約當標準形
約當鏈
約當鏈是生成一個約當塊的那串向量。從一個特徵向量出發,不斷求解「向上一層」的方程:你搭起一架梯子 v_1, v_2, ..., v_k,算子把每一級推回到前一級(再加上 lambda 倍的自身)。這串相連的向量恰好是顯出單個塊的合適基底。
確切地說,對於特徵值為 lambda 的 A,一條長度為 k 的約當鏈是向量 v_1, ..., v_k,滿足 (A - lambda*I) v_1 = 0 且 (A - lambda*I) v_j = v_{j-1}(j = 2, ..., k)。最底部的 v_1 是真正的特徵向量;其餘的是廣義特徵向量,因為 (A - lambda*I)^j v_j = 0 但 (A - lambda*I)^{j-1} v_j != 0。開啟整條鏈的向量 v_k 稱為首(頂)廣義特徵向量。
在單條鏈張成的子空間上,按有序基 v_1, ..., v_k,算子的作用恰好等於單個約當塊 J_k(lambda):A v_1 = lambda v_1,且 A v_j = lambda v_j + v_{j-1}。所以鏈與塊是同一對象的兩種視角——塊是矩陣,鏈是基底。
實踐中求鏈要從頂部往下做:先在 ker(A - lambda*I)^k 中取一個不被更低次冪消滅的向量,然後反覆作用 (A - lambda*I),依次讀出梯子的其餘各級。把若干條獨立的鏈堆疊起來,就得到完整的約當基。
(A - lambda*I): v_3 -> v_2 -> v_1 -> 0
一條長度為 3 的鏈:每個箭頭是一次 (A - lambda*I) 的作用;特徵向量 v_1 是鏈的終點。
次序要緊:把 v_1(特徵向量)放在最前,得到超對角線上的 1;把鏈反過來則得到次對角線的約定。
又稱
另見