如何判断两个矩阵是否相似？

Question

如何通过特征值和相似变换判断两个矩阵是否相似？若两个矩阵可通过可逆矩阵P满足B = P⁻¹AP的关系，它们即为相似矩阵。常见的疑问是：仅有相同特征值是否足以判定相似？实际上，还需检查特征向量结构、Jordan标准型是否一致。当矩阵不可对角化时，仅比较特征值并不充分，如何进一步验证？

Answer 1

如何通过特征值与相似变换判断矩阵相似性

1. 相似矩阵的基本定义与核心关系

在矩阵理论中，若存在一个可逆矩阵 P，使得两个 n×n 矩阵 A 和 B 满足：

B = P⁻¹AP

则称矩阵 A 与 B 是相似矩阵。这一关系本质上是一种坐标变换下的等价表示，即在不同基底下描述同一个线性变换。

相似关系具有以下性质：

• 自反性：A ~ A
• 对称性：若 A ~ B，则 B ~ A
• 传递性：若 A ~ B 且 B ~ C，则 A ~ C

因此，相似是一种等价关系，将所有 n 阶矩阵划分为若干相似类。

2. 特征值作为初步判据的局限性

若两个矩阵相似，则它们具有相同的：

• 特征值（含代数重数）
• 行列式
• 迹
• 秩
• 特征多项式

然而，反过来并不成立。仅凭特征值相同，无法保证矩阵相似。例如考虑以下两个 3×3 矩阵：

A	B
⎡2 1 0⎤ ⎢0 2 1⎥ ⎣0 0 2⎦	⎡2 0 0⎤ ⎢0 2 0⎥ ⎣0 0 2⎦

两者均有三重特征值 λ=2，但 A 不可对角化（几何重数为1），而 B 已是对角阵。显然它们不相似。

3. 特征向量结构的深入分析

判断相似性时，不仅要看特征值，还需考察每个特征值对应的几何重数（即线性无关特征向量的个数）。

对于特征值 λ，其几何重数定义为：

dim(Nul(A - λI))

若对每个特征值，A 与 B 的代数重数和几何重数均一致，仍不足以判定相似，但这是必要条件。

进一步地，需比较广义特征空间的结构，这引出 Jordan 标准型的概念。

4. Jordan 标准型：不可对角化情形的终极工具

任一复方阵 A 都相似于唯一的（不计 Jordan 块顺序）Jordan 标准型 J，形式如下：

J = diag(J₁(λ₁), J₂(λ₂), ..., Jₖ(λₖ))

其中每个 Jordan 块为：

⎡λ 1 0 ⋯ 0⎤
⎢0 λ 1 ⋯ 0⎥
⎢⋮ ⋮ ⋱ ⋱ ⋮⎥
⎣0 0 ⋯ λ 1⎦
⎣0 0 ⋯ 0 λ⎦

两个矩阵相似当且仅当它们有相同的 Jordan 标准型。

5. 判断流程图解

graph TD A[输入矩阵 A 和 B] --> B{是否同阶？} B -- 否 --> C[不相似] B -- 是 --> D[计算特征值及代数重数] D --> E{是否相同？} E -- 否 --> C E -- 是 --> F[计算各特征值的几何重数] F --> G{是否一致？} G -- 否 --> C G -- 是 --> H[求 Jordan 标准型] H --> I{Jordan 形式相同？} I -- 是 --> J[相似] I -- 否 --> C

6. 实际验证方法与算法步骤

以下是系统性验证两矩阵是否相似的六步法：

1. 确认 A 和 B 为同阶方阵
2. 计算并比较特征多项式 det(λI - A) 与 det(λI - B)
3. 列出所有特征值及其代数重数
4. 对每个特征值 λ，计算 nullity(A - λI) 与 nullity(B - λI)
5. 若可对角化（几何重数 = 代数重数），则特征值相同即相似
6. 若不可对角化，使用软件（如 MATLAB、NumPy）或手工计算 Jordan 标准型

代码示例（Python + NumPy/SciPy）：

import numpy as np
from scipy.linalg import schur
# 近似判断 Jordan 结构（实际中可用 Jordan 形式函数）
def are_similar(A, B, tol=1e-8):
  eig_A = np.sort(np.linalg.eigvals(A))
  eig_B = np.sort(np.linalg.eigvals(B))
  if not np.allclose(eig_A, eig_B, atol=tol):
    return False
  # 进一步比较广义特征空间维数序列（略）
  return True # 简化示意

7. 工程实践中的注意事项

在数值计算中，由于浮点误差，严格 Jordan 分解可能不稳定。建议采用以下策略：

• 使用 Schur 分解作为替代（上三角相似）
• 比较不变因子或初等因子
• 在机器学习中，关注谱归一化后的变换一致性
• 对稀疏矩阵，利用 Krylov 子空间方法间接分析

此外，在控制系统中，状态空间模型 (A,B,C,D) 的相似变换对应于坐标重构，不影响传递函数，但影响可控/可观性结构。

8. 应用场景扩展

矩阵相似性理论广泛应用于：

领域	应用实例
机器学习	核矩阵变换、流形学习中的谱嵌入
图像处理	主成分分析（PCA）中的基变换
量子计算	算符在不同表象下的表示
网络科学	图拉普拉斯矩阵的谱等价性分析
控制系统	状态反馈设计中的能控标准型转换
密码学	基于矩阵群的公钥方案（如MQ问题）
数值分析	迭代法收敛性分析中的谱半径估计
数据压缩	SVD 与特征分解的等价表示选择
机器人学	雅可比矩阵在不同坐标系下的映射
金融工程	协方差矩阵的因子模型重构