# Day 10｜特征值与特征向量：寻找系统的关键方向

矩阵常常同时混合多个变量。如果找到合适的坐标方向，原本耦合的变换就可能拆成更简单的独立作用。

## 一、特征值与特征向量

### 1. 特殊方向上的变换

$$
Av=\lambda v,\qquad v\ne0.
$$

v 是特征向量，$\lambda$ 是特征值。对实特征值，正数保持方向，负数翻转方向，绝对值决定长度缩放；零特征值把该向量映为零，此时输出没有方向。

非零倍数的 v 仍是特征向量，因此通常会归一化，但单位长度并不能消除符号与重特征空间中的基选择。

### 2. 如何求解与检查？

先解特征方程 $\det(A-\lambda I)=0$，再求 $(A-\lambda I)v=0$ 的非零解。

计入代数重数后，特征值之和等于迹，特征值之积等于行列式。它们可以用来检查结果，但不能代替完整的求解过程。

实矩阵不一定有实特征值，例如平面旋转；允许复数后，每个正维方阵都有特征值。

## 二、特征分解：把耦合系统换一个坐标表示

### 1. 对角化的含义

若 A 有完整的线性无关特征向量基，则：

$$
A=P\Lambda P^{-1}.
$$

先通过 $P^{-1}$ 转到特征坐标，再由对角矩阵 $\Lambda$ 分别缩放，最后用 P 转回。这就是把耦合关系拆开的代数方式；一般矩阵未必可对角化。

### 2. 实对称矩阵的优势

实对称矩阵的特征值都是实数，可以选取正交归一的特征向量基：

$$
A=Q\Lambda Q^T.
$$

不同特征值的特征向量互相正交。同一特征值空间里，可以用 Gram–Schmidt 等方法选择正交基，不代表任意两条向量天然正交。

### 3. Gram–Schmidt 正交化

从一组线性无关向量出发，逐个减去它在已有正交方向上的投影，再归一化。这样保持张成空间不变，同时得到更方便计算投影和坐标的正交基。

## 三、零特征值与零空间

$Av=0$、$v\ne0$ 表示存在被变换“抹去”的非零方向。对方阵，零特征值、非平凡零空间与不可逆是等价的。

但**可对角化不要求可逆**：对角矩阵完全可以含零元素。特征向量基矩阵 P 必须可逆，A 本身不一定可逆。

## 四、主要应用

### 1. PCA：保留数据变化最大的方向

先中心化数据，再求协方差矩阵。最大的若干特征值对应方差最大的方向，将数据投影到这些方向即可降维。

它能压缩表示、辅助可视化和去噪，但最大方差方向不一定最适合所有预测任务。

### 2. 振动：寻找固有模态

线性无阻尼系统可写为 $M\ddot x+Kx=0$。代入振动形式后得到广义特征问题：

$$
Kv=\omega^2Mv.
$$

v 描述振动模态，$\omega$ 是对应角频率。这是分析结构振动、弹簧系统和共振的重要工具。

### 3. 动态系统的稳定性

连续系统 $\dot x=Ax$ 的模态按 $e^{\lambda t}$ 演化；所有特征值实部严格小于零时，原点渐近稳定。

离散系统 $x_{t+1}=Ax_t$ 的模态按 $\lambda^t$ 演化；所有特征值的模严格小于一时，原点渐近稳定。边界情形需进一步分析，两个判据不能混用。

### 4. PageRank：稳定访问分布

网页链接形成随机游走，平稳访问概率对应转移矩阵特征值 1 的特征向量。具体使用左还是右特征向量，取决于概率向量与转移矩阵的约定。

### 5. 量子力学：算子的特征问题

能量本征方程写作 $\hat H\psi=E\psi$，E 是能量本征值，$\psi$ 是本征态。它把“寻找特殊方向”的思想推广到函数空间；算子不一定是有限维矩阵。

## 五、矩阵视角与解耦思想

矩阵既可以是方程系数、数据表，也可以是线性变换或状态转移规则。普通线性变换固定原点，平移则需用仿射变换或齐次坐标表达。

数学中的解耦是换坐标以简化相互作用；软件工程中的解耦则是减少模块不必要的依赖、明确接口。二者可作直觉类比，但具体方法和判据并不相同。