LAX64 Notes

3.1 特征值与特征向量（基础理论与谱映射）

题型 1：利用定义式 $Ax = \lambda x$ 求解未知参数或特定元素
- 识别特征：已知矩阵部分元素含参（如主对角线全为 0 的实对称矩阵），且已知某特征值与其对应的特征向量。
- 核心破局：$\color{#2563EB}{\text{直接建立方程组 } ( \lambda E - A)x = 0}$，通过向量分量对应相等列式解未知数，切忌盲目求特征多项式 $|\lambda E - A| = 0$。
- 讲义出处：3.1 例 1
题型 2：矩阵多项式/函数式求特征值、行列式与迹 $\text{tr}(A)$
- 识别特征：已知 $A$ 的特征值，求 $B = f(A)$（如 $B = A(E - A)^{-1}$）的迹、行列式或特征值分布。
- 核心破局：利用谱映射定理 $\lambda_{f(A)} = f(\lambda_A)$，计算各特征值后，直接利用 $\color{#D9383A}{\text{tr}(B) = \sum \lambda_i}$ 与 $\color{#D9383A}{|B| = \prod \lambda_i}$。
- 讲义出处：3.1 例 2
题型 3：相关矩阵特征向量的继承性与反向推导真伪判断
- 识别特征：选择题考查“若 $x$ 是某相关矩阵的特征向量，则 $x$ 是否必为 $A$ 的特征向量”。
- 核心破局：
  - 正向全成立：$A$ 的特征向量必为 $A^k, f(A), A^*, A^{-1}$ 的特征向量。
  - $\color{#B45309}{\text{反向两限制}}$：$A^*$ 反推 $A$、以及 $A^k$ 反推 $A$ $\color{#D9383A}{\text{必须附加 } |A| \ne 0}$；转置矩阵 $A^T$ 特征向量与 $A$ 一般不同。
- 讲义出处：3.1 例 3

3.2 秩为 1 矩阵专题（$A = \alpha \beta^T$ 体系）

题型 4：秩 1 矩阵的高次幂 $A^n$ 计算
- 识别特征：各行（列）成比例的矩阵，求 $A^n$。
- 核心破局：分解为一列乘一行 $A = \alpha \beta^T$，计算内积标量 $L = \beta^T \alpha = \text{tr}(A)$，应用公式 $\color{#D9383A}{A^n = L^{n-1} A}$。
- 讲义出处：3.2 例 1(1)
题型 5：秩 1 扰动矩阵 $(cE + \alpha \beta^T)$ 的可逆性判定与求逆
- 识别特征：求形如 $E + \alpha \beta^T$ 的抽象或数值矩阵的逆矩阵。
- 核心破局：
  - 可逆判定：其特征值为 $1 + \beta^T \alpha$ 及 $n-1$ 个 $1$，全非零即刻判定可逆。
  - 求逆算法：$\color{#2563EB}{\text{平方配凑法}}$ $(A - E)^2 = L(A - E)$ 展开提取 $A(\dots) = E$；或待定系数设 $A^{-1} = E + k \alpha \beta^T$。
- 讲义出处：3.2 例 1(2)
题型 6：秩 1 矩阵及其平移阵的特征值与特征向量极速写出
- 识别特征：求成比例矩阵 $A$ 及 $B = A + cE$ 的特征值与特征向量。
- 核心破局：
  - $\lambda = \text{tr}(A)$ 对应的特征向量直接取列向量 $\alpha$（或 $A$ 的任意非零列）。
  - $\lambda = 0$（$n-1$ 重根）解齐次方程 $Ax = 0$ 找 $n-1$ 个线性无关解。
  - $B = A + cE$ 的特征向量与 $A$ 完全共用，特征值整体平移 $+c$。
- 讲义出处：3.2 例 3
题型 7：利用秩 1 扰动阵可逆性化简矩阵秩求参数
- 识别特征：给出含参矩阵 $A$ 与未知向量 $\alpha$，已知 $r(A(\alpha\alpha^T + E)) = 2$，求参数。
- 核心破局：利用 $\alpha^T \alpha \ge 0 \implies \alpha\alpha^T + E$ 的特征值全大于 0 $\implies$ 扰动阵必满秩可逆，利用乘可逆阵不改变秩化简为 $\color{#2563EB}{r(A) = 2}$，再令 $|A| = 0$ 求解。
- 讲义出处：3.2 例 4
题型 8：线性组合型秩 1 结构极值特征值归属判断
- 识别特征：形如 $A = 2\beta \alpha^T + 7E$，求最小特征值及其特征向量。
- 核心破局：区分左列右行：$\beta\alpha^T$ 对应非零特征值 $\alpha^T \beta$ 的特征向量是左侧列向量 $\beta$（而非 $\alpha$）。
- 讲义出处：3.2 例 5

