极小多项式与 Jordan 标准形¶
前置：A2a（不变子空间、直和、商空间、同构定理）、A2c（Schur 分解、特征值、可对角化）、A1（多项式环基础、Zorn 引理） 后继：A2e（张量积、外代数、行列式）、A3（微分几何预备）、A4（抽象代数：PID 与模结构定理） 核心目标：完整、严谨地给出 Cayley--Hamilton 定理与 Jordan 标准形的**两路证明**（直接构造路径 + \(F[x]\)-模路径），并显式连接到机器人控制中的矩阵指数、Lie 群指数映射与稳定性理论
前置自测¶
答不出以下 \(\geq 2\) 题，建议先回 A2a / A2c 复习。
- 不变子空间：设 \(T: V \to V\) 是线性算子，\(W \subset V\) 是 \(T\)-不变子空间。请给出 \(T\)-不变的定义，并说明为什么"特征空间"一定是 \(T\)-不变子空间。
- 特征值与可对角化：设 \(A \in M_3(\mathbb{R})\) 的特征值为 \(\{1, 2, 2\}\)。列出所有可能的 Jordan 标准形（即使你还不知道如何证明其存在性——仅凭直觉猜测即可）。
- 多项式环：在 \(\mathbb{R}[x]\) 中，计算 \(\gcd(x^3 - 1, x^2 - 1)\)。你使用的算法是什么？
- Schur 分解：陈述 Schur 分解定理，并说明它与对角化的区别。
- 矩阵指数：写出 \(e^{tA}\) 的定义（级数形式）。对角矩阵 \(A = \mathrm{diag}(\lambda_1, \lambda_2)\) 时，\(e^{tA}\) 等于什么？
本章目标¶
学完本章后，你应该能够：
- **定义并计算**任意有限维线性算子的极小多项式 \(m_T\) 和特征多项式 \(p_T\)，并解释二者的关系（整除性、同根性）
- 陈述并证明 Cayley--Hamilton 定理，掌握至少两条独立证明路径（Schur 分解路径 + 伴随矩阵路径）
- 执行准素分解，将向量空间 \(V\) 按极小多项式的不可约因子分解为广义特征空间的直和
- 分类幂零算子，使用核旗升法（Filippov--Strang 构造）构造 Jordan 基
- 构造并证明 Jordan 标准形的存在性与唯一性，理解直接构造路径和 \(F[x]\)-模路径的各自优势
- 计算矩阵指数 \(e^{tA}\)，利用 Jordan 形将无穷级数截断为有限多项式，并推导 Rodrigues 旋转公式作为 \(\mathfrak{so}(3)\) 上的特例
- 应用 Jordan 理论于控制系统的稳定性分析（Lyapunov 方程）和极点配置（Ackermann 公式）
本章知识导航¶
本章包含 17 个核心节，可划分为四条主线：
| 主线 | 包含节 | 核心问题 |
|---|---|---|
| 代数基础 | \(\S1\)--\(\S3\) | \(F[x]\) 的环结构、极小多项式、特征多项式 |
| 核心定理 | \(\S4\)--\(\S6\) | Cayley--Hamilton、\(m_T\) 与 \(p_T\) 的关系、准素分解 |
| 结构分类 | \(\S7\)--\(\S12\) | 广义特征空间、幂零分类、JNF 两路径、有理标准形 |
| 应用桥梁 | \(\S13\)--\(\S17\) | 算法、矩阵指数、控制论、Lie 群、总结 |
知识点之间的依赖关系：
S1(F[x]环) --> S2(极小多项式) --> S4(Cayley-Hamilton)
|
S3(特征多项式) -------------------------+
|
v
S5(m_T与p_T关系)
|
v
S6(准素分解)
|
v
S7(广义特征空间)
|
v
S8(幂零分类)
/ \
/ \
v v
S10(JNF-A) S10'(JNF-B:F[x]-模)
\ /
\ /
v v
S11(唯一性)
|
+---------+---------+
| |
v v
S12(有理标准形) S14(矩阵指数)
|
+-------+-------+
| |
v v
S15(控制论) S16(Lie群)
推荐阅读路径： - 首次阅读：\(\S1 \to \S2 \to \S3 \to \S4\)（路径1+2） \(\to \S5 \to \S6 \to \S7 \to \S8 \to \S9 \to \S10\)（路径A） \(\to \S11 \to \S14 \to \S15\)--\(\S17\) - 深化阅读：补充 \(\S10'\)（\(F[x]\)-模路径）、\(\S12\)（有理标准形）、\(\S13\)（算法） - 机器人方向重点：\(\S14\)（矩阵指数）和 \(\S15\)--\(\S16\) 的机器人应用专栏
前置知识桥接¶
本章建立在前置模块 A2a 和 A2c 的核心成果之上。
来自 A2a 的关键概念：在 A2a 中，我们建立了不变子空间理论——即若 \(W \subset V\) 满足 \(T(W) \subset W\)，则称 \(W\) 为 \(T\)-不变子空间。我们还证明了直和分解定理：若 \(V = W_1 \oplus W_2 \oplus \cdots \oplus W_k\)，则每个 \(v \in V\) 可唯一写成 \(v = w_1 + w_2 + \cdots + w_k\)。本章的核心目标之一就是找到一种"最精细"的不变子空间直和分解——Jordan 分解。
来自 A2c 的关键概念：在 A2c 中，我们证明了复向量空间上的每个线性算子都有特征值，并建立了 Schur 分解定理——每个算子都可以在某个标准正交基下表示为上三角矩阵。我们还讨论了可对角化条件：\(T\) 可对角化当且仅当 \(V\) 有由 \(T\) 的特征向量构成的基。本章的问题正是：当 \(T\) 不可对角化时，最简的矩阵表示是什么？
如果跳过本章会怎样¶
- 矩阵指数计算受阻：在机器人学中，\(\exp(t\hat{\omega})\)（Rodrigues 公式）和 \(\exp([S]\theta)\)（SE(3) 螺旋指数）都依赖于 Cayley--Hamilton 定理将无穷级数截断为有限多项式。不理解 Jordan 理论，你只能死记公式而无法理解其代数根源。
- 控制系统稳定性分析失效：判断 \(\dot{x} = Ax\) 在存在重特征值时是否稳定，需要知道 Jordan 块大小——仅靠特征值不够。例如，\(\lambda = 0\) 的 \(2 \times 2\) Jordan 块产生 \(t\) 增长项，导致系统漂移。
预计阅读时间¶
| 阅读方式 | 时间 | 适合谁 |
|---|---|---|
| 精读（含练习） | 12--15 小时 | 需要深入理解代数结构的读者 |
| 速读（跳过推导细节） | 4--5 小时 | 有相关经验、只需回顾核心思想的读者 |
| 速查（只看表格和速查卡） | 30 分钟 | 遇到具体问题时回来查阅定理或公式 |
1. 多项式环 \(F[x]\)：算子理论所需基础 ⭐⭐¶
动机¶
在线性代数中，我们经常需要对线性算子 \(T\) 进行"多项式运算"。例如，\(T^2 - 3T + 2I\) 是一个完全合法的表达式——它表示"先作用 \(T\) 两次、减去 \(T\) 的三倍、再加回两个恒等变换"。自然的问题是：哪些多项式 \(p(x)\) 会让 \(p(T) = 0\)（零算子）？ 这个问题的答案将引出极小多项式和 Cayley--Hamilton 定理。
但要严格讨论"算子的多项式"，我们首先需要理解多项式环 \(F[x]\) 本身的代数结构——特别是它作为主理想整环（Principal Ideal Domain, PID）的性质。这些性质将在后续章节中反复使用：带余除法给出整除性判定，Bezout 恒等式给出准素分解的显式投影算子，唯一分解保证了 Jordan 分解的唯一性。
如果不理解多项式环会怎样¶
如果跳过本节直接进入极小多项式的讨论，你会遇到以下困难：
- 无法理解"极小多项式是零化理想的唯一首一生成元"——因为你不知道什么是理想、什么是生成元
- 无法理解准素分解中"Bezout 恒等式给出投影算子"——因为你不知道 Bezout 恒等式从何而来
- 无法理解 \(F[x]\)-模路径——因为你不知道 \(F[x]\) 的代数性质为何如此关键
1.1 \(F[x]\) 的环结构 ⭐¶
定义：设 \(F\) 是一个域（Field），\(F[x]\) 是系数在 \(F\) 中的一元多项式构成的集合，配备标准的多项式加法和乘法。具体地，\(F[x]\) 中的元素形如
整环性质：\(F[x]\) 是整环（Integral Domain），即没有零因子：若 \(p(x) \cdot q(x) = 0\)，则 \(p(x) = 0\) 或 \(q(x) = 0\)。这直接来自 \(F\) 是域（因此无零因子）以及多项式乘法的性质——两个非零多项式的乘积的首项系数是各自首项系数的乘积，在域中非零。
次数函数：对非零多项式 \(p(x) = a_n x^n + \cdots + a_0\)（\(a_n \neq 0\)），定义 \(\deg(p) = n\)。次数函数满足：
这个等式再次依赖 \(F\) 无零因子的事实。对比：在 \(\mathbb{Z}/6\mathbb{Z}\) 上，\((2x)(3x) = 6x^2 = 0\)，次数不满足加法性。
阶段小结：\(F[x]\) 是一个整环，配备次数函数 \(\deg\)。接下来我们将看到 \(\deg\) 的关键作用——它使得 \(F[x]\) 中的带余除法成为可能。
1.2 Euclidean 带余除法与 PID ⭐⭐¶
定理（带余除法）：对任意 \(f, g \in F[x]\)，\(g \neq 0\)，存在唯一的 \(q, r \in F[x]\) 使得
证明思路：对 \(\deg(f)\) 进行归纳。若 \(\deg(f) < \deg(g)\)，取 \(q = 0, r = f\)。否则，设 \(f\) 的首项为 \(a_n x^n\)，\(g\) 的首项为 \(b_m x^m\)（\(n \geq m\)）。令 \(f_1 = f - \frac{a_n}{b_m} x^{n-m} \cdot g\)，则 \(\deg(f_1) < \deg(f)\)，对 \(f_1\) 归纳即可。注意这里使用了 \(b_m\) 在域 \(F\) 中可逆——这就是为什么 \(F\) 必须是域（不仅仅是环）才能保证带余除法成立。
推论（\(F[x]\) 是 PID）：\(F[x]\) 中的每个理想 \(I\) 都是主理想，即存在 \(d \in F[x]\) 使得 \(I = (d) = \{d \cdot h : h \in F[x]\}\)。
证明：设 \(I \neq \{0\}\)。取 \(I\) 中次数最小的非零元素 \(d\)（次数的良序性保证存在）。对任意 \(f \in I\)，用 \(d\) 做带余除法：\(f = d \cdot q + r\)，\(\deg(r) < \deg(d)\)。由 \(f, d \in I\) 得 \(r = f - dq \in I\)。若 \(r \neq 0\)，则 \(r\) 是 \(I\) 中次数比 \(d\) 更小的非零元素，矛盾。故 \(r = 0\)，\(f = dq \in (d)\)。
本质洞察：\(F[x]\) 是 PID 这一事实是本章一切结构定理的代数根基。Jordan 标准形的存在性、唯一性，以及准素分解的显式构造，最终都可以追溯到 \(F[x]\) 的 PID 性质。从某种意义上说，有限维线性算子的完全分类之所以可能，正是因为 \(F[x]\) 的理想结构足够简单。
1.3 最大公因式与 Bezout 恒等式 ⭐⭐¶
定义：\(\gcd(f, g)\) 是 \(f\) 和 \(g\) 的最大公因式，即 \((f) + (g) = (\gcd(f, g))\) 的唯一首一生成元。
Bezout 恒等式：由于 \((f) + (g) = (\gcd(f, g))\)，存在 \(s, t \in F[x]\) 使得
特别地，若 \(\gcd(f, g) = 1\)（\(f, g\) 互素），则存在 \(s, t\) 使得 \(sf + tg = 1\)。
计算方法（Euclidean 算法）：反复应用带余除法，直到余式为零。最后一个非零余式（归一化后）即为 \(\gcd(f, g)\)。回代可得 \(s, t\)。
例：计算 \(\gcd(x^3 - 1, x^2 - 1)\)。 - \(x^3 - 1 = (x^2 - 1) \cdot x + (x - 1)\) - \(x^2 - 1 = (x - 1)(x + 1) + 0\) - 故 \(\gcd(x^3 - 1, x^2 - 1) = x - 1\)
为什么 Bezout 恒等式重要：在 \(\S6\) 准素分解中，我们需要构造向广义特征空间的投影算子。Bezout 恒等式提供了将恒等算子分解为幂等投影之和的显式方法——"\(sf + tg = 1\) 在算子层面变成 \(s(T)f(T) + t(T)g(T) = I\)"。
1.4 不可约元与唯一分解 ⭐⭐¶
定义：\(F[x]\) 中的非零非单位元素 \(p(x)\) 称为不可约的（Irreducible），如果 \(p = fg\) 蕴含 \(f\) 或 \(g\) 是单位元（即非零常数）。
直觉理解：不可约多项式是多项式环中的"原子"——不能进一步分解的基本构建块。它们在 \(F[x]\) 中的角色类似于质数在 \(\mathbb{Z}\) 中的角色。
唯一分解定理（UFD）：\(F[x]\) 中每个次数 \(\geq 1\) 的多项式 \(f\) 可以唯一分解为
其中 \(c \in F^*\) 是首项系数，\(p_i\) 是互不相同的首一不可约多项式，\(a_i \geq 1\)。唯一性指在重排顺序的意义下。
证明思路：存在性由 \(\deg\) 上的归纳法给出（若 \(f\) 不可约则已完成，否则 \(f = gh\) 且 \(\deg g, \deg h < \deg f\)，对 \(g, h\) 归纳）。唯一性由不可约元素在 PID 中是素元素保证——若 \(p \mid fg\)，则 \(p \mid f\) 或 \(p \mid g\)。
代数闭域的特殊性：域 \(F\) 称为代数闭的（Algebraically Closed），如果 \(F[x]\) 的不可约元素恰好是一次多项式 \(x - a\)（\(a \in F\)）。\(\mathbb{C}\) 是代数闭的（代数基本定理），\(\mathbb{R}\) 不是（\(x^2 + 1\) 在 \(\mathbb{R}[x]\) 中不可约）。
各域上的不可约多项式比较：
| 域 \(F\) | 不可约多项式 | 例子 |
|---|---|---|
| \(\mathbb{C}\) | 仅一次：\(x - a\) | \(x^2 + 1 = (x-i)(x+i)\) |
| \(\mathbb{R}\) | 一次 + 判别式 \(< 0\) 的二次 | \(x^2 + 1\) 不可约 |
| \(\mathbb{Q}\) | 由 Eisenstein 等判据确定 | \(x^4 + 1\) 不可约 |
| \(\mathbb{F}_p\) | 存在任意次数的不可约多项式 | \(x^2 + x + 1\) 在 \(\mathbb{F}_2\) 上不可约 |
这一区分对 Jordan 理论至关重要：Jordan 标准形（由一次因子构成的块对角形式）仅当 \(F\) 代数闭（或更精确地说，特征多项式在 \(F\) 上完全分裂）时才存在。当 \(F\) 非代数闭时，我们需要有理标准形（Frobenius 标准形，\(\S12\)）作为替代。
反事实推理：如果 \(\mathbb{R}\) 是代数闭的会怎样？那么 \(x^2 + 1\) 在 \(\mathbb{R}\) 上就有根，设为 \(i\)，但 \(i^2 = -1 < 0\)，这与 \(\mathbb{R}\) 上非零实数的平方总为正矛盾。所以 \(\mathbb{R}\) 不可能是代数闭的——代数闭性是复数域 \(\mathbb{C}\) 的特权，代价是失去全序关系。
1.5 预告：\(V\) 如何成为 \(F[x]\)-模 ⭐¶
核心思想：给定线性算子 \(T: V \to V\)，我们可以让 \(F[x]\) 作用在 \(V\) 上：定义 \(x \cdot v := T(v)\)，进而 \(p(x) \cdot v := p(T)(v)\)。这使得 \(V\) 成为 \(F[x]\)-模（Module over \(F[x]\)）。
这个看似简单的观察拥有深远的后果：所有关于线性算子的结构定理（Jordan 标准形、有理标准形、Cayley--Hamilton）都可以从 PID 上有限生成模的结构定理——一个纯代数定理——推导出来。这条路径将在 \(\S10'\) 中完整展开。
现在只需记住一个关键事实：\(V\) 作为 \(F[x]\)-模是挠模（Torsion Module），即每个 \(v \in V\) 都有非零的零化多项式。这是因为 \(\{v, Tv, T^2 v, \ldots, T^{n^2} v\}\)（\(n = \dim V\)）在 \(n^2 + 1\) 维空间中必然线性相关。
1.6 \(F[x]\) 与 \(\mathrm{End}(V)\) 的关系 ⭐⭐¶
给定线性算子 \(T: V \to V\)，定义**求值同态**（Evaluation Homomorphism）：
这是一个 \(F\)-代数同态，即： - \(\mathrm{ev}_T(p + q) = p(T) + q(T)\) - \(\mathrm{ev}_T(p \cdot q) = p(T) \circ q(T)\) - \(\mathrm{ev}_T(c) = cI\)（常数映为数量算子）
第一同构定理的应用：\(\ker(\mathrm{ev}_T) = \mathrm{Ann}(T) = (m_T)\)，因此
其中 \(F[T] = \{p(T) : p \in F[x]\}\) 是 \(T\) 生成的 \(F\)-子代数。\(\dim_F F[T] = \deg(m_T)\)。
意义：这个同构告诉我们，\(T\) 的所有多项式表达式（\(T\) 的加法、乘法、标量倍）构成的代数，完全由 \(m_T\) 决定。两个算子有相同的极小多项式当且仅当它们生成同构的 \(F\)-子代数。
常见陷阱¶
💡 概念误区 1：认为"多项式等于零"和"多项式函数等于零"是同一回事
新手想法：\(p(x) = x^2 - x\) 在 \(\mathbb{F}_2 = \{0, 1\}\) 上满足 \(p(0) = 0, p(1) = 0\)，所以 \(p = 0\)。
实际上：多项式 \(p(x) = x^2 - x\) 作为 \(\mathbb{F}_2[x]\) 的元素是非零的（它有 \(x^2\) 项），即使作为函数 \(\mathbb{F}_2 \to \mathbb{F}_2\) 它是零函数。在有限域上，多项式和多项式函数不一一对应。不过在 \(\mathbb{R}\) 或 \(\mathbb{C}\) 上不存在这个问题（无穷域上的区别消失）。
为什么重要：本章中"\(p(T) = 0\)"指的是将 \(T\) 代入后得到零算子，而非在某些特定向量上为零。
🧠 思维陷阱 2：混淆"\(F[x]\) 是 PID"与"\(F[x, y]\) 也是 PID"
新手想法：既然一元多项式环是 PID，多元的也应该是。
实际上：\(F[x, y]\) 不是 PID。例如理想 \((x, y)\)（由 \(x\) 和 \(y\) 生成）不是主理想——不存在单个多项式 \(d\) 使得 \((x, y) = (d)\)。这就是为什么多元情况下的不变子空间理论远为复杂，也是为什么本章所有结构定理本质上是一元多项式环的特权。
正确理解：PID 性质是 \(F[x]\) 的"恩赐"，它使得线性算子的完全分类成为可能。
练习¶
