矩阵的特征值和特征向量总结
特征值和特征向量
特征值和特征向量特征值和特征向量是线性代数中非常重要的概念，在数学和工程领域中广泛应用。
它们与矩阵与向量的关系密切相关，可以用于解决许多实际问题。
一、特征值与特征向量的定义特征值和特征向量是矩阵的固有性质，它们描述了矩阵在线性变换下的特殊性质。
特征值（eigenvalue）是一个数，表示矩阵变换后的向量与原向量方向相等或反向。
特征向量（eigenvector）则是与特征值对应的向量。
对于一个n维矩阵A和一个n维向量x，如果满足以下等式：Ax = λx其中λ为标量，称为特征值，x称为特征向量。
我们可以将这个等式分解为(A-λI)x=0，其中I为单位矩阵，如果矩阵A存在一个非零向量x使得等式成立，则说明λ为矩阵A的特征值，x为对应的特征向量。
特征值和特征向量总是成对出现，一个特征值可能对应多个特征向量。
二、特征值与特征向量的求解为了求解矩阵的特征值与特征向量，我们可以使用特征值问题的基本公式：det(A-λI) = 0其中，det表示行列式求值。
解这个方程可以得到矩阵A的特征值λ。
然后，我们将每个特征值代入方程(A-λI)x = 0，求解得到对应的特征向量x。
三、特征值与特征向量的意义特征值和特征向量在许多应用中起着重要的作用，它们可以帮助我们理解矩阵的几何性质和变换规律。
在线性代数中，特征值和特征向量有以下几个重要意义：1. 几何意义：特征向量表示了矩阵变换后不改变方向的向量。
特征值表示了特征向量在变换中的缩放因子。
通过分析特征向量和特征值，我们可以了解变换对向量空间的拉伸、压缩、旋转等操作。
2. 矩阵对角化：如果矩阵A有n个线性无关的特征向量，我们可以将这些特征向量组成一个矩阵P，并将其逆矩阵P^{-1}乘以A和AP^{-1}，就可以得到一个对角矩阵D，D的对角线上的元素就是矩阵A的特征值。
这个过程称为矩阵的对角化，可以简化矩阵的运算和分析。
3. 矩阵的奇异值分解：特征值和特征向量也与矩阵的奇异值分解密切相关。
矩阵的特征值与特征向量总结-全文可读
2•
第二步：对每个特征值 代入齐次线性方程组 求非零解.
齐次线性方程组为 系数矩阵
2•
得基础解系
是对应于
类似可以求得 A的属于特征
值 的全部特征向量分别为
是不为零的常数.
2•
所以
是矩阵f (A)的一个特征值.
2•
3. 特征多项式f )的性质
( 在特征多项式
中有一项是主对角线上元素的连乘积：
f )的展开式的其余各项为
(ቤተ መጻሕፍቲ ባይዱ
2•
设f ) = 0的根
(
为
，则有
性质1 设 n 阶方阵 A 的 n个特征
值为
则
称为矩阵A的迹，记为
2•
性质2 若A的特征值是 , X是A的对应于 的特征向量,
(1) kA的特征值是 ;(k是任意常数) k
(m是正整数)
(3) 若A可逆,则A -1的特征值
是
且X 仍然是矩
阵
-1 , 的特征值是 分别对应于
的特征向量.
2•
为x的多项式, 则f (A)的特征值
为 证
再继续施行上述步骤 m - 2 次, 就
得
2•
其它请同学们自己证明.
3•
例6 已知三阶方阵A的特征值为1、2、3, 求矩阵 的A行*+列E式.
解 由性质1（2）知
则矩阵A*的特征值 所以矩阵A*的特征值分别是6，3，2，A*+E的特征值
是值A, 的属于特征值 λ = 5的特征向
量；
6•
7•
故由定义4.1知， λ = 5也 1、X2、X3 的特征值, 即是对X于 λ = 5的特征向量是不唯一
的.
