1 基本概念
1.1 定义
特征子空间是线性代数中用来描述线性变换或矩阵在某个特征值下全部“特征方向”的集合。它通常由该特征值对应的所有特征向量以及零向量组成，并且天然具有子空间结构。对于每一个特征值，都可以对应一个特征子空间，它反映了线性对象在该方向族上的作用方式。
1.1.1 线性变换下的特征子空间
设线性变换为 \(T:V\to V\)，若 \(\lambda\) 是 \(T\) 的一个特征值，则与 \(\lambda\) 对应的特征子空间定义为所有满足 \(T(v)=\lambda v\) 的向量 \(v\) 所构成的集合，再加上零向量。这个集合实际上就是 \(T-\lambda I\) 的核，因此也是一个线性子空间。
1.1.2 矩阵对应的特征子空间
对于方阵 \(A\)，若 \(\lambda\) 为其特征值，则 \(\lambda\) 的特征子空间是方程 \((A-\lambda I)x=0\) 的全部解所组成的集合。这里的 \(I\) 表示同阶单位矩阵。该空间刻画了矩阵作用下保持方向不变、仅作伸缩的向量集合。
1.2 相关概念
特征子空间与特征值、特征向量之间存在直接对应关系，同时也可从零空间或核的角度理解。它们共同构成了研究线性变换的重要基础。
1.2.1 特征值
特征值是线性变换或矩阵在某些非零向量方向上仅表现为倍数伸缩时的伸缩因子。若 \(T(v)=\lambda v\) 对某个非零向量 \(v\) 成立，则 \(\lambda\) 就是特征值。每个特征子空间都与一个特征值一一对应。
1.2.2 特征向量
特征向量是满足 \(T(v)=\lambda v\) 的非零向量。它们是特征子空间中的基本元素。特征子空间中除了零向量以外的向量，都是该特征值的特征向量。
1.2.3 零空间与核
从线性代数的统一视角看，特征子空间就是线性映射 \(T-\lambda I\) 的零空间，也称核。这个观点把特征子空间问题转化为求解齐次线性方程组问题，便于理论分析和具体计算。
1.3 记号与表示
特征子空间常用简洁的符号表示，其本质都是某个线性算子的核空间。不同教材的写法略有差别，但含义基本一致。
1.3.1 常用符号
常见记号包括 \(E_\lambda\)、\(V_\lambda\)、\(\ker(T-\lambda I)\) 或 \(\ker(A-\lambda I)\)。其中前两种多用于抽象线性变换，后两种更常见于矩阵情形。
1.3.2 子空间的生成方式
特征子空间可以由一组特征向量生成。若求得一组基向量 \(v_1,\dots,v_k\)，则该特征子空间就是这些向量所有线性组合构成的集合。因而它既可由方程定义，也可由生成元来描述。
2 性质
2.1 子空间结构
特征子空间不是散乱的向量集合，而是一个完整的线性子空间，因而具有加法和数乘稳定性。这个性质使它可以用线性代数的标准工具进行研究。
2.1.1 封闭性
若 \(u\) 和 \(v\) 都属于某个特征子空间，则它们的和仍属于该子空间；若 \(u\) 属于该子空间，且 \(c\) 是标量，则 \(cu\) 也仍在其中。原因在于 \(T-\lambda I\) 是线性映射，核自然封闭。
2.1.2 维数性质
特征子空间的维数称为该特征值的几何重数。它至少为 1，因为一旦 \(\lambda\) 是特征值，就必然存在非零特征向量。维数的大小反映了该特征值对应的独立特征方向有多少。
2.2 与特征方程的关系
特征子空间的求法本质上依赖于特征方程所导出的齐次系统。也就是说，特征值先由特征方程确定，再通过代入线性方程组求得对应空间。
2.2.1 齐次线性方程组表示
对矩阵 \(A\) 而言，特征子空间等价于 \((A-\lambda I)x=0\) 的解集。这是一个齐次线性方程组，解空间就是该特征值对应的全部特征向量与零向量构成的集合。
2.2.2 解空间解释
从几何角度看，特征子空间是某个线性条件下的全部可行方向。它并不是单一向量，而是一个向量族。只要满足同一特征方程，这些向量就都位于同一个子空间中。
2.3 与线性算子的作用
特征子空间揭示了线性算子在特定方向上的简化行为。在线性变换的整体作用中，它提供了一块“可分离”的结构单元。