- (手推) 在 \(\mathbb{Q}[x]\) 中，使用 Euclidean 算法计算 \(\gcd(x^4 - 1, x^6 - 1)\)，并显式求出 Bezout 系数 \(s, t\)。
- (思考) 证明：若 \(F\) 是域，则 \(F[x]\) 中次数 \(\leq 1\) 的非零多项式都是不可约的。对次数 \(\geq 2\) 的多项式，给出一个在 \(\mathbb{Q}[x]\) 中不可约但在 \(\mathbb{R}[x]\) 中仍然不可约、但在 \(\mathbb{C}[x]\) 中可约的例子。
上节建立了 \(F[x]\) 的代数基础。核心收获是：\(F[x]\) 是 PID，具有带余除法、Bezout 恒等式和唯一分解。下一步的问题是：将这些工具应用于线性算子——给定 \(T: V \to V\)，哪些多项式 \(p\) 会让 \(p(T) = 0\)？
2. \(T\)-零化多项式与极小多项式 \(m_T\) ⭐⭐⭐¶
动机¶
假设你有一个线性算子 \(T: V \to V\)。你知道 \(T\) 的矩阵表示（在某个基下）是一个 \(n \times n\) 矩阵 \(A\)。你想理解 \(T\) 的"本质结构"——不依赖于基选择的内在性质。
一个关键的观察是：\(T\) 的幂 \(I, T, T^2, T^3, \ldots\) 不可能全部线性无关。因为 \(\mathrm{End}(V) \cong M_n(F)\) 是 \(n^2\) 维的，所以 \(\{I, T, T^2, \ldots, T^{n^2}\}\) 这 \(n^2 + 1\) 个算子必然线性相关。换言之，必然存在一个非零多项式 \(p(x)\) 使得 \(p(T) = 0\)。
问题：在所有满足 \(p(T) = 0\) 的非零多项式中，次数最小的那个是什么？它唯一吗？它携带了 \(T\) 的哪些信息？
如果没有极小多项式会怎样¶
没有极小多项式，我们就无法： - 判断 \(T\) 是否可对角化（\(m_T\) 无重根 \(\Leftrightarrow\) 可对角化） - 执行准素分解（\(m_T\) 的分解直接给出 \(V\) 的分解） - 将矩阵指数的无穷级数截断为有限多项式（Cayley--Hamilton）
历史背景¶
极小多项式的概念可追溯到 19 世纪的 Cayley 和 Hamilton 的工作。Arthur Cayley 在 1858 年首次猜测每个矩阵都满足自己的特征方程，William Rowan Hamilton 在四元数理论中独立发现了类似结果。这个猜想的严格证明（即 Cayley--Hamilton 定理）将在 \(\S4\) 给出，而极小多项式是理解这一定理的必要前置。
2.1 零化理想 \(\mathrm{Ann}(T)\) ⭐⭐⭐¶
定义：设 \(T: V \to V\) 是有限维向量空间上的线性算子。\(T\) 的**零化理想**（Annihilator Ideal）定义为
验证 \(\mathrm{Ann}(T)\) 确实是理想：
- 加法封闭：若 \(p(T) = 0\) 且 \(q(T) = 0\)，则 \((p + q)(T) = p(T) + q(T) = 0\)
- 吸收性：若 \(p(T) = 0\)，则对任意 \(h \in F[x]\)，\((h \cdot p)(T) = h(T) \circ p(T) = h(T) \circ 0 = 0\)
注意这里用到了一个关键事实：对于可交换的多项式 \(f, g \in F[x]\)，有 \(f(T) \circ g(T) = (fg)(T)\)。这是因为 \(T\) 与自身交换（\(T \circ T = T \circ T\)），所以 \(T\) 的各次幂之间也互相交换。
2.2 存在性论证 ⭐⭐⭐¶
定理：\(\mathrm{Ann}(T) \neq \{0\}\)，即存在非零多项式零化 \(T\)。
证明：\(\mathrm{End}(V)\) 作为 \(F\)-向量空间的维数是 \(n^2\)（其中 \(n = \dim V\)）。考虑 \(n^2 + 1\) 个算子 \(I, T, T^2, \ldots, T^{n^2}\)，它们必然线性相关。因此存在不全为零的 \(c_0, c_1, \ldots, c_{n^2} \in F\) 使得
这意味着多项式 \(p(x) = c_0 + c_1 x + \cdots + c_{n^2} x^{n^2}\) 属于 \(\mathrm{Ann}(T)\) 且非零。
上界：这个论证给出 \(\mathrm{Ann}(T)\) 中存在次数 \(\leq n^2\) 的非零元素。Cayley--Hamilton 定理（\(\S4\)）将给出更强的结论：\(p_T \in \mathrm{Ann}(T)\)，其次数为 \(n\)。因此极小多项式 \(m_T\) 的次数最多为 \(n\)（而非 \(n^2\)）。
2.3 极小多项式的定义与唯一性 ⭐⭐⭐¶
定义：\(T\) 的**极小多项式**（Minimal Polynomial）\(m_T\) 是 \(\mathrm{Ann}(T)\) 中次数最小的首一多项式。
唯一性：由于 \(F[x]\) 是 PID，\(\mathrm{Ann}(T)\) 作为 \(F[x]\) 的理想，是主理想——即存在唯一的首一多项式 \(m_T\) 使得 \(\mathrm{Ann}(T) = (m_T)\)。\(m_T\) 的唯一性来自 PID 中主理想生成元的唯一性（在单位倍的意义下，首一化后绝对唯一）。
本质洞察：极小多项式 \(m_T\) 捕获了算子 \(T\) 的"代数本质"——它是最精简的多项式关系。\(m_T\) 可以告诉我们 \(T\) 的所有本质信息：\(T\) 的特征值（\(m_T\) 的根）、\(T\) 是否可对角化（\(m_T\) 是否无重根）、\(V\) 如何按 \(T\) 的作用分解（\(m_T\) 的因式分解）。
2.4 整除性刻画 ⭐⭐⭐¶
定理：\(q(T) = 0\) 当且仅当 \(m_T \mid q\)。
证明：\((\Leftarrow)\) 若 \(m_T \mid q\)，则 \(q = m_T \cdot h\)，故 \(q(T) = m_T(T) \cdot h(T) = 0 \cdot h(T) = 0\)。\((\Rightarrow)\) 若 \(q(T) = 0\)，则 \(q \in \mathrm{Ann}(T) = (m_T)\)，故 \(m_T \mid q\)。
直觉理解：\(m_T\) 是所有零化多项式的"最大公因式"——准确地说，\(m_T\) 生成零化理想，所以任何零化多项式都是 \(m_T\) 的倍数。
应用示例：如何利用整除性判断 \(T\) 是否可逆？\(T\) 可逆当且仅当 \(0\) 不是 \(T\) 的特征值，等价于 \(m_T(0) \neq 0\)，等价于 \(m_T\) 的常数项非零。更一般地，若 \(m_T(x) = x^r + c_{r-1}x^{r-1} + \cdots + c_0\)，则 \(T\) 可逆当且仅当 \(c_0 \neq 0\)。此时 \(T^{-1} = -\frac{1}{c_0}(T^{r-1} + c_{r-1}T^{r-2} + \cdots + c_1 I)\)——极小多项式直接给出了逆算子的显式表达。
2.5 限制到不变子空间 ⭐⭐¶
命题：设 \(W \subset V\) 是 \(T\)-不变子空间，则 \(m_{T|_W} \mid m_T\)。
证明：\(m_T(T) = 0\) 在 \(V\) 上成立，特别在 \(W\) 上成立：\(m_T(T|_W) = m_T(T)|_W = 0|_W = 0\)。由 \(\S2.4\) 的整除性刻画，\(m_{T|_W} \mid m_T\)。
类比理解：这就像一条河（\(V\)）的流速规律（\(m_T\)）决定了每条支流（\(W\)）的规律（\(m_{T|_W}\)）——支流的规律必须"整除"主流的规律。但要注意**类比的边界**：支流可能有比主流更简单的规律（\(m_{T|_W}\) 的次数可以严格小于 \(m_T\) 的次数），但不可能有与主流矛盾的规律。
2.6 直和分解下的极小多项式 ⭐⭐¶
命题：若 \(V = V_1 \oplus V_2 \oplus \cdots \oplus V_k\)，每个 \(V_i\) 都是 \(T\)-不变子空间，则
证明思路：\(m_T(T) = 0\) 当且仅当 \(m_T(T|_{V_i}) = 0\) 对所有 \(i\) 成立，即 \(m_{T|_{V_i}} \mid m_T\) 对所有 \(i\) 成立。最小的这样的 \(m_T\) 就是各 \(m_{T|_{V_i}}\) 的最小公倍式。
推论：这个公式将在 Jordan 标准形的唯一性证明中起到关键作用——每个 Jordan 块的极小多项式是 \((x - \lambda)^k\)，整体的极小多项式是这些的 \(\mathrm{lcm}\)，等于最大的那个 \((x - \lambda)^{k_{\max}}\)。
常见陷阱¶
💡 概念误区 1：混淆"极小多项式"与"特征多项式"
新手想法：\(m_T\) 和 \(p_T\) 不就是同一个东西吗？
实际上：\(m_T\) 和 \(p_T\) 有相同的根集合（\(\S5\) 将证明），但重数可以不同。例如，\(2 \times 2\) 单位矩阵 \(I_2\) 的 \(p_{I_2}(x) = (x-1)^2\) 但 \(m_{I_2}(x) = x - 1\)。\(m_T = p_T\) 当且仅当 \(T\) 有**循环向量**（\(\S9\)）。
正确理解：\(m_T\) 是最小的零化多项式，\(p_T\) 是固定次数 \(n\) 的"特征方程"。Cayley--Hamilton 保证 \(m_T \mid p_T\)。
🧠 思维陷阱 2：认为极小多项式的次数总是很小
新手想法：\(m_T\) 的次数远小于 \(n\)，所以 \(T\) 的高次幂都可以"压缩"。
实际上：\(m_T\) 的次数可以等于 \(n\)（此时 \(m_T = p_T\)），也可以小至 \(1\)（当 \(T = cI\) 时，\(m_T = x - c\)）。一般的"泛型"矩阵满足 \(m_T = p_T\)，次数等于 \(n\)。
正确理解：\(m_T\) 的次数由 \(T\) 的代数结构决定，范围是 \(1 \leq \deg(m_T) \leq n\)。
练习¶
- (手推) 计算以下矩阵的极小多项式：(a) \(A = \begin{pmatrix} 2 & 0 \\ 0 & 2 \end{pmatrix}\)；(b) \(A = \begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}\)；(c) \(A = \begin{pmatrix} 1 & 0 \\ 0 & 2 \end{pmatrix}\)。对比它们的特征多项式。
- (证明) 证明：若 \(T\) 可对角化且有 \(k\) 个互不相同的特征值，则 \(\deg(m_T) = k\)。
- (思考) 设 \(V = \mathbb{R}^4\)，\(T\) 的矩阵在标准基下为 \(\mathrm{diag}(J_2(0), J_2(0))\)（两个 \(2 \times 2\) 零特征值 Jordan 块）。计算 \(m_T\)。如果改为 \(\mathrm{diag}(J_3(0), J_1(0))\)，\(m_T\) 会变吗？
上节建立了极小多项式 \(m_T\) 的概念。下面我们需要另一个核心工具——特征多项式 \(p_T\)。虽然特征多项式在 A2c 中已有介绍，这里我们从另一个角度重新审视它，特别是为 Cayley--Hamilton 定理做准备。
3. 特征多项式 \(p_T(\lambda) = \det(\lambda I - T)\) ⭐⭐⭐¶
动机¶
特征多项式 \(p_T(\lambda)\) 编码了 \(T\) 的全部特征值（及其代数重数）。回顾 A2c：\(\lambda_0\) 是 \(T\) 的特征值当且仅当 \(\det(\lambda_0 I - T) = 0\)，即 \(\lambda_0\) 是 \(p_T\) 的根。
但特征多项式还有一个更深层的作用：Cayley--Hamilton 定理断言 \(p_T(T) = 0\)，即将特征多项式中的 \(\lambda\) "替换"为算子 \(T\) 本身后得到零算子。这将极小多项式和特征多项式紧密联系起来。
本节定位说明¶
行列式的完整理论将在 A2e（张量积、外代数、行列式）中系统建立。此处我们采取"黑盒 + 最小公理"策略，只使用行列式的以下三条基本性质：
- P1（乘性）：\(\det(AB) = \det(A) \det(B)\)
- P2（对角）：上三角矩阵的行列式等于对角元素的乘积
- P3（多项式形式）：\(\det(\lambda I - A)\) 是 \(\lambda\) 的首一 \(n\) 次多项式
3.1 特征多项式的定义与基独立性 ⭐⭐⭐¶
定义：设 \(T: V \to V\) 的矩阵表示（在某个基下）为 \(A\)。\(T\) 的**特征多项式**为
基独立性：若 \(B = P^{-1}AP\) 是 \(T\) 在另一个基下的矩阵，则
这里用到了行列式的乘性（P1）。因此 \(p_T\) 是 \(T\) 的内在不变量，不依赖于基的选择。
3.2 \(p_T\) 的结构 ⭐⭐¶
由性质 P3，\(p_T(\lambda)\) 是首一 \(n\) 次多项式，具体形式为
其中： - 最高项：系数为 \(1\)（首一），来自 \(\det(\lambda I - A)\) 展开中 \(\prod_{i=1}^n (\lambda - a_{ii})\) 的 \(\lambda^n\) 项 - 次高项：系数为 \(-\mathrm{tr}(T) = -(a_{11} + a_{22} + \cdots + a_{nn})\) - 常数项：\(p_T(0) = \det(-A) = (-1)^n \det(A)\)
3.3 特征值即 \(p_T\) 的根 ⭐⭐⭐¶
命题：\(\lambda_0\) 是 \(T\) 的特征值当且仅当 \(p_T(\lambda_0) = 0\)。
证明：\(\lambda_0\) 是特征值 \(\Leftrightarrow\) 存在 \(v \neq 0\) 使得 \(Tv = \lambda_0 v\) \(\Leftrightarrow\) \((\lambda_0 I - T)v = 0\) 有非零解 \(\Leftrightarrow\) \(\lambda_0 I - T\) 不可逆 \(\Leftrightarrow\) \(\det(\lambda_0 I - T) = 0\) \(\Leftrightarrow\) \(p_T(\lambda_0) = 0\)。
代数重数：特征值 \(\lambda_0\) 的**代数重数**（Algebraic Multiplicity）定义为 \(\lambda_0\) 作为 \(p_T\) 的根的重数。
3.4 伴随矩阵简介 ⭐⭐¶
定义：矩阵 \(A\) 的**伴随矩阵**（Adjugate Matrix）\(\mathrm{adj}(A)\) 的 \((i, j)\) 元素是 \(A\) 的 \((j, i)\) 代数余子式。
关键恒等式：对任意 \(n \times n\) 矩阵 \(A\)，
将 \(A\) 替换为 \(\lambda I - A\)（视为 \(F[\lambda]\) 上的矩阵），得到
这个恒等式是 Cayley--Hamilton 定理伴随矩阵证明路径的起点（\(\S4.2\)）。
常见陷阱¶
💡 概念误区 1：混淆"特征多项式"与"最小多项式"的次数关系
新手想法："\(p_T\) 的次数是 \(n\)，\(m_T\) 的次数也差不多吧"
实际上：\(m_T\) 的次数可以远小于 \(n\)。极端例子：\(T = cI\)（数量矩阵），\(p_T = (x-c)^n\) 次数 \(n\)，\(m_T = x - c\) 次数 \(1\)。\(m_T\) 的次数由 \(T\) 的"复杂程度"决定。
正确理解：\(m_T \mid p_T\)，\(1 \leq \deg(m_T) \leq \deg(p_T) = n\)。
🧠 思维陷阱 2：忘记 \(\det(\lambda I - A)\) 中 \(\lambda\) 是标量而非矩阵
新手想法："既然 \(p_A(\lambda) = \det(\lambda I - A)\)，那 \(p_A(A) = \det(AI - A) = \det(0) = 0\)，Cayley--Hamilton 就这么证完了！"
实际上：这个"证明"犯了根本性错误——\(\det\) 的输入是标量矩阵（元素为域 \(F\) 中的元素），而 \(AI - A\) 中的"元素"是矩阵，不能直接代入 \(\det\)。\(\S4.2\) 将给出正确的处理方式。
正确理解："用 \(A\) 代入 \(\lambda\)"这个操作在行列式内部无意义。正确的做法需要引入非交换多项式环。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 0 & 1 & 0 \\ 0 & 0 & 1 \\ 2 & -5 & 4 \end{pmatrix}\)，计算 \(p_A(\lambda)\) 和 \(\mathrm{adj}(\lambda I - A)\)，验证 \((\lambda I - A) \cdot \mathrm{adj}(\lambda I - A) = p_A(\lambda) I\)。
- (思考) 证明：\(\mathrm{tr}(T)\) 等于 \(T\) 的全部特征值之和（含重数），\(\det(T)\) 等于全部特征值之积。提示：利用 \(p_T\) 的因式分解。
现在我们已经拥有了极小多项式和特征多项式这两个核心工具。它们之间有什么关系？答案是 Cayley--Hamilton 定理——线性代数中最重要的定理之一。
4. Cayley--Hamilton 定理 ⭐⭐⭐¶
动机¶
Cayley--Hamilton 定理回答了一个看似大胆的问题：特征多项式 \(p_T\) 是不是也零化 \(T\)？ 即 \(p_T(T) = 0\)？
直觉上，\(p_T(\lambda) = 0\) 当 \(\lambda\) 取特征值时成立。但 \(p_T(T) = 0\) 是一个更强的断言——它说的是将**整个算子 \(T\)** 代入 \(p_T\)（而非单个标量）后得到零算子。这两件事之间的逻辑跳跃需要严格的证明来弥合。
陈述（Cayley--Hamilton 定理）：设 \(T: V \to V\) 是有限维向量空间上的线性算子，\(p_T(\lambda) = \det(\lambda I - T)\) 是其特征多项式。则
即 \(p_T\) 零化 \(T\)。
如果没有 Cayley--Hamilton 定理¶
- 矩阵指数无法截断：\(e^{tA} = \sum_{k=0}^{\infty} \frac{(tA)^k}{k!}\) 是无穷级数。Cayley--Hamilton 说 \(A^n\) 可以表示为 \(\{I, A, \ldots, A^{n-1}\}\) 的线性组合，于是 \(e^{tA}\) 可以写成次数 \(< n\) 的矩阵多项式——这是 \(\S14\) Sylvester--Buchheim 公式的基础
- 极小多项式的次数无上界：没有 Cayley--Hamilton，我们只能说 \(\deg(m_T) \leq n^2\)（\(\S2.2\) 的粗糙上界）。有了它，\(\deg(m_T) \leq n\)
历史¶
Arthur Cayley（1821--1895）在 1858 年的论文 A Memoir on the Theory of Matrices 中为 \(2 \times 2\) 和 \(3 \times 3\) 矩阵验证了这一结论，并声称"无需给出一般情况的证明"（"I have not thought it necessary to undertake the labour of a formal proof"）。William Rowan Hamilton（1805--1865）在四元数理论中独立发现了类似结果。首个严格证明由 Ferdinand Georg Frobenius 于 1878 年给出。
