特徵分解

線性代數中，特徵分解（Eigendecomposition），又稱譜分解（Spectral decomposition）是將矩陣分解為由其特徵值和特徵向量表示的矩陣之積的方法。需要注意只有對可對角化矩陣才可以施以特徵分解。

線性代數
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空間 · 基底  · 行列式  · 矩陣
向量 純量 · 向量 · 向量空間 · 向量投影 · 外積（叉積 · 七維叉積） · 內積（點積） · 二重向量 矩陣與行列式 矩陣 · 行列式 · 線性方程組 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩陣 · 方塊矩陣 · 分塊矩陣 · 三角矩陣 · 非奇異方陣 · 轉置矩陣 · 逆矩陣 · 對角矩陣 · 可對角化矩陣 · 對稱矩陣 · 反對稱矩陣 · 正交矩陣 · 么正矩陣 · 埃爾米特矩陣 · 反埃爾米特矩陣 · 正規矩陣 · 伴隨矩陣 · 余因子矩陣 · 共軛轉置 · 正定矩陣 · 冪零矩陣 · 矩陣分解 （LU分解 · 奇異值分解 · QR分解 · 極分解 · 特徵分解） · 子式和餘子式 · 拉普拉斯展開 · 克羅內克積 線性空間與線性變換 線性空間 · 線性變換 · 線性子空間 · 線性生成空間 · 基 · 線性映射 · 線性投影 · 線性無關 · 線性組合 · 線性泛函 · 行空間與列空間 · 對偶空間 · 正交 · 特徵向量 · 最小二乘法 · 格拉姆-施密特正交化
閱 論 編

特徵值與特徵向量的基礎理論

主條目：特徵值和特徵向量

N 維非零向量 v 是 N×N 的矩陣 A 的特徵向量，若且唯若下式成立：

${\displaystyle \mathbf {A} \mathbf {v} =\lambda \mathbf {v} }$

其中 λ 為一純量，稱為 v 對應的特徵值。也稱 v 為特徵值 λ 對應的特徵向量。也即特徵向量被施以線性變換 A 只會使向量伸長或縮短而其方向不被改變。

由上式可得

${\displaystyle p\left(\lambda \right):=\det \left(\mathbf {A} -\lambda \mathbf {I} \right)=0\!\ }$

稱多項式 p(λ) 為矩陣的特徵多項式。上式亦稱為矩陣的特徵方程。特徵多項式是關於未知數 λ 的 N 次多項式。由代數基本定理，特徵方程有 N 個解。這些解的解集也就是特徵值的集合，有時也稱為「譜」（Spectrum）。

我們可以對多項式 p 進行因式分解，而得到

${\displaystyle p\left(\lambda \right)=(\lambda -\lambda _{1})^{n_{1}}(\lambda -\lambda _{2})^{n_{2}}\cdots (\lambda -\lambda _{k})^{n_{k}}=0\!\ }$

其中

${\displaystyle \sum \limits _{i=1}^{k}{n_{i}}=N}$

對每一個特徵值 λ_i ，我們都有下式成立：

${\displaystyle \left(\mathbf {A} -\lambda _{i}\mathbf {I} \right)\mathbf {v} =0\!\ }$

對每一個特徵方程，都會有${\displaystyle m_{i}}$（ ${\displaystyle 1\leq m_{i}\leq n_{i}}$ ）個線性獨立的解。這 m_i 個向量與一個特徵值 λ_i 相對應。這裏，整數 m_i 稱為特徵值 λ_i 的幾何重數，而 n_i 稱為代數重數。這裏需要注意的是幾何重數與代數重數可以相等，但也可以不相等。一種最簡單的情況是 m_i = n_i = 1。特徵向量的極大線性無關向量組中向量的個數可以由所有特徵值的幾何重數之和來確定。

矩陣的特徵分解

令 A 是一個 N×N 的方陣，且有 N 個線性獨立的特徵向量 ${\displaystyle q_{i}\,\,(i=1,\dots ,N)}$ 。這樣， A 可以被分解為

${\displaystyle \mathbf {A} =\mathbf {Q} \mathbf {\Lambda } \mathbf {Q} ^{-1}}$

其中 Q 是N×N方陣，且其第 i列為 A 的特徵向量 ${\displaystyle q_{i}}$。 Λ 是對角矩陣，其對角線上的元素為對應的特徵值，也即 ${\displaystyle \Lambda _{ii}=\lambda _{i}}$。這裏需要注意只有可對角化矩陣才可以作特徵分解。比如 ${\displaystyle {\begin{bmatrix}1&1\\0&1\\\end{bmatrix}}}$不能被對角化，也就不能特徵分解。

一般來說，特徵向量 ${\displaystyle q_{i}\,\,(i=1,\dots ,N)}$ 一般被單位化（但這不是必須的）。未被單位化的特徵向量組 ${\displaystyle v_{i}\,\,(i=1,\dots ,N),}$ 也可以作為 Q 的列向量。這一事實可以這樣理解： Q 中向量的長度都被 Q⁻¹ 抵消了。

通過特徵分解求反(逆)矩陣

主條目：逆矩陣

若矩陣 A 可被特徵分解並特徵值中不含零，則矩陣 A 為非奇異矩陣，且其逆矩陣可以由下式給出：

${\displaystyle \mathbf {A} ^{-1}=\mathbf {Q} \mathbf {\Lambda } ^{-1}\mathbf {Q} ^{-1}}$

因為 Λ 為對角矩陣，其逆矩陣容易計算出：

${\displaystyle \left[\Lambda ^{-1}\right]_{ii}={\frac {1}{\lambda _{i}}}}$

對特殊矩陣的特徵分解

對稱矩陣

任意的 N×N 實對稱矩陣的特徵值都是實數且都有 N 個線性無關的特徵向量。並且這些特徵向量都可以正交單位化而得到一組正交且模為 1 的向量。故實對稱矩陣 A 可被分解成

${\displaystyle \mathbf {A} =\mathbf {Q} \mathbf {\Lambda } \mathbf {Q} ^{-1}=\mathbf {Q} \mathbf {\Lambda } \mathbf {Q} ^{T}}$

其中 Q 為 正交矩陣， Λ 為實對角矩陣。

正規矩陣

類似地，一個複正規矩陣具有一組正交特徵向量基，故正規矩陣可以被分解成

${\displaystyle \mathbf {A} =\mathbf {U} \mathbf {\Lambda } \mathbf {U} ^{H}}$

其中 U 為一個酉矩陣。進一步地，若 A 是埃爾米特矩陣，那麼對角矩陣 Λ 的對角元全是實數。若 A 還是酉矩陣，則 Λ 的所有對角元在複平面的單位圓上取得。

參見

• 矩陣分解
• 特徵值
• 特徵向量
• 譜定理

參考

• Franklin, Joel N (1968). Matrix Theory. Dover Publications. ISBN 0-486-41179-6
• Golub, G. H. and Van Loan, C. F. (1996). Matrix Computations. 3rd ed., Johns Hopkins University Press, Baltimore. ISBN 0-8018-5414-8.
• Horn, Roger A. and Johnson, Charles R (1985). Matrix Analysis. Cambridge University Press. ISBN 0-521-38632-2.
• Horn, Roger A. and Johnson, Charles R (1991). Topics in Matrix Analysis. Cambridge University Press. ISBN 0-521-46713-6.
• Strang G (1998). Introduction to Linear Algebra. 3rd ed., Wellesley-Cambridge Press. ISBN 0-9614088-5-5.