矩阵论进阶知识

本文依据 方保镕、周继东、李医民《矩阵论》（第2版，清华大学出版社，2013） 的体系，梳理矩阵论的进阶理论与应用。教材分 上篇（基础篇） 与 下篇（应用篇） 共 8 章；本书将其中超出入门范围的内容加以归纳，并与姊妹篇 FundamentalsOfMatrixTheory.md 衔接。

前置阅读：FundamentalsOfMatrixTheory.md 已覆盖矩阵运算、行列式、秩、逆、特征值、基本分解与范数入门。本文在此基础上深入几何观点、标准形、广义逆、矩阵微积分及特殊矩阵等主题。

导读：与教材章节对照

教材章节	本文章节	核心进阶内容	基础篇对应
第1章矩阵的几何理论	§1	线性算子、内积空间、等积变换、埃尔米特理论	§1–§2、§6–§7
第2章 λ矩阵与 Jordan 标准形	§2	λ矩阵、Smith 型、不变因子、Jordan 块	§8（特征值）
第3章矩阵的分解	§3	LDU、极分解、谱分解、正规矩阵	§9
第4章赋范线性空间与矩阵范数	§4	范数公理、诱导范数、谱半径	§10
第5章矩阵微积分及其应用	§5	矩阵函数、矩阵求导、矩阵指数	—
第6章广义逆矩阵及其应用	§6	Moore–Penrose 伪逆、最小二乘	§4、§9 满秩分解
第7章几类特殊矩阵与特殊积	§7	非负矩阵、M 矩阵、Kronecker 积等	§6
第8章矩阵在数学内外的应用	§8	综合应用导引	§11

上篇基础篇

§1 矩阵的几何理论

教材强调：矩阵论是 多维高等数学——高等数学研究一维变量之间的函数关系，矩阵论研究多维向量（原像与像）之间的 线性算子 及其矩阵表示。

1.1 线性空间与线性算子

设 $V,W$ 为域 $\mathbb{F}$ （ $\mathbb{R}$ 或 $\mathbb{C}$ ）上的有限维线性空间，线性算子 $T: V \to W$ 满足

T(\alpha \mathbf{u} + \beta \mathbf{v}) = \alpha T(\mathbf{u}) + \beta T(\mathbf{v}), \qquad \forall \alpha,\beta \in \mathbb{F},\; \mathbf{u},\mathbf{v} \in V.

取 $V = \mathbb{F}^n$ ， $W = \mathbb{F}^m$ ，标准基 $\{\mathbf{e}_1,\ldots,\mathbf{e}_n\}$ ，则 $T$ 由 $m \times n$ 矩阵 $A$ 完全确定：

T(\mathbf{x}) = A\mathbf{x}, \qquad A = (T(\mathbf{e}_1)\;\middle|\; T(\mathbf{e}_2)\;\middle|\;\cdots\;\middle|\; T(\mathbf{e}_n)).

换基：若 $P$ 为 $V$ 中新基到旧基的过渡矩阵， $Q$ 为 $W$ 中类似过渡矩阵，则同一算子在新基下的矩阵为

B = Q^{-1} A P.

核与像（与 FundamentalsOfMatrixTheory.md §4 一致）：

概念	定义	维数关系
$\ker(T) = \ker(A)$	$T(\mathbf{x}) = \mathbf{0}$ 的解空间	$\dim\ker(A) + \text{rank}(A) = n$
$\text{im}(T) = \text{col}(A)$	$T$ 的值域，即 $A$ 的列空间	$\dim\text{im}(A) = \text{rank}(A)$

1.2 内积空间与等积变换

内积空间 $(V, \langle\cdot,\cdot\rangle)$ 在向量空间上增加内积，诱导范数 $\|\mathbf{x}\| = \sqrt{\langle\mathbf{x},\mathbf{x}\rangle}$ 与角度。

在 $\mathbb{R}^n$ 上常用 欧氏内积 $\langle\mathbf{x},\mathbf{y}\rangle = \mathbf{x}^T\mathbf{y}$ ；在 $\mathbb{C}^n$ 上用 标准内积 $\langle\mathbf{x},\mathbf{y}\rangle = \mathbf{x}^*\mathbf{y}$ 。