4.1 路径 1：经 Schur 分解（几何证明） ⭐⭐⭐¶
前提：\(F\) 代数闭（例如 \(F = \mathbb{C}\)）。在 A2c 中我们已证明：复向量空间上的任意线性算子都存在不变旗（Invariant Flag），即存在子空间链
满足 \(\dim V_k = k\) 且 \(T(V_k) \subset V_k\)。在对应的基下，\(T\) 表示为上三角矩阵，对角元素为 \(\lambda_1, \lambda_2, \ldots, \lambda_n\)（\(T\) 的特征值，含重数）。
关键引理：\((T - \lambda_k I)\) 将 \(V_k\) 映入 \(V_{k-1}\)。
引理的证明：设 \(v \in V_k\)。由于 \(T(V_k) \subset V_k\)（不变性），\(Tv \in V_k\)。在旗的基 \(\{e_1, \ldots, e_n\}\) 下，\(T\) 的矩阵是上三角的，其中 \(Te_k = \lambda_k e_k + \sum_{j < k} a_{jk} e_j\)。因此
由于 \(T - \lambda_k I\) 也将 \(V_{k-1}\) 映入 \(V_{k-1}\)（因为 \(T\) 在 \(V_{k-1}\) 上的对角元不影响低维子空间），我们得到 \((T - \lambda_k I)(V_k) \subset V_{k-1}\)。
定理的证明：考虑算子的复合
作用在 \(V_n = V\) 上。由引理：
- \((T - \lambda_1 I)\) 将 \(V_1\) 映入 \(V_0 = \{0\}\)
- 对 \(V_2\)，\((T - \lambda_1 I)\) 将 \(V_2\) 映入 \(V_1\)（因为 \(T - \lambda_1 I\) 保持 \(V_2\) 不变，但不一定映入 \(V_1\)——这里需要更仔细的论证）
更精确地：\((T - \lambda_1 I)\) 将 \(V_n\) 映入 \(V_n\)（但不缩小），\((T - \lambda_2 I)\) 在此基础上将像缩入 \(V_{n-1}\)，依次类推。关键的链式推理如下：
设 \(v \in V = V_n\)。
- \((T - \lambda_1 I)v \in V_n\)（因为 \(T - \lambda_1 I\) 保持 \(V_n\)）
- 但对于上三角矩阵，\((T - \lambda_k I)\) 将 \(V_k\) 映入 \(V_{k-1}\)。
正确的论证顺序是：对任意 \(v \in V_n\)，
然后 \((T - \lambda_{n-1} I)\) 将 \(V_{n-1}\) 映入 \(V_{n-2}\)，所以
依次类推：
注意因子的顺序从右到左是 \(\lambda_n, \lambda_{n-1}, \ldots, \lambda_1\)。但由于 \(p_T(\lambda) = (\lambda - \lambda_1)(\lambda - \lambda_2) \cdots (\lambda - \lambda_n)\)，而代入 \(T\) 后各因子 \((T - \lambda_i I)\) 之间可交换（它们都是 \(T\) 的多项式），所以
阶段小结：路径 1 的核心思想是利用上三角化——在旗基下，每个因子 \((T - \lambda_k I)\) 将子空间链"降一级"，\(n\) 个因子的复合将 \(V\) 映到 \(\{0\}\)。
适用范围：此证明要求 \(F\) 代数闭（以保证上三角化存在）。对一般域，需要路径 2。
4.2 路径 2：经伴随矩阵（纯代数证明） ⭐⭐⭐¶
此路径适用于任意交换环，不要求域或代数闭。
起点：\(\S3.4\) 的关键恒等式
新手常犯的致命错误：
"把 \(\lambda\) 换成 \(A\)：\((AI - A) \cdot \mathrm{adj}(AI - A) = p_A(A) \cdot I\)，左边 \(= 0 \cdot \mathrm{adj}(0) = 0\)，所以 \(p_A(A) = 0\)。证毕。"
这个"证明"是错误的！ 错在两处：
- \((\star)\) 式中的 \(\lambda\) 是**标量**，\(\mathrm{adj}(\lambda I - A)\) 是以 \(\lambda\) 的多项式为元素的**标量矩阵**。"将 \(\lambda\) 换成 \(A\)"在行列式内部无意义——\(\det\) 只对标量矩阵有定义
- 即使形式上"替换"，\(AI - A = 0\) 但 \(p_A(A)\) 的计算不能通过 \(\det(0) = 0\) 得到，因为 \(p_A(A)\) 是将多项式 \(p_A\) 的系数与 \(A\) 的幂相乘再求和，而非计算行列式
严谨处理：引入**非交换多项式环 \(M_n(F)[\lambda]\)**——以 \(\lambda\) 为中心不定元（与所有矩阵交换）、以 \(n \times n\) 矩阵为系数的多项式环。
在 \((\star)\) 式中，将 \(\mathrm{adj}(\lambda I - A)\) 展开为 \(\lambda\) 的多项式：
其中每个 \(B_j\) 是 \(n \times n\) 矩阵（\(A\) 的元素的多项式函数）。
类似地，\(p_A(\lambda) = \lambda^n + c_{n-1}\lambda^{n-1} + \cdots + c_0\)。
将 \((\star)\) 式两边按 \(\lambda\) 的幂次展开并比较系数：
左边展开后，\(\lambda^n\) 的系数为 \(B_{n-1}\)，\(\lambda^{n-1}\) 的系数为 \(B_{n-2} - AB_{n-1}\)，依次类推。与右边比较：
| \(\lambda\) 的幂 | 等式 |
|---|---|
| \(\lambda^n\) | \(B_{n-1} = I\) |
| \(\lambda^{n-1}\) | \(B_{n-2} - AB_{n-1} = c_{n-1} I\) |
| \(\lambda^{n-2}\) | \(B_{n-3} - AB_{n-2} = c_{n-2} I\) |
| \(\vdots\) | \(\vdots\) |
| \(\lambda^1\) | \(B_0 - AB_1 = c_1 I\) |
| \(\lambda^0\) | \(-AB_0 = c_0 I\) |
现在，关键一步：将这些等式分别左乘 \(A^n, A^{n-1}, \ldots, A, I\) 并求和：
- 第 1 式左乘 \(A^n\)：\(A^n B_{n-1} = A^n\)
- 第 2 式左乘 \(A^{n-1}\)：\(A^{n-1} B_{n-2} - A^n B_{n-1} = c_{n-1} A^{n-1}\)
- \(\vdots\)
- 末式左乘 \(I\)：\(-AB_0 = c_0 I\)
求和时，左边的 \(A^k B_{k-1}\) 项与 \(-A^k B_{k-1}\) 项相消（望远镜求和/telescoping），最终只剩下
验证交换性：上述望远镜求和的正确性依赖于 \(A\) 与各 \(B_j\) 的交换性——即 \(A B_j = B_j A\)。这是因为每个 \(B_j\) 是 \(A\) 的元素的多项式函数（可以通过 \(B_j\) 的递推关系 \(B_{j-1} = c_j I + AB_j\) 归纳证明 \(B_j\) 实际上是 \(A\) 的多项式）。
本质洞察：路径 2 的核心技巧是"望远镜求和"——将关于 \(\lambda\) 的多项式恒等式转化为关于 \(A\) 的矩阵恒等式。这个技巧的深层原因是：\(M_n(F)[\lambda]\) 中的恒等式可以通过"求值映射" \(\lambda \mapsto A\) 传递到 \(M_n(F)\)，前提是系数矩阵与 \(A\) 交换。
4.3 路径 3：稠密性论证（简述） ⭐¶
思想：可对角化矩阵在 \(M_n(\mathbb{C})\) 中 Zariski 稠密（判别式非零的矩阵构成开稠密集）。映射 \(A \mapsto p_A(A)\) 是连续的。对可对角化矩阵 \(A = P\mathrm{diag}(\lambda_i)P^{-1}\)，\(p_A(A) = P\mathrm{diag}(p_A(\lambda_i))P^{-1} = P \cdot 0 \cdot P^{-1} = 0\)（平凡）。由连续性和稠密性，对全体矩阵成立。
价值：展示了"代数恒等式由稠密子集上成立推得"的通用技巧。但对一般域需要额外的代数论证（Lefschetz 原理或 universal identity）。
4.4 路径 4：经 \(F[x]\)-模结构（预告） ⭐¶
思想：由 \(\S10'\) 的模结构定理，\(V \cong \bigoplus F[x]/(f_i)\)，其中 \(f_1 \mid f_2 \mid \cdots \mid f_k\)。特征多项式 \(p_T = \prod f_i\)，极小多项式 \(m_T = f_k\)。在每个分量 \(F[x]/(f_i)\) 上，\(f_i(T) = 0\)，因此 \(p_T(T) = \prod f_i(T) = 0\)。
这条路径的优点是使 \(m_T \mid p_T\) 与 Cayley--Hamilton 合为**同一个推论**。
4.5 典型错误清单¶
| 错误 | 正确理解 |
|---|---|
| "\(p_A(A) = \det(AI - A) = \det(0) = 0\)" | 左边是矩阵（\(p_A\) 在 \(A\) 处的求值），右边是标量；禁止在 \(\det\) 内部"矩阵代入标量" |
| 混淆"以多项式为元素的矩阵"与"以矩阵为系数的多项式" | 两者作为加法群同构，但只有后者承载求值映射 \(\mathrm{ev}_A\) |
| 忘记 \(\mathrm{ev}_A\) 是环同态的前提（交换性） | 必须验证系数矩阵与 \(A\) 交换才能使望远镜求和成立 |
| 认为路径 1 对所有域都成立 | 路径 1 需要代数闭性（保证上三角化），一般域用路径 2 |
常见陷阱¶
💡 概念误区：认为 Cayley--Hamilton 只是一个"计算便利"
新手想法："\(p_T(T) = 0\) 不过是让我们少算几步而已"
实际上：Cayley--Hamilton 的深层意义在于——它将 \(T\) 的矩阵指数（无穷级数）截断为有限多项式，使得 Rodrigues 公式、SE(3) 指数映射的闭式表达成为可能。没有它，这些公式只能用数值方法近似计算。
正确理解：Cayley--Hamilton 是连接"代数结构"与"计算可行性"的桥梁。
🧠 思维陷阱：认为存在某条"最好"的证明路径
新手想法："四条路径里哪条最正确？学一条就够了吧"
实际上：每条路径揭示不同的数学面向。路径 1 展示几何直觉（旗与上三角化），路径 2 展示代数技巧（望远镜求和），路径 3 展示拓扑方法（稠密性），路径 4 展示模论统一性。掌握多条路径才能真正理解定理的深度。
正确思维：数学中同一定理的多条证明路径不是冗余，而是从不同侧面照亮同一真理。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 1 & 1 \\ 0 & 2 \end{pmatrix}\)，计算 \(p_A(\lambda)\)，然后直接验证 \(p_A(A) = A^2 - 3A + 2I = 0\)。
- (证明) 使用路径 2（伴随矩阵方法），对 \(2 \times 2\) 矩阵 \(A = \begin{pmatrix} a & b \\ c & d \end{pmatrix}\) 完成 Cayley--Hamilton 定理的完整证明。显式写出 \(B_0, B_1\) 和望远镜求和的每一步。
- (思考) Cayley--Hamilton 定理的逆命题"\(p(T) = 0\) 蕴含 \(p = p_T\)"是否成立？给出证明或反例。
5. 极小多项式与特征多项式的关系 ⭐⭐⭐¶
动机¶
我们现在有两个与 \(T\) 相关的多项式：极小多项式 \(m_T\)（最小的零化多项式）和特征多项式 \(p_T\)（\(\det(\lambda I - T)\)）。Cayley--Hamilton 告诉我们 \(p_T(T) = 0\)，即 \(p_T \in \mathrm{Ann}(T)\)，故 \(m_T \mid p_T\)。但这两个多项式之间的关系远不止"整除"——它们还有**完全相同的根集合**。
5.1 \(m_T \mid p_T\)（Cayley--Hamilton 的直接推论） ⭐⭐⭐¶
由 Cayley--Hamilton 定理：\(p_T(T) = 0\)，即 \(p_T \in \mathrm{Ann}(T) = (m_T)\)，故 \(m_T \mid p_T\)。
5.2 同根定理 ⭐⭐⭐¶
定理：\(m_T\) 与 \(p_T\) 有**完全相同的根集合**（但重数可以不同）。
证明： - \(m_T\) 的根 \(\subset\) \(p_T\) 的根：由 \(m_T \mid p_T\)，\(m_T\) 的每个根都是 \(p_T\) 的根。 - \(p_T\) 的根 \(\subset\) \(m_T\) 的根：设 \(\lambda_0\) 是 \(p_T\) 的根，即 \(T\) 的特征值。存在 \(v \neq 0\) 使得 \(Tv = \lambda_0 v\)。则 \(0 = m_T(T)v = m_T(\lambda_0)v\)。由 \(v \neq 0\) 得 \(m_T(\lambda_0) = 0\)，即 \(\lambda_0\) 是 \(m_T\) 的根。
推论：\(T\) 可对角化当且仅当 \(m_T\) 可分解为互不相同的一次因式的乘积（在 \(F\) 代数闭时），即 \(m_T\) 无重根。
为什么这个推论重要：它给出了可对角化的代数刻画——不需要检查所有特征空间的维数，只需看 \(m_T\) 是否有重根。
5.3 典型例子 ⭐⭐¶
| 矩阵 \(A\) | \(p_A\) | \(m_A\) | 可对角化？ |
|---|---|---|---|
| \(\begin{pmatrix} 2 & 0 \\ 0 & 3 \end{pmatrix}\) | \((x-2)(x-3)\) | \((x-2)(x-3)\) | 是 |
| \(\begin{pmatrix} 2 & 0 \\ 0 & 2 \end{pmatrix}\) | \((x-2)^2\) | \(x-2\) | 是 |
| \(\begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}\) | \((x-2)^2\) | \((x-2)^2\) | 否 |
| \(\begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}\) (旋转 \(90°\)) | \(x^2+1\) | \(x^2+1\) | 在 \(\mathbb{R}\) 上否，在 \(\mathbb{C}\) 上是 |
反事实推理：如果 \(m_T\) 和 \(p_T\) 的根集合不相同会怎样？那就意味着存在一个特征值 \(\lambda_0\)（\(p_T\) 的根）但 \(m_T(\lambda_0) \neq 0\)。这又意味着 \(m_T(T)v = m_T(\lambda_0)v \neq 0\) 对特征向量 \(v\) 成立——但 \(m_T(T) = 0\) 要求右边为零，矛盾。所以同根性不是巧合，而是定义的必然。
常见陷阱¶
💡 概念误区：认为"\(m_T\) 的重数"和"\(p_T\) 的重数"相同
新手想法："同根就意味着同重数吧？"
实际上：完全不是。\(\S5.3\) 的第二个例子中，\(p_A = (x-2)^2\)（重数 2）但 \(m_A = x - 2\)（重数 1）。\(m_T\) 中 \((x-\lambda)\) 的幂次等于最大 Jordan 块的大小，而 \(p_T\) 中的幂次等于代数重数（所有 Jordan 块大小之和）。
正确理解：同根不同重。\(m_T\) 中的重数反映"最大 Jordan 块"，\(p_T\) 中的重数反映"总维数"。
🧠 思维陷阱：认为"\(m_T = p_T\)"是常态
新手想法："大多数矩阵的 \(m_T\) 和 \(p_T\) 应该不同吧？"
实际上：恰恰相反——"泛型"（一般位置的）矩阵满足 \(m_T = p_T\)。\(m_T \neq p_T\) 意味着 \(T\) 有特殊的结构（例如某些特征空间维数大于 1），这是"非泛型"的。
正确理解：\(m_T = p_T\) 是常态（对应于循环向量的存在），\(m_T \neq p_T\) 是特例。
练习¶
- (手推) 构造一个 \(4 \times 4\) 矩阵 \(A\)，使得 \(p_A = (x-1)^2(x-2)^2\) 但 \(m_A = (x-1)(x-2)\)。
- (证明) 证明：投影算子 \(P\)（\(P^2 = P\)）的极小多项式整除 \(x(x-1)\)，并给出 \(m_P = x\)、\(m_P = x - 1\)、\(m_P = x(x-1)\) 分别对应什么情况。
6. 准素分解定理 ⭐⭐⭐¶
动机¶
现在我们知道 \(m_T \mid p_T\) 且二者同根。下一步的目标是：利用 \(m_T\) 的因式分解将 \(V\) 分解为 \(T\)-不变子空间的直和。这就是准素分解（Primary Decomposition）——Jordan 理论的基石之一。
类比理解：准素分解就像将白光通过棱镜分解为不同颜色的光。每种"颜色"对应 \(m_T\) 的一个不可约因子，每束"单色光"是一个广义特征空间。分解后，每个子空间上的算子结构更简单——只与单个特征值相关。类比的边界：棱镜分解是物理过程，准素分解是代数分解；棱镜分解依赖于光的波长连续性，准素分解依赖于 \(F[x]\) 的 PID 结构。
准素分解定理的陈述¶
定理：设 \(m_T = \prod_{i=1}^k p_i(x)^{a_i}\)，其中 \(p_i\) 是互不相同的首一不可约多项式，\(a_i \geq 1\)。则
且 \(m_{T|_{\ker p_i(T)^{a_i}}} = p_i^{a_i}\)。
6.1 路径 A：Bezout 显式投影 ⭐⭐⭐¶
构造：令 \(q_i(x) := m_T(x) / p_i(x)^{a_i}\)。由于 \(p_1, p_2, \ldots, p_k\) 互不相同且不可约，\(\{q_1, q_2, \ldots, q_k\}\) 两两互素。因此由 Bezout 恒等式（\(\S1.3\)），存在 \(h_1, \ldots, h_k \in F[x]\) 使得
定义投影算子 \(E_i := h_i(T) q_i(T)\)。则：
- \(\sum E_i = I\)：将 \(\sum h_i q_i = 1\) 在 \(T\) 处求值即得
- \(E_i E_j = 0\)（\(i \neq j\)）：\(E_i E_j = h_i(T) q_i(T) h_j(T) q_j(T)\)。注意 \(q_i q_j\) 包含 \(m_T\) 作为因子（因为 \(q_i q_j\) 包含 \(p_l^{a_l}\) 对所有 \(l\) 的因子——当 \(i \neq j\) 时，\(q_i\) 缺少 \(p_i^{a_i}\) 而 \(q_j\) 缺少 \(p_j^{a_j}\)，但 \(q_i q_j\) 包含所有 \(p_l^{a_l}\)）。故 \(q_i(T)q_j(T) = 0\)，\(E_i E_j = 0\)
