Skip to content

线性代数II复习总纲

一、 空间几何与代数结构的映射

本模块建立基础的几何代数化表达，并通过矩阵秩的性质严谨判定几何关系。

1. 向量代数与李代数结构

  • 向量积（外积）：映射 \(V \times V \to V\)。结果向量与原两向量垂直，满足右手定则。

    • 反交换律：\(\vec{a} \times \vec{b} = - \vec{b} \times \vec{a}\)。

    • 雅可比恒等式（Jacobi Identity）：\((\vec{a} \times \vec{b}) \times \vec{c} + (\vec{b} \times \vec{c}) \times \vec{a} + (\vec{c} \times \vec{a}) \times \vec{b} = \mathbf{0}\)。

    • 注：上述性质表明三维向量空间在向量积下构成李代数结构，同构于矩阵换位子 \([A,B]=AB-BA\) 的代数结构。

  • 混合积：\((\vec{a}, \vec{b}, \vec{c}) = \vec{a} \cdot (\vec{b} \times \vec{c})\)。其绝对值等于三向量张成的平行六面体体积。混合积为 0 是三向量共面的充要条件。

2. 几何对象的方程表达与位置判定

  • 平面方程：点法式、一般式、截距式、三点式。利用平面束方程 \(\lambda F_1 + \mu F_2 = 0\) 可处理相交平面问题。

  • 直线方程：点向式（参数方程）、一般式（两平面交线）、两点式。

  • 位置关系判定的矩阵秩准则：将几何对象的交集问题转化为线性方程组 \(AX=b\) 的解的判定。

    • \(r(A) = r(\bar{A})\)：存在交集（相交、包含或重合）。

    • \(r(A) \neq r(\bar{A})\)：无交集（平行或异面）。

二、 线性空间的结构与对偶映射

本模块从整体空间深入至子空间结构，并引入泛函与对偶空间，建立空间与映射的内在同构。

1. 直和与商空间

  • 直和（\(\oplus\)）：若空间 \(V = U_1 + \dots + U_m\) 中零向量的分解是唯一的，则该和为直和。等价条件包括：交集为零集、维数可加（\(\dim V = \sum \dim U_i\)）、各子空间基的并集构成全空间基。

  • 商空间（\(V/U\)）：基于陪集 \(v + U\) 定义的线性空间。两个陪集相等 \(\iff v_1 - v_2 \in U\)。

    • 维数公式：\(\dim V/U = \dim V - \dim U\)。

  • 第一同构定理：对线性映射 \(T: V \to W\)，诱导映射 \(\tilde{T}: V/\ker T \to \text{im } T\) 是同构映射，即 \(V/\ker T \cong \text{im } T\)。由此导出秩-零化度定理：\(\dim V = \dim \ker T + \dim \text{im} T\)。

2. 对偶空间与零化子

  • 对偶空间（\(V'\)）：由 \(V\) 上所有线性泛函（映射到数域 \(\mathbb{F}\) 的线性映射）构成的空间。有限维时 \(\dim V' = \dim V\)。基 \(v_i\) 对应的对偶基 \(\varphi_j\) 满足 \(\varphi_j(v_i) = \delta_{ij}\)。

  • 零化子（\(U^0\)）：\(U^0 = \{\varphi \in V' \mid \varphi(u) = 0, \forall u \in U\}\)。满足维数公式：\(\dim V = \dim U + \dim U^0\)。

  • 对偶映射（\(T'\)）：由 \(T \in \mathcal{L}(V, W)\) 诱导的映射 \(T' \in \mathcal{L}(W', V')\)，定义为 \(T'(\varphi) = \varphi \circ T\)。

    • 性质对应：\(\ker T' = (\text{im } T)^0\)；\(\text{im } T' = (\ker T)^0\)。

    • 矩阵表示：在给定基与对偶基下，\(T'\) 的矩阵是 \(T\) 的矩阵的转置 \(A^T\)。

三、 算子的代数特征与多项式理论

本模块利用多项式环理论刻画线性算子的代数属性，为算子的对角化与标准型奠定基础。

1. 多项式理论与算子多项式

  • 带余除法与因式分解：欧几里得除法是多项式理论的基础。复数域 \(\mathbb{C}\) 上任意多项式可完全分解为一次因式；实数域 \(\mathbb{R}\) 上分解为一次与不可约二次因式。有理数域 \(\mathbb{Q}\) 上可用爱森斯坦（Eisenstein）判别法判定不可约性。

  • 算子多项式：对算子 \(T\)，多项式 \(p(T)\) 的零空间 \(\ker p(T)\) 和像空间 \(\text{im } p(T)\) 均为 \(T\)-不变子空间。

2. 特征值、迹与行列式

  • 特征值与特征向量：\(Tv = \lambda v\) (\(v \neq 0\))。属于互异特征值的特征向量线性无关。

  • 迹（Trace）与行列式（Determinant）：设算子 \(T\) 的全体特征值为 \(\lambda_1, \dots, \lambda_n\)（按代数重数计）。

    • \(\text{trace } T = \sum_{i=1}^n \lambda_i\) （矩阵主对角线元素之和）。

    • \(\det T = \prod_{i=1}^n \lambda_i\)。

  • 特征多项式：\(q(z) = \det(zI - T) = (z-\lambda_1)\dots(z-\lambda_n)\)。展开式为 \(z^n - (\text{trace } T)z^{n-1} + \dots + (-1)^n \det T\)。凯莱-哈密顿定理指出 \(q(T) = \mathbf{0}\)。