等积变换（保距变换）：线性算子 $T$ 满足 $\|T(\mathbf{x})\| = \|\mathbf{x}\|$ 对一切 $\mathbf{x}$ 成立。

域	等积变换的矩阵	条件
$\mathbb{R}$	正交矩阵 $Q$	$Q^TQ = I$
$\mathbb{C}$	酉矩阵 $U$	$U^*U = I$

几何意义：旋转、反射等不改变长度与夹角。实情形见 FundamentalsOfMatrixTheory.md §6。

1.3 埃尔米特变换与矩阵不等式

埃尔米特变换（ $\mathbb{C}$ ）/ 对称变换（ $\mathbb{R}$ ）：满足 $\langle T\mathbf{x},\mathbf{y}\rangle = \langle\mathbf{x},T\mathbf{y}\rangle$ ，矩阵形式为 $A^* = A$ （或 $A^T = A$ ）。

谱定理（埃尔米特情形）： $n$ 阶埃尔米特矩阵 $A$ 可酉对角化：

A = U \Lambda U^*, \qquad \Lambda = \text{diag}(\lambda_1,\ldots,\lambda_n) \in \mathbb{R}.

正定与半正定（深化 FundamentalsOfMatrixTheory.md §6–§7）：

类型	定义	等价条件（埃尔米特时）
正定	$\mathbf{x}^* A \mathbf{x} > 0$ ， $\forall \mathbf{x} \neq \mathbf{0}$	特征值全 $> 0$ ；存在可逆 $P$ 使 $A = P^*P$
半正定	$\mathbf{x}^* A \mathbf{x} \geq 0$	特征值全 $\geq 0$
负定	$\mathbf{x}^* A \mathbf{x} < 0$ ， $\forall \mathbf{x} \neq \mathbf{0}$	特征值全 $< 0$

矩阵不等式（Loewner 序）：对埃尔米特矩阵 $A,B$ ，记 $A \succ B$ （或 $A > B$ ）当 $A - B$ 正定； $A \succeq B$ 当 $A - B$ 半正定。

常用结论：

若 $A \succeq O$ ， $B \succeq O$ ，则 $A + B \succeq O$ 。
若 $A$ 埃尔米特，则 $\lambda_{\min}(A) \leq \mathbf{x}^* A \mathbf{x} / \mathbf{x}^*\mathbf{x} \leq \lambda_{\max}(A)$ 。
Rayleigh 商 $R(\mathbf{x}) = \dfrac{\mathbf{x}^* A \mathbf{x}}{\mathbf{x}^*\mathbf{x}}$ 的极值为最大、最小特征值。

§2 λ矩阵与 Jordan 标准形

当矩阵不可对角化时，特征值分解需推广为 Jordan 标准形。教材通过 λ矩阵 理论建立这一标准形。

2.1 λ矩阵

λ矩阵 $A(\lambda)$ ：元素为多项式 $a_{ij}(\lambda) \in \mathbb{F}[\lambda]$ 的矩阵。特别地，特征矩阵 $\lambda I - A$ 是 λ矩阵。

两种等价关系：

关系	变换	不变量
相抵	$A \sim B$ ：存在可逆 λ矩阵 $P,Q$ 使 $PAQ = B$	秩、不变因子
相似	$A \sim B$ ：存在可逆 $P$ 使 $P^{-1}AP = B$	特征多项式、初等因子、Jordan 形

2.2 Smith 标准形（相抵下）

对域 $\mathbb{F}$ 上秩为 $r$ 的 $m \times n$ λ矩阵 $A(\lambda)$ ，存在可逆 λ矩阵 $P,Q$ 使

PA(\lambda)Q = \text{diag}(d_1(\lambda),\ldots,d_r(\lambda),0,\ldots,0),

其中 $d_i(\lambda)$ 为 不变因子，满足 $d_i \mid d_{i+1}$ 且为首一多项式。

在 $\mathbb{Z}$ 上（整数矩阵情形，见 SimulationTest1_Answers.md）：用 初等行、列变换 化为对角形，对角元 $d_i \in \mathbb{Z}$ 满足 $d_i \mid d_{i+1}$ 。

初等因子：将不变因子在 $\mathbb{F}$ 上分解为不可约因子的幂，每个因子幂 $p(\lambda)^k$ 对应一个 Jordan 块。

2.3 Jordan 标准形（相似下）

对 $n$ 阶方阵 $A$ ，存在可逆 $P$ 使

P^{-1} A P = J = \text{diag}(J_{n_1}(\lambda_1),\ldots,J_{n_k}(\lambda_k)),

其中 Jordan 块

J_m(\lambda) = \begin{pmatrix} \lambda & 1 & & \\ & \lambda & \ddots & \\ & & \ddots & 1 \\ & & & \lambda \end{pmatrix}_{m \times m}

求法概要：

求特征多项式 $\det(\lambda I - A)$ ，得各特征值 $\lambda_i$ 及其 代数重数 $n_i$ 。
对每个 $\lambda_i$ ，求 几何重数 $g_i = n - \text{rank}(A - \lambda_i I)$ 。块的个数 $= g_i$ ，各块阶数之和 $= n_i$ ，二者联立确定块结构； $1 < g_i < n_i$ 时须进一步求 $\dim\ker(A-\lambda_i I)^k$ 的维数链。
或：对特征矩阵 $\lambda I - A$ 求 Smith 标准形，读初等因子 $(\lambda - \lambda_i)^{n_j}$ ，每个对应 $J_{n_j}(\lambda_i)$ 。

例 1（ $g_i = 1$ ）： $A = \begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}$ ，特征值 $\lambda = 2$ ， $n=2$ ， $g=1$ ，故恰有一个 $2$ 阶块：

A \sim J_2(2) = \begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}

例 2（ $1 < g < n$ ）： $A = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}$ ， $\lambda = 0$ ， $n=3$ ， $g=2$ 。记 $\nu_k = \dim\ker(A^k)$ ，则 $\nu_1 = 2$ ， $\nu_2 = 3$ 。阶数 $\geq k$ 的块数 $= \nu_k - \nu_{k-1}$ ：

$k=2$ ： $\nu_2 - \nu_1 = 1$ 个块 $\geq 2$ 阶 → 一个 $J_2(0)$ ，余下一个 $J_1(0)$ 。

A \sim \mathrm{diag}(J_2(0),\, J_1(0)) = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 0 \\ 0 & 0 & 0 \end{pmatrix}

可对角化的判据： $A$ 有 $n$ 个线性无关特征向量 $\Leftrightarrow$ 每个特征值的几何重数等于代数重数 $\Leftrightarrow$ Jordan 形为对角阵。

§3 矩阵的分解（深化）

FundamentalsOfMatrixTheory.md §9 已给出 LU、Cholesky、QR、特征值分解、SVD、满秩分解的分步算例。本节按教材补充 LDU、极分解 与 谱分解。

3.1 三角分解与 LDU 分解

LU 分解（Doolittle）： $A = LU$ ， $L$ 单位下三角， $U$ 上三角。

若 $A$ 为方阵且各顺序主子式均非零，还可写成 LDU 分解：

A = LDU,

$L$ 单位下三角， $D$ 对角， $U$ 单位上三角。 $D$ 的对角元为消元主元。

Crout 分解： $U$ 为单位上三角，主元记入 $L$ 的对角。

3.2 QR 分解与 Householder 法

Gram–Schmidt 正交化可手算 QR，但数值不稳定。工程实现常用 Householder 反射：

对列向量 $\mathbf{a}$ ，构造 $H = I - 2\mathbf{u}\mathbf{u}^T/\|\mathbf{u}\|^2$ ，使 $H\mathbf{a} = \|\mathbf{a}\|\mathbf{e}_1$ ，逐列消元得上三角 $R$ ， $Q = H_1 H_2 \cdots H_k$ 。

3.3 满秩分解与 SVD

满秩分解 $A = FG$ （ $F$ 列满秩 $m \times r$ ， $G$ 行满秩 $r \times n$ ）：行最简形主元列作 $F$ ，主元行作 $G$ 。详见 FundamentalsOfMatrixTheory.md §9。

