第十章带度量的线性空间

来源：线代 A II 讲义，第 203–357 页

整理者注：本章是整门线代课程中理论深度最大、应用最广的一章。它把前面学过的内积、正交、对称变换等概念推广到复数域，并由此引出酉矩阵、Hermite 矩阵、正规矩阵对角化等一系列核心结论。学完这一章，你对”矩阵的本质”会有质的飞跃。

为什么要推广到复空间？——动机与直觉
共轭双线性函数与度量矩阵
Hermite 内积与 Hermite 正定矩阵
Cholesky 分解：正定矩阵的”开方”
酉空间：复版欧氏空间
酉矩阵与酉群
Fourier 矩阵与快速傅里叶变换 FFT
酉变换与 Hermite 变换
共轭变换：伴随算子的复数版
正规变换与正规矩阵的谱分解 ★核心定理★
正交空间与辛空间：更一般的度量结构
正交投影：从理论到计算
Perron-Frobenius 定理：非负矩阵的灵魂
矩阵范数与特征值估计
Penrose 广义逆与 SVD
Cauchy Interlacing 与 Courant-Fischer Min-Max 定理 ★研究级工具★
三维旋转的矩阵表示：Rodrigues 公式
综合习题选编

1. 为什么要推广到复空间？——动机与直觉

1.1 一个看似简单的问题

同学们，在上一章我们学了欧氏空间——配上内积的实线性空间。内积给了我们长度、角度、正交这些几何概念，一切都很美好。

但现在我们进入复数域了。自然的问题是：在复线性空间上，如何定义向量的长度？

最直接的想法是：照搬实空间的公式呗。对，定义。

但这立刻出问题了。 考虑向量，它的”长度平方”是。一个非零向量的长度是 0？这完全违背了长度的基本直觉。

1.2 正确的方向

问题出在哪？出在我们忘了复数的”模”是怎么定义的。一个复数的模平方是，不是。

所以复向量的长度应该定义为：

老师点评：这一步看似 trivial，但它是整章的起点。从这里出发，我们会发现复空间上的”内积”不能是双线性的，而必须是共轭双线性的（sesquilinear）。这是复分析与量子力学中内积的标准形式，理解这一点对你后续学量子力学非常有帮助——量子态的内积就是共轭双线性的。

2. 共轭双线性函数与度量矩阵

2.1 定义

定义（共轭双线性函数）：在复线性空间上，二元函数称为共轭双线性函数，若满足：

（ 对 第 一 个 变 量 线 性 ） （ 对 第 二 个 变 量 共 轭 线 性 ）

对任意。

注意：这里有一个约定问题。数学界和物理界对”哪个变量共轭线性”有相反的约定。数学通常让第二个变量共轭线性（如上），物理（Dirac 记号）通常让第一个变量共轭线性。两种约定本质等价，但混用会出符号错误，务必保持一致。

2.2 度量矩阵：坐标化

和上一章对称双线性函数完全类似，选定基之后，共轭双线性函数也可以用矩阵来表示。

设在基下的坐标为，。利用共轭双线性逐次展开：

其中称为在该基下的度量矩阵。

老师讲解：注意这里的公式是，不是上一章的。差别就在上——因为第二个变量是共轭线性的，所以坐标要取共轭。这个细节在后续推导中反复出现，一定要养成条件反射。

结论：固定基底后，共轭双线性函数与复矩阵（度量矩阵）一一对应。

2.3 基变换公式

定理：若在基底下的度量矩阵为，新基底，则在新基下的度量矩阵为：

证明：设向量在基下的坐标为，则在基下的坐标为。于是：

故新度量矩阵为。 > 对比：上一章实对称双线性函数的基变换公式是。这里变成了，多了一个共轭。如果恰好是实矩阵，两个公式就一样了。

3. Hermite 内积与 Hermite 正定矩阵

3.1 从共轭双线性到内积

并不是所有共轭双线性函数都能当”内积”用。我们需要两个额外条件：

定义（Hermite 内积）：若共轭双线性函数满足：

共轭对称：，
正定：，则称为复（Hermite）内积。

老师点评：条件 1 看起来有点奇怪——为什么不要求？因为如果是共轭双线性的，强求对称性会导致未必是实数，那就没法定义长度了。共轭对称性恰好保证了，即是实数，再配合正定性，就有意义了。

