• 1.摘要
  • 2.基本信息
  • 3.基本简介
  • 4.定义
  • 4.1.基本定义
  • 4.2.广义特征值
  • 5.计算方法
  • 6.基本应用
  • 6.1.求特征向量
  • 6.2.判断相似矩阵的必要条件
  • 6.3.判断矩阵可对角化的充要条件
  • 7.更多应用
  • 8.参考资料

特征值

数学术语

特征值是线性代数中的一个重要概念。在数学、物理学、化学、计算机等领域有着广泛的应用。设 A 是n阶方阵,如果存在数m和非零n维列向量x,使得 Ax=mx 成立,则称 m 是A的一个特征值(characteristic value)或本征值(eigenvalue)。非零n维列向量x称为矩阵A的属于(对应于)特征值m的特征向量或本征向量,简称A的特征向量或A的本征向量。

基本信息

  • 中文名

    特征值

  • 外文名

    Eigen value

  • 时间

    1904

  • 提出

    希尔伯特

  • 属于

    线性代数

  • 所属学科

    数学

基本简介

1/3

特征值是线性代数中的一个重要概念。在数学、物理学、化学、计算机等领域有着广泛的应用。设 A 是n阶方阵,如果存在数m和非零n维列向量 x,使得 Ax=mx 成立,则称 m 是A的一个特征值(characteristic value)或本征值(eigenvalue)。非零n维列向量x称为矩阵A的属于(对应于)特征值m的特征向量或本征向量,简称A的特征向量或A的本征向量。

定义

基本定义

设A为n阶矩阵,若存在常数λ及n维非零向量x,使得Ax=λx,则称λ是矩阵A的特征值,x是A属于特征值λ的特征向量。1

A的所有特征值的全体,叫做A的谱,记为image.

广义特征值

如将特征值的取值扩展到复数领域,则一个广义特征值有如下形式:Aν=λBν

其中A和B为矩阵。其广义特征值(第二种意义)λ 可以通过求解方程(A-λB)ν=0,得到det(A-λB)=0(其中det即行列式)构成形如A-λB的矩阵的集合。其中特征值中存在的复数项,称为一个“丛(pencil)”。

若B可逆,则原关系式可以写作image,也即标准的特征值问题。当B为非可逆矩阵(无法进行逆变换)时,广义特征值问题应该以其原始表述来求解。

如果A和B是实对称矩阵,则特征值为实数。这在上面的第二种等价关系式表述中并不明显,因为imageA矩阵未必是对称的。

计算方法

求n阶矩阵A的特征值的基本方法:

根据定义可改写为关系式imageimage为单位矩阵(其形式为主对角线元素为λ-image,其余元素乘以-1)。要求向量image具有非零解,即求齐次线性方程组image有非零解的值image。即要求行列式image。 解次行列式获得的image值即为矩阵A的特征值。将此值回代入原式求得相应的image,即为输入这个行列式的特征向量。

求矩阵的全部特征值和特征向量的方法如下:

第一步:计算的特征多项式;

第二步:求出特征方程的全部根,即为的全部特征值;

第三步:对于的每一个特征值,求出齐次线性方程组: