矩阵A的对角化
矩阵的对角化及其在高等数学中的应用
矩阵的对角化及其在高等数学中的应用矩阵是高等数学中的基础概念之一，它在解决线性方程组和矩阵变换问题中具有重要作用。
在实际问题中，矩阵常常需要进行对角化处理，以便更方便地求解问题。
本文将介绍矩阵的对角化及其在高等数学中的应用。
一、什么是矩阵的对角化对角化是指将一个矩阵变换为对角形式的过程，使得矩阵的主对角线上为非零元素，而其余元素均为零。
举个例子，一个2×2的矩阵A可以进行对角化，其对角化后的形式可以写成：> P^-1 * A * P = D其中P是一个可逆矩阵，D为对角矩阵。
对角矩阵只有主对角线上有非零元素，其他位置都为零。
通过对角化，矩阵变得更加简单，容易处理。
二、如何进行矩阵的对角化对于一个n×n的矩阵A，要进行对角化处理，需要满足以下条件：1.矩阵A必须有n个线性无关的特征向量，这些特征向量组成的矩阵可以写成P=[v1，v2，···，vn]。
2.对于对角矩阵D，其主对角线上的元素必须是矩阵A的n个特征值。
基于这些条件，可以得到矩阵A的对角化公式：> P^-1 * A * P = D其中P=[v1，v2，···，vn]，D=[λ1，λ2，···，λn]为对角矩阵。
λ1、λ2···λn为A的特征值，v1、v2···vn为对应的特征向量。
三、高等数学中的应用在高等数学中，矩阵的对角化在求解一些实际问题中具有重要作用。
1. 矩阵的对角化在求解差分方程中的应用线性差分方程是数学中的一种经典问题。
对于一个n阶线性差分方程，其解法是先对其进行离散化处理，变成一个线性方程组。
接着，对该线性方程组进行矩阵形式的表示，就可以得到一个n×n矩阵。
通过矩阵的对角化，可以将线性方程组解放到主对角线上，从而得到差分方程的通解。
2. 矩阵的对角化在离散傅里叶变换中的应用离散傅里叶变换是一种将时域上信号变换为频域上信号的重要算法。
矩阵的对角化
Λ
0
1
0
，则有
A PΛP1
0 0 0
1 1 0
从而
An
(PΛP 1)n
PΛn P 1
2
2
0
4 2 1
23
(3) f ( A) A3 3A2 A 2I Pf ( Λ)P1
f (1)
Hale Waihona Puke P
22
(2) 解方程组 (I A)x 0 ，得对应于 1 的2个 线性无关的特征向量 p1 (1, 2, 0)T , p2 (0, 0,1)T
解方程组 (0I A)x 0 ，得对应于 0
的1个线性无关的特征向量 p3 (1,1, 2)T
1 0 0
令
P ( p1, p2 , p3 )及
(3) 非零的实反对称矩阵不可能相似于实对角矩阵.
幂等矩阵
定义
设 A 为 n 阶方阵, 若满足 A2 A 则称 A 为幂等矩阵.
性质
(1) 幂等矩阵的特征值为0或1.
(2)
幂等矩阵一定相似于形如
Ir
0
0 0
的对称阵.
幂零矩阵
定义 设 A 为 n 阶方阵, 若满足 Am 0 (ｍ为正整数），则称
*
2
L
M M L
*
*L
n
则 1, 2 ,L , n
是A的全部特征值。
4
3.2.2 矩阵的对角化 定理3.6 n 阶矩阵A能相似于对角矩阵的充
分必要条件是A有n个线性无关的特征向量。 充分性 设方阵A的n个线性无关的特征向量
矩阵可相似对角化的条件课件
在数值分析中的应用
线性方程组的求解
通过矩阵相似对角化，可以将一个系 数矩阵转化为对角矩阵，从而简化线 性方程组的求解过程。
数值稳定性
在数值分析中，矩阵可相似对角化有 助于提高数值计算的稳定性，因为对 角矩阵的运算相对简单且误差较小。
在控制理论中的应用
系统稳定性分析
在控制理论中，系统的稳定性可以通 过分析系统的特征值来判定。如果系 统的矩阵可相似对角化，则可以通过 对角矩阵的特征值来快速判定系统的 稳定性。
最小多项式
最小多项式是矩阵相似对角化的另一 个重要条件。最小多项式是用于描述 矩阵的最小多项式和特征向量关系的 方程。如果一个矩阵的最小多项式存 在重根，则该矩阵无法通过相似变换 对角化。
VS
最小多项式的计算方法是通过求解特 征值对应的特征方程组，得到特征向 量，然后根据特征向量和特征值的关 系计算最小多项式。如果最小多项式 存在重根，则矩阵无法对角化。
实例
考虑一个4阶矩阵，其特征值为$lambda_1 = -3$、 $lambda_2 = -1$、$lambda_3 = 2$和$lambda_4 = 4$，对应的特征向量分别为α₁、α₂、α₃和α₄。如果这四 个特征向量线性无关，则矩阵可相似对角化。
THANKS
感谢观看
反证法
总结词
通过假设矩阵不可相似对角化，然后推导出 矛盾，从而证明矩阵可相似对角化。
详细描述
反证法是一种常用的证明方法，通过假设矩 阵不可相似对角化，然后推导出一些矛盾的 情况，如行列式值为零或特征多项式无重根 等，从而证明矩阵可相似对角化。这种方法
逻辑严谨，但需要一定的数学基础。
归纳 法
要点一
状态空间控制设计
在状态空间控制设计中，通过矩阵相 似对角化可以将复杂的系统分解为若 干个简单子系统，有助于简化控制器 的设计过程。
可对角化矩阵的充要条件
可对角化矩阵的充要条件
一个矩阵可对角化的充分必要条件是：该矩阵的特征值均不为0，且每个特征值对应的特征向量线性无关。
具体来说，对于一个n阶方阵A，如果存在一个可逆矩阵P，使得P^{-1}AP为对角矩阵，则称矩阵A可对角化。
充要条件包括：
1、A有n个线性无关的特征向量。
2、A的极小多项式没有重根。
3、A的Jordan标准型是全一的对角矩阵。
4、A的Smith标准型是全一的对角矩阵。
在实际应用中，可以通过计算矩阵的特征值和特征向量来判断矩阵是否可对角化。
如果特征值均不为0，且每个特征值对应的特征向量线性无关，则该矩阵可对角化。
如果特征值为0，或者某个特征值对应的特征向量线性相关，则该矩阵不可对角化。
矩阵对角化
引言在高等代数中，我们为了方便线性方程组的运算引入了矩阵的概念. 在线性方程组的讨论中我们看到，线性方程组的系数矩阵和增广矩阵反应出线性方程组的一些重要性质，并且解方程组的过程也表现为变换这些矩阵的过程.除线性方程组之外，在二次型中我们用矩阵研究二次型的性质，引入了矩阵合同、正定、负定、半正定、半负定等概念及其判别方法.在线性空间中用矩阵研究线性变换的性质，引入矩阵相似的概念，这是一种等价关系，利用它我们把矩阵分类，其中与对角矩阵相似的矩阵引起的我们的注意，由此我们对线性变换归类，利用简单的矩阵研究复杂的，方便我们看待问题，进而又引入对角型矩阵、λ矩阵及若尔当标准型.基本概念定义定义1 常以n m P ⨯表示数域P 上n m ⨯矩阵的全体，用E 表示单位矩阵.定义2 n 阶方阵A 与B 是相似的，如果我们可以找到一个n 阶非奇异的方阵矩阵T n n P ⨯∈，使得AT T B 1−=或者BT T A 1−=.根据定义我们容易知道相似为矩阵间的一个等价关系：①反身性：AE E A 1−=； ②对称性：若A 相似于B ，则B 相似于A ； ③传递性：如果A 相似于B ，B 相似于C ，那么A 相似于C . 定义3 n 阶方阵A 与B 是合同的，如果我们可以找到一个n 阶非奇异方阵T n n P ⨯∈，使得B =T T AT 或者BT T A T =.根据定义我们容易知道合同也为矩阵间的一个等价联系：①反身性：A =AE E T ；②对称性：由AT T B T =即有11)(−−=BT T A T ；③传递性：由111AT T A T=和2122T A T A T =有)()(21212T T A T T A T =.定义4 式为⎪⎪⎪⎪⎪⎭⎫⎝⎛⋯⋯⋯m b b b 000000021的m 阶方阵叫对角矩阵，这里i b 是数（),2,1m i ⋯⋯=. 定义5 方阵A n n P ⨯∈，若BT T A 1−=，T 非奇异，B 是对角阵，则称A 可相似对角化. 定义6 方阵A n n P ⨯∈，若BT T A T =，T 非奇异，B 是对角阵，则称A 可合同对角化.定义7 矩阵的初等变换：⑴互换矩阵的第i 行(列)于j 行(列)； ⑵用非零数c P ∈乘以矩阵第i 行(列)；⑶把矩阵第j 行的t 倍加到第i 行.定义 8 由单位矩阵经过一次初等行(列)变换所得的矩阵称为初等矩阵. 共有三种初等矩阵：①单位矩阵经过初等变换⑴得),(j i P 且),(),(1j i P j i P =−；②单位矩阵经过初等变换⑵得))((t i P 且)/1(())((1t i P t i P =−；③单位矩阵经过初等变换⑶得))(,(t j i P 且))(,())(,(1t j i P t j i P −=− 定义9 设方阵n n P B ⨯∈，若E B =2，就称B 为对合矩阵。
考研数学线代5矩阵的对角化
a1b1 a2b2 an bn ，再由前面特征值
的性质： 1 2 n a11 a22 ann 从而可得：
T
a1b1 a2b2 an bn 是 A 的特征值，重数是 1，而 0 特征值其重数
0 特征值对应的特 a1b1 a2b2 an bn 对应的特征向量是 k；
2 3 2 0，注意 0， 2 3 2 0 1或 2 。
例2 设
A是n阶矩阵（A是实对称矩阵）P是n阶可逆矩阵，已知n维列向量是A 的属于
特征值 的特征向量，则矩阵 P 1 AP 属于特征值 的特征向量是：
T
（1） P 1 ； （3） P ；