3. 极小多项式与可对角化判定

  • 极小多项式：零化算子 \(T\) 的次数最低的首一多项式，必整除特征多项式，且两者的根集合完全相同（仅重数不同）。

  • 对角化充要条件：

    • 全空间可分解为各特征子空间的直和（维数之和等于全空间维数）。

    • 算子的极小多项式无重根（仅含互异的一次因式）。

四、 内积空间的度量与算子分解

在引入内积 \(\langle \cdot, \cdot \rangle\) 后，空间具备了度量性质（范数与正交），且伴随算子的引入对线性算子进行了严格分类。

1. 正交性与里斯表示定理

  • 正交补（\(U^\perp\)）：全空间存在正交直和分解 \(V = U \oplus U^\perp\)。正交投影算子 \(P_U\) 满足 \(P_U^2 = P_U\) 且具有最佳逼近性质。

  • 里斯表示定理：有限维内积空间上，任意线性泛函 \(\varphi \in V'\) 存在唯一的 \(u \in V\)，使得 \(\varphi(v) = \langle v, u \rangle\)。此定理将对偶空间 \(V'\) 与原空间 \(V\) 内在绑定。

2. 伴随算子与特殊算子类

  • 伴随算子（\(T^*\)）：满足 \(\langle Tv, w \rangle = \langle v, T^*w \rangle\)。其矩阵在标准正交基下为共轭转置 \(A^H\)（实数域为 \(A^T\)）。伴随算子与对偶映射 \(T'\) 在结构上高度平行。

  • 算子分类：

    • 自伴算子（\(T=T^*\)）：特征值全为实数，特征子空间相互正交。

    • 正规算子（\(TT^* = T^*T\)）：满足 \(\|Tv\| = \|T^*v\|\)。自伴与等距算子均属此类。

    • 正算子（\(T=T^*\) 且 \(\langle Tv, v \rangle \ge 0\)）：存在唯一的正平方根算子 \(\sqrt{T}\)。

    • 等距算子（\(S^*S = I\)）：保范数、保内积。

3. 谱定理与结构分解

  • 谱定理（对角化的终极准则）：

    • 复内积空间中，算子可对角化（存在标准正交特征基） \(\iff\) \(T\) 为正规算子。

    • 实内积空间中，算子可对角化 \(\iff\) \(T\) 为自伴算子（对称矩阵）。

  • 极分解：任意算子均可分解为等距算子与正算子的复合：\(T = S\sqrt{T^*T}\)。

  • 奇异值分解（SVD）：算子 \(T\) 存在两组标准正交基 \((e_i)\) 与 \((f_i)\)，使得 \(Tv = \sum s_i \langle v, e_i \rangle f_i\)。奇异值 \(s_i\) 是正算子 \(\sqrt{T^*T}\) 的特征值。

五、 算子的标准型理论与 \(\lambda\)-矩阵

针对不具备良好对称性或无法完全对角化的算子，利用广义特征空间与 \(\lambda\)-矩阵理论探究其最简矩阵表示。

1. 广义特征空间与准素分解

  • 广义特征空间：\(G(\lambda_i, T) = \ker(T-\lambda_i I)^k\)。其维数等于该特征值的代数重数。

  • 准素分解定理：全空间可唯一分解为各广义特征空间的直和 \(V = \bigoplus G(\lambda_i, T)\)。限制算子在各子空间上表现为“纯量算子 + 幂零算子”。

2. Jordan 标准型（JCF）

  • 幂零算子与 Jordan 块：满足 \(N^k=0\)。存在 Jordan 链构成的基底，使其矩阵表示为主对角线全 0、超对角线全 1 的 Jordan 块。

  • 复数域上任意算子均存在 Jordan 基，使其矩阵成为分块对角阵，对角块为对应特征值的 Jordan 块。

  • 极小多项式中根的重数，严格等于该特征值对应的最大 Jordan 块的阶数。

3. \(\lambda\)-矩阵与不变因子

  • 特征矩阵（\(\lambda\)-矩阵）：\(\lambda E - A\)。两矩阵相似 \(A \sim B\) 的充要条件是它们的特征矩阵相抵（等价），即 \(\lambda E - A \simeq \lambda E - B\)。

  • 史密斯（Smith）标准型：通过初等变换，\(\lambda E - A\) 可化为对角阵 \(\text{diag}(1, \dots, 1, d_1(\lambda), \dots, d_r(\lambda))\)。

    • \(d_i(\lambda)\) 称为不变因子，且满足整除关系 \(d_1(\lambda) \mid d_2(\lambda) \mid \dots \mid d_r(\lambda)\)。

    • 最大的不变因子 \(d_r(\lambda)\) 即为算子 \(A\) 的极小多项式。全体不变因子的乘积即为特征多项式。

  • 不变因子可进一步分解为不可约多项式的幂次，称为初等因子。矩阵的初等因子集合完全决定了其 Jordan 标准型的结构。

  • 友矩阵（Companion Matrix）：与极小多项式对应的循环子空间，其限制算子矩阵呈现特定形式（次对角线为1，最后一列为多项式系数的反号）。

六、 线性代数的应用：线性常微分方程组

算子对角化与标准型理论在动力系统中具有核心应用。

  • 系统表达：常系数线性微分方程组 \(\frac{dX}{dt} = AX\)（其中 \(X(t)\) 为状态向量）。

  • 求解方法：寻找相似变换矩阵 \(P\)（由 \(A\) 的特征向量或 Jordan 基构成），使 \(P^{-1}AP = D\)（对角阵或 Jordan 标准型）。

  • 变量代换：令 \(X = PY\)，则原方程组解耦为 \(\frac{dY}{dt} = DY\)。分别积分求解 \(Y(t)\) 后，通过 \(X(t) = P Y(t)\) 恢复原系统的解（解析解涉及矩阵指数 \(e^{At}\) 的计算）。