约当基的基本概念
1.1 线性算子与向量基
在有限维向量空间上，给定线性算子 \(T:V\to V\)，选择一组线性无关向量 \(B=(v_1,\dots,v_n)\) 作为向量基后，算子可用矩阵表示：矩阵的列由 \[ [T]_B=\big([Tv_1]_B,\dots,[Tv_n]_B\big) \] 给出。不同基对应不同的矩阵形式，但它们描述的是同一个线性变换，只是“坐标表达”不同。
1.2 特征值、特征空间与对角化回顾
特征值是满足 \(T-\lambda I\) 不可逆的标量 \(\lambda\)。对应的特征空间 \[ E_\lambda=\ker(T-\lambda I) \] 由所有满足 \(Tv=\lambda v\) 的向量构成。若能找到足够多线性无关的特征向量，使得它们能组成 \(V\) 的一组基，则称 \(T\) 可对角化：在某个基下，\( [T] \) 变为对角矩阵 \(\mathrm{diag}(\lambda_1,\dots,\lambda_n)\)。
1.3 广义特征向量与“向量链”思想
当 \(T\) 不能完全对角化时，仅靠特征空间 \(E_\lambda\) 往往不够“补齐”整个空间。此时引入广义特征向量：对给定特征值 \(\lambda\)，向量 \(v\) 若满足 \[ (T-\lambda I)^k v=0 \] 对某个正整数 \(k\) 成立，则称 \(v\) 属于广义特征空间（或 \(\lambda\)-广义特征空间）。 进一步地，可以把与 \((T-\lambda I)\) 的“迭代作用”相关的关系理解为链：从某个向量开始反复作用 \(T-\lambda I\) 会逐步“下降”，直至落入零空间。约当基的核心就是把这些链组织成一组基，使算子呈现由若干“约当块”拼接出的简明结构。
约当标准形与约当基的对应关系
2.1 约当块（Jordan block）概述
对特征值 \(\lambda\) 和整数 \(m\ge 1\)，阶数为 \(m\) 的约当块可写作 \[ J_m(\lambda)= \begin{pmatrix} \lambda & 1 & 0 & \cdots & 0\\ 0 & \lambda & 1 & \ddots & \vdots\\ \vdots & \ddots & \ddots & \ddots & 0\\ 0 & \cdots & 0 & \lambda & 1\\ 0 & \cdots & \cdots & 0 & \lambda \end{pmatrix}. \] 它的对角线全为 \(\lambda\)，在超对角线出现 1，其余为 0。约当块体现了“非对角化”的最小代价：即使只有一个特征值成分，也可能需要更长的广义特征向量链才能描述其结构。
2.2 约当标准形的分块结构
约当标准形是把整个算子在某个恰当基下写成分块矩阵的结果：每个特征值对应若干个约当块，它们的大小（块阶数）可能不同。于是 \[ [T] = \bigoplus_{\lambda}\ \bigoplus_{\text{若干块}} J_{m}(\lambda), \] 即以块对角方式排列各约当块。不同分块大小的组合刻画了“同一特征值下的几何结构有多复杂”。
2.3 从约当标准形构造约当基的原则
若已知某个基下 \(T\) 的矩阵为约当标准形，则可以反向理解约当基：每个约当块 \(J_m(\lambda)\) 对应一组基向量（通常称为“该块的链”），使得它们在坐标表达下满足特定递推关系。 直观上，基向量要按照链的层级排列：上层向量在施加 \(T\) 后会落回到包含 \(\lambda\) 的“下一层”；链的末端向量则对应满足更强的幂次湮灭条件的广义特征向量。通过这样的对应规则，约当基与约当标准形在构造上互为镜像。
构造方法（理论到步骤）
3.1 广义特征空间分解
先将空间按不同特征值进行分解。对代数闭包情形（例如在复数域上讨论）可将 \[ V=\bigoplus_{\lambda} V_\lambda, \] 其中 \(V_\lambda\) 表示与特征值 \(\lambda\) 相联系的广义特征空间（通常可由 \(\ker(T-\lambda I)^k\) 对足够大 \(k\) 的稳定结果得到）。这种分解把问题“按特征值分治”，因为不同特征值对应的结构不会互相干扰。