矩阵的对角化
一 、矩阵的特征值和特征向量 1 定义： A 是一个 n 捷矩阵， 是一个非零列向量，若存在一个数 0 ，使得：
A 0
则称 0 是 A 的特征值， 称为属于 0 的特征向量。 2 相关的概念 （1）特征矩阵： E A; （2）特征多项式： f ( )
E A ; E A 的根，也就是特征值；
1 2 n a11 a22 ann tr ( A)
1 2 n A
4 A 可逆的充分必要条件是 A 的特征值均不为 0；
，n 是 A 的特征值，则 E kA 的特征值为 k1， - k2 , - kn ， 5 若 1，2， E kA k1 k2 kn ；
， n 与 1， 2， ， n 的对应关系； 注意：上述中 P 的列向量 P的列向量 1， 2，
由此可以得到：
4 相似变换矩阵 P 不是唯一的，对角矩阵的形式不是唯一的。
矩阵对角化问题总结
矩阵对角化问题总结矩阵对角化是线性代数中的一个重要概念，它在很多数学和工程领域中都有广泛应用。
对角化可以把一个矩阵转化为对角矩阵的形式，简化了计算和分析的过程。
本文将对矩阵对角化的定义、条件以及计算方法进行总结。
首先，矩阵对角化的定义如下：对于一个n × n的矩阵A，如果存在一个可逆矩阵P，使得我们可以得到对角矩阵D，则称矩阵A是可对角化的。
其中，对角矩阵D的非零元素是A的特征值，且按照相应的特征值的重数排列。
为了判断一个矩阵是否可对角化，我们需要满足以下条件：1. 矩阵A必须是一个方阵（即行数等于列数）。
2. 矩阵A必须具有n个线性无关的特征向量，对应于n个不同的特征值。
当满足上述条件时，我们可以通过以下步骤进行矩阵对角化：1. 求出矩阵A的特征值，即解A的特征方程det(A-λI) = 0，其中I是单位矩阵。
2. 对每个特征值λ，解方程组(A-λI)X = 0，求得对应的特征向量X。
3. 将特征向量按列组成矩阵P。
4. 求出特征值构成的对角矩阵D。
需要注意的是，在实际求解矩阵对角化问题时，可能会遇到以下情况：1. 矩阵A的特征值重数大于1。
在这种情况下，我们需要确保对应于相同特征值的特征向量线性无关。
2. 矩阵A不可对角化。
这意味着矩阵A无法被相似变换为对角矩阵。
这可能发生在矩阵A的特征向量不足以构成一组基的情况下。
矩阵对角化在很多应用中具有重要意义，它简化了矩阵的计算和分析过程。
对角矩阵具有很好的性质，例如幂运算和指数函数的计算变得更加简单。
此外，在线性系统的稳定性和动态响应的分析中，矩阵对角化也起到了关键的作用。
总之，矩阵对角化是一个重要而又广泛应用的概念。
本文对矩阵对角化的定义、条件以及计算方法进行了总结，并提到了在实际问题中可能会遇到的情况。
了解矩阵对角化的概念和方法，对于深入理解和应用线性代数具有重要意义。
矩阵对角化
定理3 定理 数域 P上 n 维线性空间 上线 上 维线性空间V上线 性变换 A 若在 P 中互异特征值的全体
λ1 , λ2 ,⋯, λs 且
dimVλ i = r i =1,2,⋯, s
则 A 关于 V 的某组基的矩阵为对角形
可知。 证：由定理2可知。 由定理 可知
重特征根,则 重特征根 命题1 命题 设 λ0 是线性变换A的k重特征根 则 dim Vλ ≤ k
∴ diag [5 , − 1, − 1] 即为A 在基 ξ1,ξ2 ,ξ3 下的矩阵。 下的矩阵。
（2）能 ）
∵ [ξ1 , ξ 2 , ξ 3 ] = [ε1 + ε 2 + ε 3 , ε1 − ε 3 , ε 2 − ε 3 ]
1 1 0 = [ε1 , ε 2 , ε 3 ] 1 0 1 1 − 1 − 1
于是（2）-（3）得： 得 于是 k1 (λs − λ1 )ξ1 + k 2 (λs − λ2 )ξ 2 + ⋯ + k s −1 (λs − λs −1 )ξ s −1 = 0 由假设可知 k1 − k 2 = ⋯ = k s − 1 = 0 代入（1）有 ksξs = 0 ∴ks = 0 有 代入 推论1: 个不同的特征值， 推论 若 A 有 n 个不同的特征值， 在某组基下的矩阵是对角阵。 则 A 在某组基下的矩阵是对角阵。
0
记 证:设 dim Vλ = t ,记 Vλ 的一组基为 设 ξ1 , ξ 2 , ⋯ξ t , 将它扩充成 V 的一组基 ξ1 ,
0
0
⋯, ξ t , ξ t +1 , ⋯, ξ n , 则 A 关于此基的矩阵为
λ0 Et B = O
C D
矩阵对角化问题
返回
结束
2 (2) A E
3
1 3 0
2 3 2
5 1
2 1 2 A 5 3 3 1 0 2
1 0
3 A E 5 1
1 2 3 1.