线性代数矩阵的特征值与特征向量
线性代数矩阵的特征值与特征向量矩阵的特征值和特征向量是线性代数中非常重要的概念，具有广泛的应用。
在此，我们将详细介绍特征值和特征向量的定义、性质和计算方法。
希望能对读者理解这两个概念有所帮助。
1.特征值和特征向量的定义在线性代数中，对于一个n阶矩阵A，如果存在一个非零向量x，使得Ax=λx，其中λ是一个标量，则称λ是矩阵A的特征值，x是对应于特征值λ的特征向量。
2.特征值和特征向量的性质（1）对于任意矩阵A和非零向量x，如果Ax=λx，则(x,λ)是(A-λI)的一个特征对，其中I是单位矩阵。
（2）对于任意非零常数k，kλ和kx也是特征值λ和特征向量x的特征对。
（3）如果矩阵A的特征向量x1和x2对应于不同的特征值λ1和λ2，则x1和x2线性无关。
（4）若矩阵A的特征值都不相同，则它一定能够对角化。
3.特征值和特征向量的计算（以2阶矩阵为例）对于一个2阶矩阵A，我们可以通过以下步骤来计算其特征值和特征向量：（1）解特征方程det(A-λI)=0，其中I是单位矩阵。
（2）将特征值代入(A-λI)x=0，求解x的向量，即为对应于特征值的特征向量。
4.实对称矩阵的特征值和特征向量对于实对称矩阵，其特征值一定是实数且存在线性无关的特征向量。
具体计算方法为：（1）求解特征方程det(A-λI)=0，得到特征值λ1, λ2, ..., λn。
（2）将特征值代入(A-λI)x=0，解出x的向量，即为对应于特征值的特征向量。
5.正交矩阵的特征值和特征向量对于正交矩阵，其特征值的模一定是1，且特征向量是两两正交的。
具体计算方法同样为求解特征方程和特征向量方程。
6.特征值和特征向量的应用特征值和特征向量有广泛的应用，例如：（1）主成分分析（PCA）：利用特征值和特征向量可以找到数据的主要特征方向，用于数据降维和分析。
（2）图像处理：利用特征值和特征向量可以进行图像压缩、增强和分析。
（3）物理学中的量子力学：波函数的特征值和特征向量对应着物理量的测量结果和对应的本征态。
矩阵的特征值与特征向量
矩阵的特征值与特征向量矩阵是线性代数中一个重要的概念，广泛应用于数学、物理、工程等领域。
在矩阵的研究中，特征值与特征向量是非常重要的概念。
本文将以简明扼要的方式介绍矩阵的特征值与特征向量及其在实际问题中的应用。
一、什么是矩阵的特征值与特征向量？在矩阵A中，如果存在一个非零向量v，使得Av=kv，其中k为一个实数或复数，则k为该矩阵的特征值，而v为对应的特征向量。
特征值和特征向量总是成对出现的，特征向量对应于一个或多个特征值。
特征值和特征向量是描述矩阵变换特性的重要指标，在许多科学和工程应用中具有重要意义。
二、如何计算矩阵的特征值与特征向量？要计算矩阵的特征值与特征向量，我们需要解决一个特征方程，即|A-λI|=0其中A为矩阵，λ为特征值，I为单位矩阵。
解特征方程可以得到特征值的值，然后将特征值带入原方程(A-λI)v=0中，求解得到特征向量v。
特征值与特征向量的计算在实际问题中有多种方法，例如Jacobi方法、幂法等。
三、矩阵的特征值与特征向量的应用特征值和特征向量在现实世界中有着广泛的应用。
以下是一些常见的应用场景：1. 特征向量在图像处理中的应用特征向量可以用来表示图像的特征信息，例如图像识别中，利用特征向量可以提取图像的特征，从而进行图像分类、目标识别等任务。
2. 特征值与动力系统的稳定性在动力系统的稳定性研究中，特征值被用来描述系统的稳定性。
通过计算系统的特征值，可以判断系统是否稳定，并预测系统的行为。
3. 特征值与物理问题中的本征频率在物理学中，特征值与特征向量经常用来描述振动系统的本征频率与本征振动模态。
例如，通过计算结构的特征值与特征向量可以确定建筑物的地震响应。
