特征向量计算器

特征向量是被矩阵「只拉伸不转向」的特殊方向：Av = λv。求法两步：① 特征方程 det(A−λI) = 0 解出 λ；② 每个 λ 回代 (A−λI)v = 0 解出 v。

[[2,1],[1,2]] 的特征值：λ² − 4λ + 3 = 0 → λ=3、λ=1；对应特征向量 (1,1) 与 (1,−1)——矩阵沿对角线方向拉伸 3 倍，沿反对角线方向不动。特征分解揭示了矩阵的「主轴」。

特征向量是线性变换下「方向不变」的特殊向量：Av=λv——矩阵作用在它身上只改变长度（拉伸 λ 倍），不改变方向。一般的向量会被 A 又旋转又拉伸，唯有特征向量保持航向。从这个角度看，特征分解就是把一个复杂变换拆解为若干独立方向上的纯缩放——在特征基底下，矩阵变成对角阵，一切都简单了。

求解分两步：先解特征方程 det(A−λI)=0 得到特征值（n 阶矩阵给出 n 次多项式，故恰有 n 个复特征值计重数），再对每个 λ 解齐次方程组 (A−λI)v=0 得到特征向量（零空间中的非零向量）。2×2 情形的特征方程简化为 λ²−tr(A)λ+det(A)=0，迹与行列式两个不变量直接决定特征值。注意：特征向量乘以任何非零常数仍是特征向量——特征向量是「方向」而非具体向量。

特征概念的影响力远超数学课堂：Google 的 PageRank 本质是万维网链接矩阵的主特征向量（「重要页面被重要页面引用」的自洽定义）；PCA 用协方差矩阵的特征向量找数据的主要变异方向；振动系统的特征值给出固有频率（塔科马大桥的灾难就是激励频率撞上固有频率）；量子力学中测量值就是算符的特征值。「特征」（eigen，德语「自身的」）一词完美概括了它的本质——系统的固有属性。

特征向量的一个重要性质：不同特征值对应的特征向量线性无关。这意味着 n 个不同特征值的 n×n 矩阵一定有 n 个线性无关的特征向量——它们构成一组基，在这组基下矩阵表现为对角矩阵（对角元素即特征值）。这个过程叫做对角化，是理解矩阵幂和矩阵函数的核心。

多重重根的子空间：当特征多项式有重根时，代数重数（重根次数）可能与几何重数（线性无关特征向量的个数）不相等。如果几何重数小于代数重数，矩阵不可对角化——此时需要广义特征向量和若尔当标准形。这在控制理论的状态空间表示中有实际意义：不可对角化意味着系统存在耦合模态。

大规模特征向量计算使用幂迭代法：随机初始化一个向量，反复左乘矩阵并归一化，只要初始向量不垂直于主特征方向，它就会收敛到主特征向量。收敛速度由 |λ₂/λ₁| 决定——比值越接近 1 收敛越慢。反幂迭代结合位移（减去 μI 再求逆）可以收敛到任意指定点附近的特征向量。