2
2 4 2
(1) A E 2
2 7 0
得 1 2 2, 3 7
目录 上页 下页 返回 结束
当 1 2 2 时，齐次线性方程组为 A 2 E X 0
1 2 2 1 2 2 A 2 E 2 4 4 0 0 0 2 4 4 0 0 0 2 2 p1 1 , p2 0 . 得基础解系 0 1 当 3 7 时，齐次线性方程组为 A 7 E X 0 1 1 0 8 2 2 2 2 5 4 0 1 1 A 7E 0 0 0 2 4 5
(1)求出A的所有特征值 1 , 2 ,, t , 其重数分别为 n1 , n2 ,, nt , (2)对每一个 i , 求出 (i E A) x 0的基础解系 i 1 , i 2 ,, i ,
ni
从而得对应 i 的 ni 个线性无关的特征向量
i1 , i 2 ,, i , 其中i 1,2,, t.
第五章 矩阵对角化问题
1. 方阵对角化的概念 对n 阶矩阵 A ， 寻找相似变换矩阵 P ，使
P 1 AP (为对角阵)
这就称为把方阵 A 对角化. 说明 如果能找到可逆矩阵 P ，使 P 1 AP ，则 A可对角化；
矩阵a可对角化的充要条件
矩阵a可对角化的充要条件矩阵a可对角化的充要条件引言矩阵的对角化是线性代数中一个重要的概念，能够简化矩阵的计算和分析过程。
在研究矩阵可对角化的条件时，我们需要探讨其充要条件。
充分条件矩阵a可对角化的充分条件是存在一个可逆矩阵P，使得矩阵P-1AP为对角矩阵。
即：P<sup>-1</sup>AP = D其中D为对角矩阵，其主对角线元素为矩阵a的特征值。
必要条件矩阵a可对角化的必要条件是矩阵a有n个线性无关的特征向量，其中n为矩阵a的维数。
充要条件的证明充分性证明对于矩阵a可对角化的充分条件，我们需要证明存在一个可逆矩阵P，使得矩阵P-1AP为对角矩阵。
假设矩阵a的特征值为λ1, λ2, …, λn，对应的特征向量为v1, v2, …, vn。
我们可以将特征向量按列放在一个矩阵中，记作P=[v1, v2, …, vn]由于特征向量v1, v2, …, vn是线性无关的，矩阵P是可逆的。
我们可以计算P-1AP：P<sup>-1</sup>AP = [P<sup>-1</sup>v<sub>1</sub>, P< sup>-1</sup>v<sub>2</sub>, ..., P<sup>-1</sup>v<sub>n</s ub>] [λ<sub>1</sub>v<sub>1</sub>, λ<sub>2</sub>v<sub>2</ sub>, ..., λ<sub>n</sub>v<sub>n</sub>] = [λ<sub>1</sub>P <sup>-1</sup>v<sub>1</sub>, λ<sub>2</sub>P<sup>-1</sup>v <sub>2</sub>, ..., λ<sub>n</sub>P<sup>-1</sup>v<sub>n</s ub>]由于P是可逆矩阵，P-1v1, P-1v2, …, P-1vn也是线性无关的特征向量，且它们对应的特征值分别为λ1, λ2, …, λn。
矩阵对角化公式
矩阵对角化公式矩阵对角化是线性代数中的重要概念，它提供了一种将一个矩阵表示为对角矩阵的方法，使得矩阵的运算更加简化。
在本文中，我们将介绍矩阵对角化的基本概念、判定条件以及计算方法。
1. 矩阵对角化的基本概念一个n×n矩阵A可对角化，意味着存在一个可逆矩阵P和一个对角矩阵D，使得A=PDP^{-1}。
其中，D是由A的特征值组成的对角矩阵。
2. 判定矩阵可对角化的条件一个n×n矩阵A可对角化的条件是：- 矩阵A有n个线性无关的特征向量；- 矩阵A的每个特征值都有对应的正交归一化特征向量。
3. 计算矩阵的特征值和特征向量要计算一个矩阵A的特征值和特征向量，可以遵循以下步骤：- 计算矩阵A的特征多项式det(A-λI)，其中λ是一个未知数，I是单位矩阵；- 解特征多项式的根，即特征值λ；- 将特征值代入方程A-λI的解空间中，求解特征向量。
4. 矩阵对角化的计算过程对于可对角化的矩阵A，可以按以下步骤进行对角化：- 对矩阵A进行特征值分解，得到特征矩阵V和对角矩阵D；- 计算可逆矩阵P，使得A=V^{-1}DVP；- 可以通过相似变换将矩阵A对角化，P表示变换矩阵。
5. 对角化与矩阵的性质对角矩阵的特点是非常简单的，可以很容易地计算幂、指数和逆矩阵等运算。