- \(E_i^2 = E_i\)：\(E_i = E_i \cdot I = E_i \sum_j E_j = E_i^2 + \sum_{j \neq i} E_i E_j = E_i^2\)
- \(\mathrm{Im}(E_i) = \ker p_i(T)^{a_i}\)：
- \(\mathrm{Im}(E_i) \subset \ker p_i(T)^{a_i}\)：对 \(v = E_i w\)，\(p_i(T)^{a_i} v = p_i(T)^{a_i} h_i(T) q_i(T) w\)。注意 \(p_i^{a_i} \cdot q_i = m_T\)，故 \(p_i(T)^{a_i} q_i(T) = m_T(T) = 0\)
- \(\ker p_i(T)^{a_i} \subset \mathrm{Im}(E_i)\)：若 \(v \in \ker p_i(T)^{a_i}\)，则 \(v = \sum_j E_j v = E_i v\)（因为 \(E_j v = h_j(T) q_j(T) v\)，而 \(q_j\) 包含 \(p_i^{a_i}\) 作为因子当 \(j \neq i\)，故 \(q_j(T) v = 0\)）
因此 \(V = \bigoplus_i \mathrm{Im}(E_i) = \bigoplus_i \ker p_i(T)^{a_i}\)。
阶段小结：Bezout 恒等式 \(\sum h_i q_i = 1\) 在算子层面给出了"分色镜" \(\sum E_i = I\)。每个 \(E_i\) 是向 \(\ker p_i(T)^{a_i}\) 的投影算子。
6.2 路径 B：中国剩余定理 ⭐⭐¶
等价视角：准素分解也可以从中国剩余定理（Chinese Remainder Theorem, CRT）的角度理解。
\(F[x]\) 中的 CRT 断言：若 \(m_T = \prod p_i^{a_i}\)，\(p_i\) 互不相同且不可约，则
作为 \(F\)-代数的同构。\(V\) 是 \(F[x]/(m_T)\)-模（因为 \(m_T(T) = 0\)），按 CRT 的幂等元自然分解为各分量的直和。
6.3 关键推论与例题 ⭐⭐¶
推论 1（可对角化判据）：\(T\) 可对角化 \(\Leftrightarrow\) \(V = \bigoplus_\lambda \ker(T - \lambda I)\)，即每个广义特征空间就是普通特征空间（\(a_i = 1\)）。
推论 2（投影分解）：投影算子 \(P^2 = P\) 满足 \(m_P \mid x(x-1)\)，故 \(V = \ker P \oplus \mathrm{Im}(P)\)。
这是线性代数中最基本的直和分解之一。准素分解的观点使证明变得极其简洁：\(P^2 = P\) 蕴含 \(P^2 - P = 0\)，即 \(P(P - I) = 0\)，故 \(m_P \mid x(x-1)\)。由于 \(x\) 和 \(x-1\) 互素，准素分解给出 \(V = \ker P \oplus \ker(P - I) = \ker P \oplus \mathrm{Im}(P)\)。
推论 3（复结构）：复结构 \(J^2 = -I\) 满足 \(m_J \mid x^2 + 1 = (x - i)(x + i)\)（在 \(\mathbb{C}\) 上），故 \(V = \ker(J - iI) \oplus \ker(J + iI)\)。
推论 4（幂等分解的一般形式）：设 \(T^k = T\) 对某个 \(k \geq 2\)，则 \(m_T \mid x^k - x = x(x^{k-1} - 1)\)。在 \(\mathbb{C}\) 上，\(x^{k-1} - 1\) 分裂为 \(k-1\) 个不同的一次因子（\(k-1\) 次单位根），故 \(V\) 分解为 \(\leq k\) 个子空间的直和。
详细例题：设 \(T: \mathbb{C}^4 \to \mathbb{C}^4\)，\(m_T(x) = (x-1)^2(x-3)\)。
- 准素分解：\(V = \ker(T - I)^2 \oplus \ker(T - 3I)\)
- \(\dim \ker(T - 3I) \geq 1\)（因为 \(3\) 是 \(m_T\) 的根，故是特征值，特征空间至少 \(1\) 维）
- \(\dim \ker(T - I)^2 = 4 - \dim \ker(T - 3I)\)
- 在 \(\ker(T - I)^2\) 上，\((T - I)^2 = 0\) 但 \((T - I) \neq 0\)——即 \(T - I\) 是幂零的，指标为 \(2\)
- 在 \(\ker(T - 3I)\) 上，\(T = 3I\)——最简单的情况
阶段小结：准素分解将"一般算子"的结构问题归约为"单特征值幂零算子"的结构问题。后者正是 \(\S8\) 的主题。
常见陷阱¶
💡 概念误区：认为准素分解只需要特征值
新手想法："\(V = \bigoplus \ker(T - \lambda_i I)^{a_i}\) 中的 \(a_i\) 就是代数重数吧？"
实际上：\(a_i\) 是 \((x - \lambda_i)\) 在**极小多项式 \(m_T\)** 中的幂次，不是在特征多项式 \(p_T\) 中的。\(a_i\) 等于最大 Jordan 块的大小，而 \(p_T\) 中的幂次等于代数重数（所有 Jordan 块大小之和）。
正确理解：准素分解中的幂次来自 \(m_T\)，不是 \(p_T\)。
🧠 思维陷阱：认为"准素分解 = 对角化"
新手想法："准素分解把 \(V\) 分成了直和，这不就是对角化吗？"
实际上：准素分解将 \(V\) 分解为广义特征空间的直和，但每个广义特征空间**内部**的结构还没有确定。在每个广义特征空间上，\(T - \lambda_i I\) 是幂零的——幂零算子的结构分类（Jordan 块）才是下一步的任务（\(\S8\)）。
正确理解：准素分解是"粗分"，Jordan 分解是"细分"。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 2 & 1 & 0 \\ 0 & 2 & 0 \\ 0 & 0 & 3 \end{pmatrix}\)，计算 \(m_A\)，执行准素分解，写出 Bezout 系数和投影矩阵 \(E_1, E_2\)。
- (证明) 证明准素分解中的投影算子 \(E_i\) 满足 \(E_i\) 是 \(T\) 的多项式（即 \(E_i = g_i(T)\) 对某个 \(g_i \in F[x]\)），并解释这为什么保证 \(\mathrm{Im}(E_i)\) 是 \(T\)-不变的。
7. 广义特征空间 \(G(\lambda, T)\) ⭐⭐⭐¶
动机¶
准素分解（\(\S6\)）将 \(V\) 分解为 \(\bigoplus_\lambda G(\lambda, T)\)，其中 \(G(\lambda, T) = \ker(T - \lambda I)^{a_\lambda}\)。现在我们需要深入研究单个广义特征空间的内部结构。
7.1 定义与核链 ⭐⭐⭐¶
定义：\(T\) 关于特征值 \(\lambda\) 的**广义特征空间**（Generalized Eigenspace）为
其中 \(n = \dim V\)。等价地，\(G(\lambda, T) = \bigcup_{k=1}^{\infty} \ker(T - \lambda I)^k\)（核链的稳定极限）。
7.2 核链升降引理 ⭐⭐⭐¶
引理：核链
是严格递增的直到某个 \(d\) 后稳定，即存在 \(d \leq n\) 使得
\(d\) 称为 \(\lambda\) 的**指标**（Index）。
证明关键：若 \(\ker(T - \lambda I)^k = \ker(T - \lambda I)^{k+1}\)，则对所有 \(j \geq k\)，\(\ker(T - \lambda I)^j = \ker(T - \lambda I)^k\)。（通过 \(v \in \ker(T - \lambda I)^{k+2}\) 蕴含 \((T - \lambda I)v \in \ker(T - \lambda I)^{k+1} = \ker(T - \lambda I)^k\) 来证明。）
7.3 维数与代数重数 ⭐⭐⭐¶
定理：\(\dim G(\lambda, T)\) 等于 \(\lambda\) 的代数重数（\(\lambda\) 在 \(p_T\) 中的重数）。
证明思路：在 \(G(\lambda, T)\) 上，\(T - \lambda I\) 是幂零的，故 \(p_{T|_{G(\lambda,T)}} = (x - \lambda)^{\dim G(\lambda,T)}\)。由准素分解，\(p_T = \prod_\lambda p_{T|_{G(\lambda,T)}} = \prod_\lambda (x - \lambda)^{\dim G(\lambda,T)}\)。因此 \(\lambda\) 在 \(p_T\) 中的重数恰好是 \(\dim G(\lambda, T)\)。
这意味着准素分解 \(V = \bigoplus_\lambda G(\lambda, T)\) 中各分量的维数之和恰好等于 \(\dim V\)——正如应该的。
三种"重数"的对比：
| 重数类型 | 定义 | 符号 | 关系 |
|---|---|---|---|
| 代数重数 | \(\lambda\) 在 \(p_T\) 中的重数 | \(\alpha_\lambda\) | \(\alpha_\lambda = \dim G(\lambda, T)\) |
| 几何重数 | \(\dim \ker(T - \lambda I)\) | \(\gamma_\lambda\) | \(1 \leq \gamma_\lambda \leq \alpha_\lambda\) |
| 指标 | \((x-\lambda)\) 在 \(m_T\) 中的幂次 | \(d_\lambda\) | \(1 \leq d_\lambda \leq \alpha_\lambda\) |
代数重数 = 所有 Jordan 块大小之和，几何重数 = Jordan 块的数量，指标 = 最大 Jordan 块的大小。
7.4 指标与极小多项式 ⭐⭐⭐¶
命题：指标 \(d\) 等于 \((x - \lambda)\) 在极小多项式 \(m_T\) 中的幂次，也等于 \(\lambda\) 对应的最大 Jordan 块的大小。
证明：在 \(G(\lambda, T)\) 上，\(N = T - \lambda I\) 是幂零的。\(N^d = 0\) 但 \(N^{d-1} \neq 0\)，故 \(m_{N} = x^d\)，即 \(m_{T|_{G(\lambda,T)}} = (x - \lambda)^d\)。由 \(\S2.6\) 的 lcm 公式，\((x - \lambda)\) 在 \(m_T\) 中的幂次等于各广义特征空间上 \(m_{T|_{G(\lambda,T)}}\) 中 \((x-\lambda)\) 幂次的最大值，即 \(d\)。
直觉：指标 \(d\) 衡量了"\(T - \lambda I\) 有多'接近零'"——需要 \(d\) 次迭代才能完全"消灭"广义特征空间中的所有向量。\(d = 1\) 意味着 \(T - \lambda I\) 在特征空间上直接为零（可对角化情况），\(d > 1\) 意味着存在"阶梯"——这正是 Jordan 链。
7.5 广义特征空间直和分解 ⭐⭐⭐¶
定理：当 \(p_T\) 在 \(F\) 上完全分裂时（例如 \(F = \mathbb{C}\)），
这就是 \(\S6\) 准素分解的特殊情况（\(F\) 代数闭时，不可约因子都是一次的）。
这个分解的意义：它将一般算子的研究归约为幂零算子的研究——在每个 \(G(\lambda, T)\) 上，\(T - \lambda I\) 是幂零的，而幂零算子的结构将在 \(\S8\) 完全分类。
常见陷阱¶
💡 概念误区：混淆"特征空间"与"广义特征空间"
新手想法："\(\ker(T - \lambda I)\) 不就是广义特征空间吗？"
实际上：\(\ker(T - \lambda I)\) 是**特征空间**（Eigenspace），\(G(\lambda, T) = \ker(T - \lambda I)^d\) 是**广义特征空间**。前者只包含特征向量，后者还包含广义特征向量（满足 \((T - \lambda I)^k v = 0\) 但 \((T - \lambda I)^{k-1} v \neq 0\) 的向量，\(k > 1\)）。
正确理解：\(\ker(T - \lambda I) \subseteq G(\lambda, T)\)，等号成立当且仅当 \(\lambda\) 对应的 Jordan 块全为 \(1 \times 1\)。
🧠 思维陷阱：认为"仅知代数重数和几何重数就能确定 Jordan 结构"
新手想法："\(\lambda\) 的代数重数 4、几何重数 2——Jordan 结构唯一确定了吧？"
实际上：代数重数 4、几何重数 2 有两种可能：(a) 一个 \(3 \times 3\) 块 + 一个 \(1 \times 1\) 块；(b) 两个 \(2 \times 2\) 块。需要进一步看 \(\dim \ker(T - \lambda I)^2\) 才能区分。
正确理解：完整的 Jordan 结构由**整个核维数序列** \(\{\dim \ker(T - \lambda I)^k\}_{k \geq 1}\) 决定，而非仅由代数重数（\(k = n\) 时的值）和几何重数（\(k = 1\) 时的值）决定。
练习¶
- (手推) 对 \(N = \begin{pmatrix} 0 & 1 & 0 & 0 \\ 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & 1 \\ 0 & 0 & 0 & 0 \end{pmatrix}\)，计算核维数序列 \(\dim \ker N^k\) (\(k = 1, 2, 3, \ldots\))，并验证 \(d = 2\)。
- (思考) 说明为什么指标 \(d\) 不可能超过 \(\dim G(\lambda, T)\)。
8. 幂零算子的完整结构 ⭐⭐⭐¶
动机¶
经过准素分解，我们将问题归约到每个广义特征空间 \(G(\lambda, T)\) 上。在 \(G(\lambda, T)\) 上，算子 \(N_\lambda := T - \lambda I\) 是**幂零的**（Nilpotent），即 \(N_\lambda^d = 0\) 对某个 \(d\) 成立。因此，Jordan 标准形的核心引擎是幂零算子的结构分类。
这是整章最技术性的部分，也是最有成就感的部分：我们将证明每个幂零算子都可以分解为"Jordan 链"的直和——这种分解是唯一的（模重排），且由核维数序列完全决定。
如果不理解幂零分类会怎样¶
没有幂零分类，Jordan 标准形就无法构造——准素分解只给出"粗分"，幂零分类才给出每个广义特征空间内部的"细分"。
8.1 幂零算子的基本性质 ⭐⭐⭐¶
定义：线性算子 \(N: V \to V\) 称为**幂零的**，如果存在正整数 \(r\) 使得 \(N^r = 0\)。最小的这样的 \(r\) 称为 \(N\) 的**幂零指标**（Nilpotency Index）。
基本性质： - \(N\) 的唯一特征值是 \(0\)：若 \(Nv = \lambda v\)，则 \(0 = N^r v = \lambda^r v\)，\(v \neq 0\) 蕴含 \(\lambda = 0\) - \(p_N(x) = x^n\)（\(n = \dim V\)），\(m_N(x) = x^r\) - \(N\) 不可逆（除非 \(N = 0\)） - \(\mathrm{rank}(N^k)\) 严格递减直至 \(0\)：\(n > \mathrm{rank}(N) > \mathrm{rank}(N^2) > \cdots > \mathrm{rank}(N^r) = 0\)
8.2 Young 图与分区 ⭐⭐⭐¶
幂零算子的 Jordan 结构可以用**分区**（Partition）描述。设 \(N\) 的 Jordan 块大小为 \(k_1 \geq k_2 \geq \cdots \geq k_m\)，\(\sum k_i = n = \dim V\)。
两种等价描述：
| 名称 | 定义 | 含义 |
|---|---|---|
| Segre 特征 | \((k_1, k_2, \ldots, k_m)\)，\(k_1 \geq k_2 \geq \cdots\) | Jordan 块大小（行 = 各块） |
| Weyr 特征 | \(\nu_k := \dim \ker N^k - \dim \ker N^{k-1}\) | 大小 \(\geq k\) 的块的数量 |
两者互为**共轭分区**——在 Young 图中转置行和列即可相互转换。
例：\(n = 7\)，Jordan 块大小 \((3, 2, 2)\)。
Segre 特征：\((3, 2, 2)\)。
Young 图：
转置后的共轭分区（Weyr 特征的累积形式）：\((3, 3, 1)\)，对应 \(\dim \ker N^k\) 序列为 \(3, 6, 7\)。
8.3 关键不变量公式 ⭐⭐⭐¶
定理：大小恰为 \(k\) 的 Jordan 块的数量为
证明思路：在 Jordan 基下，每个 \(j \times j\) Jordan 块对 \(\dim \ker N^k\) 的贡献为 \(\min(j, k)\)。设 \(n_k := \dim \ker N^k\)，则
对 \(n_k\) 取二阶差分 \(2n_k - n_{k-1} - n_{k+1}\) 即可分离出大小恰为 \(k\) 的块的贡献。
推论：Jordan 块结构由核维数序列 \(\{n_k := \dim \ker N^k\}\) 唯一决定。这是 Jordan 标准形唯一性的核心。
8.4 分类定理（存在性）：核旗升法 ⭐⭐⭐¶
构造（Filippov / Strang）：这是构造 Jordan 基的显式算法。
步骤：
-
考虑**核旗**（Kernel Flag）：\(\{0\} \subsetneq \ker N \subsetneq \ker N^2 \subsetneq \cdots \subsetneq \ker N^r = V\)
-
从最高层开始：取 \(\ker N^{r-1}\) 在 \(\ker N^r = V\) 中的**补空间**的基 \(B_r = \{v_1, \ldots, v_{s_r}\}\)
-
交换引理（关键）：\(N\) 将 \(B_r\) 映入 \(\ker N^{r-1}\)，且模 \(\ker N^{r-2}\) 线性无关
-
扩展 \(N(B_r) = \{Nv_1, \ldots, Nv_{s_r}\}\) 为 \(\ker N^{r-1}\) 模 \(\ker N^{r-2}\) 的补空间基的一部分——补充新向量记为 \(B_{r-1}\)
-
归纳下降至 \(B_1\)
-
最终基：对每个 \(b \in B_k\)，链 \(\{b, Nb, N^2 b, \ldots, N^{k-1}b\}\) 构成一条 Jordan 链。所有 Jordan 链合在一起构成 \(V\) 的 Jordan 基
为什么这样做有效：核旗的维数差 \(\dim \ker N^k - \dim \ker N^{k-1}\) 精确编码了"有多少条 Jordan 链在第 \(k\) 层'结束'"。从最高层（最长的链）开始构造，逐层向下，确保各链之间线性无关。
8.5 替代路径：极大循环向量 ⭐⭐¶