奇异值分解 $A = U\Sigma V^T$ 与 极分解：

对任意 $m \times n$ 实矩阵 $A$ ，极分解为 $A = QP$ ， $Q$ 列正交（ $m \times n$ ）， $P$ 半正定（ $n \times n$ ）。
由 SVD： $A = U\Sigma V^T = (UV^T)(V\Sigma V^T)$ ，其中 $UV^T$ 在方阵情形为正交因子。

3.4 谱分解

正规矩阵： $AA^* = A^*A$ 。实情形即 $AA^T = A^TA$ （对称矩阵正规；正交矩阵亦正规）。

谱定理：正规矩阵可酉（实正交）对角化 $A = U\Lambda U^*$ 。

谱分解（特征投影形式）：设 $\lambda_1,\ldots,\lambda_k$ 为互异特征值， $P_i$ 为到特征子空间 $\ker(A - \lambda_i I)$ 的投影，则

A = \sum_{i=1}^{k} \lambda_i P_i, \qquad P_i P_j = \delta_{ij} P_i, \qquad \sum_i P_i = I.

单纯矩阵（可对角化矩阵）的谱分解即 $A = PDP^{-1}$ ， $P$ 的列为特征向量。

§4 赋范线性空间与矩阵范数

4.1 向量范数

范数 $\|\cdot\|: V \to \mathbb{R}$ 满足：

正定性： $\|\mathbf{x}\| \geq 0$ ，且 $\|\mathbf{x}\| = 0 \Leftrightarrow \mathbf{x} = \mathbf{0}$
齐次性： $\|\alpha\mathbf{x}\| = |\alpha|\|\mathbf{x}\|$
三角不等式： $\|\mathbf{x} + \mathbf{y}\| \leq \|\mathbf{x}\| + \|\mathbf{y}\|$

常用向量范数（ $\mathbf{x} = (x_1,\ldots,x_n)^T$ ）：

名称	定义	记号
1-范数	$\|\mathbf{x}\|_1 = \sum_i	x_i
2-范数	$\\|\mathbf{x}\\|_2 = \sqrt{\sum_i x_i^2}$	欧氏长度
$\infty$ -范数	$\|\mathbf{x}\|_\infty = \max_i	x_i

范数等价：有限维空间上任意两种范数等价，即存在 $c_1,c_2 > 0$ 使 $c_1\|\mathbf{x}\|_\alpha \leq \|\mathbf{x}\|_\beta \leq c_2\|\mathbf{x}\|_\alpha$ 。

4.2 矩阵范数

矩阵范数 除满足正定性、齐次性、三角不等式外，还需 次可乘性（相容性）：

\|AB\| \leq \|A\|\,\|B\|.

范数	定义	说明
Frobenius	$\|A\|F = \sqrt{\sum{i,j}	a_{ij}
谱范数（2-范数）	$\\|A\\|_2 = \sigma_{\max}(A)$	最大奇异值
1-范数	$\|A\|_1 = \max_j \sum_i	a_{ij}
$\infty$ -范数	$\|A\|_\infty = \max_i \sum_j	a_{ij}

诱导范数： $\|A\|_{(\alpha,\beta)} = \max_{\mathbf{x} \neq \mathbf{0}} \dfrac{\|A\mathbf{x}\|_\beta}{\|\mathbf{x}\|_\alpha}$ 。谱范数即由 2-范数诱导。

条件数（见 FundamentalsOfMatrixTheory.md §10）：

\kappa(A) = \|A\|\,\|A^{-1}\|, \qquad \kappa(A) \geq 1.

