Olverae Assets

1 特征向量:被变换"只拉伸、不转向"的方向

一个线性变换会把大多数向量又转又拉,方向乱套。但总有少数几个特殊方向,变换作用上去后方向纹丝不动,只是被拉长或压短(甚至反向)。这些方向叫特征向量,对应的拉伸倍数叫特征值 λ。它们是一个变换"骨子里的主轴"。

若 A v = λ v(v 非零),则 v 是 A 的特征向量,λ 是对应的特征值。意思:A 作用在 v 上,等于把 v 简单缩放 λ 倍,不改方向。

λ>1 拉长,0<λ<1 压短,λ<0 反向,λ=0 压扁到原点。整条过原点、沿 v 方向的直线上的向量,都是特征向量(同一个 λ)。

2 转一圈,亲手找出"特征方向"

拖滑块让蓝色向量 v 绕一圈。橙色是变换后的 Av。大多数角度,Av 会歪到 v 的旁边;只有转到某些特殊角度,Av 会和 v 精确共线——那一刻就锁定一个特征方向,并报出 λ。换不同矩阵,看特征方向有几条。

特征方向探测器

v 的角度

矩阵 = [[2,1],[1,2]] 状态 = 搜索中… 此刻 λ ≈ —

3 怎么算:特征方程 det(A − λI) = 0

不用靠转圈碰运气。Av = λv 改写成 (A − λI)v = 0。要有非零解 v,必须让矩阵 A − λI 不可逆,也就是行列式为零——这就给出求 λ 的方程。

特征方程:det(A − λI) = 0。解出 λ(可能多个),再对每个 λ 解 (A−λI)v=0 得特征向量 v。

以 A=[[2,1],[1,2]] 为例:det([[2−λ,1],[1,2−λ]]) = (2−λ)² − 1 = 0 → (λ−1)(λ−3)=0 → λ=1, 3。λ=3 对应方向 (1,1)、λ=1 对应 (1,−1),正是上面探测器里那两条线!

速记两招:特征值之和 = 矩阵对角线之和(迹 trace);特征值之积 = 行列式 det。上例:1+3=4=2+2(对),1×3=3=det(对)—— 可用来快速验算。

4 对角化:换到"特征基",变换就成了简单缩放

如果一个矩阵有足够多的独立特征向量,就能写成 A = P D P⁻¹:P 的列是特征向量,D 是装着特征值的对角矩阵。含义极美——在特征向量这套坐标系里看,这个复杂变换不过是沿各主轴独立地缩放。

P D P⁻¹ 的读法

P⁻¹ 先换到特征基,D 在每个主轴上各乘自己的 λ,P 再换回来。复杂变换被拆成"换坐标 → 纯缩放 → 换回来"。

算幂超省力

Aᵏ = P Dᵏ P⁻¹,而 Dᵏ 只是把对角线上每个 λ 各自 k 次方。算 A¹⁰⁰ 不再是噩梦,这对动力系统、马尔可夫链至关重要。

现实里的用途

主成分分析(PCA)找数据的"主轴"、振动系统的固有频率、网页排名、量子态——本质都是在找特征向量与特征值。

5 试三道(先想,再点)

三道题,点选项即时判;答题进度显示在右侧目录。

一句话带走:

特征向量是被变换"只缩放、不转向"的特殊方向,缩放倍数就是特征值 λ(Av=λv)。求法:解特征方程 det(A−λI)=0 得 λ,再解 (A−λI)v=0 得 v。验算:Σλ=迹、Πλ=det。有足够特征向量时可对角化 A=PDP⁻¹——在特征基下变换=各主轴独立缩放,算幂、解动力系统都变得轻而易举。

特征值、特征向量与对角化