4. 特征向量与网络分析在网络分析中，特征向量可以用来计算节点的中心性，从而衡量节点的重要性。
该方法在社交网络分析、蛋白质相互作用网络等领域中得到广泛应用。
总结：矩阵的特征值与特征向量是矩阵理论中的重要概念，具有广泛的应用价值。
特征值与特征向量的求法总结
特征值与特征向量的求法总结特征值与特征向量是线性代数中的重要概念，广泛应用于各个领域的数学和工程问题中。
在本文中，我们将总结特征值与特征向量的求法，并介绍它们的应用。
一、特征值与特征向量的定义在矩阵理论中，给定一个n阶方阵A，如果存在一个非零向量x，使得Ax与x的线性关系为Ax=λx，其中λ为常数，则称λ为矩阵A的特征值，x为对应于特征值λ的特征向量。
二、特征值与特征向量的求法要求解矩阵A的特征值和特征向量，需要解决以下问题：1. 求解特征值：设特征值为λ，需要解决方程|A-λI|=0，其中I为单位矩阵。
这个方程称为特征方程，其解即为矩阵A的特征值。
2. 求解特征向量：已知特征值λ后，需要求解方程(A-λI)x=0的非零解，其中x为特征向量。
这个方程组称为特征方程组，其解即为矩阵A的特征向量。
特征值和特征向量的求解可以通过以下步骤进行：1. 求解特征值：解特征方程|A-λI|=0，得到特征值λ1, λ2, ..., λn。
2. 求解特征向量：将每个特征值代入方程组(A-λI)x=0，解得对应的特征向量x1, x2, ..., xn。
三、特征值与特征向量的应用特征值与特征向量在许多领域中都有重要的应用，下面我们介绍几个常见的应用场景：1. 特征值分解：特征值分解是将一个矩阵分解为特征值和特征向量的乘积的形式，常用于矩阵的对角化和求解矩阵的幂等问题。
2. 主成分分析：主成分分析是一种常用的数据降维技术，通过计算协方差矩阵的特征值和特征向量，将原始数据转换为新的特征空间，以实现数据的降维和特征提取。
3. 图像处理：特征值与特征向量在图像处理中有着广泛的应用，如图像压缩、图像去噪、图像特征提取等。
4. 控制系统分析：在控制系统中，特征值与特征向量可以用于分析系统的稳定性和响应特性，如振荡频率、阻尼比等。
5. 网络分析：特征值与特征向量在网络分析中有着重要的作用，例如用于社交网络中节点的中心性分析、网络的连通性分析等。
矩阵特征值与特征向量的求法
矩阵特征值与特征向量的求法一、矩阵特征值与特征向量的定义矩阵特征值（eigenvalue）是指一个矩阵在某个非零向量上的线性变换结果等于该向量的常数倍，这个常数就是该矩阵的特征值。
而对应于每个特征值，都有一个非零向量与之对应，这个向量就是该矩阵的特征向量（eigenvector）。
二、求解矩阵特征值与特征向量的方法1. 特征多项式法通过求解矩阵A减去λI（其中λ为待求解的特征值，I为单位矩阵）的行列式det(A-λI)=0来求解其特征值。
然后将每个特征值代入到(A-λI)x=0中，即可求得对应的特征向量x。
2. 幂法幂法是一种迭代方法，通过不断地将A作用于一个初始向量x上，并将结果归一化，最终得到收敛到最大（或最小）特征值所对应的特征向量。
具体步骤如下：(1) 选取任意一个非零初始向量x；(2) 将Ax除以x中最大元素得到新的向量y=A*x/max(x)；(3) 将y归一化得到新的向量x=y/||y||；(4) 重复步骤2-3，直到收敛。
3. QR分解法QR分解是将矩阵A分解为Q和R两个矩阵的乘积，其中Q是正交矩阵（即Q^T*Q=I），R是上三角矩阵。
通过不断地对A进行QR分解，并将得到的Q和R相乘，最终得到一个上三角矩阵T。
T的对角线元素就是A的特征值，而对应于每个特征值，都可以通过反推出来QR分解中的Q所对应的特征向量。
4. Jacobi方法Jacobi方法也是一种迭代方法，通过不断地施加相似变换将A转化为对角矩阵D。