3.3 矩阵相似对角化（判定、性质与应用）

题型 9：幂等矩阵（$A^2 = A$）的对角化与行列式计算
- 识别特征：条件给出 $A^2 = A$ 且已知 $r(A)$，求 $|cE - A|$。
- 核心破局：由 $r(A) + r(A - E) = n$ 证其必可对角化；非零特征值 1 的个数恰好为 $r(A)$，零特征值个数为 $n - r(A)$，进而写出谱写行列式。
- 讲义出处：3.3 例 1
题型 10：伴随矩阵相似对角化与特征基重排计算
- 识别特征：已知 $P^{-1}AP = \Lambda$，求 $Q^{-1}A^*Q$（其中 $Q$ 的列由 $P$ 的列线性组合或调换顺序构成）。
- 核心破局：找到 $Q$ 的各列是 $A$ 的属于哪个特征值的特征向量；利用 $\lambda_{A^*} = \frac{|A|}{\lambda_A}$ 严密匹配对应位置上的对角元。
- 讲义出处：3.3 例 2
题型 11：混淆特征向量组合下的矩阵乘积计算
- 识别特征：$Q$ 的列向量混入了不同特征值的特征向量，求 $Q^{-1}AQ$（结果非对角阵）。
- 核心破局：利用基变换过渡矩阵设 $\color{#2563EB}{Q = PC}$，转化为计算 $C^{-1}(P^{-1}AP)C = C^{-1}\Lambda C$。
- 讲义出处：3.3 例 3
题型 12：数值矩阵是否可相似对角化的快速排查
- 识别特征：选择题判断 4 个具体矩阵谁不可相似对角化。
- 核心破局：
  1. 实对称矩阵 $\implies$ 必可对角化；
  2. 特征值全互异 $\implies$ 必可对角化；
  3. 秩为 1 且 $\text{tr}(A) \ne 0 \implies$ 必可对角化；
  4. 三角矩阵含重根 $\implies$ 算 $n - r(\lambda_0 E - A)$ 是否等于代数重数。
- 讲义出处：3.3 例 4
题型 13：抽象命题的“充分/必要/充要”条件深度辨析
- 识别特征：给出多个抽象条件，判断哪些是 $A \sim \Lambda$ 的充分不必要条件。
- 核心破局：
  - 充要：每个特征值的几何重数等于代数重数；
  - 充分不必要：$n$ 个互异特征值、无重根多项式零点 $(A - aE)(A - bE) = 0$（$a \ne b$）；
  - $\color{#B45309}{\text{不充分反例}}$：“两两线性无关”（太弱）、$A^k$ 可对角化（幂零反例）。
- 讲义出处：3.3 例 5
题型 14：数列递推方程构造转移矩阵与 $A^n$ 求解
- 识别特征：给出变量耦合的数列递推式 $X_n, Y_n, Z_n$，求通项。
- 核心破局：写出 $\alpha_n = A \alpha_{n-1}$ 中的系数矩阵 $A$；对角化求 $A = P\Lambda P^{-1} \implies A^n = P\Lambda^n P^{-1}$；通项由 $\alpha_n = A^n \alpha_0$ 矩阵向量乘积求出。
- 讲义出处：3.3 例 6