因此，对角化使得矩阵的运算更加简化。
6. 矩阵对角化的应用矩阵对角化在许多领域都有广泛应用，包括物理、工程和数据分析等。
例如，在量子力学中，矩阵对角化可以把含有多个粒子态的哈密顿矩阵表示成一组分立的单粒子能级。
总结：矩阵对角化是线性代数中一个重要的概念，它提供了将一个矩阵表示为对角矩阵的方法。
这篇文章介绍了矩阵对角化的基本概念、判定条件及计算方法，还讨论了对角化的计算过程、矩阵的性质以及应用领域。
对角化简化了矩阵的运算，并且在许多领域有广泛的应用。
矩阵a可对角化的充要条件(一)
矩阵a可对角化的充要条件(一)矩阵a可对角化的充要条件引言在线性代数中，矩阵的对角化是一个重要的概念。
当一个矩阵能够通过相似变换，转化为一个对角矩阵时，我们称它是可对角化的。
矩阵的对角化在许多应用中都扮演着重要的角色。
本文将讨论矩阵a可对角化的充要条件。
充分条件一个矩阵a可对角化的充分条件是：a由n个线性无关的特征向量组成。
对于一个n阶矩阵a，如果它具有n个线性无关的特征向量，那么它就可以被对角化。
由于特征向量是相应特征值的根，每个特征向量都可以对应到一个不同的特征值。
因此，通过将这些特征向量组成矩阵P，将特征值组成对角矩阵D，可以将矩阵a用P和D进行对角化。
必要条件一个矩阵a可对角化的必要条件是：a有n个不同的特征值。
当一个矩阵a可以被对角化时，它必然有n个不同的特征值。
因为如果矩阵a的特征值重复，就会导致特征向量无法构成n个线性无关的向量，从而无法对角化。
因此，矩阵a有n个不同的特征值是它可对角化的必要条件。
矩阵可对角化的判定方法除了以上充分条件和必要条件外，我们还可以通过矩阵的代数重数和几何重数来判定矩阵是否可对角化。
•矩阵的代数重数是指特征多项式重根的个数。
如果矩阵的每个特征值的代数重数等于它的几何重数，则矩阵可对角化。
•矩阵的几何重数是指相应于一个特征值的特征向量的个数。
如果矩阵的每个特征值的几何重数等于它的代数重数，则矩阵可对角化。
通过计算矩阵的特征多项式的根和特征向量的个数，我们可以判定矩阵是否可对角化。
总结矩阵a可对角化的充分条件是由n个线性无关的特征向量组成，而必要条件是具有n个不同的特征值。
此外，我们还可以通过矩阵的代数重数和几何重数来判定矩阵是否可对角化。
对于创作者来说，了解矩阵的对角化条件是很重要的基础知识，它能够帮助我们更好地理解线性代数中的概念和定理，从而为我们的创作提供更多可能性。
希望本文能给大家带来一些帮助。
矩阵可对角化的充要条件
矩阵可对角化的充要条件引言矩阵对角化是矩阵理论中的一个重要概念，它能够让我们更好地理解矩阵的性质和运算。
在实际应用中，对角化可以简化计算和分析过程，因此对于一个矩阵是否可对角化的问题，是值得我们深入研究和探讨的。
本文将探讨矩阵可对角化的充要条件，通过理论推导和实例分析，将会全面、详细、完整地讲解矩阵可对角化的各种情况及其判定条件。
I. 列举与分析矩阵的特殊情况为了更好地理解什么样的情况下一个矩阵可对角化，我们先来列举一些特殊的矩阵情况，并分析它们是否可对角化。
1. 对角矩阵对角矩阵是指主对角线以外的元素都为零的矩阵。
例如：[ A =]对于任意的对角矩阵，由于它的非零元素只存在于主对角线上，所以它必然是一个可对角化的矩阵。
2. 对称矩阵对称矩阵是指矩阵的转置等于其本身的矩阵。
例如：[ B =]对于任意的对称矩阵，它必然是一个可对角化的矩阵。
这是因为对于对称矩阵，其特征值都是实数，且对应不同特征值的特征向量是相互正交的，因此可以通过特征向量的线性组合来表示整个矩阵。
3. 可逆矩阵可逆矩阵是指存在逆矩阵的矩阵。
例如：[ C =]对于任意的可逆矩阵，它必然是一个可对角化的矩阵。
这是因为可逆矩阵的特征值都是非零的，且可逆矩阵可以表示为一个对角矩阵和一个正交矩阵的乘积，而正交矩阵的转置等于其逆矩阵，因此可逆矩阵可以通过正交矩阵的逆变换为对角矩阵。
II. 可对角化的充分条件在上一节中，我们列举了一些特殊的矩阵情况，并发现它们对应的矩阵都是可对角化的。
接下来，我们将推导出可对角化的充分条件，并用定理的形式表述出来。
定理1对于一个n阶矩阵A，如果它有n个线性无关的特征向量，那么A是可对角化的。
证明：假设A有n个线性无关的特征向量，分别为v1, v2, …, vn，相应的特征值分别为λ1, λ2, …, λn。
