pdf",
      "url": "https://www.linear.axler.net/LADR4e.pdf"
    },
    {
      "title": "math.berkeley.edu/~pkoroteev/SingularValue.pdf",
      "url": "https://math.berkeley.edu/~pkoroteev/SingularValue.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-102-introduction-to-functional-analysis-spring-2021/8fb8…",
      "url": "https://ocw.mit.edu/courses/18-102-introduction-to-functional-analysis-spring-2021/8fb8d5c170f1613151aca71de21027bc_MIT18_102s21_full_lec.pdf"
    },
    {
      "title": "pi.math.cornell.edu/m/sites/default/files/imported/Courses/GradCourses/sp08/713…",
      "url": "https://pi.math.cornell.edu/m/sites/default/files/imported/Courses/GradCourses/sp08/713notes2008.pdf"
    },
    {
      "title": "math.mit.edu/~rbm/18-155-F13/Lecture14v3.pdf",
      "url": "https://math.mit.edu/~rbm/18-155-F13/Lecture14v3.pdf"
    },
    {
      "title": "theory.stanford.edu/~tim/s16/l/l8.pdf",
      "url": "https://theory.stanford.edu/~tim/s16/l/l8.pdf"
    },
    {
      "title": "axler.net/SingularJMM.pdf",
      "url": "https://www.axler.net/SingularJMM.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}