3.4 矩阵相似（一般相似 $A \sim B$ 判定与算法）

题型 15：利用相似必要条件链联立求待定参数
- 识别特征：已知 $A \sim B$（$B$ 为对角阵或已知矩阵），含参数 $a, b$。
- 核心破局：
  1. 先算最简单的 $\text{tr}(A) = \text{tr}(B)$；
  2. 再算 $|A| = |B|$；
  3. 若方程重合，动用特征多项式/特征值对应；
  4. $\color{#D9383A}{\text{终极杀手锏}}$：对重根特征值比对 $r(\lambda_0 E - A) = r(\lambda_0 E - B)$。
- 讲义出处：3.4 例 1
题型 16：抽象列向量变换关系转化为矩阵相似关系
- 识别特征：给出 $A\alpha_1, A\alpha_2, A\alpha_3$ 与 $\alpha_1, \alpha_2, \alpha_3$ 的复杂线性表示式，求 $|A^{-1} + E|$。
- 核心破局：拼块写成 $A P = P B$（其中 $P = (\alpha_1, \alpha_2, \alpha_3)$ 线性无关故可逆），立即推出 $A \sim B$，将抽象运算转移至已知数字矩阵 $B$ 上求解。
- 讲义出处：3.4 例 2
题型 17：借助可对角化性质极速判定相似矩阵函数的秩
- 识别特征：已知 $A$ 的特征值，求形如 $r((A - E)(A - 2E)(A - 3E))$ 或 $r(B - cE)$ 的秩。
- 核心破局：$\color{#2563EB}{\text{若矩阵可对角化，其秩恒等于非零特征值的个数}}$。直接通过代数谱映射列出特征值，数非零个数秒杀，无需做矩阵乘法与初等变换。
- 讲义出处：3.4 例 3、例 4
题型 18：选择题中相似矩阵的“特征矩阵秩”排除法
- 识别特征：四个选项矩阵的迹、行列式、特征值均与原矩阵完全相同。
- 核心破局：计算特征矩阵的秩 $r(\lambda_0 E - M)$，只要该秩与待选选项不相等，一票否决。
- 讲义出处：3.4 例 5
题型 19：抽象矩阵相似性质运算推导（伴随/转置/分块）
- 识别特征：已知 $A \sim B$，判断 $AB \sim BA$、$A + A^* \sim B + B^*$、$A^T + A \sim B^T + B$ 的正确性。
- 核心破局：
  - 若所使用的相似过渡矩阵 $P$ 相同，则可加可减（如 $A$ 与 $A^*$ 使用同一 $P$ 即可相加）；
  - 若使用的过渡矩阵不同（如 $A^T$ 使用的是 $(P^T)^{-1}$），则 $\color{#B45309}{\text{不可直接叠加}}$；
  - 分块对角矩阵由子块分别相似可拼接大矩阵相似。
- 讲义出处：3.4 例 6
题型 20：两个特殊矩阵相似的规范证明大题
- 识别特征：证明元素全为 1 的矩阵 $A$ 与特定上三角矩阵 $B$ 相似。
- 核心破局：以共同对角矩阵 $\Lambda$ 为桥梁，分别证明 $A \sim \Lambda$ 且 $B \sim \Lambda$，由传递性得出 $A \sim B$（规范书写重根几何重数推导）。
- 讲义出处：3.4 例 7
题型 21：抽象 2 阶多项式条件的相似对角化证明
- 识别特征：已知 $A^2\alpha + A\alpha - 6\alpha = 0$，$\alpha$ 非特征向量，判断 $A$ 是否可对角化。
- 核心破局：构造 $P = (\alpha, A\alpha)$ 证明其可逆；展开 $AP = PB$ 得具体数字矩阵 $B = \begin{pmatrix} 0 & 6 \\ 1 & -1 \end{pmatrix}$；解 $B$ 的互异特征值证 $B \sim \Lambda$，由传递性得 $A \sim \Lambda$。
- 讲义出处：3.4 例 8
题型 22：相似过渡矩阵 $P$ 的“流程图闭环求解”
- 识别特征：已知 $A \sim A^T$ 或 $A \sim B$，求具体可逆矩阵 $P$ 使得 $P^{-1}AP = A^T$。
- 核心破局：
  1. 先求 $A$ 的特征向量拼成 $P_1$ 使 $P_1^{-1}AP_1 = \Lambda$；
  2. 转置得 $(P_1^T) A^T (P_1^T)^{-1} = \Lambda \implies A^T \xrightarrow{P_1^T} \Lambda$；
  3. 拼流程图：$A \xrightarrow{P_1} \Lambda \xrightarrow{P_1^T} A^T \implies \color{#D9383A}{P = P_1 P_1^T}$。
- 讲义出处：3.4 例 9

