矩阵的对角化以及矩阵的n次幂
（特征向量与特征值的应用）
前言：
在上一篇文章中，我记录了学习矩阵的特征向量和特征值的学习笔记，所关注的是那些矩阵A作用于向量x后，方向不发生改变的x(仅有尺度的缩放)。
线性代数 --- 特征值与特征向量（上）-CSDN博客文章浏览阅读1.1k次，点赞9次，收藏21次。文章介绍了特征向量与特征值的基本概念，并给出了详细的说明图示和例子。至于如何求解矩阵的特征向量与特征值，我在下一篇文章中给出了说明。https://blog.csdn.net/daduzimama/article/details/136455766
此外，我也在另一篇文章中提到了一般矩阵的特征值与特征向量的求法。 线性代数 --- 特征值与特征向量（下）-CSDN博客文章浏览阅读1.3k次，点赞31次，收藏19次。本文介绍了求解一般矩阵的特征向量和特征值的具体方法。https://blog.csdn.net/daduzimama/article/details/136608493
正文：
Part I 矩阵的对角化
这里，我打算通过这篇文章整理/梳理一下矩阵对角化的学习笔记。既然已经知道了如何求出矩阵的特征向量和特征值现，那么找到这些东西有什么用呢？答案就是矩阵的对角化。
(截图来自于参考文献2)
假设一个n维方阵A经过计算后得到n个线性无关的特征向量x1，x2...，xn，对应n个λ1，λ2...，λn。我们有：
现在，我们把这些特征向量都放到一个矩阵中，合成一个新的矩阵X。看看矩阵A乘以矩阵X后会怎么样。首先，我们按照如下方式构建一个新矩阵X，我们称之为特征向量矩阵(Eigen-vector matrix) 。因为该矩阵的每一列都是一个特征向量
，所以用大写的X表示：
令A乘以X，根据矩阵的乘法原则，矩阵A与矩阵X的乘法可以看成是把矩阵X各列看成权重的线性组合的结果(这句话不好懂，可以看看下面的图示)
得到：
注意，之前用特征向量构造的新矩阵X，又再一次出现了。与此同时，他的旁边出现了一个新矩阵，这是一个对角矩阵，主对角线上的元素全是特征值λ。这也是一个新矩阵，称之为特征值矩阵(Eigen-value matrix) 。因其主对角线上的元素都是特征值
，所以用大写的
（即，大写的λ）表示：
最终得到：
The Key Equation
又因为，我之前所构建的特征向量矩阵X是由n个线性无关的特征向量组成的，列与列之间线性无关。因此，矩阵X是可逆的。现在我们把等式两边同时左乘一个X的逆矩阵，即完成了矩阵A的对角化：
（对角化公式）
反过来，如果把等式两边同时右乘X的逆矩阵，就得到了矩阵A的又一种分解公式（之前学过的分解有基于高斯消元的LU分解，基于gram-schmidt正交化的QR分解）：
（矩阵A的分解公式）
注意，这一切操作都基于一个前提：矩阵A有n个线性无关的特征向量
什么样的矩阵可以对角化？
当n维方阵A有n个不同的特征值时，矩阵A才能用上述方式对角化。因为，如果A有n个不同的特征值，那么一定对应有n个相互独立的特征向量。但反过来就不一定成立，比如说单位矩阵有n个不同的特征向量，但他的特征值都是1。
(截图来自于我用Jupyter notebook所生成的代码)
最后我们给出一个矩阵对角化的例子作为这部分的小结，假设方阵矩阵A为：
首先，用jupyter note book求出特征向量和特征值：
为了方便，我把后面那个特征向量改成[1,1]（我这里不是乱改的，如果自己动手算也能得到这个结果）。如此一来我们得到的两个特征值和他们各自对应的特征向量为：
和 
相应的在这里我们就能写出特征值矩阵：
齐次，用特征向量构建特征向量矩阵X：
求特征向量矩阵X的逆：
代入矩阵的对角化公式 完成对角化，看乘法的结果是否正好等于特征向量矩阵：
这里要注意，矩阵的乘法在python里面的操作符是"@"，也就是上图中我用红框框出来的。如果写错了，计算结果就不对了，我在上图中也演示的错误的结果。
同样的，代入矩阵A的分解公式验证等式两边是否相等：
（全文完）
--- 作者，松下J27
参考文献(鸣谢)：
1，Lec22_对角化和矩阵乘幂_哔哩哔哩_bilibili
2，《Introduction to Linear algebra》Fifth Edition --- Gilbert strang，page 304
（配图与本文无关）
**版权声明：**所有的笔记，可能来自很多不同的网站和说明，在此没法一一列出，如有侵权，请告知，立即删除。欢迎大家转载，但是，如果有人引用或者COPY我的文章，必须在你的文章中注明你所使用的图片或者文字来自于我的文章，否则，侵权必究。 ----松下J27