另一种构造 Jordan 基的方法：
- 取 \(v\) 满足 \(N^{r-1}v \neq 0\)（即 \(v\) 有最大"深度" \(r\)）
- 构造循环子空间 \(W = \mathrm{span}\{v, Nv, \ldots, N^{r-1}v\}\)——这是一个 \(r\) 维的 \(N\)-不变子空间
- 找到 \(N\)-不变补空间 \(W'\)（这一步非平凡，通常需要对偶空间或投影构造）
- 对 \(N|_{W'}\) 归纳
关于不变补空间的存在性：这是证明中最微妙的一步。与特征空间（可以用正交补）不同，一般 \(T\)-不变子空间不一定有 \(T\)-不变补空间。但对幂零算子，可以利用以下技巧之一： - 对偶空间方法：在对偶空间 \(V^*\) 上构造 \(N^*\)-不变补，再拉回 - 投影构造：利用 \(\S6.1\) 的 Bezout 投影思想（在幂零情况下简化） - 维数论证：利用核维数序列的严格递增性保证存在性
8.6 详细计算示例 ⭐⭐¶
例：设 \(V = \mathbb{R}^5\)，\(N\) 在标准基下的矩阵为
Step 1：计算核链。
Step 2：核维数序列 \(\{2, 4, 5\}\)。
Step 3：由 \(\S8.3\) 公式： - 大小 \(= 3\) 的块数：\(2 \cdot 5 - 4 - 5 = 1\)（用 \(k = 3\)，\(n_2 = 4\)，\(n_3 = 5\)，\(n_4 = 5\)） - 大小 \(= 2\) 的块数：\(2 \cdot 4 - 2 - 5 = 1\) - 大小 \(= 1\) 的块数：\(2 \cdot 2 - 0 - 4 = 0\)
结论：Jordan 结构为 \((3, 2)\)——一个 \(3 \times 3\) 块和一个 \(2 \times 2\) 块。
验证：\(3 + 2 = 5 = \dim V\)。几何重数 \(= 2\)（块的数量）\(= \dim \ker N\)。指标 \(= 3\)（最大块大小）\(= r\)。全部吻合。
常见陷阱¶
💡 概念误区：混淆 Segre 特征和 Weyr 特征的方向
新手想法："Segre 和 Weyr 不过是换了个名字而已"
实际上：Segre 特征 \((k_1, k_2, \ldots)\) 列出 Jordan 块的**大小**（按降序），Weyr 特征 \((\nu_1, \nu_2, \ldots)\) 列出"核链在每层增长的维数"。两者是共轭分区，关系通过 Young 图的转置给出。混淆两者会导致计算 Jordan 结构时出错。
正确理解：Segre 看"列"（块大小），Weyr 看"行"（每层维数增量）。Young 图是理解二者关系的最直观工具。
🧠 思维陷阱：认为"幂零算子 = 零算子"
新手想法："\(N^r = 0\) 说明 \(N\) 本质上就是零嘛，没什么结构"
实际上：幂零算子虽然"最终归零"，但它在归零的**过程**中有丰富的结构——不同的向量需要不同次数的 \(N\) 作用才能归零。这种"分层归零"的结构正是 Jordan 块的来源。\(2 \times 2\) 的 \(N = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}\) 和 \(2 \times 2\) 的 \(0\) 有完全不同的 Jordan 结构。
正确理解：幂零算子的结构由"归零的速度分布"决定，这正是 Jordan 分类所捕获的信息。
练习¶
- (手推) 设 \(N\) 是 \(6 \times 6\) 幂零矩阵，核维数序列为 \(\dim \ker N = 2, \dim \ker N^2 = 4, \dim \ker N^3 = 6\)。确定 Jordan 块结构。
- (构造) 对上述矩阵，使用核旗升法构造一组具体的 Jordan 基（选择你自己的具体 \(N\)）。
- (思考) 证明：\(n \times n\) 幂零矩阵的幂零指标最大为 \(n\)，且等于 \(n\) 当且仅当 Jordan 结构为单个 \(n \times n\) 块。
9. Jordan 链与循环子空间 ⭐⭐⭐¶
动机¶
在 \(\S8\) 的幂零分类中，Jordan 基的构造自然引出了两个关键概念：Jordan 链**和**循环子空间。这些概念不仅是 Jordan 标准形的构建模块，还与控制论中的能控标准型直接相关。
9.1 \(T\)-循环子空间 ⭐⭐⭐¶
定义：给定向量 \(v \in V\) 和线性算子 \(T\)，\(v\) 生成的 \(T\)-**循环子空间**为
由于 \(\dim V < \infty\)，这个集合最终会稳定——存在最小的 \(k\) 使得 \(T^k v \in \mathrm{span}\{v, Tv, \ldots, T^{k-1}v\}\)。
\(v\) 的 \(T\)-零化多项式（T-annihilator of \(v\)）是满足 \(p(T)v = 0\) 的最小首一多项式。它的次数等于 \(\dim Z(v, T)\)。
9.2 Jordan 链 ⭐⭐⭐¶
定义：关于特征值 \(\lambda\) 的 **Jordan 链**是一组向量
其中 \((T - \lambda I)^{k-1}v \neq 0\) 但 \((T - \lambda I)^k v = 0\)。链的**长度**为 \(k\)。
在 Jordan 链基下 \(T\) 的矩阵：设 Jordan 链为 \(e_1 = (T - \lambda I)^{k-1}v, e_2 = (T - \lambda I)^{k-2}v, \ldots, e_k = v\)。则
即 \(T\) 在这个基下的矩阵是 \(k \times k\) 的 Jordan 块 \(J_k(\lambda)\)：
9.3 循环子空间与伴随矩阵 ⭐⭐⭐¶
在循环子空间 \(Z(v, T)\) 上，\(T\) 的矩阵（在基 \(\{v, Tv, \ldots, T^{k-1}v\}\) 下）是**伴随矩阵**（Companion Matrix）。若 \(v\) 的 \(T\)-零化多项式为 \(f(x) = x^k + c_{k-1}x^{k-1} + \cdots + c_0\)，则
当 \(f(x) = (x - \lambda)^k\) 时（幂零 + 平移），\(C(f)\) 相似于 \(J_k(\lambda)\)。
9.4 循环向量的存在条件 ⭐⭐¶
定理：\(V\) 是单个 \(T\)-循环子空间（即存在 \(v\) 使得 \(V = Z(v, T)\)）当且仅当 \(m_T = p_T\)。
证明方向（\(\Rightarrow\)）：若 \(V = Z(v, T)\)，则 \(\dim V = \deg(m_{T,v})\)（\(v\) 的零化多项式的次数）。\(m_{T,v} \mid m_T\) 且 \(m_T \mid p_T\)，而 \(\deg(p_T) = n = \dim V = \deg(m_{T,v}) \leq \deg(m_T) \leq \deg(p_T)\)，故各处取等，\(m_T = p_T\)。
理论-工程桥接：控制论中**能控标准型**将单入系统 \((A, b)\) 化为伴随矩阵 + 标准输入列——正是单循环子空间下 \(T\) 的矩阵表示。定理：单入系统 \((A, b)\) 能控 \(\Leftrightarrow\) \(b\) 是 \(A\) 的循环向量。
常见陷阱¶
💡 概念误区：混淆"Jordan 链"与"特征向量"
新手想法："Jordan 链的所有元素都是特征向量吧？"
实际上：Jordan 链中只有最后一个元素 \((T - \lambda I)^{k-1}v\) 是真正的特征向量（属于 \(\ker(T - \lambda I)\)）。其余元素是**广义特征向量**——它们满足 \((T - \lambda I)^j v = 0\) 对某个 \(j > 1\)，但 \((T - \lambda I)v \neq 0\)。
正确理解：Jordan 链是"从广义特征向量到特征向量的一条路径"，每走一步就"降一级深度"。
🧠 思维陷阱：认为 \(m_T = p_T\) 是罕见情况
新手想法："\(m_T = p_T\) 需要特殊条件，大多数矩阵不满足"
实际上：\(m_T = p_T\) 等价于存在循环向量，这对"泛型"矩阵成立。\(m_T \neq p_T\) 意味着某些特征值的几何重数 \(> 1\)，这是需要矩阵有特殊对称性的非泛型情况。
正确理解：\(m_T = p_T\) 才是一般情况，\(m_T \subsetneq p_T\) 是特例。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 0 & 0 & 2 \\ 1 & 0 & -5 \\ 0 & 1 & 4 \end{pmatrix}\)，验证 \(e_1 = (1, 0, 0)^T\) 是 \(A\) 的循环向量，并写出 \(A\) 在基 \(\{e_1, Ae_1, A^2 e_1\}\) 下的矩阵（应为伴随矩阵）。
- (思考) 在什么条件下，\(n \times n\) 矩阵 \(A\) 的所有向量（除零向量外）都是循环向量？
10. Jordan 标准形：存在性（路径 A 直接构造） ⭐⭐⭐¶
动机¶
前面的准备工作——准素分解（\(\S6\)）将 \(V\) 拆为广义特征空间，幂零分类（\(\S8\)）将每个广义特征空间分解为 Jordan 链——现在可以组装成完整的结果。
主定理（Jordan 标准形）：设 \(F\) 代数闭（或 \(p_T\) 在 \(F\) 上分裂），则存在基使 \(T\) 的矩阵为
其中 \(J_k(\lambda) = \lambda I_k + N_k\)（\(N_k\) 是 \(k \times k\) 的标准幂零矩阵，超对角线为 \(1\)）。
10.1 证明组装 ⭐⭐⭐¶
路径 A 的证明可以精确分为五步，每一步都利用前面章节的结果。
Step 1：准素分解（\(\S6\)）
这一步将 \(V\) 按特征值分解。每个 \(G(\lambda, T)\) 是 \(T\)-不变子空间，\(T\) 在各子空间上独立作用。
Step 2：单特征值归约
固定 \(\lambda\)，在 \(G(\lambda, T)\) 上定义 \(N_\lambda := T - \lambda I\)。由于 \(N_\lambda^{a_\lambda} = 0\)，\(N_\lambda\) 是幂零算子。注意 \(T|_{G(\lambda,T)} = \lambda I + N_\lambda\)——即 \(T\) 在每个广义特征空间上分解为"标量部分 \(\lambda I\)"和"幂零部分 \(N_\lambda\)"。
Step 3：幂零分类（\(\S8\)）
在 \(G(\lambda, T)\) 上，对幂零算子 \(N_\lambda\) 应用核旗升法（\(\S8.4\)），构造 Jordan 基。每条长度为 \(k\) 的 Jordan 链在其基下给出 \(k \times k\) 幂零 Jordan 块。
Step 4：恢复 \(T\) 的矩阵
在 Jordan 链基下，\(T = \lambda I + N_\lambda\) 的矩阵为 \(J_k(\lambda) = \lambda I_k + N_k\)。这里的关键观察是：\(\lambda I\) 的矩阵是对角的（\(\lambda\) 在对角线上），\(N_k\) 的矩阵是超对角线为 \(1\) 的严格上三角矩阵。两者之和就是标准 Jordan 块。
Step 5：全局拼装
对所有 \(\lambda\) 重复 Step 2--4，将各广义特征空间的 Jordan 基合并为 \(V\) 的全局基。\(T\) 在此基下的矩阵为 \(J = \mathrm{diag}(J_{k_1}(\lambda_{i_1}), \ldots)\)。
阶段小结：路径 A 的证明链为 \(\S1\)（PID）\(\to\) \(\S2\)（\(m_T\)）\(\to\) \(\S4\)（CH）\(\to\) \(\S5\)（同根）\(\to\) \(\S6\)（准素分解）\(\to\) \(\S7\)（广义特征空间）\(\to\) \(\S8\)（幂零分类）\(\to\) \(\S10\)（组装）。每一步都不可省略。
10.2 代数闭性的角色 ⭐⭐¶
Jordan 标准形并不严格要求 \(F\) 代数闭——只需 \(p_T\) 在 \(F\) 上完全分裂为一次因子。例如，实矩阵 \(A\) 若所有特征值都是实数，则在 \(\mathbb{R}\) 上就有 JNF。
但若 \(p_T\) 有不可约的高次因子（如实矩阵有复特征值对），则 JNF 在 \(F\) 上不存在。此时需要： - 扩展到代数闭包（如 \(\mathbb{R} \to \mathbb{C}\)）使用复 JNF - 或使用 有理标准形（\(\S12\)，对任意域成立）
10.3 实 Jordan 形 ⭐⭐¶
对实矩阵有复共轭特征值对 \(\lambda = a \pm bi\)，实 Jordan 形用 \(2 \times 2\) 实块替代复 \(1 \times 1\) 块：
其中对角 \(2 \times 2\) 块为 \(C = \begin{pmatrix} a & -b \\ b & a \end{pmatrix}\)，超对角块为 \(I_2\)。
理论-工程桥接：实 Jordan 形直接给出 \(\dot{x} = Ax\) 的**实模态**：每个 \(2 \times 2\) 复共轭块贡献 \(e^{at}(\cos bt, \sin bt)\) 振荡模式——控制论中"阻尼振荡模态"的代数根源。MATLAB 的
cdf2rdf函数正是执行此变换。
常见陷阱¶
💡 概念误区：认为 JNF 需要 \(F\) 是代数闭域
新手想法："Jordan 标准形只在复数域上才有"
实际上：JNF 只需要 \(p_T\) 在 \(F\) 上分裂。例如，\(A = \begin{pmatrix} 1 & 1 \\ 0 & 1 \end{pmatrix}\) 在 \(\mathbb{R}\) 上就已经是 Jordan 形了（所有特征值 \(= 1 \in \mathbb{R}\)）。
正确理解："\(F\) 代数闭"是**充分**条件（保证 \(p_T\) 总分裂），但不是**必要**条件。
🧠 思维陷阱：认为 Jordan 基可以是正交的
新手想法："像特征向量那样找正交 Jordan 基"
实际上：Jordan 基一般不是正交的。如果 \(T\) 有非对角 Jordan 块（即不可对角化），则 Jordan 基包含广义特征向量，这些向量之间没有正交性保证。如果需要正交基，应使用 Schur 分解（上三角形式）而非 Jordan 形。
正确理解：JNF 牺牲了正交性换取最简的块对角结构。Schur 分解保持正交性但只能得到上三角。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 2 & 1 & 0 \\ 0 & 2 & 1 \\ 0 & 0 & 3 \end{pmatrix}\)，求 JNF 和 Jordan 基。
- (思考) 对 \(A = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}\)（90 度旋转），说明为什么在 \(\mathbb{R}\) 上没有 JNF，并写出复 JNF 和实 Jordan 形。
10'. Jordan 标准形：存在性（路径 B：\(F[x]\)-模） ⭐⭐⭐¶
动机¶
路径 A 通过"准素分解 + 幂零分类"逐步构造 Jordan 标准形，几何直觉强但步骤较多。路径 B 利用 \(F[x]\)-模的结构定理一步到位——它将 JNF、有理标准形、Cayley--Hamilton 和 \(m_T \mid p_T\) 统一为同一个代数定理的不同推论。
代价：路径 B 需要 PID 上有限生成模的结构定理，这是一个更深的代数工具。以下给出自包含的处理。
10'.1 \(V\) 的 \(F[x]\)-模结构 ⭐⭐⭐¶
构造：定义 \(F[x]\) 在 \(V\) 上的作用：\(x \cdot v := T(v)\)，更一般地 \(p(x) \cdot v := p(T)v\)。
验证模公理：\(1 \cdot v = v\)，\((fg) \cdot v = f \cdot (g \cdot v)\)，\((f + g) \cdot v = f \cdot v + g \cdot v\)，\(f \cdot (v + w) = f \cdot v + f \cdot w\)——全部来自 \(T\) 的线性性。
关键性质： - \(V\) 是**有限生成** \(F[x]\)-模（\(V\) 的 \(F\)-基也是 \(F[x]\)-生成元） - \(V\) 是**挠模**（\(m_T(T)v = 0\) 对所有 \(v\)） - \(V\) 的 \(F[x]\)-子模恰好是 \(T\)-不变子空间
10'.2 PID 结构定理 ⭐⭐⭐¶
定理（不变因子形式）：设 \(R\) 为 PID，\(M\) 为有限生成 \(R\)-模，则
\(d_i\) 称为**不变因子**，在单位元意义下唯一。\(r\) 称为自由秩。
定理（初等因子形式）：
\(p_i\) 为 \(R\) 中素元，\(p_i^{a_{ij}}\) 称为**初等因子**。
两种形式的等价性：由中国剩余定理，\(R/(d_k) \cong \prod R/(p_i^{a_{ik}})\)（\(d_k = \prod p_i^{a_{ik}}\)）。
10'.3 应用至 \(V\) 的分解 ⭐⭐⭐¶
将 \(R = F[x]\)，\(M = V\)（挠 \(F[x]\)-模，\(r = 0\)）代入：
不变因子形式：
- \(f_k = m_T\)（最大的不变因子 = 极小多项式）
- \(\prod f_i = p_T\)（不变因子之积 = 特征多项式）
- 立得 \(m_T \mid p_T\) 和 Cayley--Hamilton 作为**一句话推论**
初等因子形式（\(F\) 代数闭）：
每个 \(F[x]/((x - \lambda)^k)\) 在基 \(\{1, (x-\lambda), \ldots, (x-\lambda)^{k-1}\}\) 下，\(T\)（即 \(x\) 的乘法）的矩阵恰好是 \(k \times k\) 的 Jordan 块 \(J_k(\lambda)\)。
本质洞察：\(F[x]\)-模路径将 Jordan 标准形、有理标准形、Cayley--Hamilton 和 \(m_T \mid p_T\) 统一为 PID 结构定理的不同"面目"。这不是四个独立定理，而是同一个定理的四种解读。
10'.4 两路径对比 ⭐⭐¶
| 维度 | 路径 A（直接构造） | 路径 B（\(F[x]\)-模） |
|---|---|---|
| 前置知识 | CH + 准素分解 + 幂零分类 | PID 结构定理 |
| 几何直觉 | 高（核旗、循环链可视化） | 低（代数抽象） |
| 适用域 | 要求 \(p_T\) 分裂 | 任意域（\(F[x]\) 始终 PID） |
| 到有理标准形 | 需额外工作 | 免费获得（不变因子形式） |
| 到唯一性 | 需独立的维数公式 | 由定理唯一性直接给出 |
| 教学建议 | 先学 A（建立直觉） | 后学 B（获得统一视角） |
常见陷阱¶
💡 概念误区：认为路径 B "更好"，应该只学路径 B
新手想法："路径 B 更统一更优雅，路径 A 是多余的"
实际上：路径 A 提供了路径 B 所缺乏的几何直觉——核旗、循环链、广义特征空间在路径 A 中都有具体的几何意义。工程应用（如构造 Jordan 基、计算矩阵指数）中需要路径 A 的显式构造。路径 B 的价值在于统一视角和更深层的代数理解。