3.5 正交矩阵与实对称矩阵

题型 23：正交矩阵的基础性质与代数方程综合
- 识别特征：已知 $Q$ 正交且特征值全为正数，结合伴随矩阵、转置判断命题。
- 核心破局：利用正交阵特征值必为 $\pm 1 \implies$ 全为 $1 \implies Q = E$；利用 $Q^{-1} = Q^T$ 与 $A^* = |A|A^{-1}$ 联立。
- 讲义出处：3.5(1) 例 1
题型 24：多项式条件结合实对称性反推矩阵形式
- 识别特征：实对称矩阵满足 $A^3 + A^2 + A - 3E = O$，求证 $A = E$。
- 核心破局：多项式分解得实根与共轭虚根；$\color{#2563EB}{\text{实对称矩阵特征值必全为实数}}$，舍去虚根锁定特征值全为 1；必可正交对角化推导 $A = Q E Q^T = E$。
- 讲义出处：3.5(1) 例 2、例 5
题型 25：由特征向量两两正交逆判矩阵为实对称矩阵
- 识别特征：已知 3 阶矩阵的 3 个特征向量两两正交，判断矩阵属性。
- 核心破局：单位化后拼成正交矩阵 $Q \implies Q^{-1}AQ = \Lambda \implies A = Q\Lambda Q^T$，计算转置得 $A^T = A$ 证对称性。
- 讲义出处：3.5(1) 例 3
题型 26：实对称矩阵与对角矩阵相似的充要条件求解
- 识别特征：已知实对称矩阵 $A$ 相似于对角阵 $\text{diag}(2, b, 0)$，求参数 $a, b$。
- 核心破局：实对称矩阵必可对角化，两矩阵相似等价于特征值集合完全相同，直接令特征多项式匹配根。
- 讲义出处：3.5(1) 例 4
题型 27：伴随矩阵元素对称性与秩的综合破局
- 识别特征：实对称矩阵 $A$ 仅有两个不同特征值，已知 $A^*$ 的部分元素，求未知数。
- 核心破局：$A$ 实对称 $\implies A^*$ 实对称定未知元素；分析行成比例得 $r(A^*) = 1 \implies r(A) = 2 \implies \lambda = 0$ 是单根，非零特征值是二重根。
- 讲义出处：3.5(1) 例 6
题型 28：已知部分特征向量求参数及正交矩阵 $Q$
- 识别特征：已知实对称矩阵的第 1 个特征向量必须排在 $Q$ 的第一列，求未知数与 $Q$。
- 核心破局：代入定义式求参数与特征值；互异特征值对应的特征向量天然正交，老实解出后直接单位化；按题目指定顺序定死列排布。
- 讲义出处：3.5(2) 例 7
题型 29：对称外积和矩阵与伴随阵正交相似综合大题
- 识别特征：$A = \alpha\beta^T + \beta\alpha^T$（$\alpha, \beta$ 单位正交），求证对角化并求正交阵 $Q$ 使 $Q^T(A + A^*)Q = \Lambda$。
- 核心破局：
  1. $A^T = A$ 直接证实对称；
  2. 右乘 $\alpha, \beta$ 组合构造特征值 $1, -1, 0$ 及特征向量；
  3. $A + A^*$ 与 $A$ 共享正交特征基，直接利用特征值相加定对角阵。
- 讲义出处：3.5(2) 例 8