3.2 Hermite 矩阵

定义：复矩阵称为 Hermite 矩阵，若（即）。

若 Hermite 矩阵还满足对所有，则称为Hermite 正定矩阵。

老师讲解：Hermite 矩阵就是实对称矩阵在复数域的自然推广。实对称矩阵满足，Hermite 矩阵满足。当你把”转置”换成”共轭转置”，实对称理论中绝大多数结论都可以原封不动地推广过来。这是本章最重要的思维模式。

3.3 Hermite 记号

引入记号（共轭转置，也叫 Hermite 转置）。基本性质：

-（注意顺序反转，和同理）

3.4 内积正定矩阵

命题：共轭双线性函数是复内积在任意基下的度量矩阵是 Hermite 正定矩阵。

证明：设的坐标为。

共轭对称 Hermite：

正定性：对所有。

老师点评：这个等价性极其重要。它意味着：研究复内积的问题，可以完全转化为研究 Hermite 正定矩阵的问题。矩阵工具有什么，我们就用什么。这是”坐标化”思维的威力。

4. Cholesky 分解：正定矩阵的”开方”

4.1 Hermite 正定矩阵的等价刻画

定理：设是 Hermite 矩阵，则以下等价：

复正定（对所有）
的特征值都 3.，其中是上三角可逆复矩阵
的顺序主子式都 > 老师讲解：这四个条件在实对称正定矩阵中我们已经见过。复的情形证明思路完全一样，只是把转置换成共轭转置。条件 (2) 让你用特征值判断正定性；条件 (3) 是 Cholesky 分解，有计算意义；条件 (4) 是 Sylvester 准则，只检查主子式就行，不用求特征值。

4.2 Cholesky 分解

定理（Cholesky 分解）：

是 复 正 定 矩 阵

其中是对角元都的上三角矩阵。

4.3 构造性证明

动机：我们要把合同变换为单位矩阵。方法是共轭成对的行列变换——即同时做第行和第列的相同初等变换。这相当于右乘上三角矩阵再左乘。

以为例，的顺序主子式都：

通过成对高斯消去，逐步化为对角矩阵，再对每个对角元开方归一化，最终得到。

老师点评：Cholesky 分解在数值计算中极其重要。求解正定线性方程组时，用 Cholesky 分解，然后先后解和（两次回代），比 Gauss 消元快一倍且数值稳定性更好。金融工程中的 Monte Carlo 模拟、机器学习中的高斯过程，都大量用到 Cholesky 分解。

