矩阵的谱分解（详细推导步骤~~~特征值分解特征向量-CFANZ编程社区

所谓矩阵的分解，就是将一个矩阵写成结构比较简单的或性质比较熟悉的另一些矩阵的乘积。矩阵的分解方法有很多种，包括三角分解、QR（正交三角）分解、最大秩分解、奇异值分解和谱分解，所有这些分解在数值代数和最优化问题的解法中都扮演着十分重要的角色。

本文介绍矩阵的谱分解(Eigen decomposition / Spectral decomposition)，不多废话了、直接进入正题、

* * * * * *

设矩阵 $A_{(n\times n)}$ 有特征根 $\lambda$ ，其对应的特征向量为 , 根据定义有

$Au=\lambda u$

同时，矩阵A和它的转置的特征值是相同的，都是 $\lambda$ ，因为它们的特征多项式是相同的：

$\left | \lambda I-A \right |=\left | \lambda I-A' \right |$

因此，存在向量，使得

$A'v=\lambda v$

将上式取转置，有

$v'A=\lambda v'$

这里，称为A的左特征向量，则为A的右特征向量.

由此可知，对于矩阵A的每一个特征值 $\lambda_{i}$ ，存在向量 $u_{i}$ 和 $v_{i}$ 使

$Au_{i}=\lambda u_{i}$ , $A'v_{i}=\lambda v_{i}$

A的特征根如果全不同（若相同，此种情况在下文介绍），设为 $\lambda _{1},\lambda _{2},\cdots ,\lambda _{n}$ ,就有2n个向量 $u_{i}$ ， $v_{i}$ ，i=1,2,...,n，使

$Au_{i}=\lambda u_{i}$ ， $A'v_{i}=\lambda v_{i}$ ， $i=1,2,\cdots ,n$

记 $U=(u_{1},\cdots ,u_{n}),V=(v_{1},\cdots ,v_{n})$ ，则有

$AU=U\Lambda , A'V=V\Lambda$

其中 $\Lambda =\begin{pmatrix} \lambda _{1}& &0 \\ &\ddots & \\ 0 & & \lambda _{n} \end{pmatrix}$ 为对应特征值构成的对角矩阵.

* * * * * *

要使A表示成其他矩阵的乘积（谱分解的形式），需要上式中的U和V可逆(右乘它的逆矩阵)，即要证明 $U^{-1}$ 和 $V^{-1}$ 存在，这等同于证明 $u_{1},\cdots ,u_{n},v_{1},\cdots ,v_{n}$ 是线性无关的，下面给出证明（反证法证明其中一组，另一组同理）：