线性代数：特征值与特征向量【2】

对于 $A\vec{u}=\lambda \vec{u}$，对应一个特征值$\lambda$ 的特征向量不唯一；求解特征向量的过程在于求解齐次线性系统$(A-\lambda I)\vec{u}=O$，并且由于$\vec{u}!=O$，所以该线性系统存在一组解$[{\vec{u}}_1,{\vec{u}}_2...]$，也即特征向量组成了 $A-\lambda I$的零空间(刨除零向量)。

对应特征值$\lambda$ 的特征向量的解空间又称 $\lambda$ 的特征空间( $E_{\lambda }$ ) ：  Eλ={O}∪{λ的特征向量}\, \, E_{\lambda} = \{O\} \cup \{\lambda \small 的特征向量\}Eλ​={O}∪{λ的特征向量}。

对于一个$n$阶变换矩阵$A$，则其对应求解特征向量的行列式$\det (A-\lambda I)=O$展开后得到的将是一个关于$\lambda$的 $n$ 次方程（在实数域和复数域内，$\lambda$对应$n$个解）。

关于特征值的解的3种情况：

① $\lambda$在实数域内存在$n$个互不相等的解，$n_1!=n_2!=...!=n_n$，这些特征值称为简单特征值（应用最多）;
② $\lambda$在实数域内存在的$n$个解中包含重复值，$n_i=n_j=...=n_k$，则称这些重复的特征值为多重特征值，使用$重数$来描述重复特征值的重复次数；
③ $\lambda$在实数域内无解，仅在复数域有解，如$\det (A-\lambda I)={\lambda }^2+1=0\to {\lambda }_1=i;{\lambda }_2=-i$ ,这种情况称为复数特征值。

如果存在$\lambda =0$是矩阵$A$的一个特征值，意味着对于线性方程$A\vec{u}=\lambda \vec{u}\to A\vec{u}=O$,要使得$\vec{u}\ne O$，则矩阵$A$一定不可逆，所以当矩阵$A$可逆就有$\lambda \ne 0$。

#####关于一些特殊矩阵的特征方程求解：
① 对角矩阵
$A=\left[\begin{array}{cccc}{d}_1& 0& ...& 0\\ 0& d_2& ...& 0\\ 0& 0& ...& d_n\end{array}\right]\to \det (A)=d_1\ast d_2\ast ...\ast d_n$

$A-\lambda I=\left[\begin{array}{cccc}{d}_1-\lambda & 0& ...& 0\\ 0& d_2-\lambda & ...& 0\\ 0& 0& ...& d_n-\lambda \end{array}\right]\to \det (A-\lambda I)=(d_1-\lambda )\ast (d_2-\lambda )\ast ...\ast (d_n-\lambda )$

$\therefore {\lambda }_1=d_1;{\lambda }_2=d_2;...{\lambda }_n=d_n$

同理可直接求取上三角，下三角形状的变换矩阵$A$的特征值。

关于特征值的一些基本性质：

• 若$\lambda$是$A$的特征值，则有${\lambda }^m$是$A^m$的特征值$(m\ge 1)$;
       \, \, \, \, \, 数学归纳 $\because m=1$ 成立，$A\vec{u}=\lambda \vec{u}$
               \, \, \, \, \, \, \, \, \, \, \, \, \, 假设 $m=k{A}^k\vec{u}={\lambda }^k\vec{u}$
               \, \, \, \, \, \, \, \, \, \, \, \, \, 当 $m=k+1$ 时，$A^{k+1}\vec{u}=A\ast A^k\vec{u}=A\vec{u}\ast {\lambda }^k=\lambda \vec{u}\ast {\lambda }^k={\lambda }^{k+1}\vec{u}$ 得证假设。

• 若$\lambda$是 $A$ 的特征值，则有 ${\lambda }^{-1}$ 是 $A^{-1}$ 的特征值（已给出前提矩阵$A$可逆）;
       \, \, \, \, \, 由 $A\vec{u}=\lambda \vec{u}$
  $A^{-1}\ast A\vec{u}=A^{-1}\ast \lambda \vec{u}$
  $\vec{u}=\lambda \ast A^{-1}\vec{u}\to \vec{u}{\lambda }^{-1}=A^{-1}\vec{u}$得证。

在线性代数上的理解：

通过特征值分解可以得到特征值与特征向量，特征值表示的是这个特征到底有多重要，而特征向量表示这个特征是什么，可以将每一个特征向量理解为一个子空间，我们可以利用这些线性的子空间干很多的事情。

线性变换矩阵的特征值和特征空间–几何理解

• 投影变换
  在二维空间，把任意向量都投影到$\vec{u}=(2,1)$所在直线的变换中，变换前后方向保持不变的向量$A\vec{a}=\vec{a}{}^{\prime }=\lambda \vec{a}$将存在于直线$y=0.5x$上，且这些向量经投影变换后大小不变即$\lambda =1$,所以该直线上的所有向量构成了投影矩阵$A$中$\lambda =1$的解空间。除了直线上的向量，垂直于直线的向量投影到直线上将变成零向量$O$，而$O$与变换前的向量同向，不过长度为零，所以垂直于$y=0.5x$的直线上的所有向量构成了投影矩阵$A$中$\lambda =0$的解空间。

• 对称变换
  在二位空间中，变化矩阵$A=\left[\begin{array}{cc}0& 1\\ 1& 0\end{array}\right]$将平面上的所有向量关于直线 $y=x$ 对称变换。那么对处于$y=x$直线上的任意向量，对称前后将等大同向，所以这些向量构成了 $A$中$\lambda =1$ 的解空间。而对于垂直于 $y=x$ 的直线 $y=-x$ 上的向量，这些向量对称前后将等大反向，因此构成了 $A$中$\lambda =-1$的解空间。

旋转矩阵的特征值和特征空间–几何理解

对于空间中任意一个向量$\vec{u}$经过旋转变换得到的向量$\vec{v}$，几何中不会存在任何$\vec{v}$与向量$\vec{u}$同向。所以，对于旋转矩阵$A$，如逆时针90°旋转矩阵$A=\left[\begin{array}{cc}0& -1\\ 1& 0\end{array}\right]$，求解其特征值将得到$\det (A-\lambda I)=O\to {\lambda }^2+1=0$，意味着其特征值只能在复数空间寻求解。