具体步骤如下：(1) 选取任意一个非零初始矩阵B=A；(2) 找到B中绝对值最大的非对角元素b(i,j)，记其位置为(i,j)；(3) 构造Givens旋转矩阵G(i,j,k)，使其作用于B上可以消去b(i,j)，即B=G^T*B*G；(4) 重复步骤2-3，直到所有非对角元素均趋近于0。
三、总结以上介绍了求解矩阵特征值与特征向量的四种方法：特征多项式法、幂法、QR分解法和Jacobi方法。
矩阵的特征值和特征向量
矩阵的特征值和特征向量矩阵是线性代数中重要的概念之一，其特征值和特征向量也是矩阵理论中的核心内容。
本文将全面介绍矩阵的特征值和特征向量，包括定义、性质、求解方法以及应用等方面，为读者深入理解和应用矩阵的特征值和特征向量提供帮助。
一、特征值和特征向量的定义矩阵A是由m×n个数构成的矩形数表，其特征值和特征向量是矩阵的重要性质。
对于一个n阶矩阵A，如果存在一个非零向量x，使得Ax=kx，其中k为常数，那么k就是矩阵A的特征值，而非零向量x称为A对应于特征值k的特征向量。
特征值和特征向量的定义说明了矩阵在线性变换下的不变性。
特征向量表示了矩阵在该线性变换下的一个不变方向，而特征值则表示了该方向上的伸缩倍数。
二、特征值和特征向量的性质矩阵的特征值和特征向量具有以下性质：1. 特征值与矩阵的行列式和迹有关。
对于n阶矩阵A，其特征值λ1, λ2, …, λn满足λ1 + λ2 + … + λn = tr(A)，λ1 × λ2 × … × λn = |A|。
2. n阶方阵的特征向量个数不超过n，且特征向量线性无关。
3. 若λ是方阵A的特征值，则对于任意非零常数c，cλ也是A的特征值。
4. 若λ是方阵A的特征值，且x是A对应于λ的特征向量，则对于任意正整数k，λ^k是A^k的特征值，x是A^k对应于特征值λ^k的特征向量。
三、特征值和特征向量的求解方法求解特征值和特征向量是矩阵理论中一个重要的问题。
下面介绍两种常用的求解方法：1. 特征方程法：设A是一个n阶矩阵，λ是其特征值，x是对应于λ的特征向量，那么Ax = λx可以变形为(A - λI)x = 0，其中I是n阶单位矩阵。
由于x是非零向量，所以矩阵(A - λI)的行列式必须为零，即|A - λI| = 0，这样就可以得到特征值λ的值。
然后，通过解(A - λI)x = 0可以求得特征向量x。
2. 幂迭代法：这是一种迭代法的方法，通过矩阵的幂次迭代来逼近特征向量。
特征值和特征向量
特征值和特征向量首先，我们先来了解一下矩阵。
矩阵是由一个矩形的数组组成的，其中的每个元素都可以是实数或复数。
例如，3x3的矩阵可以写为：A=[abc][def][ghi]Av=λv那么v就是矩阵A的特征向量，λ就是矩阵A的特征值。
换句话说，特征向量在矩阵的变换下只发生拉伸或缩放，而不发生旋转或扭曲。
特征值表示特征向量被拉伸或缩放的比例。
det(A - λI) = 0其中，det表示矩阵的行列式，I是单位矩阵。
通过解特征方程，我们可以求得特征值λ。
然后，我们可以将每个特征值代入原方程Av =λv中，从而求得对应的特征向量v。
1.矩阵的对角化：特征值和特征向量可以帮助我们将一个复杂的矩阵对角化，即将矩阵表示为对角矩阵的形式。
对角化后的矩阵更容易进行计算和分析，也更便于推导矩阵的性质。
2.矩阵的相似性：如果一个方阵A和B有相同的特征值和特征向量，那么A和B是相似的。
相似的矩阵在一些数学和物理问题中具有相同的性质和行为，因此，通过特征值和特征向量可以判断矩阵的相似性。
3.矩阵的主成分分析（PCA）：主成分分析是一种常用的数据降维方法，它可以通过计算矩阵的特征值和特征向量，将高维数据降低到低维空间中。