5. 酉空间：复版欧氏空间

5.1 定义

定义：配有 Hermite 内积的复线性空间称为酉空间（Unitary space）。

在酉空间中：

长度：
正交：
距离：

5.2 Cauchy-Schwarz 不等式

这是整个度量理论的基石。

定理：，等号成立共线。

证明：设。由正定性，对任意复数：

展开（注意共轭线性）：

关键步骤：取。为什么取这个？因为这是让上式取最小值的（类比二次函数顶点）。代入得：

即。 > 老师讲解：注意和实空间的区别——右边是（绝对值），不是的绝对值，因为本身可能是复数。等号成立当且仅当，即共线。

5.3 三角不等式

定理：。

证明：

（ 不 等 式 ）

开方即得。 > 老师点评：注意第三行到第四行用到了。这是复数情形的一个微妙之处——实空间里，但复空间里。

5.4 夹角与标准正交基

定义的夹角满足。

注意：在复空间中，实际上是实平面与之间的最小夹角。这和实空间的直觉略有不同。

标准正交基：两两正交的单位向量构成的基。是标准正交基内积在下的度量矩阵为。

5.5 标准酉空间配标准内积，构成维标准酉空间。是标准正交基矩阵满足。

6. 酉矩阵与酉群

6.1 定义与等价条件

定义：复方阵是酉矩阵，若满足以下等价条件之一：

2. 3. 4. 的列向量构成的标准正交基

老师讲解：酉矩阵就是”复版正交矩阵”。正交矩阵满足，酉矩阵满足。把换成，一切照旧。酉矩阵的列是标准正交的，行也是标准正交的（因为也成立）。

6.2 特征值性质 ★

定理：

酉矩阵的特征值满足（全在单位圆上）
Hermite 矩阵的特征值都是实数
反 Hermite 矩阵（）的特征值都是纯虚数或 0

证明（酉矩阵）：设，。取共轭转置：。

由，得。 > 老师点评：这个证明非常漂亮——用直接把和凑在一起得到。Hermite 矩阵的证明类似：，左边（因为），所以，即。

6.3 酉群

是级酉群，是特殊酉群。

老师点评：酉群在物理学中无处不在。描述自旋，是量子色动力学的规范群，是量子电动力学的规范群。标准模型的规范群是。学好酉矩阵，对理解现代物理有直接帮助。

7. Fourier 矩阵与快速傅里叶变换 FFT

7.1 Fourier 矩阵

是酉矩阵。的列向量构成的标准正交基。

傅立叶变换：把系数（傅立叶系数）变成信号。逆变换：。

老师讲解：FFT 可能是本章工程应用价值最高的内容。没有 FFT，就没有现代数字信号处理、没有 MP3 压缩、没有 WiFi 通信（OFDM）、没有 MRI 成像。FFT 把 DFT 的复杂度从降到，这是计算机科学的里程碑。

7.2 FFT 的核心思想：分治

关键观察：的元素有周期性。记，则，且。

利用这个性质，把的奇数列移到前面、偶数列移到后面，得到分块分解：

其中，是奇偶列置换。

于是计算变成：

其中是的奇数位置元素，是偶数位置元素。

老师讲解：这就是”蝶形运算”（butterfly operation）。一个点的 DFT 被分解为两个点的 DFT 加上次复数乘法。递归下去：

展开（）：

7.3 复杂度对比

| | 直接 | FFT | 加速比 |

|---|---|---|---|

| | 16384 | 192 | 85x |

| || 5120 | x |

| | | 5242880 | 天文数字 |

老师点评：当时，直接计算需要次乘法——即使每秒算次（exascale 超算），也要算 30 年。而 FFT 只需要 500 万次，几毫秒就完了。这就是算法的力量。

8. 酉变换与 Hermite 变换

8.1 酉变换

定义：酉空间上保持内积的线性变换：

定理：以下等价：

是酉变换
把标准正交基映为标准正交基
在标准正交基下的矩阵是酉矩阵

证明：设是标准正交基。。左边是标准正交基是酉矩阵。

老师讲解：酉变换就是”复版正交变换”。正交变换保持实内积，酉变换保持复内积。几何上，酉变换是复空间的”刚性运动”——不改变长度和夹角。

8.2 Hermite 变换

定义：若对所有，则是 Hermite（自伴随）变换。

定理：是 Hermite 变换在标准正交基下的矩阵是 Hermite 矩阵。

定理：Hermite 矩阵的特征值都是实数。

老师点评：Hermite 变换在量子力学中对应可观测量（observable）。量子力学的公理之一就是：每一个物理可观测量对应一个 Hermite 算子，测量结果就是该算子的特征值（必须是实数，所以要求 Hermite）。这就是为什么 Hermite 矩阵的特征值都是实数这条定理如此重要——它保证了量子力学测量的结果确实是实数。

9. 共轭变换：伴随算子的复数版

9.1 定义

定义：设是酉空间上的线性变换。若存在使得：

则称是的共轭变换（adjoint operator）。

例子：

酉变换的共轭变换是（因为）
Hermite 变换的共轭变换是自身

9.2 存在唯一性

定理：有限维酉空间上，任何线性变换都有唯一的共轭变换。在标准正交基下，若的矩阵为，则的矩阵为。

证明：设在标准正交基下的矩阵为，的坐标为：

故是共轭变换对所有。

老师讲解：这个证明的核心思想是”矩阵由它作用在所有向量上的效果唯一确定”。对所有。这是线性代数中反复使用的技巧。

10. 正规变换与正规矩阵的谱分解 ★核心定理★

10.1 什么是正规变换？

定义：若，则是正规变换。

对应地，的矩阵称为正规矩阵。

老师讲解：为什么叫”正规”（normal）？因为它是”最一般的好行为矩阵”。酉矩阵、Hermite 矩阵、反 Hermite 矩阵、甚至实对称矩阵，全都是正规矩阵的特例。正规矩阵是这些”好矩阵”的统一推广。

验证：

酉矩阵： ✓
Hermite 矩阵： ✓
反 Hermite 矩阵： ✓

10.2 ★主定理★：正规矩阵的酉对角化

定理：是正规矩阵存在酉矩阵和复对角矩阵，使得：

老师点评：这是本章最重要的定理，没有之一。它告诉我们：任何正规矩阵都可以用酉相似变换对角化。对比实对称矩阵的正交对角化，这里只是把换成，换成。但这个推广的威力巨大——它涵盖了酉矩阵、Hermite 矩阵、以及所有它们的组合。