2.3.1 不变子空间
特征子空间在对应线性算子作用下保持不变。若 \(v\in E_\lambda\)，则 \(T(v)=\lambda v\) 仍属于同一空间，因此该子空间是一个不变子空间。
2.3.2 伸缩作用
在线性算子限制到特征子空间后，其作用仅表现为按特征值倍数伸缩，而不会改变向量所在方向族。这也是特征子空间最重要的直观意义。
3 计算方法
3.1 求特征值
计算特征子空间之前，通常先确定特征值。特征值的求解是整个过程的起点。
3.1.1 特征多项式
特征值由特征多项式 \(\det(A-\lambda I)=0\) 的根给出。求出该多项式后，解其方程即可得到矩阵或线性变换的全部特征值。
3.1.2 代数重数
某个特征值在特征多项式中作为根出现的次数，称为代数重数。它是描述特征值重复程度的重要指标，也常与特征子空间维数一起分析。
3.2 求特征子空间
确定特征值后，下一步是求对应的零空间。这一步直接给出特征子空间的基和维数。
3.2.1 构造矩阵 A-λI
将特征值 \(\lambda\) 代入，构造矩阵 \(A-\lambda I\)。这个矩阵反映了“偏离特征值后的线性变化”，其核正是所求的特征子空间。
3.2.2 求零空间
通过行变换或其他线性方程求解方法，解出 \((A-\lambda I)x=0\) 的全部解。所得解集就是特征子空间。
3.2.3 基与维数
将解集写成参数形式后，可以提取出一组线性无关向量作为基。基向量的个数即为该特征子空间的维数，也就是几何重数。
3.3 典型计算示例
典型例子有助于理解特征子空间的具体求法。不同阶数矩阵的计算流程相同，但结果结构可能差异明显。
3.3.1 2×2矩阵示例
对 \(A=\begin{pmatrix}2&0\\0&3\end{pmatrix}\) 而言，特征值为 2 和 3。对应的特征子空间分别是所有形如 \((x,0)^T\) 与 \((0,y)^T\) 的向量集合，前者由第一坐标轴张成，后者由第二坐标轴张成。
3.3.2 3×3矩阵示例
对 \(A=\begin{pmatrix}1&1&0\\0&1&0\\0&0&2\end{pmatrix}\) 而言，特征值为 1 和 2。求解 \((A-I)x=0\) 得到一个低维子空间，而 \((A-2I)x=0\) 则给出另一条特征方向。该例展示了不同特征值对应子空间维数可能不同。
4 结构关系
4.1 几何重数
几何重数描述的是某个特征值对应的特征子空间大小，是分析矩阵结构的重要量。
4.1.1 定义与比较
几何重数等于特征子空间的维数，而代数重数则来自特征多项式。前者关注线性独立的特征向量数量，后者关注特征值在代数上出现的频率。
4.1.2 与代数重数的关系
对于任意特征值，几何重数不超过代数重数。这一关系在判断矩阵是否可对角化时十分关键。若某特征值的几何重数小于代数重数，往往意味着结构存在更复杂的块状成分。
4.2 特征子空间分解
特征子空间之间具有良好的相互关系，不同特征值对应的空间往往可组合成更大的直和结构。
4.2.1 不同特征值对应子空间的直和
当特征值彼此不同，它们对应的特征子空间通常只有零向量交集。因而多个特征子空间的和可以构成直和分解，为向量空间的分解提供基础。
4.2.2 对角化条件
若一个线性算子拥有足够多的线性无关特征向量，使各特征子空间的维数之和等于空间维数，则该算子可对角化。此时整个空间可由特征子空间拼接而成。
4.3 广义特征子空间
当普通特征子空间不足以完全描述线性算子时，就需要引入广义特征子空间。它扩展了“特征向量”的概念，以适应更复杂的矩阵结构。
4.3.1 广义特征向量
若向量 \(v\) 满足 \((T-\lambda I)^k v=0\) 对某个正整数 \(k\) 成立，则称为与 \(\lambda\) 相关的广义特征向量。普通特征向量是其中 \(k=1\) 的特殊情形。
4.3.2 Jordan 标准形中的作用
广义特征子空间是 Jordan 标准形分解的核心组成部分。它把矩阵按特征值分成若干块，每一块内部可能对应若干个相连的 Jordan 链，从而揭示矩阵更细致的结构。
5 理论应用
5.1 对角化