通过PCA，我们可以找到数据中最重要的特征和主要方向，从而减少冗余信息。
4.矩阵的奇异值分解（SVD）：奇异值分解是矩阵分解的一种重要方法，它可以将一个任意形状的矩阵表示为三个矩阵的乘积。
在奇异值分解中，矩阵的特征值和特征向量扮演了重要的角色。
5.线性变换和矩阵的谱：特征值和特征向量可以帮助我们理解和描述线性变换和矩阵的谱。
谱是矩阵A的特征值的集合，它可以提供关于矩阵的一些性质信息，比如矩阵的正定性、对称性、收敛性等。
总结起来，特征值和特征向量是矩阵理论中非常重要的概念。
它们可以帮助我们理解和描述矩阵的性质和变换，以及在许多实际问题中的应用。
特征值和特征向量的计算和应用对于数学、物理、工程和计算机科学等领域都有重要意义。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
由B可逆便知：x1, , xn 都是非零向量，因而都是A的特征
向量，且 x1, , xn 线性无关。
11.07.2020
21
目录
上页
下页
返回
容易证明相似矩阵的如下性质：
（1）反身性，即 A A 证明 I1AIA
（2）对称性，即如果 A B, 则 B A
证明 P1APB (P1)1B P1A
（3）传递性，即如果 A B, B C , 则A C
证明 P 1 A P B ,Q 1 B Q C
(P Q ) 1A (P Q )C
11.07.2020
13
目录
上页
下页
返回
定理3 设 n阶 方 阵 A(aij)nn的 n个 特 征 值 为 1,2, ,n
(重 特 征 值 按 重 数 算 ), 则 有
(1) 12 nA
(2) 12 na11a22 annt（ rA） ,
证 (1 )由 于 1,2, ,n 为 A 的 特 征 值 ,故 |IA |( 1)( 2) ( n)
P1APB P1APBP1 APB
BP1 PAP1PAA
11.07.2020
25
目录
上页
下页
返回
3.方阵A和B有相等的迹。(性质3.2)
P1APB tr(B)tr(P1A P)tr(A P P 1)tr(A )
4.方阵A和B有相同的特征多项式，因而有相同的特征值。 TH5
P1APB
B I P1API P1(AI)P
tr(BA)
s
n
b jia ij
j 1 i1
ans 故 tr(A B )tr(B A )
目录
上页
下页
返回
相似矩阵的性质
若A和B相似，则
BP 1A P ,P 可 逆 。
1. A和B有相等的秩。
证明（1） P1APB R (P 1A P )R (B )
R (A )R (B )
2.方阵A和B有相等的行列式。(性质3.2)
求矩阵的特征值与特征向量的步骤 (AI)x0
1.求矩阵A的特征方程 AI 0
2.求特征方程的根，即特征值
3.对每个特征值 i 解方程组
(AiI)x0
求出该齐次线性方程组的通解，除去0向量
便得属于 i 的全部特征向量。
11.07.2020
8
目录
上页
下页
返回
例2：求矩阵的特征值和特征向量
2 1 1
1
A
I
0
4
1 3 1
1 0 4
r3
r2
4r1
3
1
0
0
1 1 3
1
0
0
r1 r2
r3 3r2
1
0
0
0 1 0
1
0
0
对 得应 基础于 解1 系 11 的 （ 1全 ， 0部 ， 1） 特 T征 向 量 为 k （ 1 k 0 ） 得基础解
当 2 3 2 时 ， 解 方 程 （ A 2 I ） x 0 系
12 na11a22 ann=tr(A)
11.07.2020
15
目录
上页
下页
返回
定理4
设 A 是 n 阶方阵，
( A ) a 0 I a 1 A a m A m ,
若 为 A 的特征值，则
() a 0 a 1 a mm
是 ( A ) 的特征值.