根据特征值与特征向量的定义，我们可以得到以下等式：Av1 = λ1v1Av2 = λ2v2…Avn = λnv现在，我们将这n个特征向量构成一个矩阵V，即：V = [v1, v2, …, vn]同时，将这n个特征值构成一个对角矩阵Λ，即：Λ = []根据上述等式，我们可以得到：AV = [Av1, Av2, …, Avn] = [λ1v1, λ2v2, …, λnvn] = VΛ由于V是一个可逆矩阵（因为v1, v2, …, vn是线性无关的），所以可以将上述等式两边都左乘V的逆矩阵V^-1，得到：AVV^-1 = VΛV^-1即：A = VΛV^-1因此，我们证明了如果一个n阶矩阵A有n个线性无关的特征向量，那么A是可对角化的。
矩阵的对角化计算方法和例子
矩阵的对角化计算方法和例子矩阵对角化是矩阵理论中的基础概念，它是将一个矩阵A转换成一个对角矩阵D的过程，即找到一个可逆矩阵P，使得PAP⁻¹=D，其中D 为对角矩阵，其非零元素为原矩阵A的特征值，P的列向量为A的对应特征值的特征向量。
接下来我们将介绍两种常见的矩阵对角化计算方法，以及一个简单的例子。
一、矩阵对角化的计算方法1. 直接计算法通过计算特征值和特征向量，可以直接得到对角矩阵。
具体步骤如下：（1）求出矩阵A的特征值λ1、λ2、... 、λn；（2）对于每一个特征值λi，求出相应的特征向量xi；（3）将特征向量按列排成矩阵P=[x1,x2, ... ,xn]，则A可以被对角化为P⁻¹AP=D，其中D是由特征值组成的对角矩阵。
2. 相似矩阵法将矩阵A转化为一个相似矩阵B，使得B是对角矩阵，即B=[diag(λ1,λ2, ... ,λn)]。
具体步骤如下：（1）求出矩阵A的特征值λ1、λ2、... 、λn；（2）对于每一个特征值λi，求出相应的特征向量xi；（3）将特征向量按列排成矩阵P=[x1,x2, ... ,xn]，则A可以被对角化为B=P⁻¹AP。
二、矩阵对角化的例子考虑矩阵A=[1 22 1]首先求出A的特征值：|A-λI|=(1-λ)²-4=λ²-2λ-3=(λ-3)(λ+1)所以A的特征值为λ1=3和λ2=-1。
接下来求出A的特征向量：当λ1=3时，解方程组(A-λ1I)x=0得到x1=[1-1]，当λ2=-1时，解方程组(A-λ2I)x=0得到x2=[11]。
将特征向量按列排成矩阵P=[x1,x2]，则A可以被对角化为P⁻¹AP=D=[3 00 -1]。
因此，矩阵A可以被对角化，对角矩阵为D，可逆矩阵为P。
第2节 矩阵可对角化的条件、实对称矩阵的对角化
注： ①实对称矩阵一定可以对角化（与对角矩阵
相似），且正交相似于对角矩阵.
② 对于实对称矩阵A，使T 1 AT diag (1 , 2 , , n ) 成立的正交矩阵不是唯一的．
§2 矩阵可对角化的条件、实对称矩阵的对角化
实对称矩阵正交相似实对角矩阵步骤
(i) 求出A的所有不同的特征值：1 , 2 ,, m R,
P AP 就是对角矩阵，对角矩阵对角线上元素是A的
互不相等的特征值.
1
§2 矩阵可对角化的条件、实对称矩阵的对角化
例2. 问A是否可对角化？若可，求可逆矩阵P，使
1 2 2 P 1 AP 为对角矩阵. 这里 A 2 2 4 2 4 2
解: A的特征多项式为
其中 x i 为 xi 的共轭复数，
又由A实对称，有 A A, AT A, 于是
T
A A A
T T T T T
A A A
( ) 0
§2 矩阵可对角化的条件、实对称矩阵的对角化
其重数 n1 , n2 ,, nm 必满足
ni n ;
i 1
m
(ii) 对每个 i ，解齐次线性方程组 (i E A) x 0
求出它的一个基础解系： i 1 , i 2 , , iki ( i 1,2,, m )
它是A的属于特征值 i 的特征向量． 把它们按 Schmidt 正交化过程化成两两正交的单位特 征向量 1 ,2 ,,n .
定义1：矩阵A是一个 n 阶方阵，若存在可逆矩阵
P ，使 P 1 AP 为对角矩阵，即A与对角矩阵相似，则
称矩阵A可对角化. 定理1 ：设矩阵A 是一个 n 阶方阵，则A可对角化
对角矩阵的对角化方法总结
ξ4对角矩阵的对角化
性质1对称矩阵的特征值为实数.
性质2设21,λλ是对称矩阵A 的两个特征值，21,p p 是对应的特征向量.若21λλ≠，则1p 与2p 正交.