特征子空间是对角化理论中最核心的对象之一。它决定了矩阵能否被化为对角形式，以及对角化后的基如何选取。
5.1.1 可对角化判定
若一个矩阵的特征向量能组成一组基，则矩阵可对角化。等价地说，各特征子空间提供的独立向量总数足够多时，就能实现对角化。
5.1.2 特征向量基
构造由特征向量组成的基后，线性变换在该基下的表示矩阵是对角矩阵。每个对角元就是对应特征值，特征子空间则决定了这些基向量的来源。
5.2 谱理论基础
在更广泛的线性算子理论中，特征子空间是谱分解的重要组成部分。它帮助把复杂算子拆解成较简单的部分。
5.2.1 线性算子的谱分解
谱分解思想将算子分解为若干与不同特征值相关的部分。特征子空间提供了每一部分的具体承载空间，使算子的结构更清晰。
5.2.2 厄米特算子与正交分解
在内积空间中，特别是厄米特算子情形，不同特征值的特征子空间彼此正交。这一性质使得空间分解更加规整，也便于数值计算与理论证明。
5.3 微分方程与动力系统
特征子空间不仅是抽象代数概念，也广泛出现在线性微分方程和迭代系统中。
5.3.1 线性常系数方程
线性常系数微分方程组的解常可通过特征值和特征向量来表示。特征子空间决定了系统在某些基本模式下的演化方式。
5.3.2 离散迭代系统
在离散线性系统中，矩阵反复作用于向量时，特征子空间上的分量会按特征值对应的倍数规律演化。因此，它能直接描述系统的增长、衰减或稳定趋势。
5.4 数据分析与工程应用
特征子空间在现代应用数学中也十分常见，常作为降维、模态识别和结构分析的理论基础。
5.4.1 主成分分析中的相关思想
主成分分析的核心思路与特征分解密切相关。协方差矩阵的特征向量方向对应主要变化方向，而相关特征子空间则反映数据的主要结构分量。
5.4.2 模态分析
在工程中，结构振动和系统响应常通过模态分析研究。特征子空间对应的模态向量能够揭示系统的固有运动方式，从而帮助理解复杂振动行为。
6 常见误区
6.1 将特征子空间与单个特征向量混淆
特征子空间不是某一个特征向量本身，而是所有属于同一特征值的特征向量及零向量构成的整体。单个向量只是这个空间中的一个元素。
6.2 忽视零向量的包含
严格来说，特征子空间必须包含零向量，才能成为子空间。虽然零向量不是特征向量，但它属于特征子空间。
6.3 混淆特征子空间与广义特征子空间
特征子空间要求向量直接满足 \(T(v)=\lambda v\)；广义特征子空间则允许某个高次幂下才归零。二者不应混为一谈，后者通常更大。
6.4 误判不同特征值的子空间关系
不同特征值对应的特征子空间一般只有零向量交集，不应误认为它们完全重合或相互包含。它们可以共同生成更大的空间，但彼此作为子空间时是分离的。
7 扩展主题
7.1 无限维线性空间中的特征子空间
在无限维线性空间中，特征子空间的概念仍然成立，但相关性质更为复杂。此时往往需要结合算子理论来研究。
7.1.1 有界线性算子
对有界线性算子，可以定义对应特征值的特征子空间为 \(\ker(T-\lambda I)\)。这一定义与有限维情形形式一致，但谱的结构可能更丰富。
7.1.2 紧算子情形
对于紧算子，非零特征值常具有较好的离散性，且相关特征子空间常能提供分解信息。它们在积分方程和函数分析中占有重要地位。
7.2 复数域与实数域差异
特征子空间的具体形态会因底域不同而改变。尤其在实数域上，某些在复数域中存在的特征值和特征向量未必能直接出现。
7.2.1 实特征值与复特征值
在实数域中，矩阵可能没有实特征值；而扩展到复数域后，通常可以获得更多特征值与对应特征子空间。底域的改变会影响分解方式。
7.2.2 共轭特征对
当矩阵元素为实数时，复特征值通常成共轭对出现。相应的特征子空间也会呈现对称关系，这在复数域分析和实数域应用之间建立了桥梁。
7.3 与其他代数结构的类比
特征子空间的思想并不局限于线性代数，还可在更一般的代数结构中找到类比对象。
7.3.1 模论中的相应概念
在模论中，可以把“被某个元素作用后只差一个倍数”的对象视为类似特征空间的结构。虽然术语不同，但核心思想都是研究作用下的不变部分。
7.3.2 不变子模讨论
在环和模的框架下，不变子模可以类比特征子空间的角色。它们都是描述代数对象在某种作用下保持封闭的子结构。