$\kappa$ 越大，解 $A\mathbf{x} = \mathbf{b}$ 对扰动越敏感。

下篇应用篇

§5 矩阵微积分及其应用

5.1 矩阵函数

对标量函数 $f$ ，方阵 $A$ 的 矩阵函数 $f(A)$ 通过 Jordan 形或谱分解定义：

若 $A = PJP^{-1}$ ，则 $f(A) = P f(J) P^{-1}$ ， $f(J)$ 对 Jordan 块逐块计算。
对 Jordan 块 $J_m(\lambda)$ ， $f(J_m(\lambda))$ 为上三角 Toeplitz 阵，对角元 $f(\lambda)$ ，上超对角为 $f'(\lambda), f''(\lambda)/2!, \ldots$

常用矩阵函数：

函数	定义	应用
$e^A$	矩阵指数	线性微分方程 $\dot{\mathbf{x}} = A\mathbf{x}$ 的解 $\mathbf{x}(t) = e^{At}\mathbf{x}(0)$
$\ln A$	矩阵对数（谱值 $>0$ 时）	协方差分解、流形优化
$A^{1/2}$	矩阵平方根（半正定 $A$ ）	Cholesky 的推广

矩阵指数：若 $A = U\Lambda U^{-1}$ 可对角化，则 $e^A = U \text{diag}(e^{\lambda_i}) U^{-1}$ 。

5.2 矩阵求导

设 $f: \mathbb{R}^{m \times n} \to \mathbb{R}$ 为标量函数。

常见结论（ $A \in \mathbb{R}^{m \times n}$ ， $\mathbf{x} \in \mathbb{R}^n$ ）：

\frac{\partial}{\partial A}\text{tr}(AB) = B^T, \qquad \frac{\partial}{\partial \mathbf{x}}(\mathbf{x}^T A \mathbf{x}) = (A + A^T)\mathbf{x},

\frac{\partial}{\partial A}\|A\|_F^2 = 2A, \qquad \frac{\partial}{\partial \mathbf{x}}\|A\mathbf{x} - \mathbf{b}\|_2^2 = 2A^T(A\mathbf{x} - \mathbf{b}).

最后一式即最小二乘梯度，用于优化与机器学习。

§6 广义逆矩阵及其应用

当 $A$ 不可逆甚至非方阵时，Moore–Penrose 伪逆 $A^+$ 推广了逆矩阵。

6.1 定义（Penrose 方程）

$A^+$ 是满足以下四式的唯一矩阵：

AA^+A = A, \quad A^+AA^+ = A^+, \quad (AA^+)^* = AA^+, \quad (A^+A)^* = A^+A.

性质：

情形	结果
$A$ 可逆	$A^+ = A^{-1}$
$A$ 列满秩	$A^+ = (A^A)^{-1}A^$
$A$ 行满秩	$A^+ = A^(AA^)^{-1}$
一般情形	由 SVD 或满秩分解计算

6.2 由满秩分解求 $A^+$

设 $A = FG$ （满秩分解， $\text{rank}(A) = r$ ），则

A^+ = G^T (GG^T)^{-1} (F^TF)^{-1} F^T.

分步算例见 SimulationTest1_Answers.md 第1题。

6.3 由 SVD 求 $A^+$

设 $A = U\Sigma V^T$ ， $\Sigma = \text{diag}(\sigma_1,\ldots,\sigma_r,0,\ldots)$ ， $\sigma_i > 0$ 。则

A^+ = V \Sigma^+ U^T, \qquad \Sigma^+ = \text{diag}\!\left(\frac{1}{\sigma_1},\ldots,\frac{1}{\sigma_r},0,\ldots\right).

6.4 线性方程组的应用

对 $A\mathbf{x} = \mathbf{b}$ ：

问题	解
相容（有解）	极小范数解 $\mathbf{x} = A^+\mathbf{b}$
不相容（最小二乘）	极小范数最小二乘解 $\mathbf{x} = A^+\mathbf{b}$

此时 $A\mathbf{x} = AA^+\mathbf{b}$ 为 $\mathbf{b}$ 在 $\text{col}(A)$ 上的正交投影。

§7 几类特殊矩阵与特殊积

7.1 非负矩阵与正矩阵

非负矩阵 $A \geq O$ ： $a_{ij} \geq 0$ 。正矩阵 $A > O$ ： $a_{ij} > 0$ 。

Perron–Frobenius 定理（正矩阵 $A$ ）：

存在唯一最大正特征值 $\rho(A)$ （谱半径），其余特征值模严格小于 $\rho(A)$ 。
$\rho(A)$ 对应正特征向量。
$\rho(A)$ 在连通正矩阵情形下为单特征值。