11.07.2020
16
目录
上页
下页
n
目录
APP P1AP
上页
下页
返回
必要性
设A相似于对角矩阵
d1
D
dn
即存在可逆矩阵B，使得 B1ABD
B(x1, ,xn)
B1ABD A BB D A ( x 1 , ,x n ) ( d 1 x 1 , ,d n x n )
A x 1 d 1 x 1 , ,A x n d n x n
Axx
称 是 矩 阵 A 的 特 征 值 ( e i g e n v a l u e ) ， 称 x 是 矩 阵 A 的 对 应 于 特 征 值 的 特 征 向 量
( e i g e n v e c t o r ) 。
11.07.2020
3
目录
上页
下页
返回
2 1 1
例1
A
4
0
2
3 2 4
返回
证明：设x为A对应于的一个特征向量，则有
a0Ixa0x
a1Axa1x, a2A2xa2Axa2Axa22x
amAmxammx,
以 上 各 式 两 端 求 和 ， (A )x ()x ， 即 ()是 (A )的 特 征 值 。
11.07.2020
17
目录
上页
下页
返回
设 A 是一个三阶矩阵，1，2，3是它的三个特征值，试求
（1） A的主 对角线元素之和
（2） A
(3) A2AI
解 a 1 1 a 2 2 a 3 3 1 2 3 1 2 36
A123 1 2 36
A2AI 的特征值依次为 1113, 22217, 323113
A 2 A I 3 7 1 3 2 7 3
11.07.2020
18
目录
4
目录
上页
下页
返回
命题1 非 零 n 维 向 量 x 是 n 阶 方 阵 A 的 特 征 向 量 的 充 分 必 要 条 件 是 ： 向 量 A x 与 x 共 线 。
命题2 如 果 x 是 矩 阵 A 的 对 应 特 征 值 的 特 征 向 量 ， 则 k （ x k 0 ） 也 是 A 的 对 应 特 征 值 的 特 征 向 量 。
11.07.2020
22
目录
上页
下页
返回
方阵的迹定义3.4
n
设 方 阵 A (a ij)n n ,称 a 1 1 a 2 2 a n na ii为 A 的 迹 ，
记 作
n
tr(A) aii i1
i 1
方阵的迹是它的主对角线上的元素和
例5
2 A 0
4 9 3 5
1 6 0
tr(A)=2+(-3)+0=-1
A
0
2
0
4 1 3
解 A的特征多项式为
2 1 1
AI 0 4
2
1
0 (2)2
3
4
1
3
( 2 ) ( 2 6 4 ) ( 2 ) ( 2 2 )
(1)(2)2
A的特征值为 1 1 , 23 2
11.07.2020
9
目录
上页
下页
返回
当 1 1 时 ， 解 方 程 （ A I ） x 0
目录
上页
下页
返回
3.2.1 相似矩阵及其性质
定 设 A和B为 n 阶矩阵,如果存在n 阶可逆矩阵P，
义 使得 3.3
P1APB
～ 则称A相似于B，或说A和B相似(similar) ,
记做A
B.
（1）反身性 A相似于A
性 质
（2） 对称性 A相似于B，可推出B相似于A
（3） 传递性 A相似于B，B相似于C，可推出 A相似于C。
11.07.2020
性质： (1) tr(A+B)=tr(A)+tr(B)
(2) tr(AB)=tr(BA) (性质3.1)
23
目录
上页
下页
返回
性质3.1 (2) 设 A(aij)ns, B(bij)sn, 则
证明
a11 a12
a
21
a22
an1 an 2
b11 b12
b21
b22
bs1 bs 2
命题3 矩阵A的任一特征向量所对应的特征值是唯一的。
x 0 ， A x 1 x ， A x 2 x
1x2x0 （1x2） 0x012 0
11.07.2020
5
目录
上页
下页
返回
怎样求矩阵A的特征值与特征向量？
Axx 要 求 实 数 与 非 零 向 量 x .
(AI)x0
它有非零解的充分必要条件是
P1 AI P AI
推论 如果矩阵A相似于一个对角矩阵，则对角 矩阵的主对角线上的元素就是A的全部特 征值。
11.07.2020
26
目录
上页
下页
返回
易证 对角形矩阵
1
2
n
则 1,2, ,n
是 的全部特征值。
11.07.2020
27
目录
上页
下页
返回
3.2.2 矩阵的对角化
定理3.6 n 阶矩阵A与n 阶对角矩阵相似的充 分必要条件是A有n个线性无关的特征向量。
充分性
设 A 的 n 个 特 征 向 量 x 1 , ,x n 线 性 无 关 ，
它 们 对 应 的 特 征 值 分 别 是 1 , ,n ,则
Ax1 1x1, ,
Axn nxn
A ( x 1 x n ) (1 x 1 n x n )
记 P(x1
11.07.2020
1
xn)
2
28
4
A2I
0
1 0
1 0
r3
r1
4 1 1
4
0
0
1 0 0
1
0
0
0
1
2
1
1
3
0
4
对 应 于 2 3 2 的 全 部 特 征 向 量 为