3.6 反求矩阵问题（谱信息逆向重构）

题型 30：四大隐式条件中提取特征值与特征向量
- 识别特征：条件给出方程通解/特解、$AB = 0$、$AB = cB$、列和/行和相等。
- 核心破局：
  1. $Ax = 0$ 的非零解 $\iff \lambda = 0$ 的特征向量；
  2. $A$ 作用于特解成比例 $\iff$ 非零特征向量；
  3. $AB = cB \iff B$ 的每一非零列均为特征向量；
  4. 行和（或实对称矩阵的列和）为 $k \iff \lambda = k$，特征向量为 $(1, 1, \dots, 1)^T$。
- 讲义出处：3.6 例 1
题型 31：反求实对称矩阵（利用正交性 $A = Q\Lambda Q^T$）
- 识别特征：利用提取出的特征值与特征向量反求实对称矩阵 $A$。
- 核心破局：
  - 重根特征向量利用正交条件（与单根正交）直接解方程；
  - $\color{#2563EB}{\text{免施密特技巧}}$：给自由变量交叉赋值并设待定方框，直接写出相互垂直的特征向量，单位化后拼出 $Q$ 求解。
- 讲义出处：3.6 例 2、例 3
题型 32：反求一般矩阵（$A = P\Lambda P^{-1}$）与高阶幂线性相关性证明
- 识别特征：非对称矩阵已知特征信息，反求 $A$ 并证明对任意 $x_0$，$A^{100}x_0$ 与 $x_0$ 线性相关。
- 核心破局：拼出 $P$ 并求逆，计算 $A = P\Lambda P^{-1}$；高次幂计算得 $\Lambda^{100} = 2^{100} E \implies A^{100} = 2^{100} E$，进而 $A^{100}x_0 = 2^{100}x_0$ 成比例必相关。
- 讲义出处：3.6 例 4

补充专题：谱分解定理（实对称矩阵降维极速解法）

题型 33：含多个零特征值的实对称矩阵极速反求
- 识别特征：3 阶实对称矩阵有两个特征值为 0，已知非零特征值对应的特征向量。
- 核心破局：公式 $\color{#D9383A}{A = \sum \lambda_i \gamma_i \gamma_i^T}$。零特征值项自动消失，只需把唯一非零特征值的特征向量单位化为 $\gamma_3$，一步写出 $A = \lambda_3 \gamma_3 \gamma_3^T$。
- 讲义出处：谱分解例 1
题型 34：二重重根实对称矩阵的“平移降维法”求解
- 识别特征：实对称矩阵特征值为 $a, a, b$（含非零二重根），已知单根特征向量，求 $A$。
- 核心破局：直接求需算三项；通过构造 $\color{#2563EB}{B = A - aE}$，特征值平移为 $0, 0, b - a$；单项写出 $A - aE = (b - a)\gamma_3 \gamma_3^T$，移项加 $aE$ 极速成阵。
- 讲义出处：谱分解例 2
题型 35：利用谱分解平移法求实对称矩阵的高次幂 $A^n$
- 识别特征：求特征值含二重根的实对称矩阵的 $A^n$。
- 核心破局：先求 $A^n - a^n E$，特征值降为两个 0 与一个单项，单步向量外积展开后，主对角线统一补回 $a^n$。
- 讲义出处：谱分解例 3

3.7 两类特殊的矩阵相似问题（压轴拓展）

题型 36：$AB$ 与 $BA$ 特征值相同与相似性判定
- 识别特征：考查 $AB$ 与 $BA$ 是否特征值相同、是否相似。
- 核心破局：
  1. $AB$ 与 $BA$ $\color{#D9383A}{\text{恒有完全相同的特征值}}$（利用分块初等变换倍加证明，无前提条件）；
  2. 若 $A$ 或 $B$ 中至少有一个可逆，则 $\color{#D9383A}{AB \sim BA}$；若均不可逆则未必相似。
- 讲义出处：3.7 结论 1、2
题型 37：公共特征向量与同时相似对角化
- 识别特征：已知 $AB = BA$，求证或求解公共特征向量、公共变换矩阵 $P$。
- 核心破局：
  - 包含定理：若 $AB = BA$ 且 $A$ 有 $n$ 个互异特征值，则 $\color{#D9383A}{A \text{ 的特征向量全都是 } B \text{ 的特征向量}}$。
  - 算法策略：谁的特征值全互异，就求谁的特征向量，求出的向量组拼成的 $P$ 即可同时使 $P^{-1}AP$ 与 $P^{-1}BP$ 对角化。
- 讲义出处：3.7 例 1、例 2、例 3
题型 38：不可对角化矩阵相似证明（2 阶定义设元法）
- 识别特征：证明均不可对角化的两个 2 阶矩阵 $A \sim B$。
- 核心破局：无法用对角阵中介传递，直接设待定矩阵 $P = \begin{pmatrix} x_1 & x_2 \\ x_3 & x_4 \end{pmatrix}$，代入齐次方程组 $\color{#2563EB}{AP = PB}$，求解基础解系并选取使 $|P| \ne 0$ 的特解。
- 讲义出处：3.7 例 4
题型 39：不可对角化矩阵相似的“逐列递推突破法”（高阶）
- 识别特征：证明两个不可对角化的 3 阶矩阵相似，并求可逆矩阵 $P$。
- 核心破局：设 $P = (\xi_1, \xi_2, \xi_3)$，由 $AP = PB$ 列分块拆出递推方程链：
  $$(A - \lambda E)\xi_1 = 0 \implies (A - \lambda E)\xi_2 = \xi_1 \implies (A - \lambda E)\xi_3 = \xi_2$$
  齐次方程解出 $\xi_1$ 代入下一级作为非齐次项解出 $\xi_2$，再解 $\xi_3$，最终拼出满秩矩阵 $P$。
- 讲义出处：3.7 拓展题（2018 真题溯源）