正确理解：两条路径互补，各有不可替代的价值。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 0 & 1 \\ -2 & 3 \end{pmatrix}\)，将 \(\mathbb{R}^2\) 视为 \(\mathbb{R}[x]\)-模（\(x\) 作用为 \(A\)），求不变因子和初等因子。
- (证明) 使用 \(F[x]\)-模路径，证明 Cayley--Hamilton 定理（一句话版本：\(p_T = \prod f_i\) 在 \(V \cong \bigoplus F[x]/(f_i)\) 上为零）。
11. Jordan 标准形：唯一性 ⭐⭐⭐¶
动机¶
我们已经证明了 Jordan 标准形的**存在性**（路径 A 或 B）。现在需要证明**唯一性**——即 Jordan 块的数量和大小由 \(T\) 唯一确定（模块的排列顺序）。
唯一性定理¶
定理：对每个特征值 \(\lambda\)，Jordan 块的数量与尺寸（作为多重集）由 \(T\) 唯一确定。因此 JNF 模去块的重排后唯一。
证明：
- \(G(\lambda, T) = \ker(T - \lambda I)^n\) 由 \(T\) 和 \(\lambda\) 唯一确定（不依赖基选择）
- 限制到 \(G(\lambda, T)\)，由 \(\S8.3\) 的公式：
- \(\dim \ker(T - \lambda I)^k\) 是 \(T\) 的内禀不变量（与基无关），因此右边由 \(T\) 唯一确定
- 对所有 \(\lambda\) 和 \(k\) 重复，得到完整的 Jordan 块多重集
**路径 B 下的唯一性**更直接：PID 结构定理中不变因子（或初等因子）的唯一性直接蕴含 JNF 的唯一性。
唯一性的完整例题 ⭐⭐¶
例：两个 \(4 \times 4\) 矩阵 \(A, B\) 都有特征多项式 \((x-2)^4\)。假设 \(\dim \ker(A - 2I) = 1\)，\(\dim \ker(B - 2I) = 2\)。
对于 \(A\)：几何重数 \(= 1\)，意味着只有 \(1\) 个 Jordan 块。由代数重数 \(= 4\)，该块大小为 \(4\)。\(A\) 的 JNF 为 \(J_4(2)\)。
对于 \(B\)：几何重数 \(= 2\)，意味着有 \(2\) 个 Jordan 块，大小之和 \(= 4\)。可能是 \((3, 1)\) 或 \((2, 2)\)。
- 若 \(\dim \ker(B - 2I)^2 = 3\)：由 \(\S8.3\) 公式，大小 \(= 2\) 的块数 \(= 2 \cdot 3 - 2 - 4 = 0\)，大小 \(= 1\) 的块数 \(= 2 \cdot 2 - 0 - 3 = 1\)。由总维数 \(4 - 1 = 3\)，剩下一个大小 \(= 3\) 的块。JNF 为 \(J_3(2) \oplus J_1(2)\)。
- 若 \(\dim \ker(B - 2I)^2 = 4\)：大小 \(= 2\) 的块数 \(= 2 \cdot 4 - 2 - 4 = 2\)。JNF 为 \(J_2(2) \oplus J_2(2)\)。
结论：即使 \(p_A = p_B\)、几何重数相同（都是 \(2\)），\(A\) 和 \(B\) 仍可能有不同的 JNF。核维数序列是区分它们的关键。
常见陷阱¶
💡 概念误区：认为"知道特征值的代数重数和几何重数就够了"
新手想法："代数重数 4、几何重数 2——Jordan 形唯一确定了"
实际上：这**不**足以确定 JNF。反例：\(\lambda\) 代数重数 4、几何重数 2——可能是 \((3, 1)\)（一个 \(3 \times 3\) 块 + 一个 \(1 \times 1\) 块）或 \((2, 2)\)（两个 \(2 \times 2\) 块）。需要进一步检查 \(\dim \ker(T - \lambda I)^2\)：若为 3，则是 \((3, 1)\)；若为 4，则是 \((2, 2)\)。
正确理解：完整的 JNF 由核维数序列 \(\{\dim \ker(T - \lambda I)^k\}_{k \geq 1}\) 决定，而非仅由前两个值。
练习¶
- (手推) 给出核维数序列 \(\dim \ker N^k = 1, 3, 5, 6, 6\)，反推 Jordan 块结构。
- (证明) 证明：两个 \(n \times n\) 矩阵 \(A, B\) 相似（即存在可逆 \(P\) 使 \(B = P^{-1}AP\)）当且仅当它们有相同的 JNF。
12. 有理标准形（Frobenius 标准形） ⭐⭐⭐¶
动机¶
Jordan 标准形需要 \(p_T\) 在 \(F\) 上分裂。当 \(F\) 非代数闭且 \(p_T\) 有不可约的高次因子时（例如实矩阵有复特征值对），JNF 不可得。但**相似类仍有标准代表元**——这就是有理标准形（Rational Canonical Form, RCF），也称 Frobenius 标准形。
12.1 伴随矩阵 \(C(f)\) ⭐⭐⭐¶
定义：对首一多项式 \(f(x) = x^d + c_{d-1}x^{d-1} + \cdots + c_0\)，其**伴随矩阵**为
关键性质：\(p_{C(f)} = m_{C(f)} = f\)——伴随矩阵的特征多项式和极小多项式相同，都等于 \(f\)。
12.2 有理标准形定理 ⭐⭐⭐¶
定理：对任意域 \(F\) 和 \(T: V \to V\)，\(T\) 相似于唯一的
其中 \(f_k = m_T\)，\(\prod f_i = p_T\)，\(f_i\) 为**不变因子**。
12.3 不变因子 vs 初等因子 ⭐⭐¶
| 特征 | 不变因子 | 初等因子 |
|---|---|---|
| 定义 | \(f_1 \mid f_2 \mid \cdots \mid f_k\) | \(p^a\) 型（不可约元的幂） |
| 对应标准形 | 有理标准形（任意域） | Jordan 形（需 \(F\) 代数闭） |
| 换算 | \(f_i = \prod_j p_j^{a_{ij}}\) | 反向通过 CRT 重组 |
12.4 相似性判定 ⭐⭐¶
定理：\(A, B \in M_n(F)\) 在 \(F\) 上相似 \(\Leftrightarrow\) 有相同不变因子 \(\Leftrightarrow\) \(xI - A\) 与 \(xI - B\) 有相同 Smith 正规形。
重要事实（Keith Conrad）：\(A, B \in M_n(F)\) 在扩域 \(K \supset F\) 上相似 \(\Leftrightarrow\) 在 \(F\) 上相似。即有理标准形是"真正的" \(F\)-不变量。
理论-工程桥接：线性系统 \((A, B)\) 在状态坐标变换下的能控标准型对应 \((A, B)\) 视为 \(F[x]\)-模的不变因子分解。Kalman 可控分解等价于按 \(T\)-循环子空间分块——有理标准形是控制论"最小实现"理论的代数底层。
常见陷阱¶
💡 概念误区：认为有理标准形只在非代数闭域上有用
新手想法："在 \(\mathbb{C}\) 上已经有 JNF 了，不需要有理标准形"
实际上：有理标准形在任何域上都有用——它提供了不依赖于代数闭性的相似分类。即使在 \(\mathbb{C}\) 上，有理标准形也与 JNF 互补：不变因子给出"模结构"的全局视图，而 JNF 给出"局部"（每个特征值）的视图。
正确理解：JNF 和 RCF 是同一代数真理的两种视角——一种用初等因子，一种用不变因子。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 0 & -1 \\ 1 & 0 \end{pmatrix}\)（90 度旋转），计算不变因子并写出有理标准形。
- (思考) 在 \(\mathbb{R}\) 上，写出一个 \(4 \times 4\) 矩阵的有理标准形和复 Jordan 标准形的对应关系，假设不变因子为 \((x^2 + 1, x^2 + 1)\)。
13. 计算 Jordan 形：算法 ⭐⭐¶
动机¶
理论上 JNF 存在且唯一，但**实际计算**需要具体算法。此外，还有一个重要的数值警告：JNF 对矩阵扰动高度敏感（病态问题），在数值计算中通常用 Schur 分解替代。
13.1 计算步骤概述 ⭐⭐¶
- 求特征多项式 \(p_T\)：Leverrier--Faddeev 算法，\(O(n^4)\)
- 求特征值：\(p_T\) 的根（数值方法：QR 算法；符号方法：因式分解）
- 求极小多项式 \(m_T\)：Krylov 子空间法——从随机向量 \(v\) 开始，找最小的 \(k\) 使得 \(\{v, Tv, \ldots, T^k v\}\) 线性相关
- 确定 Jordan 块大小：计算核维数序列 \(\dim \ker(T - \lambda I)^k\) 直至稳定
- 构造 Jordan 基：核旗升法（\(\S8.4\)）
13.2 Smith 正规形算法 ⭐⭐¶
**Smith 正规形**是计算不变因子（从而确定 JNF 和 RCF）的系统化方法。
输入：\(n \times n\) 多项式矩阵 \(\lambda I - A \in M_n(F[\lambda])\)
算法：通过 \(F[\lambda]\) 上的初等行列变换（交换、加倍、加法）将 \(\lambda I - A\) 化为对角形式
结果：非单位的 \(s_i\) 就是不变因子 \(f_j\)（去掉前面的 \(s_i = 1\) 的部分），\(s_n = m_A\)，\(\prod s_i = p_A\)。
例：对 \(A = \begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}\)，
通过列变换加上行变换化为 \(\mathrm{diag}(1, (\lambda - 2)^2)\)。不变因子为 \((\lambda - 2)^2\)，确认 \(m_A = p_A = (x-2)^2\)，JNF 为 \(J_2(2)\)。
13.3 数值警告 ⭐⭐⭐¶
JNF 对扰动病态。经典例子：
扰动 \(A_\varepsilon = A + \varepsilon E\)（\(\varepsilon\) 很小）可以将 JNF 从 \(J_2(0)\) 变为 \(\mathrm{diag}(\sqrt{\varepsilon}, -\sqrt{\varepsilon})\)——结构发生质的变化。
推论：在数值计算中，不要使用 JNF。改用 Schur 分解（正交上三角化）或 实 Schur 形（正交准上三角化），它们对扰动是连续的。
Schur 分解与 JNF 的对比：
| 特性 | JNF | Schur 分解 |
|---|---|---|
| 块结构 | 块对角（Jordan 块） | 上三角 |
| 正交基 | 否 | 是 |
| 数值稳定 | 否（病态） | 是 |
| 理论价值 | 高（完全分类） | 中 |
| 实际使用 | 符号/精确计算 | 数值计算 |
常见陷阱¶
🧠 思维陷阱：在数值代码中使用 JNF
新手想法："Jordan 标准形是最简形式，数值计算应该用它"
实际上：JNF 的数值计算是病态的——微小的浮点误差就可能改变 Jordan 结构。实际数值软件（MATLAB, NumPy, Eigen）使用 Schur 分解而非 JNF。JNF 适合符号计算（Mathematica, SymPy）和理论分析。
正确做法：理论推导用 JNF，数值实现用 Schur 分解。
练习¶
- (手推) 对 \(A = \begin{pmatrix} 5 & 4 & 2 & 1 \\ 0 & 1 & -1 & -1 \\ -1 & -1 & 3 & 0 \\ 1 & 1 & -1 & 2 \end{pmatrix}\)，用核维数序列法确定 JNF（提示：先求特征值和极小多项式）。
- (思考) 解释为什么 \(n \times n\) 对角矩阵 \(D + \varepsilon E\)（\(E\) 随机）对小 \(\varepsilon\) 仍然可对角化，但 \(J_n(0) + \varepsilon E\) 的 Jordan 结构可能完全不同。
14. 矩阵指数 \(\exp(tA)\) via Jordan 形 ⭐⭐⭐¶
动机¶
矩阵指数 \(\exp(tA)\) 是线性常微分方程 \(\dot{x} = Ax\) 的解：\(x(t) = \exp(tA) x(0)\)。它在机器人学中无处不在——Rodrigues 旋转公式、SE(3) 螺旋指数、线性系统的模态分析都依赖它。
核心问题：\(\exp(tA) = \sum_{k=0}^{\infty} \frac{(tA)^k}{k!}\) 是无穷级数。如何将其简化为闭式表达？答案正是 Jordan 标准形 + Cayley--Hamilton 定理。
如果不理解矩阵指数的 Jordan 分解¶
- 无法理解 Rodrigues 公式的代数来源
- 无法分析线性系统中重特征值导致的多项式增长模态（\(t^k e^{\lambda t}\)）
- 无法理解 Lyapunov 稳定性中 Jordan 块大小的作用
14.1 定义与基本性质 ⭐⭐⭐¶
定义：
在 \(M_n(F)\) 上绝对收敛（对任意矩阵范数 \(\|\cdot\|\)，\(\sum \frac{|t|^k \|A\|^k}{k!} = e^{|t| \cdot \|A\|} < \infty\)）。
基本性质：
| 性质 | 公式 | 条件 |
|---|---|---|
| 半群性 | \(\exp((s+t)A) = \exp(sA)\exp(tA)\) | 无 |
| 导数 | \(\frac{d}{dt}\exp(tA) = A\exp(tA) = \exp(tA)A\) | 无 |
| 可交换情况 | \(\exp(A+B) = \exp(A)\exp(B)\) | 仅当 \(AB = BA\) |
| 行列式 | \(\det(\exp(A)) = e^{\mathrm{tr}(A)}\) | 无 |
| 逆 | \((\exp(A))^{-1} = \exp(-A)\) | 无 |
反事实推理：如果 \(\exp(A+B) = \exp(A)\exp(B)\) 对所有 \(A, B\) 成立会怎样？那么 \(\exp\) 就是从加法群 \((M_n, +)\) 到乘法群 \((GL_n, \cdot)\) 的群同态。但这是错的——Baker--Campbell--Hausdorff 公式告诉我们 \(\log(\exp(X)\exp(Y)) = X + Y + \frac{1}{2}[X, Y] + \cdots\)，交换子 \([X, Y] = XY - YX\) 的存在使得乘法比加法复杂得多。
14.2 Jordan 形上的计算 ⭐⭐⭐¶
Step 1：若 \(A = PJP^{-1}\)（\(J\) 为 Jordan 形），则
Step 2：\(J = \mathrm{diag}(J_{k_1}(\lambda_1), \ldots)\)，则
Step 3：对单个 Jordan 块 \(J_k(\lambda) = \lambda I_k + N_k\)（\(N_k\) 幂零，\(N_k^k = 0\)）。由于 \(\lambda I_k\) 和 \(N_k\) 交换：
级数在 \(N_k^{k-1}\) 处截断（因为 \(N_k^k = 0\)——这正是 Cayley--Hamilton 的直接后果）。
显式公式：
模态解读：\(k \times k\) Jordan 块 \(J_k(\lambda)\) 产生模态 \(\{e^{\lambda t}, te^{\lambda t}, \ldots, t^{k-1}e^{\lambda t}\}\)。
14.3 Sylvester--Buchheim 闭式 ⭐⭐⭐¶
定理：若 \(m_A\) 的次数为 \(m\)，则 \(\exp(tA)\) 可以表示为 \(A\) 的次数 \(< m\) 的矩阵多项式：
系数 \(\beta_j(t)\) 由在 \(\mathrm{spec}(A)\) 上的 **Hermite 插值**决定：要求 \(p(\lambda_i) = e^{\lambda_i t}\)，以及导数匹配至 Jordan 块大小。
本质洞察：Cayley--Hamilton 将矩阵指数的无穷级数"塌缩"为有限多项式。这个塌缩之所以可能，是因为 \(A^n\) 可以表示为 \(\{I, A, \ldots, A^{n-1}\}\) 的线性组合——高次项全部折叠到低次上。Sylvester--Buchheim 公式精确地告诉我们折叠的系数。
14.4 机器人学核心应用：Rodrigues 公式 ⭐⭐⭐¶
\(\mathfrak{so}(3)\) 上的 Cayley--Hamilton：对单位旋转轴 \(\hat{\omega} \in \mathfrak{so}(3)\)（\(3 \times 3\) 反对称矩阵，\(\|\omega\| = 1\)），特征多项式为
由 Cayley--Hamilton 得 \(\hat{\omega}^3 = -\hat{\omega}\)，因此 \(\hat{\omega}\) 的所有高次幂都可以用 \(\{I, \hat{\omega}, \hat{\omega}^2\}\) 表示。
代入矩阵指数的定义并分组奇偶项：
这正是 Rodrigues 旋转公式——从轴角表示直接计算旋转矩阵，避免了矩阵指数的无穷级数。
类比理解：Rodrigues 公式之于 \(\mathfrak{so}(3)\)，就像 Euler 公式 \(e^{i\theta} = \cos\theta + i\sin\theta\) 之于复数——二者都利用"最小多项式的循环性"（\(i^2 = -1\) 对应 \(\hat{\omega}^3 = -\hat{\omega}\)）将指数函数截断为有限三角表达。类比的边界：Euler 公式是标量等式，Rodrigues 是矩阵等式；\(i^2 = -1\) 是精确的二次关系，\(\hat{\omega}^3 = -\hat{\omega}\) 是三次关系。
14.5 SE(3) 螺旋指数 ⭐⭐¶
对 \(\mathfrak{se}(3)\) 中的螺旋运动 \([S] = \begin{pmatrix} \hat{\omega} & v \\ 0 & 0 \end{pmatrix}\)（\(\|\omega\| = 1\)），利用 \(4 \times 4\) 矩阵的最小多项式可以得到闭式：
其中 \(R\) 由 Rodrigues 公式给出，\(G = I\theta + (1 - \cos\theta)\hat{\omega} + (\theta - \sin\theta)\hat{\omega}^2\)。这是正向运动学中产品指数公式（Product of Exponentials）的基础。
14.6 线性 ODE \(\dot{x} = Ax\) 的解 ⭐⭐⭐¶
解：\(x(t) = \exp(tA) x(0)\)。
模态分析：每个 Jordan 块 \(J_k(\lambda)\) 贡献模态 \(\{e^{\lambda t}, te^{\lambda t}, \ldots, t^{k-1}e^{\lambda t}\}\)。
| 条件 | 模态行为 | 渐近行为 |
|---|---|---|
| \(\mathrm{Re}(\lambda) < 0\) | 指数衰减（可能伴随振荡） | \(\to 0\) |
| \(\mathrm{Re}(\lambda) > 0\) | 指数增长 | \(\to \infty\) |
| \(\mathrm{Re}(\lambda) = 0, k = 1\) | 纯振荡（若 \(\mathrm{Im}(\lambda) \neq 0\)）或常数 | 有界 |
| \(\mathrm{Re}(\lambda) = 0, k > 1\) | 多项式增长 \(t^{k-1}\) | \(\to \infty\) |