3.2 约当链的生成与长度
在每个 \(V_\lambda\) 内，需要进一步构造满足 \((T-\lambda I)\) 链式关系的向量序列。常见做法是从较高幂次的核中取出向量，再通过 \(T-\lambda I\) 的作用把它们“拉”到较低层级。 链的长度与约当块的大小一致：若存在长度为 \(m\) 的链，使得 \((T-\lambda I)^{m}v=0\) 但 \((T-\lambda I)^{m-1}v\neq 0\)，则可以把这部分链对应到阶数为 \(m\) 的约当块。
3.3 从链到基：如何选取约当基向量
当每条链确定后，一般把链中的向量按顺序排列成一组基向量。对同一约当块，可取向量 \[ v_m,\ v_{m-1},\ \dots,\ v_1 \] 使得它们满足类似 \[ (T-\lambda I)v_{i}=v_{i-1},\quad i=2,\dots,m, \] 并令 \(v_1\) 位于 \(\ker(T-\lambda I)\) 中。这样排列后，在由这些向量构成的坐标系下，算子对应该约当块的矩阵形式。 为了得到完整约当基，需要在所有特征值、所有链之间拼接，并确保整体向量组线性无关；这通常通过对核的维数递增、以及对链的独立选择来完成。
3.4 典型构造流程示例（概念性）
概念性流程可概括为：
- 确定目标线性算子 \(T\) 的特征值，并在合适域上讨论其代数闭包环境下的情形；
- 对每个 \(\lambda\)，考虑 \(\ker(T-\lambda I)^k\) 随 \(k\) 增大的稳定结构；
- 根据核之间的差异从新出现的部分中选取向量，逐级形成链；
- 将链按对应约当块的大小组织成向量序列；
- 对所有特征值的链进行并联排列，得到约当基；在该基下矩阵必与约当标准形一致。
性质与应用
4.1 约当基下算子的矩阵表示
在约当基下，\(T\) 的矩阵呈现块对角形式，每个块对应某个约当块 \(J_m(\lambda)\)。这使得许多原本需要全局处理的性质，转化为分别考察每个约当块的行为，再对块求组合结果。
4.2 幂与多项式作用的简化（A^k 等）
由于约当块结构高度规则，计算 \(J_m(\lambda)^k\) 或一般多项式 \(p(J_m(\lambda))\) 往往比直接对原矩阵求幂更容易。其原因在于 \(J_m(\lambda)\) 可以看作 \(\lambda I\) 与一个“幂零部分”之和：令 \[ J_m(\lambda)=\lambda I+N,\quad N=\text{上超对角线为1，其余为0的幂零矩阵}, \] 则 \(N^m=0\)。因此对幂次或多项式，可用二项式展开并在有限层数处截断。对一般 \(T\)，在约当基下该计算对每个块独立进行。
4.3 矩阵函数：指数函数与可计算性
矩阵函数（例如指数函数 \(e^A\)）在约当基下可同样分块处理：先在每个约当块上求 \(e^{J_m(\lambda)}\)。由于块内的幂零部分会在有限阶处消失，指数函数可化为有限求和形式乘以 \(e^\lambda\) 的因子，从而获得可操作的闭式表达。 因此，若能将问题转化为对约当块计算，许多矩阵函数的性质（如存在性、表达式结构、计算复杂度）会变得清晰。
4.4 最小多项式、特征多项式与指标的关系
约当结构与多项式不变量之间联系紧密：
- 特征多项式决定了每个特征值出现的代数重数；
- 最小多项式由约当块的最大尺寸决定：对每个特征值 \(\lambda\)，\((T-\lambda I)\) 的最高幂次在最小多项式中给出相应“必要次数”；
- “指标”（通常指最小多项式中 \((x-\lambda)\) 的幂次上限）体现了该特征值对应的最大约当块阶数。
因此，约当基不仅给出形状，也直接对应这些代数量。
4.5 可对角化判别：与约当块大小的联系
可对角化性可由约当块直接判定：若且唯若所有约当块都为 1 阶（即没有更高阶的非平凡块），则在约当基下矩阵退化为对角形式。换言之，约当块大小是“是否需要广义特征向量链补足”的度量：块越大，偏离对角化越明显。
与相关概念的比较
