線性映射及其結構
對不變子空間的限制
V 的子空間 W 在算子 T 下不變,是指 T 從不把 W 中的向量帶到 W 之外——即 T(W) 含於 W。這成立時,T 可被限制到 W 上:法則 v -> T(v) 作為算子 T|_W : W -> W 完全說得通,因為輸出保證落回 W 中。不變性正是讓你能在一個更小的舞台上研究 T 的條件。
不變子空間是大算子被拆成小算子的途徑。最乾淨的來源是特徵向量:任何特徵空間都不變,任何特徵向量的張成、任何廣義特徵空間、以及 T 的任何多項式的核與像也都不變。尋找不變子空間,與理解算子的內部結構是同一個問題。
矩陣上的紅利是塊三角形。把不變子空間 W 的一組基擴成 V 的整組基。在那組基下,T 的矩陣在左下角有一個零塊:它形如 [A, B; 0, C]。左上塊 A 就是限制 T|_W 的矩陣。若你夠幸運,也有一個互補的不變子空間,則非對角塊 B 也消失,矩陣成為塊對角——T 分裂為兩個較小算子的直和。
這種塊結構是標準形背後的實用引擎。行列式與特徵多項式沿對角塊分解:det T = det A 乘 det C,T 的特徵多項式是各塊特徵多項式之積。一次剝下一個不變子空間,你便把任一算子約化為可處理的部分。
[T] = [A, B; 0, C] when W is T-invariant
先取不變子空間的基,會把左下塊清零;左上塊就是被限制的算子。
塊三角只需一個不變子空間;塊對角需要一對互補的不變子空間。二者之差恰是那個非對角塊,處理它正是商空間誘導映射與若爾當形的用途。
又稱
另見