最后一种情况正是 Jordan 块大小对稳定性的关键影响——仅靠特征值无法判断，必须知道 Jordan 结构。
详细例题：考虑 \(3 \times 3\) 系统 \(\dot{x} = Ax\)，\(A\) 的 JNF 为 \(J = \begin{pmatrix} -1 & 1 & 0 \\ 0 & -1 & 0 \\ 0 & 0 & 2 \end{pmatrix}\)。
- 前两个分量（\(\lambda = -1\) 的 \(2 \times 2\) Jordan 块）：\(x_1(t) \sim (c_1 + c_2 t)e^{-t} \to 0\)。尽管有 \(te^{-t}\) 项（多项式增长），但指数衰减 \(e^{-t}\) 足以压过，仍然稳定
- 第三个分量（\(\lambda = 2\)）：\(x_3(t) = c_3 e^{2t} \to \infty\)。系统整体不稳定
反事实推理：如果上述系统的 \(\lambda = 2\) 被替换为 \(\lambda = 0\)（即 \(A\) 的 JNF 变为 \(\mathrm{diag}(J_2(-1), J_1(0))\)），系统变为"部分稳定"——前两个分量衰减，第三个保持常数。但如果进一步将 \(J_1(0)\) 换成 \(J_2(0)\)（即 \(A\) 有 \(\lambda = 0\) 的 \(2 \times 2\) Jordan 块），则第三和第四分量包含 \(t\) 增长项——系统变为不稳定。这清楚地展示了 Jordan 块大小（而非仅特征值）对稳定性的决定性作用。
14.7 谱映射定理 ⭐⭐¶
定理：\(\mathrm{spec}(\exp(A)) = \exp(\mathrm{spec}(A)) = \{e^{\lambda} : \lambda \in \mathrm{spec}(A)\}\)，代数重数保持。
推论：\(\det(\exp(A)) = \exp(\mathrm{tr}(A))\)。
证明：\(\det(\exp(A)) = \prod_{i} e^{\lambda_i} = e^{\sum \lambda_i} = e^{\mathrm{tr}(A)}\)。
这个推论有重要的几何意义：\(\exp(A)\) 将体积缩放 \(e^{\mathrm{tr}(A)}\) 倍。特别地，若 \(\mathrm{tr}(A) = 0\)（如 \(A \in \mathfrak{so}(n)\) 或 \(A \in \mathfrak{sl}(n)\)），则 \(\det(\exp(A)) = 1\)，即 \(\exp(A)\) 保体积。
常见陷阱¶
💡 概念误区：认为 \(\exp(A+B) = \exp(A)\exp(B)\) 总成立
新手想法："指数函数的加法公式应该对矩阵也成立"
实际上：仅当 \(AB = BA\) 时成立。一般情况需要 Baker--Campbell--Hausdorff 公式：\(\log(\exp(A)\exp(B)) = A + B + \frac{1}{2}[A,B] + \cdots\)。这个区别在 Lie 群理论中至关重要。
正确理解：矩阵的非交换性使得指数映射远比标量复杂。\([A, B] \neq 0\) 是"非交换修正"的来源。
🧠 思维陷阱：死记 Rodrigues 公式而不理解代数来源
新手想法："Rodrigues 公式 = \(I + \sin\theta\hat{\omega} + (1-\cos\theta)\hat{\omega}^2\)，记住就行"
实际上：公式的来源是 \(\hat{\omega}^3 = -\hat{\omega}\)（Cayley--Hamilton 在 \(\mathfrak{so}(3)\) 上的特例），它将无穷级数截断为三项。理解这个来源后，你可以对**任何**矩阵推导类似的闭式——只需知道其最小多项式。
正确理解：Rodrigues 公式是 Cayley--Hamilton + 矩阵指数的具体实例，不是孤立的公式。
练习¶
- (手推) 计算 \(\exp(tA)\)，其中 \(A = \begin{pmatrix} 2 & 1 \\ 0 & 2 \end{pmatrix}\)。解释结果中 \(te^{2t}\) 项的物理含义（在 \(\dot{x} = Ax\) 的背景下）。
- (推导) 从 \(\hat{\omega} = \begin{pmatrix} 0 & -\omega_3 & \omega_2 \\ \omega_3 & 0 & -\omega_1 \\ -\omega_2 & \omega_1 & 0 \end{pmatrix}\)（\(\|\omega\| = 1\)）出发，验证 \(\hat{\omega}^3 = -\hat{\omega}\)，然后推导 Rodrigues 公式。在草稿纸上完成。
- (跨章综合) 利用 A2c 的 Schur 分解和本章的 Jordan 理论，证明：对称矩阵 \(A = A^T\) 的 \(\exp(tA)\) 也是对称的。提示：对称矩阵可正交对角化。
15. 应用：控制论稳定性 ⭐⭐¶
动机¶
Jordan 理论在控制论中的应用是最直接的——线性系统 \(\dot{x} = Ax\) 的行为完全由 \(A\) 的 Jordan 结构决定。本节将 Jordan 块的代数结构与控制系统的稳定性、Lyapunov 方程、极点配置联系起来。
15.1 线性系统的稳定性分类 ⭐⭐¶
\(\dot{x} = Ax\) 在原点的稳定性：
| 条件 | 稳定性类型 | Jordan 结构要求 |
|---|---|---|
| 全部 \(\mathrm{Re}(\lambda_i) < 0\) | 渐近稳定 | 无额外要求 |
| 全部 \(\mathrm{Re}(\lambda_i) \leq 0\)，虚轴上 \(\lambda\) 的 Jordan 块全为 \(1 \times 1\) | 临界稳定 | 虚轴特征值无高阶块 |
| 存在 \(\mathrm{Re}(\lambda) > 0\) | 不稳定 | 无额外要求 |
| 全部 \(\mathrm{Re}(\lambda_i) \leq 0\)，但虚轴上 \(\lambda\) 有 \(\geq 2\) 的 Jordan 块 | 不稳定 | \(t^j\) 多项式增长 |
最后一种情况尤为重要：即使所有特征值的实部 \(\leq 0\)，高阶 Jordan 块也会导致不稳定。
理论-工程桥接：二维双积分器 \(A = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}\)（如无控制的轮式小车位置-速度）在 \(\lambda = 0\) 有 \(2 \times 2\) Jordan 块，解包含 \(t\) 项，导致位置无界增长——这正是 Jordan 块对机器人控制的直接后果。
15.2 Lyapunov 方程 ⭐⭐¶
定理：\(A\) Hurwitz（即渐近稳定，全部 \(\mathrm{Re}(\lambda_i) < 0\)）当且仅当对任意正定矩阵 \(Q \succ 0\)，Lyapunov 方程
有唯一的正定解 \(P = \int_0^{\infty} e^{A^T t} Q e^{At} dt \succ 0\)。
为什么 \(P\) 是正定的：对任意 \(x \neq 0\)，
最后的严格正性来自连续性——\(e^{A \cdot 0}x = x \neq 0\)，所以被积函数在 \(t = 0\) 附近严格正。
与 Jordan 形的联系：积分收敛性由 \(\|e^{At}\| \leq C(1 + t^{k-1})e^{\alpha t}\)（\(\alpha = \max \mathrm{Re}(\lambda_i) < 0\)）保证。这里 \(k-1\) 是最大 Jordan 块中的多项式增长阶，但由于 \(e^{\alpha t}\) 的指数衰减足以压过多项式增长，积分仍然收敛。
为什么 \(P\) 满足 Lyapunov 方程：对 \(P = \int_0^{\infty} e^{A^T t} Q e^{At} dt\) 两边左乘 \(A^T\) 并加上右乘 \(A\)：
其中 \(\lim_{t \to \infty} e^{A^T t} Q e^{At} = 0\)（因为 \(A\) Hurwitz）。
理论-工程桥接：在机器人控制中，二次 Lyapunov 函数 \(V(x) = x^T P x\) 用于：(1) 计算力矩控制的稳定性证明；(2) 被动性控制的能量函数构造；(3) 神经网络策略的终止证书（Certificate of Stability）。Lyapunov 方程的数值稳定求解使用 Bartels--Stewart 算法（基于实 Schur 分解，而非 JNF）。
15.3 Ackermann 极点配置公式 ⭐⭐⭐¶
定理：对能控 SISO 系统 \((A, b)\)，欲配置闭环特征多项式 \(\Delta_d(s)\)，状态反馈增益
其中 \(\mathcal{C} = [b, Ab, \ldots, A^{n-1}b]\) 是能控性矩阵。
证明核心：由 Cayley--Hamilton，闭环矩阵 \(A_{cl} = A - bk^T\) 满足 \(\Delta_d(A_{cl}) = 0\)。能控性保证 \(\mathcal{C}\) 可逆，从而可以解出 \(k^T\)。
这是 Cayley--Hamilton 定理在机器人控制中最直接、最重要的应用。
15.4 有限步能控判据 ⭐⭐¶
为什么能控性矩阵 \(\mathcal{C} = [B, AB, \ldots, A^{n-1}B]\) 只需到 \(A^{n-1}\)？ 答案正是 Cayley--Hamilton：\(A^n\) 是 \(\{I, A, \ldots, A^{n-1}\}\) 的线性组合，所以 \(A^n B\) 不会提供 \(\mathcal{C}\) 之外的新信息。
常见陷阱¶
💡 概念误区：认为"特征值实部 \(\leq 0\) = 稳定"
新手想法："只要没有正实部特征值就稳定"
实际上：虚轴上特征值的 Jordan 块大小决定了临界稳定还是不稳定。\(\lambda = 0\) 的 \(2 \times 2\) Jordan 块产生线性增长 \(t\)，\(\lambda = i\omega\) 的 \(2 \times 2\) Jordan 块产生共振增长 \(t\sin(\omega t)\)——都是不稳定的。
正确理解：稳定性判断需要特征值**和** Jordan 块大小。
🧠 思维陷阱：认为"Schur 分解可以完全替代 Jordan 形做稳定性分析"
新手想法："既然数值上用 Schur 分解，稳定性分析也不需要 Jordan 形了吧？"
实际上：Schur 分解给出特征值（对角元素），但不直接给出 Jordan 块大小。虽然可以从 Schur 形推断"是否可对角化"（看超对角元是否接近零），但精确的多项式增长阶需要 Jordan 分析。理论推导中 Jordan 形不可替代。
正确理解：Schur 分解用于数值计算，Jordan 形用于理论分析。两者互补。
练习¶
- (手推) 对系统 \(\dot{x} = \begin{pmatrix} 0 & 1 \\ -2 & -3 \end{pmatrix}x + \begin{pmatrix} 0 \\ 1 \end{pmatrix}u\)，使用 Ackermann 公式设计状态反馈 \(u = -k^T x\)，使闭环极点在 \(\{-1, -2\}\)。
- (思考) 为什么 Ackermann 公式只适用于 SISO 系统？MIMO 情况需要什么替代方法？
16. 应用：矩阵对数与 Lie 群 ⭐⭐¶
动机¶
矩阵指数 \(\exp: \mathfrak{g} \to G\) 将 Lie 代数映射到 Lie 群。其逆运算——矩阵对数 \(\log: G \to \mathfrak{g}\)——在 SLAM（同步定位与地图构建）和 Lie 群优化中至关重要。
16.1 矩阵对数的存在性 ⭐⭐¶
Culver 定理：实矩阵 \(M\) 存在实对数当且仅当 \(M\) 可逆且负实特征值的 Jordan 块成对出现。
主对数：特征值在带状区域 \(|\mathrm{Im}(z)| < \pi\) 的对数。存在当且仅当 \(M\) 无特征值在闭负实轴上。
\(SO(3)\) 中的特殊情况：旋转角 \(\theta = \pi\) 时，特征值为 \(\{1, -1, -1\}\)，主对数不唯一——对数的不唯一性对应于旋转轴的方向歧义。
16.2 SE(3) 对数与 SLAM ⭐⭐⭐¶
位姿图 SLAM 的误差残差定义为
其中 \(\log\) 是 \(SE(3)\) 上的对数映射，\(\vee\) 是从李代数到向量空间的同构。这个残差用于 g2o、GTSAM、Ceres 等非线性优化框架。
16.3 BCH 公式与 Lie 代数积分 ⭐¶
Baker--Campbell--Hausdorff 公式：
为什么 BCH 公式重要：当 \([X, Y] \neq 0\) 时，\(\exp(X)\exp(Y) \neq \exp(X+Y)\)。BCH 公式精确地告诉我们"非交换修正"是什么——它由交换子 \([X, Y]\) 及其高阶嵌套构成。
在 \(SO(3)\) 上的截断：由于 \(\mathfrak{so}(3)\) 的交换子 \([\hat{\omega}_1, \hat{\omega}_2] = \hat{\omega}_1 \hat{\omega}_2 - \hat{\omega}_2 \hat{\omega}_1\) 仍在 \(\mathfrak{so}(3)\) 中（反对称矩阵的交换子仍是反对称的），BCH 公式的每一项都停留在 \(\mathfrak{so}(3)\) 中。对小角度旋转，一阶截断 \(\log(\exp(X)\exp(Y)) \approx X + Y\) 就足够了；二阶截断包含 \(\frac{1}{2}[X, Y]\) 修正。
在 IMU 预积分中的应用：IMU 测量的角速度 \(\omega(t)\) 需要积分得到旋转。连续积分 \(R(t) = \exp(\int_0^t \hat{\omega}(\tau) d\tau)\) 在离散化时变为 \(R_k = R_{k-1} \exp(\hat{\omega}_k \Delta t)\)。BCH 公式的截断精度决定了预积分的精度——这在 SLAM 和 VIO（Visual-Inertial Odometry）中至关重要。
16.4 广义 Rodrigues 公式 ⭐¶
一般原理：对极小多项式次数为 \(m\) 的任意方阵 \(A\)，\(\exp(tA)\) 可以表示为 \(A\) 的 \(\leq m-1\) 次多项式，系数由 Hermite 插值在 \(\mathrm{spec}(A)\) 上确定。
| Lie 代数 | \(m_A\) 的次数 | \(\exp\) 闭式结构 |
|---|---|---|
| \(\mathfrak{so}(3)\) | \(3\)（\(x^3 + x\)） | \(I + \sin\theta \hat{\omega} + (1-\cos\theta)\hat{\omega}^2\) |
| \(\mathfrak{se}(3)\) | \(4\)（\(x^4 + x^2\)） | 涉及 \(I, \hat{\omega}, \hat{\omega}^2, \hat{\omega}^3\)，但 \(\hat{\omega}^3 = -\hat{\omega}\) 简化为三项 |
| \(\mathfrak{su}(2)\) | \(2\)（\(x^2 + \|\omega\|^2\)） | \(\cos\|\omega\| I + \frac{\sin\|\omega\|}{\|\omega\|} X\) |
| \(\mathfrak{sl}(2, \mathbb{R})\) | \(2\)--\(3\) | 取决于特征值是否为零 |
这种统一的闭式积分方法由 Gallier--Xu (IJRA 2003) 系统化——其核心工具正是本章的 Cayley--Hamilton 定理和极小多项式。
常见陷阱¶
💡 概念误区：认为矩阵对数总是存在且唯一的
新手想法："\(\exp\) 可逆，\(\log\) 应该总存在"
实际上：即使对可逆矩阵，实对数也不一定存在（需要 Culver 条件）。即使存在，也不一定唯一（如 \(SO(3)\) 中 \(\pi\) 旋转）。
正确理解：\(\exp\) 是满射但非单射（在 Lie 群的大范围内）。\(\log\) 只在 \(\exp\) 的单射区域（如 \(SO(3)\) 中 \(|\theta| < \pi\)）上良定义。
练习¶
- (手推) 对旋转矩阵 \(R = \begin{pmatrix} 0 & -1 & 0 \\ 1 & 0 & 0 \\ 0 & 0 & 1 \end{pmatrix}\)（绕 \(z\) 轴旋转 \(90°\)），计算 \(\log(R)\)（即找 \(\hat{\omega}\theta\) 使得 \(\exp(\hat{\omega}\theta) = R\)）。
- (思考) 为什么 \(\theta = \pi\) 时 \(\log(R)\) 的计算公式会退化？从 Jordan 理论的角度解释。
17. 综合实例与跨模块连接 ⭐⭐¶
17.1 完整计算实例：从矩阵到模态分析¶
问题：对矩阵 \(A = \begin{pmatrix} 3 & 1 & 0 & 0 \\ 0 & 3 & 0 & 0 \\ 0 & 0 & 3 & 0 \\ 0 & 0 & 0 & 5 \end{pmatrix}\)，完成以下全部分析。
Step 1：特征多项式和极小多项式
\(m_A\) 必须整除 \(p_A\) 且与 \(p_A\) 同根。检验：\((A - 3I)^2(A - 5I)\)——第 \((1,2)\) 元素是否为零？\((A - 3I) = \mathrm{diag}(J_2(0), 0, 2)\)，\((A-3I)^2 = \mathrm{diag}(N_2^2, 0, 4) = \mathrm{diag}(0, 0, 0, 4)\)。\((A-3I)^2(A-5I) = \mathrm{diag}(0, 0, 0, 4) \cdot \mathrm{diag}(-2, J, -2, 0)\)... 让我们更仔细地计算。
实际上 \(A\) 已经是 Jordan 形：\(J_2(3) \oplus J_1(3) \oplus J_1(5)\)。
（最大 Jordan 块大小为 \(2\) 对 \(\lambda = 3\)，为 \(1\) 对 \(\lambda = 5\)）
Step 2：准素分解
Step 3：Jordan 结构
- \(\lambda = 3\)：代数重数 \(3\)，几何重数 \(= \dim \ker(A - 3I) = 2\)（\(e_2\) 和 \(e_3\) 是特征向量），Jordan 块为 \((2, 1)\)
- \(\lambda = 5\)：代数重数 \(1\)，几何重数 \(1\)，Jordan 块为 \((1)\)
Step 4：矩阵指数
Step 5：模态分析（若 \(\dot{x} = Ax\)）
系统有三个模态：\(e^{3t}\)（衰减/增长取决于符号，此处增长）、\(te^{3t}\)（多项式-指数混合增长）、\(e^{5t}\)（指数增长）。系统不稳定（所有 \(\mathrm{Re}(\lambda) > 0\)）。
17.2 面向机器人博士生的"必会清单"¶
- 从 \(\mathfrak{so}(3)\) 的特征多项式 \(x(x^2 + \|\omega\|^2)\) 推出 Rodrigues 公式
- 从 \(\mathfrak{se}(3)\) 的极小多项式写出指数闭式（知其代数根源，而非仅记公式）
- 解释为何 JNF 中 Jordan 块大小 \(k\) 产生 \(t^{k-1} e^{\lambda t}\) 模态