10.3 完整证明

证明（数学归纳法）：

基础：矩阵显然成立。

归纳步骤：假设对级正规矩阵成立。设是级正规矩阵。

第一步：上任何矩阵都有特征值（代数闭域），设是的一个特征值，是对应的单位特征向量：，。

第二步：将扩充为的一组基，用 Schmidt 正交化+单位化，得到标准正交基。排成酉矩阵。

第三步：计算。由于，第一列是：

其中是行向量，是矩阵。

第四步（关键）：取共轭转置：

由正规（），两边同时做相似变换，正规性保持：

比较左上角元素：

而。

老师讲解：这是证明的灵魂步骤。为什么必须是 0？因为的正规性强制了这一点。如果不是正规的，一般不为 0，我们就得不到分块对角形式，归纳法就走不下去了。这就是为什么只有正规矩阵才能酉对角化。

第五步：现在，且也正规（由推出）。对应用归纳假设，。

第六步：令，则是酉矩阵（酉矩阵的块对角仍是酉的），且。

10.4 推论

推论 1：正规（酉，复对角）

推论 2：酉，且的对角元模为 1

推论 3： Hermite ，且是实对角矩阵

推论 4：反 Hermite ，且的对角元是纯虚数

老师讲解：这四个推论是”一把钥匙开四把锁”。同一个谱分解框架，通过限制对角元的性质，就区分了四类重要矩阵。考试和科研中，遇到这四类矩阵中的任何一类，第一反应应该是”它可以酉对角化”。

10.5 不变子空间的正交补

推论：设是正规变换。若是 -不变子空间，则也是 -不变子空间。

证明：取标准正交基使。的矩阵为（不变左下为 0）。的矩阵为。

由，比较得。取迹：。

故的矩阵是分块对角的，也是不变子空间。

老师点评：这个结论在实对称矩阵中也有对应（对称变换的不变子空间的正交补仍是不变子空间），但在一般矩阵中不成立。正规性是保证这一点的最弱条件。这个性质在同时对角化理论和谱定理的证明中反复使用。

11. 正交空间与辛空间：更一般的度量结构

11.1 定义

设是特征的域，是 -线性空间，配非退化双线性函数。

对称是正交空间
反对称（）是辛空间

老师讲解：到这里，我们跳出了”内积必须正定”的限制。正交空间和辛空间中的”内积”不一定正定，甚至可能不定（有正有负）。这引出了更丰富的几何结构。

11.2 Minkowski 空间

在中定义 Minkowski 内积：

这就是狭义相对论中的时空内积！注意符号是，不是。时间维度的符号是负的。

保持该内积的线性变换称为洛伦兹变换：。

老师点评：Minkowski 空间是正交空间但不是欧氏空间（内积不定）。它的等距群（洛伦兹群）是，不是。这是物理学中正交空间最经典的例子。

11.3 Witt 消去定理

定理：设是有限维正交（辛）空间，是同构子空间（存在保内积的同构），则可扩充为上的正交变换。

老师讲解：Witt 定理说的是：子空间上的等距映射可以”扩展”到整个空间。这在分类理论中是基础工具——它保证了正交（辛）空间的分类只依赖于一些不变量（如符号差），而不依赖于具体的基的选取。

12. 正交投影：从理论到计算

12.1 已知标准正交基的情形

设是子空间的标准正交基。向的正交投影的矩阵为：

其中。

推导：对任意，。由于在基向量上的效果确定了的矩阵，得证。

12.2 已知一般基的情形

设是的一般基（不必正交），列满秩。则：

老师讲解：这个公式是最小二乘法的核心。在统计学和机器学习中，线性回归的正规方程解，本质上就是投影公式。就是设计矩阵的列空间上的投影矩阵（hat matrix）。

12.3 正交投影的刻画

列满秩是到的正交投影
是到的正交投影
，是沿向的投影
实对称且是到的正交投影

老师点评：条件 4 是关键——幂等（）保证是投影，对称（）保证是正交投影。两者缺一不可。

12.4 求正交补的基

。所以求的基等价于解。

例：。解，得基础解系即为的基。

13. Perron-Frobenius 定理：非负矩阵的灵魂

13.1 背景

元素全为正数的矩阵叫正矩阵，元素的叫非负矩阵。这类矩阵在马尔可夫链、PageRank 算法、人口模型、经济学投入产出分析中无处不在。

13.2 Perron-Frobenius 定理（正矩阵版）

对于正方阵：

有正特征值（最大正特征值），代数重数为 1，且有正特征向量
其余特征值的模都 3. 与有相同的最大正特征值称为的 Frobenius 根（谱半径）。

13.3 非负矩阵版

对非负方阵，结论类似但特征向量只是非负（不一定严格正）。

老师点评：Perron-Frobenius 定理是 Google 的 PageRank 算法的理论基础。Web 链接矩阵是非负矩阵，PageRank 向量就是它的 Frobenius 根对应的特征向量。没有这个定理，我们就无法保证 PageRank 的存在性和唯一性。此外，在 ergodic 马尔可夫链中，平稳分布也是由这个定理保证的。

