简介：这份资源面向学习MATLAB数值计算与线性代数的学生及工程人员，聚焦矩阵处理中的特征值、特征向量与对角化等核心问题，适合作为课堂实验或自学练习的配套材料。压缩包内共1个doc文档，约98KB，内容以实验讲义形式组织，涵盖特征多项式求解、eig函数求特征值与特征向量、实对称矩阵的正交对角化、balance函数提高计算精度以及jordan函数求若当标准形等知识点，并配有可直接运行的MATLAB代码示例与运算结果对照。文档还整理了trace、sum、prod、cdf2rdf等相关函数的用法说明，便于读者在练习中查阅。目前已有727人学习下载，适合需要系统梳理矩阵分析命令、对照实验步骤查漏补缺的初学者与进阶读者参考使用。

1. 特征值不只是算出来：为什么eig返回的矩阵顺序会骗人

很多人第一次用 MATLAB 做矩阵特征值分解，都会觉得这件事没什么玄机：eig(A)一敲，特征值列向量就出来了，[V,D]=eig(A)一写，对角阵和特征向量矩阵也到手了。但真正在工程里踩过坑的人会告诉你，MATLAB 返回的特征值顺序不是按大小排的，特征向量的符号也不是唯一的。你拿同一份矩阵跑两次，结果可能看起来“不一样”，但数学上完全等价。这背后牵扯的是数值线性代数里一个核心问题：特征值分解到底在算什么，以及 MATLAB 底层用的是 LAPACK 的哪套例程。

这份 MATLAB 矩阵处理实验资料，表面上是实验六的讲义，实际上把特征值、特征向量、若当标准形、实对称矩阵对角化、复对角转实对角这几件事串成了一条线。它解决的不是“怎么敲命令”，而是“为什么eig和jordan的行为是这样”。搞懂这条线，你再看 MATLAB 的矩阵函数，就不再是黑匣子。

2. 特征多项式与eig：从定义到 LAPACK 的落地路径

2.1poly和roots为什么不是求特征值的首选

实验里给了三条求特征值的路径：eig(A)、poly(A)加roots、以及符号计算det(x*E-A)加solve。三条路都能到终点，但底层机制完全不同。

poly(A)返回的是特征多项式的系数向量。对于 2 阶矩阵A=[1 0;2 3]，poly(A)给出[1 -4 3]，对应x^2 - 4x + 3。然后roots求这个多项式的根。这条路在数学上没问题，但在数值上有个致命弱点：多项式求根对系数扰动极其敏感。高阶矩阵的特征多项式系数可能非常大或非常小，roots内部用伴随矩阵的特征值来求根，绕了一圈又回到特征值问题，精度反而可能更差。

% 实验中的 poly + roots 路径 A = [1 2 2; 2 1 2; 2 2 1]; p = poly(A); % 特征多项式系数向量 r = roots(p); % 求根，得到特征值 % r 的结果是 5.0000, -1.0000+0.0000i, -1.0000-0.0000i

注意roots返回的-1.0000+0.0000i这种带微小虚部的形式。这不是 MATLAB 算错了，而是数值求根过程中浮点误差的自然表现。eig函数内部走的是完全不同的路径：它先把矩阵通过 Householder 变换约化为 Hessenberg 形式，再用 QR 迭代求特征值。这条路径的数值稳定性远好于“先求多项式系数再求根”。

提示：如果只是要特征值，永远优先用eig，不要用poly+roots。poly更适合用来验证低阶矩阵的手算结果，或者配合poly2str做符号展示。

2.2eig的返回顺序与特征向量的符号不确定性

实验里矩阵A=[0 1 0 0;1 0 0 0;0 0 0 1;0 0 1 0]的eig返回d = [1; -1; 1; -1]。注意这个顺序：不是[-1; -1; 1; 1]，也不是按绝对值排的。LAPACK 的dgeev例程返回特征值的顺序取决于 QR 迭代的收敛过程，MATLAB 没有做额外排序。

更微妙的是特征向量的符号。[V,D]=eig(A)返回的V中，每一列是单位化的特征向量，但符号可以整体取反。实验里V的第一列是[-0.7071; 0.7071; 0; 0]，如果你手算得到[0.7071; -0.7071; 0; 0]，两者都对，因为特征向量定义里只要求非零，不要求方向。