5.1 与特征基、对角化基的区别
特征基（由特征向量组成）对应的是可对角化情形下的特殊基；对角化基进一步要求在该基下矩阵为对角矩阵。约当基则更普遍：即便算子不可对角化，它仍可通过广义特征向量链构造出使矩阵呈现约当块分块形式的基。两者可以视为“同一组织思想在不同复杂度下的表现”。
5.2 与Schur分解/三角形结构的联系（一般比较）
Schur分解在复数域上保证存在单位ary陪伴下的上三角矩阵结构，而约当标准形提供更精细的“块结构”，将上三角中对角线相同的部分再拆解成约当块。两者都能看见特征值信息，但约当结构额外刻画了“非对角化的幂零细节”，因此在需要理解幂次、指数函数或最小多项式幂次时更有针对性。
5.3 与凯莱-哈密顿定理的结合理解
凯莱-哈密顿定理说明任何方阵都满足其特征多项式。约当分解把“满足条件的具体机制”讲得更具体：对每个特征值的约当块，\((T-\lambda I)\) 的幂零部分在有限阶会消失，从而特征多项式如何“将矩阵归零”可以在块层面直观追踪。约当基因此常被用来理解为什么最小多项式相关的次数可以小于特征多项式，并与最大约当块尺寸一致。
例子与直观理解
6.1 二阶与三阶方阵的约当基示意
对二阶情形，若矩阵只有一个特征值 \(\lambda\) 且不可对角化，则常见情形是存在 2 阶约当块 \(J_2(\lambda)\)。此时需要一个特征向量 \(v_1\in \ker(T-\lambda I)\)，再找到与之对应的广义特征向量 \(v_2\) 使得 \((T-\lambda I)v_2=v_1\)。约当基因此由 \((v_1,v_2)\) 组成。 三阶情形类似：若出现单个 3 阶约当块，则需要链长度为 3 的广义特征向量链；若 3 分解成 2+1，则对应 2 阶与 1 阶约当块并联，基由对应两段链拼接而成。
6.2 单个约当块的完整构造
设在某个子空间上 \(T\) 的结构等价于 \(J_m(\lambda)\)。则可选取链 \[ (T-\lambda I)v_1=0,\quad (T-\lambda I)v_2=v_1,\ \dots,\ (T-\lambda I)v_m=v_{m-1}. \] 将 \((v_1,\dots,v_m)\) 作为约当基向量的排列后，\(T\) 在该基下的矩阵恰为 \(J_m(\lambda)\)。这展示了约当基如何把“链关系”直接编码进矩阵的非对角线 1 的位置。
6.3 多个特征值情形的拼接方法
当存在多个特征值 \(\lambda,\mu,\dots\) 时，可先分别在各自广义特征空间内构造约当基链。由于不同特征值对应的广义特征空间可做直和分解，拼接这些基向量不会破坏线性无关性（在标准约当构造逻辑下可确保总体构成基）。最终得到的约当基使整体矩阵呈现按特征值分组的块对角约当标准形。
注意事项与常见误区
7.1 场与代数闭包条件（何时保证存在）
约当标准形与约当基通常要求在足够“包含特征值”的标量域上讨论。例如，在复数域上可保证特征多项式分解，从而约当分解能完整展开；若在实数域上，某些特征值可能需要扩域才能体现为线性因子，约当结构会随之变得不直接。实际表述中常强调“在代数闭包上存在”，再讨论如何回到原域。
7.2 约当基的不唯一性
约当标准形所对应的分块大小组合具有不变量含义，但具体约当基向量的选择并不唯一。即使约当块划分固定，不同的链选取方式或基向量缩放、以及链内部向量的重新排列，都可能得到不同但等价的约当基。因而在计算中常见现象是“矩阵形式一致，但基向量表达不同”。
7.3 链长度与广义特征向量阶数的混淆
链长度与“使向量被 \((T-\lambda I)^k\) 湮灭所需的最小 \(k\)”相关。常见误区是把“某个 \(k\) 使其为零”误当成“最短链长度”。只有在确认最小指数（或对应的层级差异）后，才能正确判断对应约当块的大小。
7.4 计算中符号与方向的易错点
链的方向（从上到下或从下到上）在递推关系中会影响向量排列的顺序，从而导致约当基下矩阵中超对角线 1 的位置与约定相差一个“坐标约定”。因此在写出 \((T-\lambda I)v_i=v_{i-1}\) 的关系时，应保持与向量排列顺序一致，避免因为记号约定不同而产生看似矛盾的结果。