網友Rich留言:
哈囉周老師你好。想請教一個問題:eigenvalue and eigenvector 所代表的物理意義是什麼?謝謝。
答曰:
假設 和 為兩個向量空間。首先我們要知道線性變換 是一種數學機器,它將輸入向量 映射至輸出向量 ,稱為像 (image)。對於任意 與純量 ,線性變換 滿足下列性質:
若 ,線性變換 也稱為線性算子。為方便說明,以下考慮幾何向量空間 。任何一個線性算子 都可用 階實矩陣 表示如下:
,
其中 。我們稱 是線性算子 的變換矩陣或表示矩陣。
設想我們被指派擔任矩陣設計工作,第一個任務是設計對X-軸鏡射 (反射,reflection) 的變換矩陣。對於 ,寫出
。
上式裡的對角矩陣即為所求。令
。
往後我們稱 為標準鏡射矩陣。接者考慮一般情況。令 代表一條穿越原點的直線。對直線 鏡射的變換矩陣為何?我們從鏡射算子的幾何性質著手 (另一個方法是直接解出變換矩陣,見“幾何變換矩陣的設計”)。令 表示直線 的法向量, 正交於 (見下圖)。
直線 的指向向量 和法向量 經過鏡射算子 的映射結果分別是
注意上面兩式具有相同型態,即
,
數學家稱純量 為線性算子 的特徵值 (eigenvalue),對應的 (非零) 向量 為特徵向量 (eigenvector),理由是它們幾乎完全彰顯了線性算子 所隱含的固有特性。上例中,鏡射算子 有特徵值 和 ,對應的特徵向量分別是 和 。特徵方程講述兩件事:第一,特徵向量 經鏡射算子 得到的像 屬於子空間 ,特徵值 決定 的伸縮倍數,其正負號則決定指向是否相同或相反。第二,除了特徵空間 ,其他不屬於這些子空間的非零向量皆不滿足特徵方程 (否則它們也會被稱為特徵向量)。
線性算子 的特徵值和特徵向量代表甚麼物理意義呢?這個問題沒有一定的答案,原因在於不同的線性算子 具有不同的作用與功能,因此賦予特徵值和特徵向量不同的物理意義。但如果針對上例發問:定義於 的鏡射算子 的特徵值和特徵向量代表甚麼物理意義?答案是對應特徵值 的特徵向量 代表鏡射線 的指向,對應特徵值 的特徵向量 則為 的法向量。鏡射算子 的特徵值和特徵向量不僅明確地告訴我們 的一切作為,同時也提供了定義於 的鏡射變換的充分與必要條件:(1) 特徵值是 和 ,(2) 對應的特徵向量彼此正交。例如,標準鏡射矩陣 有特徵值 和 (對角矩陣的主對角元即為特徵值),標準單位向量 分別為對應的特徵向量。
若一個鏡射算子 對應特徵值 的特徵向量分別為 ,如何求出代表 的變換矩陣?數學家想出了一個聰明的辦法:藉助線性算子 的不變性來建構變換矩陣。將獨立的特徵向量組成 的一組基底 ,任一向量 可唯一表示成 和 的線性組合:
,
其中組合係數 可合併成 參考基底 的座標向量,記為 。將上式代入鏡射算子 ,利用線性變換的基本性質以及特徵方程 和 ,可得
。
再寫出 參考基底 的座標向量:
。
我們得到一個令人震驚的結果:若參考特徵向量構成的基底,所有的鏡射矩陣必可轉換成標準鏡射矩陣 。剩下的工作是計算座標變換。將線性組合寫成矩陣乘法:
,
其中 稱為座標變換矩陣。因為 且 ,代入上述參考基底 的座標向量映射關係,即得 。等號兩邊同時左乘 ,可得
,
或圖示如下:
故 的變換矩陣為
。
給定一個變換矩陣 ,透過特徵分析,若 可分解成 ,稱為對角化 (diagonalization),則 的實際作為 (或者說物理意義) 可解釋如下:因為對角矩陣 不含耦合成分 (非主對角元),故 的特徵值 (即 的主對角元) 代表在新座標系統下第 個座標經過變換矩陣 映射後的伸縮比例,對應的特徵向量 則指出新座標系統的第 軸方向。以上討論顯示特徵分析的數學原理建立於線性變換的不變性上。
我整理了一些常見的矩陣特徵值與特徵向量,加入專題探究分頁:
真實的特徵向量物理意義:google 網頁排名順序,請見
真實的特徵值物理意義:1940年美國華盛頓州的Tacoma Narrows懸索橋塌斷,有一說是強風引發自然頻率共振造成橋身斷裂。自然頻率是物體結構一旦在該頻率震動即可持續維持運動,像是我們小時候玩的盪鞦韆,人離開了,它還在持續擺動,後來人經過看見以為自己碰見鬼了。自然頻率的數學表達就是特徵值平方根。
請問老師:
特徵值eigen value與特徵向量eigen vector的意義,以二維、三維空間為例,用幾何圖示,可以理解為保持相同方向(角度)的向量伸縮。
聯想複變函數論的「保角映射」(conformal mapping),可說是相同的概念嗎?或者,本質不同?
(我自己看書,學一點點「複變」,沒上正式課程,若問錯問題,敬請見諒!)
這個問題很難三言兩語說清楚,改日我再發文解釋。
感謝老師!
衷心企盼您寫出說明。
由老師您的另一篇文章 「從線性代數看微分方程」
————————————————
微分方程與線性代數都有特徵方程式 (characteristic equation) 一詞 . . . . . .
撇開微分方程底下偽裝的線性變換、零空間和通解的結構,僅就特徵方程式而言,微分方程與線性代數確實有著密切的關係。
————————————————
我猜想,不僅僅這兩門課有關聯,「eigen」的概念,好像也出現在許多其他地方。各種課程的教學,似乎很少有老師講出它們的共同點。
如果有人講出來,將有助大家把多領域的觀念,融會貫通,也能提升學習的樂趣!
今天(5/26/2014)刊登的每週問題就是conformal map,即一矩陣 的奇異值(也就是 的特徵值平方根)全都相同:
在微分幾何,就是Jacobian矩陣。以2×2階矩陣為例,
isometric (保長映射):
conformal (保角映射):
equiareal (保積映射):
因此,isometric=conformal+equiareal。
原來如此!
老師若沒講,我自己不會想到這些映射。
我想你應該有興趣知道MIT教授Gilbert Strang今年將出版一本新書:Differential Equations and Linear Algebra
http://math.mit.edu/dela/
我曾經買《線性代數的世界》,是翻譯自Gilbert Strang的著作。
今年這本新書,不知會不會有中文譯本?
或者,買英文書,搭配MIT開放課程影片來看。
我不知新書內容是否已有對應的影片?
Strang本人應該沒有錄製微分方程的video lectures。
MIT OCW, 18.03 SC, 講授者是Professor Arthur Mattuck
http://ocw.mit.edu/courses/mathematics/18-03-differential-equations-spring-2010/video-lectures/
http://ocw.mit.edu/resources/res-18-009-learn-differential-equations-up-close-with-gilbert-strang-and-cleve-moler-fall-2015/index.htm
剛好看到對應的影片,幫老師補充一下
请问一下,下面这个链接中p23页计算eigenvector是怎么一个过程?好像不太对?
Click to access ahptutorial.pdf
和我使用Octave计算出来的不一样,使用Octave的eig()函数算出来的值是一个复数。
引文的特徵向量算法稱為Power method,見下文
設初始向量為 ,連續計算 ,並予以歸一化,至收斂停止。計算所得即為對應最大特徵值的特徵向量,見