% 验证 D = V^-1 * A * V A = [0 1 0 0; 1 0 0 0; 0 0 0 1; 0 0 1 0]; [V, D] = eig(A); err = norm(V^-1 * A * V - D); % 应该接近 0 % 用符号形式验证 Vs = sym(V); D_sym = Vs^-1 * A * Vs; % 得到精确的对角阵

实验里用V=sym(V)把数值矩阵转成符号矩阵，再算V^-1*A*V，得到精确的对角阵。这一步的意义在于：数值计算中V^-1*A*V不会严格等于D，因为V是浮点近似的。转成符号后，sqrt(1/2)这种无理数被精确表示，验证才严格成立。

2.3balance函数：什么时候需要它，什么时候不需要

实验提到了balance(A)用于提高特征值计算精度。它的原理是：先对矩阵做相似变换，让各行各列的范数尽量接近，再求特征值。因为特征值对矩阵元素的绝对尺度敏感，如果矩阵里某些行元素是1e-10量级，另一些是1e10量级，直接求特征值可能损失精度。

% balance 的使用方式 A = [1 0; 2 3]; [T, B] = balance(A); % B = T^-1 * A * T，B 是平衡后的矩阵 % 对 B 求特征值，再变换回去

但这里有个常见的误解：balance不是万能的。对于已经良态的矩阵，balance可能引入额外的舍入误差。MATLAB 的eig内部其实已经做了某种程度的平衡处理，所以大多数情况下你不需要手动调用balance。只有在矩阵元素量级差异极大、且eig结果明显异常时，才值得试试。

3. 对角化与若当标准形：可对角化的边界在哪里

3.1 实对称矩阵为什么一定能对角化，且P是正交阵

实验里矩阵A=[2 2 -2;2 5 -4;-2 -4 5]是实对称矩阵，[P,D]=eig(A)返回的P满足P'*P = I，即P是正交阵。这不是巧合，而是谱定理的直接结果：实对称矩阵的特征值全是实数，且不同特征值对应的特征向量互相正交。

A = [2 2 -2; 2 5 -4; -2 -4 5]; [P, D] = eig(A); % 验证 P 的正交性 orth_err = norm(P' * P - eye(3)); % 应该接近 0 % 验证对角化 diag_err = norm(P' * A * P - D); % 应该接近 0

注意这里用的是P'而不是P^-1。对于正交阵，P^-1 = P'，计算上更省事，数值上也更稳定。实验里D的对角线是1, 1, 10，说明矩阵有两个相同的特征值 1 和一个特征值 10。实对称矩阵即使有重特征值，也一定能找到足够多的正交特征向量。

3.2 若当标准形：当特征向量不够用时会发生什么

实验里矩阵A=[-1 -2 6;-1 0 3;-1 -1 4]的jordan(A)返回一个若当块。若当标准形的存在，本质上是因为矩阵可能缺陷：特征值的代数重数大于几何重数，也就是说，某个特征值对应的线性无关特征向量个数不够。

A = [-1 -2 6; -1 0 3; -1 -1 4]; J = jordan(A); % J 是一个若当块，对角线为 1，上三角有 1 % 注意：MATLAB 的若当块是按上三角形定义的

这里有个关键细节：MATLAB 的jordan函数对数值矩阵的稳定性很差。因为若当标准形在数值上是不连续的——矩阵元素的微小扰动可能让一个若当块分裂成多个对角块。所以jordan更适合用于符号矩阵或精确已知结构的矩阵。实验里用的是整数矩阵，jordan能给出精确结果，但如果你拿一个浮点矩阵去算，结果可能不可靠。

注意：jordan对数值矩阵的适用性有限。如果矩阵元素是浮点数，若当标准形的计算可能因为舍入误差而完全改变结构。需要若当形时，优先用符号矩阵sym(A)。

3.3 复对角矩阵转实对角矩阵：cdf2rdf的用武之地

实验例 6-2 里，矩阵A=[0 2 1;-2 0 3;-1 -3 0]的特征值是0和一对共轭复数±3.7417i。eig返回的V和D都是复矩阵。但很多工程场景下，我们更希望得到实矩阵形式的结果，因为实矩阵在后续计算中更方便。

cdf2rdf做的就是这件事：把复对角矩阵转换成实块对角矩阵，每个 2×2 实数块对应一对共轭复特征值。

A = [0 2 1; -2 0 3; -1 -3 0]; [v, d] = eig(A); % 复特征值、复特征向量 [V, D] = cdf2rdf(v, d); % 转换为实块对角形式 % D 中原来的复数对角元被 2x2 实数块替代 % V 的列也相应变成实数