应用于 Markov 链、人口模型、PageRank 等。

7.2 M 矩阵与 H 矩阵

M 矩阵：可表示为 $A = sI - B$ ，其中 $B \geq O$ ， $\rho(B) < s$ 。等价地，非对角元 $\leq 0$ ，且 $A$ 的所有顺序主子式 $> 0$ （或等价条件之一成立）。

性质：M 矩阵非奇异，且 $A^{-1} \geq O$ 。用于偏微分方程离散、稳定性分析。

H 矩阵：其比较矩阵 $B$ （ $b_{ii}=a_{ii}$ ， $b_{ij}=-|a_{ij}|$ ， $i \neq j$ ）为 M 矩阵。

7.3 随机矩阵与双随机矩阵

随机矩阵（行随机）：各行和为 $1$ ，元素非负。描述概率转移。

双随机矩阵：行和、列和均为 $1$ ，元素非负。Birkhoff 定理：双随机矩阵是置换矩阵的凸组合。

7.4 循环矩阵与 Toeplitz 矩阵

Toeplitz 矩阵：每条对角线元素相同；循环矩阵 由第一行生成，可用 FFT 快速乘法，在信号处理中重要。

Hankel 矩阵：反对角线元素相同。

7.5 矩阵特殊积

积	定义	性质
Kronecker 积 $A \otimes B$	分块矩阵 $(a_{ij}B)$	$(A\otimes B)(C\otimes D) = AC \otimes BD$
Hadamard 积 $A \circ B$	逐元素相乘 $(a_{ij}b_{ij})$	保持对称性；Schur 积定理：半正定阵 Hadamard 积仍半正定
反积（Khatri–Rao）	列-wise Kronecker	张量分解

vec 技巧： $\text{vec}(ABC) = (C^T \otimes A)\text{vec}(B)$ ，将矩阵方程化为向量形式。

§8 矩阵在数学内外的应用

教材第 8 章贯穿各领域，此处归纳与本文各章的对应关系。

应用领域	所用矩阵工具	本文章节
数值线性代数	LU/QR/SVD、条件数、迭代法	§3、§4
常微分方程	$e^{At}$ 、Jordan 形	§2、§5
最小二乘与回归	$A^+$ 、QR、正规方程	§3、§6
控制理论	可控性矩阵、特征值、Lyapunov 方程	§1、§2、§7
图论与网络	邻接矩阵、Laplacian、随机矩阵	§7、FundamentalsOfMatrixTheory.md §11
信号与图像	Toeplitz、SVD 压缩、FFT	§3、§7
量子力学	埃尔米特算符、酉演化	§1
机器学习	梯度、伪逆、正定核矩阵	§5、§6、§7

附录 A：学习建议

先巩固基础篇：FundamentalsOfMatrixTheory.md 中的运算、秩、特征值、基本分解应熟练。
几何观点贯穿：每遇矩阵运算，追问其作为线性算子的几何意义（核、像、保距、谱）。
标准形是核心：Jordan 形解决"不可对角化"；Smith 形解决"λ矩阵相抵"。
分解即算法：LU/QR/SVD 不仅是理论，更是数值计算的基础（LAPACK）。
习题配套：教材附录含 15 套模拟自测；可参考 SimulationTest1_Answers.md 的解答风格。

附录 B：推荐阅读

资料	说明
方保镕、周继东、李医民《矩阵论》（第2版）	本文主依据
方保镕《矩阵论千题习题详解》	配套习题解答
FundamentalsOfMatrixTheory.md	本仓库入门篇
Golub & Van Loan, Matrix Computations	数值线性代数经典

小结：方保镕等《矩阵论》以 几何理论 为起点，经 λ矩阵与 Jordan 形 完成标准形理论，以 分解与范数 连接数值计算，再以 矩阵微积分、广义逆、特殊矩阵 支撑工程应用。掌握这一体系，即可从"会算矩阵"进阶到"理解矩阵作为多维线性工具"的本质。