定理5设A 为n 阶对称矩阵，则必有正交矩阵P ,使Λ==-AP P AP P T 1,其中Λ是以A 的n 个特征值为对角元的对角矩阵.
推论设A 为n 阶对称矩阵，λ是A 的特征方程的k 重根，则矩阵E A λ-的秩k n E A R -=-)(λ，从而对应特征值λ恰有k 个线性无关的特征向量.对称矩阵A 对角化的步骤：
（ⅰ）求出A 的全部互不相等的特征值s λλ,,1 ，它们的重数依次为)(,,11n k k k k s s =++ .
（ⅱ）对每个i k 重特征值i λ，求方程0)(=-x E A i λ的基础解系，得i k 个线性无关的特征向量.再把它们正交化、单位化，得i k 个两两正交的特征向量.因n k k s =++ 1，故总共可得n 个两两正交的单位特征向量.（ⅲ）把这n 个两两正交的单位特征向量构成正交矩阵P ,便有Λ==-AP P AP P T 1.注意Λ中对角元的排列次序应与P 中列向量的排列次序相对应.
例12设
⎪⎪⎪⎭
⎫ ⎝⎛--=011101110A ,求一个正交矩阵P ，使Λ=-AP P 1为对角矩阵.
例13设⎪⎪⎭⎫ ⎝⎛--=2112A ,求n A .。
第五章矩阵的对角化
所以1 , 2 , 3线性无关.
2 1 2 ( 2) A 5 3 3 1 0 2 2 1 A E 5 1 3 0
2
3 3 1 2
所以A的特征值为1 2 3 1. 把 1代入 A E x 0, 解之得基础解系 T (1,1,1) ,
0 1 2 5 100 2 3 1 1 5 52
100
5 2101
2. 求行列式
例5：设 A 是 n 阶方阵，2,4, 计算 A 3 E .
,2n 是A 的 n个特征值，
解：
已知 A 有 n 个不同的特征值，所以 A 可以对角化，
即存在可逆矩阵 P , 使得 2 P 1 AP 1
说明 如果 A 的特征方程有重根，此时不一定有 n个线性无关的特征向量，从而矩阵 A不一定能 对角化，但如果能找到 n个线性无关的特征向量， A 还是能对角化．
可逆矩阵 P就 是 以 这 n个 线 性 无 关 的 特 征 向 量 作为列向量而成的。
定 理3、 设 0 是n阶 方 阵 A的 一 个 k重 特征值，则 A的 属 于 特 征 值 0的 特 征 向 量 中 ， 极 大 线 性 无 关 组含 包的 向 量 个 数 不 多 于k个 。 即 齐 次 线 性 方 程 组 （ 0 E A）x 0 的 基 础 解 系 包 含 的 向个 量数 最 多 有 k个 。
定理2、设λ 1，λ2， λm 是方阵A的m个互不相 同的特征值，α i1 , α , α i2 , isi 是A的属于特征值λ i (i 1,2,,m)的线性无关的特征 向量，则有所有 这些特征向量组成的向 量组 α ，α1s1, α21 , α22 , , α2s2 , , αm1 , 11，α 12， αm2 , , αms m 是线性无关的。
7.6 可对角化矩阵
的特征多项式是
−3
2
−3
−2
1
+2
−2 = 3 − 12 + 16 = ( − 2)2
−6
+1
特征根是 2，2，－4.
对于特征根－4，求出齐次线性方程组
−7 −2
2 −2
−3 −6
的一个基础系
1
2
, − ,1
3
1
−2
−3
1
0
2 = 0
3
0
对于特征根 2，求出齐次线性方程组
−
根据归纳法假设， 1 , 2 , ⋯ , −1 线性无关，所以
( − ) = , = , , ⋯ , − .
但 1 , 2 , ⋯ 两两不同，所以 1 = 2 = ⋯ = −1 = 0 ，再代入（3），
因为 ≠ 0, 所以 = 0. 这就证明了 , , ⋯ , 线性无关。
()
+ + ⋯ + = . ∈ ,
推论7.6.2 设σ是数域F上向量空间V的一个线性变换， 1 , 2 , ⋯ , 是σ的
互不相同的特征值。又设 1 , ⋯ , , = 1, ⋯ , , 是属于特征值 的线性
无关的特征向量, 那么向量 11 , ⋯ , 11 , ⋯ , 1 , ⋯ , 线性无关.
如果等式
()
+ + ⋯ + = . ∈ ,
成立，那么以 乘（3）的两端得
()
+ + ⋯ + = .