14. 矩阵范数与特征值估计

14.1 诱导范数

实矩阵的欧氏诱导范数：

即最大奇异值。

若实对称，（最大特征值的绝对值）。

14.2 范数性质

（）
三角不等式：
次乘性： 5.

14.3 二次型的取值范围

对实对称，。

等号成立在对应特征子空间内。

老师讲解：这个不等式是理解对称矩阵特征值几何意义的核心。的值被最大和最小特征值”夹”在中间。这在优化理论中是 Rayleigh 商的基础。

14.4 例题：Hilbert 矩阵的特征值上界

例：的特征值都且。

解：记为全 1 下三角矩阵，。则。

可逆正定特征值。

由，解得，故。

老师点评：Hilbert 矩阵是著名的病态矩阵——虽然正定，但条件数随指数增长。这个例子展示了用范数不等式估计特征值上界的标准技巧：分解矩阵、分别估计、合并。

15. Penrose 广义逆与 SVD

15.1 Penrose 广义逆

对任意复矩阵，存在唯一矩阵满足：

记为，称为 Penrose 广义逆。

若列满秩，（这就是最小二乘解的公式！）。

15.2 SVD 与广义逆

若（奇异值分解），则：

老师讲解：SVD 是线性代数中最强大的分解工具。特征值分解只对可逆/正规矩阵有效，但 SVD 对任何矩阵都成立。SVD 的应用包括：数据压缩（PCA）、图像去噪、推荐系统（矩阵补全）、求解超定/欠定方程组。通过 SVD 构造，把非零奇异值求倒数、零奇异值保持为零，这是最自然的”广义逆”定义。

15.3 MATLAB 数值计算

[U, D] = eig(A)：特征值分解
[P, S, Q] = svd(A)：奇异值分解
[Q, R] = qr(B)：QR 分解
rref(B)：行最简形

注意：Jordan 标准型数值不稳定，计算前需用 sym 转为符号矩阵。这是因为 Jordan 块对矩阵元素的小扰动极其敏感——任意矩阵都可以被任意接近的、可对角化的矩阵逼近，所以数值计算中 Jordan 块会”散开”。

16. Cauchy Interlacing 与 Courant-Fischer Min-Max 定理 ★研究级工具★

16.1 Cauchy Interlacing 原理

定理：级实对称矩阵的特征值。的级主子阵的特征值。则：

老师讲解：“Interlacing”就是”交错”——主子阵的特征值”穿插”在原矩阵特征值之间。这个定理在图论（图的子图特征值）、随机矩阵理论、数值线性代数中都有重要应用。

16.2 Weyl 定理

实对称，特征值和。的特征值满足：

老师点评：Weyl 定理描述了”扰动的特征值如何移动”。如果是小扰动，不会偏离太多——最多偏离（的谱宽）。这是数值分析中特征值稳定性的理论基础。

16.3 ★Courant-Fischer Min-Max 定理★

定理：实对称的特征值，对应正交单位特征向量。则：

老师点评：这是研究级的工具。它给出了特征值的变分刻画—— 不是某个特定向量的 Rayleigh 商，而是所有维子空间上 Rayleigh 商最大值的最小值。这个定理是有限元方法、谱图理论、量子力学变分原理的共同基础。

证明思路：记。对任意维子空间：

由维数公式，。取，则（因为中向量的 Rayleigh 商）。

故。

老师讲解：证明的核心是维数论证——两个”够大”的子空间一定有非零交集。这是线性代数中最优美的论证技巧之一，在泛函分析和代数拓扑中也反复出现。

16.4 应用：半正定矩阵的特征值比较

定理：若实对称，半正定，则。

证明：半正定。由 Min-Max：

### 16.5 Cauchy Interlacing 的推广证明（，）的特征值满足：

证明：半正定（上题）。又：

对，在（维）中取维子空间，由 Min-Max 得。

17. 三维旋转的矩阵表示：Rodrigues 公式

17.1 问题设定

设是单位向量（旋转轴），是旋转角。求绕旋转的矩阵。

17.2 几何推导

将任意分解：

记。则构成右手系，。

旋转后：

17.3 化为矩阵形式

定义叉积矩阵，满足。

代入并整理：

利用（可验证），最终得到 Rodrigues 公式：

老师讲解：Rodrigues 公式在计算机图形学、机器人学、航空航天中是基础工具。任何 3D 旋转都可以用”轴+角”表示，Rodrigues 公式给出了从轴角到矩阵的显式转换。