转换后的D是一个块对角矩阵，对角线上的 2×2 块形如[a b; -b a]，对应特征值a±bi。这样V和D都是实矩阵，满足A*V = V*D。实验里还展示了如何从V的列还原出共轭特征向量：V2 + V3*i和V2 - V3*i就是原来的一对共轭特征向量。

4. 避坑与排查：MATLAB 矩阵特征值计算中的常见翻车点

4.1 现象：eig返回的特征值顺序每次不一样

原因：LAPACK 的 QR 迭代收敛顺序取决于矩阵的具体数值和浮点舍入，MATLAB 没有对eig的输出做排序。对于有重特征值或接近重特征值的矩阵，顺序可能更不稳定。

解决：如果需要按大小排序，自己用sort处理。但注意，排序后特征向量矩阵的列也要跟着重排。

[d, idx] = sort(diag(D), 'descend'); D_sorted = diag(d); V_sorted = V(:, idx);

4.2 现象：V^-1*A*V的结果不是严格对角阵

原因：V是浮点近似的特征向量矩阵，V^-1*A*V的计算过程中有舍入误差。非对角元素可能是1e-15量级的小量，不是零。

解决：用norm(V^-1*A*V - D)检查误差量级。如果误差在eps量级，说明结果是正确的。需要精确验证时，转成符号矩阵再算。

4.3 现象：jordan对浮点矩阵返回错误的结构

原因：若当标准形对扰动不连续。浮点矩阵的微小舍入误差可能让一个 2×2 若当块变成两个 1×1 对角块，或者反过来。

解决：用sym(A)转成符号矩阵再调用jordan。如果矩阵本身就是浮点数据，先分析它的精确结构是否已知，否则不要依赖jordan的结果。

4.4 现象：balance之后特征值反而更不准

原因：balance做相似变换时引入额外的矩阵乘法，如果原矩阵已经良态，这些额外运算可能引入不必要的舍入误差。

解决：先直接算eig，用condeig检查特征值条件数。只有当条件数很大且矩阵元素量级差异明显时，才考虑balance。

4.5 现象：实对称矩阵的eig返回的特征向量不正交

原因：如果矩阵只是“接近对称”而不是严格对称，eig不会强制正交化。或者矩阵有重特征值，数值误差可能让对应的特征向量轻微偏离正交。

解决：用norm(P'*P - eye(n))检查正交性误差。如果误差在1e-14量级，可以接受。需要严格正交时，用orth对特征向量子空间做正交化。

5. 从迹与行列式到设计取舍：为什么 MATLAB 不把一切自动化

实验例 6-3 验证了两个经典结论：矩阵的迹等于所有特征值之和，矩阵的行列式等于所有特征值之积。这两个性质在理论上很漂亮，但在数值计算中，它们更多是验证工具，而不是计算工具。

A = [1 2 2; 2 1 2; 2 2 1]; a = trace(A); % 迹 = 3 d = eig(A); % 特征值 = [-1; -1; 5] b = sum(d, 1); % 特征值之和 = 3 e = det(A); % 行列式 = 5 f = prod(d, 1); % 特征值之积 = 5

这里sum和prod的dim参数值得注意：dim=1按列求和/求积，dim=2按行。对于列向量d，sum(d,1)和sum(d,2)结果一样，但理解dim的含义对处理矩阵更通用。

现在回到一个设计层面的问题：MATLAB 为什么不把eig的输出自动排序？为什么不把jordan做得对浮点矩阵更鲁棒？为什么不默认开启balance？

我的理解是，这些“不自动化”恰恰是数值线性代数的设计取舍。特征值排序会改变特征向量矩阵的列顺序，而用户可能依赖原始顺序做后续匹配。jordan的数值不稳定性是数学本质决定的，不是实现问题，强行“修复”反而会掩盖真实的结构敏感性。balance默认关闭是因为它对良态矩阵有害无益。

这些取舍背后的统一逻辑是：MATLAB 的矩阵函数倾向于暴露底层数值行为的真实面貌，而不是替用户做可能错误的决定。你可以说这是“不友好”，但当你需要精确控制计算过程时，这种透明性就是优势。

从那以后我每次用eig做特征值分解，都会强制走一遍norm(V^-1*A*V - D)的验证，确认误差在合理量级再往下用。这个习惯帮我避开了好几次因为矩阵接近缺陷而导致的后续计算崩溃。希望帮到你。

本文还有配套的精品资源，点击获取