另一方面，对（3）式两端施行线性变换σ，
注意到等式（2），我们有
()
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
1
现代控制理论（状态空间方法）的特点
统一表达和处理单、多变量系统，可以分析时变系 统和非线性系统；
核心是状态变量的能控性、能观性； 寻求最优控制性能； 重要成果有极点配置、状态观测器、最佳调节器、
最优控制等。
主要缺点：
对模型精度要求高，对模型误差及未知扰动的鲁棒 性较差；
状态反馈难以直接实现，而采用状态观测器使控制 结构复杂、 性能变差。
传递函数（阵）为 G( s ) C adj(sI-A)B D det (sI-A) det (sI-A)
det( sI A ) 0 为系统的特征方程，
对应的根称为系统的特征值
11
例: R-L-C串联网络（输入u，输出y=uc）
x 1
x
2
1RL
x 1
di( t ) dt
x2
uC ( t
)
i( t ) C duC ( t )
dt
x1
x 2
y
x 1 x 2
1RL
简记为 x Ax Bu
C
状态方程
1
L
0
x1 x2
1
L
u
0
y Cx
经典控制理论的特点
图形方法为主，物理概念强，直观简便，实用性强 控制结构简单，设定和调整参数少，且调整方针明确 以简单的控制结构获取相对满意的性能
主要缺点：
需反复“试凑”，控制结构及性能一般不是最优 仅适用于单变量（SISO）线性定常系统，不能用于
多变量（MIMO）系统、时变系统和非线性系统 只考虑系统输入与输出的关系,不涉及系统的内部状
状态反馈和极点配置、最优控制、状态观测器设计 —
— 理论应用 （8章）
主要讲SISO线性定常系统 3
一、线性系统的状态空间描述
状态变量：完全描述系统行为的最小一组变量
对 于n阶 系 统 ， 有n个 状 态 变 量 x1 ( t ), x2 ( t ), , xn ( t )
x1(t)
令
~x
uc u c
则
~x
uc
u c
uc i C
0 1 i 1C0 uc
即同一系统不同状态变量之间存在 P
x
线性变换关系（化简的基础）
7
线性系统状态空间表达式的一般形式
设 系 统 有p个 输 入 ，q个 输 出 ，n个 状 态 变 量 ， 则 有
2
状态空间方法的主要内容
线性系统状态空间描述 —— 数学模型（2章）
线性变换与对角规范型 —— 模型的结构化简（3、7章）
状态空间描述下的运动分析 —— 分析的基础（3章）
李雅普诺夫稳定性理论 —— 稳定性分析（自学）
状态可控性和可观性 —— 核心内容（7章）
状态空间描述下系统的结构分析 —— 可控或可观状态 变量的划分（自学）
程
状态空间描述的示意图 9
2. 两种模型的相互转化
由状态空间模型转化为传递函数（阵） 由微分方程或传递函数转化为状态空间模型 应用MATLAB进行模型之间的相互转化（自学）
10
由状态空间模型转化为传递函数（阵）
设 线 性 定 常 系 统 的 状 态空 间 模 型 为
x Ax Bu 注意！ u(t)
y 0
1
x x
1 2
输出方程
5
状态变量的选择是否唯一？
不唯一!
由R-L-C网络的输入 输出微分方程求
x 2
x2 x1
y LC
d
2 uC ( dt 2
t
)
RC
duC ( dt
t
)
uC
(
t
)
u(
t
)
x 1 x2
x 1
x
2
0 1
8
D
u
B
x ∫
x
C
y
x Ax Bu
A
线性系统状态空间模型的结构图
y Cx Du
一般的状态空间表达式：
x f ( x , u, t ) y g( x, u, t )
u( t ) 状
态 方
程
… …
x1
x2
xn
输
出
y( t )
方
x Ax Bu y Cx Du
u(t)
y(t)
系统
A: 系 统 （ 状 态 ） 矩 阵（n n）
B: 控 制 矩 阵 （n p）
C: 输 出 矩 阵 （q n）
D: 前 馈 矩 阵 （q p）
A、B、C、D 为常数阵 定常系统 A、B、C、D 含时变参数 时变系统
G(s)
y(t)
y Cx Du
系统
对其进行拉氏变换 sX(s) x(0 ) AX(s) BU(s) Y(s) CX(s) DU(s)
令初始条件为零， x( 0 ) 0 得：sX(s) AX(s) BU(s)
Y(s) G( s )U( s ) [C(sI A)1B D ]U( s )
y Байду номын сангаас 1
0
x x
1 2
由同一系统的不同状态空间表 达式导出的传递函数（阵）必 然相同
12
由微分方程或传递函数转化为状态空间模型
LC
状态方程
1 R
L
x1 x2
0 1
u
该方法具有一般性,可用于 输入输出高阶微分方程
y 1
0
x x
1 2
输出方程
6
同一系统不同状态变量之间的关系？
前例R-L-C网络的两 种状态变量为
i
x
uc
和
x
uc u c
x
2
(
t)
x(t)
x3
(t)
xn(t)
称为状态向量 构成n维状态空间
x(t0 ) x1
x3 x(t1 )
x(t ) x2
3维状态空间
随时间变化产生状态轨迹
4
1. 系统的状态空间表达式
例: R-L-C串联网络
（输入u，输出uc）
u(
t
)
x1
Ri( t )
L
C
1 L 0
x1 x2
1
L
0
u
y 0
1
x x
1 2
x 1
x
2
0 1
LC
1 R
L
x1 x2
0 1u
G( s )
LCs 2
1 RCs 1