矩阵相似总结

3.1 特征值与特征向量（基础理论与谱映射）

题型 1：利用定义式 $Ax = \lambda x$ 求解未知参数或特定元素

题型 2：矩阵多项式/函数式求特征值、行列式与迹 $\text{tr}(A)$

题型 3：相关矩阵特征向量的继承性与反向推导真伪判断

3.2 秩为 1 矩阵专题（$A = \alpha \beta^T$ 体系）

题型 4：秩 1 矩阵的高次幂 $A^n$ 计算

题型 5：秩 1 扰动矩阵 $(cE + \alpha \beta^T)$ 的可逆性判定与求逆

题型 6：秩 1 矩阵及其平移阵的特征值与特征向量极速写出

题型 7：利用秩 1 扰动阵可逆性化简矩阵秩求参数

题型 8：线性组合型秩 1 结构极值特征值归属判断

3.3 矩阵相似对角化（判定、性质与应用）

题型 9：幂等矩阵（$A^2 = A$）的对角化与行列式计算

题型 10：伴随矩阵相似对角化与特征基重排计算

题型 11：混淆特征向量组合下的矩阵乘积计算

题型 12：数值矩阵是否可相似对角化的快速排查

题型 13：抽象命题的“充分/必要/充要”条件深度辨析

题型 14：数列递推方程构造转移矩阵与 $A^n$ 求解

3.4 矩阵相似（一般相似 $A \sim B$ 判定与算法）

题型 15：利用相似必要条件链联立求待定参数

题型 16：抽象列向量变换关系转化为矩阵相似关系

题型 17：借助可对角化性质极速判定相似矩阵函数的秩

题型 18：选择题中相似矩阵的“特征矩阵秩”排除法

题型 19：抽象矩阵相似性质运算推导（伴随/转置/分块）

题型 20：两个特殊矩阵相似的规范证明大题

题型 21：抽象 2 阶多项式条件的相似对角化证明

题型 22：相似过渡矩阵 $P$ 的“流程图闭环求解”

3.5 正交矩阵与实对称矩阵

题型 23：正交矩阵的基础性质与代数方程综合

题型 24：多项式条件结合实对称性反推矩阵形式

题型 25：由特征向量两两正交逆判矩阵为实对称矩阵

题型 26：实对称矩阵与对角矩阵相似的充要条件求解

题型 27：伴随矩阵元素对称性与秩的综合破局

题型 28：已知部分特征向量求参数及正交矩阵 $Q$

题型 29：对称外积和矩阵与伴随阵正交相似综合大题

3.6 反求矩阵问题（谱信息逆向重构）

题型 30：四大隐式条件中提取特征值与特征向量

题型 31：反求实对称矩阵（利用正交性 $A = Q\Lambda Q^T$）

题型 32：反求一般矩阵（$A = P\Lambda P^{-1}$）与高阶幂线性相关性证明

补充专题：谱分解定理（实对称矩阵降维极速解法）

题型 33：含多个零特征值的实对称矩阵极速反求

题型 34：二重重根实对称矩阵的“平移降维法”求解

题型 35：利用谱分解平移法求实对称矩阵的高次幂 $A^n$

3.7 两类特殊的矩阵相似问题（压轴拓展）

题型 36：$AB$ 与 $BA$ 特征值相同与相似性判定

题型 37：公共特征向量与同时相似对角化

题型 38：不可对角化矩阵相似证明（2 阶定义设元法）

题型 39：不可对角化矩阵相似的“逐列递推突破法”（高阶）