- 在 SISO 系统上完整执行 Ackermann 极点配置（显式用 CH）
- 判断 \(R \in SO(3)\) 的对数何时不唯一（\(\pi\) 旋转）
- 对给定 \(4 \times 4\) 矩阵计算 JNF：求 \(m_T \to\) 求特征值 \(\to\) 按 \(\dim \ker(T - \lambda I)^k\) 定块
17.3 与后续模块的连接¶
- \(\to\) A2e（张量积、外代数、行列式）：补齐 \(\S3\)、\(\S4.2\) 中黑盒化的 \(\det\) 与伴随矩阵；Cayley--Hamilton 的外代数证明
- \(\to\) A3（微分几何）：\(\S14\) 矩阵指数为 Lie 群指数映射的线性化；\(\S16\) 对数映射为逆
- \(\to\) A4（抽象代数）：\(\S10'.2\) 的 PID 结构定理将作正式化复习；本模块中 mini 模块为 motivation
- \(\to\) 控制论模块：\(\S15\) Ackermann、能控/能观标准型；\(\S12\) RCF 为最小实现理论底层
- \(\to\) 数值线性代数模块：\(\S13.3\) JNF 病态问题的 Schur 替代；实 Jordan 形的数值版本
本章常见误解汇总¶
| 误解 | 正确理解 |
|---|---|
| \(m_T\) 和 \(p_T\) 是同一个多项式 | 同根但重数可不同；\(m_T \mid p_T\)，\(m_T = p_T\) 仅当存在循环向量 |
| \(p_A(A) = \det(AI - A) = \det(0) = 0\) | \(\det\) 的输入必须是标量矩阵，不能在行列式内部做"矩阵代入标量" |
| 知道代数重数和几何重数就能确定 JNF | 需要完整的核维数序列 \(\{\dim \ker(T - \lambda I)^k\}\) |
| JNF 需要 \(F\) 是代数闭域 | 只需 \(p_T\) 在 \(F\) 上分裂 |
| 数值计算应使用 JNF | JNF 对扰动病态；数值计算用 Schur 分解 |
| \(\exp(A+B) = \exp(A)\exp(B)\) 总成立 | 仅当 \(AB = BA\)；一般情况需要 BCH 修正 |
| Rodrigues 公式是独立的公式 | 它是 Cayley--Hamilton 在 \(\mathfrak{so}(3)\) 上的特例 |
| 特征值实部 \(\leq 0\) 保证稳定 | 虚轴上特征值的 Jordan 块大小 \(> 1\) 导致不稳定 |
本章小结¶
符号表¶
| 符号 | 含义 | 首次出现 |
|---|---|---|
| \(F[x]\) | 域 \(F\) 上的一元多项式环 | \(\S1\) |
| \(\mathrm{Ann}(T)\) | \(T\) 的零化理想 \(\{p \in F[x] : p(T) = 0\}\) | \(\S2\) |
| \(m_T\) | \(T\) 的极小多项式（\(\mathrm{Ann}(T)\) 的首一生成元） | \(\S2\) |
| \(p_T(\lambda)\) | \(T\) 的特征多项式 \(\det(\lambda I - T)\) | \(\S3\) |
| \(\mathrm{adj}(A)\) | \(A\) 的伴随矩阵（adjugate） | \(\S3\) |
| \(G(\lambda, T)\) | \(T\) 关于 \(\lambda\) 的广义特征空间 \(\ker(T - \lambda I)^n\) | \(\S7\) |
| \(N_\lambda\) | \(T\) 在 \(G(\lambda, T)\) 上的幂零部分 \(T - \lambda I\) | \(\S8\) |
| \(J_k(\lambda)\) | \(k \times k\) Jordan 块 | \(\S9\) |
| \(C(f)\) | 多项式 \(f\) 的伴随矩阵（companion matrix） | \(\S12\) |
| \(\hat{\omega}\) | \(\omega \in \mathbb{R}^3\) 的反对称矩阵表示 | \(\S14\) |
定理速查表¶
| 定理/公式 | 一句话说明 | 对应节 |
|---|---|---|
| Cayley--Hamilton | \(p_T(T) = 0\)：特征多项式零化算子 | \(\S4\) |
| 同根定理 | \(m_T\) 与 \(p_T\) 有相同根集合 | \(\S5\) |
| 准素分解 | \(V = \bigoplus \ker p_i(T)^{a_i}\)：按不可约因子分解 | \(\S6\) |
| 幂零分类 | 幂零算子 \(\leftrightarrow\) Young 图（分区） | \(\S8\) |
| JNF 存在 | \(p_T\) 分裂时，\(T\) 可化为 Jordan 块对角形 | \(\S10\) |
| JNF 唯一 | 块结构由核维数序列唯一决定 | \(\S11\) |
| 有理标准形 | 任意域下 \(T \sim \mathrm{diag}(C(f_1), \ldots, C(f_k))\) | \(\S12\) |
| Rodrigues 公式 | \(\exp(\hat{\omega}\theta) = I + \sin\theta\hat{\omega} + (1-\cos\theta)\hat{\omega}^2\) | \(\S14\) |
| Ackermann 公式 | \(k^T = e_n^T \mathcal{C}^{-1}\Delta_d(A)\)：基于 CH 的极点配置 | \(\S15\) |
知识点总表¶
| 编号 | 知识点 | 核心要点 | 对应节 | 难度 |
|---|---|---|---|---|
| 1 | \(F[x]\) 环结构 | PID、带余除法、Bezout | \(\S1\) | ⭐⭐ |
| 2 | 极小多项式 | 零化理想的生成元、整除性 | \(\S2\) | ⭐⭐⭐ |
| 3 | 特征多项式 | \(\det(\lambda I - T)\)、基独立性 | \(\S3\) | ⭐⭐⭐ |
| 4 | Cayley--Hamilton | 四条证明路径 | \(\S4\) | ⭐⭐⭐ |
| 5 | \(m_T\) 与 \(p_T\) 关系 | 整除、同根、可对角化判据 | \(\S5\) | ⭐⭐⭐ |
| 6 | 准素分解 | Bezout 投影、CRT | \(\S6\) | ⭐⭐⭐ |
| 7 | 广义特征空间 | 核链、指标 | \(\S7\) | ⭐⭐⭐ |
| 8 | 幂零分类 | Young 图、核旗升法 | \(\S8\) | ⭐⭐⭐ |
| 9 | Jordan 链 | 循环子空间、伴随矩阵 | \(\S9\) | ⭐⭐⭐ |
| 10 | JNF（路径 A） | 准素 + 幂零 = JNF | \(\S10\) | ⭐⭐⭐ |
| 10' | JNF（路径 B） | \(F[x]\)-模、PID 结构定理 | \(\S10'\) | ⭐⭐⭐ |
| 11 | JNF 唯一性 | 核维数公式 | \(\S11\) | ⭐⭐⭐ |
| 12 | 有理标准形 | 不变因子、伴随矩阵 | \(\S12\) | ⭐⭐⭐ |
| 13 | 计算算法 | Krylov、数值警告 | \(\S13\) | ⭐⭐ |
| 14 | 矩阵指数 | Jordan 截断、Rodrigues | \(\S14\) | ⭐⭐⭐ |
| 15 | 控制论稳定性 | Lyapunov、Ackermann | \(\S15\) | ⭐⭐ |
| 16 | 矩阵对数与 Lie 群 | \(\log\) 存在性、SLAM | \(\S16\) | ⭐⭐ |
累积项目：本章新增模块¶
项目名称：手写线性代数核心库
本章新增：Jordan 分解模块
- 实现 minimal_polynomial(A) 函数（Krylov 子空间法）
- 实现 jordan_form(A) 函数（核旗升法），返回 Jordan 基和 Jordan 矩阵
- 实现 matrix_exp_jordan(t, A) 函数（通过 Jordan 形计算矩阵指数）
- 实现 rodrigues(omega, theta) 函数（从 \(\hat{\omega}^3 = -\hat{\omega}\) 出发推导）
与前章的衔接：
- 依赖 Ch40（特征值分解模块）的 eigenvalues(A) 和 schur_decomposition(A)
- 依赖 Ch30（矩阵基本运算）的矩阵乘法和求逆
与后续章节的关系：
- Ch60（微分几何）将使用 rodrigues 作为 Lie 群指数映射的基础实现
- Ch70（控制论）将调用 matrix_exp_jordan 进行系统仿真
延伸阅读¶
教材¶
| 教材 | 难度 | 侧重 |
|---|---|---|
| Axler, Linear Algebra Done Right (4th ed.) | ⭐⭐ | 无行列式路径，几何直觉强 |
| Hoffman--Kunze, Linear Algebra | ⭐⭐⭐ | 经典传统，证明严谨 |
| Roman, Advanced Linear Algebra | ⭐⭐⭐ | 模论视角，路径 B 首选 |
| Horn--Johnson, Matrix Analysis | ⭐⭐⭐⭐ | 矩阵分析百科全书 |
| Dummit--Foote, Abstract Algebra \(\S12\) | ⭐⭐⭐ | PID 结构定理的完整证明 |
| Lang, Algebra Ch. XIV | ⭐⭐⭐⭐ | 最抽象但最统一 |
机器人学应用参考¶
| 参考 | 难度 | 内容 |
|---|---|---|
| Lynch--Park, Modern Robotics \(\S3\) | ⭐⭐ | Rodrigues 公式、SE(3) 指数 |
| Murray--Li--Sastry, A Mathematical Introduction to Robotic Manipulation | ⭐⭐⭐ | 李群基础 |
| Barfoot, State Estimation for Robotics Ch. 7 | ⭐⭐⭐ | SE(3) 对数与 SLAM |
| Higham, Functions of Matrices | ⭐⭐⭐⭐ | 矩阵函数的数值计算 |
论文¶
| 论文 | 年份 | 内容 |
|---|---|---|
| Gallier--Xu, IJRA 2003 | 2003 | 广义 Rodrigues / Sylvester 公式 |
| Grinberg, Trace Cayley--Hamilton 讲义 | 2025 | 伴随矩阵证明的现代处理 |
本章与后续章节的关系¶
| 后续章节 | 与本章的关系 | 本章哪个知识点为其铺垫 |
|---|---|---|
| A2e（张量积、外代数、行列式） | 补齐 \(\S3\)、\(\S4.2\) 中黑盒化的 \(\det\) 与伴随矩阵 | \(\S3\) 特征多项式、\(\S4\) 伴随矩阵证明 |
| A3（微分几何预备） | \(\S14\) 矩阵指数为 Lie 群指数映射的线性化 | \(\S14\) Rodrigues 公式、\(\S16\) 矩阵对数 |
| A4（抽象代数） | \(\S10'\) 的 PID 结构定理将作正式化复习 | \(\S10'.2\) PID 结构定理 |
| 控制论模块 | \(\S15\) Ackermann、能控/能观标准型 | \(\S9\) 循环子空间、\(\S15\) 极点配置 |
| 数值线性代数模块 | \(\S13.6\) JNF 病态的 Schur 替代 | \(\S13\) 计算算法与数值警告 |
🔧 故障排查手册¶
| 症状 | 可能原因 | 排查步骤 | 相关章节 |
|---|---|---|---|
| 计算 \(m_T\) 得到的多项式不整除 \(p_T\) | 计算错误；\(m_T\) 不是首一的；或 \(p_T\) 计算有误 | 1. 验证 \(m_T(T) = 0\)（代入检验）；2. 验证 \(m_T\) 是首一的；3. 重新计算 \(p_T\) | \(\S2\), \(\S3\), \(\S5\) |
| 构造 Jordan 基时基向量不线性无关 | 核旗升法中补空间选取不当；交换引理使用不当 | 1. 检查核旗的维数是否正确；2. 验证每层的补空间选取；3. 用行列式检验线性无关性 | \(\S8.4\) |
| \(\exp(tA)\) 的计算结果不满足 \(\frac{d}{dt}\exp(tA) = A\exp(tA)\) | Jordan 块大小判断错误导致截断错误；幂零部分的计算有误 | 1. 重新确认 JNF；2. 验证幂零部分 \(N^k = 0\) 的截断位置；3. 对小 \(t\) 数值验证 | \(\S14\) |
| Ackermann 公式计算的增益 \(k^T\) 不能配置目标极点 | 能控性矩阵 \(\mathcal{C}\) 不可逆（系统不能控）；\(\Delta_d(A)\) 计算错误 | 1. 检查 \(\mathrm{rank}(\mathcal{C}) = n\)；2. 重新计算 \(\Delta_d(A)\)（注意 Cayley--Hamilton 截断）；3. 验证闭环 \(A - bk^T\) 的特征值 | \(\S15.3\) |
| Rodrigues 公式计算的旋转矩阵不正交 | \(\hat{\omega}\) 不是反对称的；\(\|\omega\| \neq 1\)；数值误差累积 | 1. 验证 \(\hat{\omega}^T = -\hat{\omega}\)；2. 归一化 \(\omega\)；3. 检查 \(R^T R = I\) 和 \(\det R = 1\) | \(\S14.4\) |
研究实践建议¶
给新手的建议¶
- 先掌握路径 A：直接构造路径（准素分解 + 幂零分类）提供了最强的几何直觉。在真正理解核旗、Jordan 链之前，不要急于学习 \(F[x]\)-模路径
- 大量手算练习：对 \(3 \times 3\) 和 \(4 \times 4\) 矩阵完整执行 JNF 计算——求 \(p_T\)、\(m_T\)、核维数序列、Jordan 基。没有手算经验，理论理解会停留在表面
- 始终连接应用：每学完一个定理，立即思考它在矩阵指数或控制论中的含义。例如：学完 Cayley--Hamilton 后立刻推导 Rodrigues 公式
给有经验者的建议¶
- 深入 \(F[x]\)-模路径：如果已经熟悉路径 A，认真学习路径 B 会获得更统一的代数视角——JNF、RCF、CH、\(m_T \mid p_T\) 都成为同一定理的推论
- 关注数值方面：理论上完美的 JNF 在数值计算中是病态的。研究 pseudo-spectra 和 \(\varepsilon\)-Jordan 形式，理解理论与实践的差距
- 推广到无穷维：本章的全部结果限于有限维。在无穷维 Hilbert 空间上，紧算子的谱定理部分替代了 JNF 的角色，但结构远为复杂
跨章综合练习¶
以下练习需要综合本章和前置章节（A2a 不变子空间、A2c 特征值与 Schur 分解）的知识。
-
(综合：不变子空间 + Jordan 形) 设 \(T: \mathbb{C}^5 \to \mathbb{C}^5\) 的 Jordan 标准形为 \(J_3(1) \oplus J_2(1)\)。列出所有 \(T\)-不变子空间的维数可能取的值，并对每个维数给出一个具体的不变子空间（用 Jordan 基表示）。提示：\(T\)-不变子空间对应 Jordan 块的"前缀"（链的子链）。
-
(综合：Schur 分解 + Jordan 形 + 矩阵指数) 对正规矩阵（\(A^*A = AA^*\)），证明：(a) Jordan 标准形必为对角矩阵（即正规矩阵一定可对角化）；(b) Schur 分解中的上三角矩阵实际上是对角矩阵；(c) \(\exp(tA)\) 的计算可以完全通过特征值完成，无需 Jordan 链。在草稿纸上完成推导。
-
(综合：多项式环 + 控制论) 对二阶系统 \(\dot{x} = \begin{pmatrix} 0 & 1 \\ 0 & 0 \end{pmatrix}x + \begin{pmatrix} 0 \\ 1 \end{pmatrix}u\)（双积分器），使用 \(F[x]\)-模的语言重新表述能控性条件，并说明循环向量与能控性之间的对应关系。
版本信息速查¶
| 工具/库 | 相关函数 | 备注 |
|---|---|---|
| MATLAB | jordan(A), minpoly(A), cdf2rdf |
jordan 是符号计算，需要 Symbolic Math Toolbox |
| SymPy (Python) | Matrix.jordan_form(), Matrix.minimal_polynomial() |
符号计算，精确结果 |
| NumPy/SciPy | scipy.linalg.expm(A), scipy.linalg.schur(A) |
无 JNF 函数——因为数值病态 |
| Eigen (C++) | 无直接 JNF 函数；用 RealSchur 类 |
数值库不提供 JNF |
教材交叉引用表¶
| 主题 | Hoffman--Kunze | Axler 4e | Roman | Friedberg | Horn--Johnson | Lang | Dummit--Foote |
|---|---|---|---|---|---|---|---|
| 极小多项式 | \(\S6.3\) | \(\S5\)E | \(\S7\) | \(\S7.3\) | \(\S3.3\) | XIV.\(\S2\) | \(\S12.2\) |
| 特征多项式 | \(\S5.2\), \(\S6.2\) | \(\S9\)C | \(\S7\) | \(\S5.1\) | \(\S1.2\) | XIV.\(\S3\) | \(\S12.2\) |
| Cayley--Hamilton | \(\S6.3\) | \(\S8\)B | \(\S7\) | \(\S5.4\) | \(\S2.4\) | XIV.\(\S3\) | \(\S12.2\) |
| 准素分解 | \(\S6.8\) | \(\S8\)B | \(\S7\) | \(\S7.3\) | \(\S3.2\) | XIV.\(\S6\) | \(\S12.2\) |
| 广义特征空间 | \(\S6.7\) | \(\S8\)A | \(\S7\) | \(\S7.1\) | \(\S3.1\) | -- | \(\S12.3\) |
| 幂零分类 | \(\S7.3\) | \(\S8\)B | \(\S7\) | \(\S7.2\) | \(\S3.2\) | XIV.\(\S2\) | \(\S12.3\) |
| JNF 存在 | \(\S7.3\) | \(\S8\)D | \(\S8\) | \(\S7.2\) | \(\S3.1\) | XIV.\(\S3\) | \(\S12.3\) |
| JNF 唯一 | \(\S7.3\) | \(\S8\)D | \(\S8\) | \(\S7.2\) | \(\S3.1\) | XIV.\(\S3\) | \(\S12.3\) |
| 有理标准形 | \(\S7.1\)--\(7.2\) | -- | \(\S8\) | \(\S7.4\) | \(\S3.3\) | XIV.\(\S2\) | \(\S12.2\) |
| PID 模定理 | \(\S7.1\) (间接) | -- | \(\S6\) | -- | -- | III.\(\S7\) | \(\S12.1\) |
| 实 Jordan | 习题 | -- | -- | 习题 | \(\S3.4\) | -- | -- |