17.4 矩阵指数表示

更简洁地：。

为什么？ 因为是反对称矩阵且，有，，，……循环周期为 4。展开的幂级数：

利用，等，奇次项合并为，偶次项合并为，正好得到 Rodrigues 公式。

老师点评：这个记号不是形式上的——矩阵指数对任何矩阵都收敛。若（Jordan 分解），则。这在微分方程理论中是核心工具：的解是。

17.5 从旋转矩阵恢复轴和角

由：

是对称的
是反对称的

故。由此可读出：

- 从的非零元素恢复

18. 综合习题选编

习题 1：刚体运动的螺旋结构（Chasles 定理）

设是上的保距变换（）且保持定向。证明：存在直线，使得是以为轴的旋转与沿方向的平移的复合。

提示：这是 Chasles 定理。先证的线性部分是第一类正交矩阵（有实特征值 1，对应旋转轴），再分析平移分量。

习题 2：钝角向量个数

证明：维欧氏空间中，两两夹角都是钝角的非零向量至多个。

提示：考虑把这些向量”提升”到中，利用线性无关性论证。

习题 3：Hadamard 乘积保持半正定性 ★

设是阶半正定矩阵。证明也半正定。

解：半正定（）。故，其中是正交矩阵的元素。

对每个固定的，令，则（半正定）。故。 > 老师点评：这个定理叫 Schur product theorem。证明的精髓是用谱分解把 “拆开”，然后交换求和顺序，发现内层恰好是的二次型。这是处理 Hadamard 乘积的标准技巧。

习题 4：子空间距离公式

设是的子空间，。证明：

提示：，。两边取最小值即得。

习题 5：正规变换的谱投影

设是酉空间上的正规变换，是互异特征值。记，其中。

证明：

是向的正交投影
（对任意幂级数）
存在多项式使

提示：是 Lagrange 插值多项式。的特征值是（在处取值）。正规性保证不同特征值的特征子空间正交，所以是正交投影。

总结：本章的知识脉络


复向量的长度问题

    ↓

共轭双线性函数 → 度量矩阵 → 基变换公式 P^T A P̄

    ↓

加上共轭对称 + 正定 → Hermite 内积 ↔ Hermite 正定矩阵

    ↓

Cholesky 分解 A = P^T P̄

    ↓

酉空间 = 配 Hermite 内积的复线性空间

    ├── Cauchy-Schwarz → 三角不等式 → 夹角 → 标准正交基

    ├── 酉矩阵 (U^H U = I) → 酉群 U(n), SU(n)

    ├── Fourier 矩阵 → FFT (O(n²) → O(n log n))

    ├── 酉变换（保内积）↔ 酉矩阵

    ├── Hermite 变换（自伴随）↔ Hermite 矩阵

    ├── 共轭变换 A* ↔ A^H

    └── ★正规变换 (AA* = A*A) → 酉对角化 A = UDU^H

            ├── 推论：酉/Hermite/反Hermite 的谱分解

            └── 推论：不变子空间的正交补仍不变

  

延伸：

    ├── 正交空间 / 辛空间（不定度量）→ Minkowski 空间 → Witt 定理

    ├── 正交投影 → 最小二乘法

    ├── Perron-Frobenius → 非负矩阵的谱理论

    ├── 矩阵范数 → 特征值估计

    ├── SVD → Penrose 广义逆

    ├── Courant-Fischer Min-Max → 特征值变分刻画

    └── Rodrigues 公式 → 三维旋转的矩阵指数表示

最后的忠告：这一章的内容是后续学习数值线性代数、量子力学、信号处理、机器学习的共同基础。正规矩阵的酉对角化、SVD、Courant-Fischer 定理，这三个工具在你未来的学习和研究中会反复出现。务必做到：看到 Hermite 矩阵就想到”特征值是实数、可酉对角化”；看到酉矩阵就想到”特征值在单位圆上、保持内积”；看到正定矩阵就想到”Cholesky 分解、所有顺序主子式 > 0”。

第十章 带度量的线性空间

目录