开头直接进入状态。这几天整理讲义翻到二次型这一章脑子里蹦出来的第一个念头就是这块内容在考试和实际应用里都特别能“打”。很多学生觉得它抽象一上来就是矩阵、合同、惯性定理绕得头晕。但其实二次型的核心逻辑非常清晰它就是一个带矩阵的二次多项式而你做的所有操作本质上都围绕一个问题怎么把一个看起来乱糟糟的二次多项式通过换坐标的方式变成最简形式。这篇文章我打算从定义讲到实操涵盖二次型的矩阵表示、配方法和正交变换法化标准形、惯性定理与规范形、正定性的判断外加一道完整例题拆解和常见坑点汇总。无论你是期末复习、考研刷题还是工作中偶然碰到二次型比如最优化问题里的Hessian矩阵这篇文章都能当你的一本浓缩笔记用。内容会写得偏“人话”一些尽量把为什么要这么做讲透而不是只丢公式。1. 二次型到底在讲什么从“二次齐次多项式”到对称矩阵1.1 先认清它的长相二次齐次多项式二次型研究的对象说白了就是形如这样的多元二次多项式[ f(x_1,x_2,x_3)2x_1^23x_2^24x_3^22x_1x_2-6x_1x_38x_2x_3 ]注意它的三个特征第一每一项的次数都是2没有一次项也没有常数项第二变量之间是相乘关系交叉项比如 (x_1x_2)第三平方项系数和交叉项系数共同决定整个式子的形状。这种“每一项次数都为2”的多项式就叫二次齐次多项式简称二次型。你可能会问为什么非得研究这种看起来“特殊”的东西因为现实里的很多问题第一步都是做二次近似。比如一个多元函数在某个点附近的泰勒展开一阶项告诉你往哪走二阶项正好就是Hessian矩阵对应的二次型告诉你这个地方是坑还是坡。物理里的能量函数、数据科学里的协方差矩阵本质上都是二次型。所以它一点都不冷门反而到处都是。从 (n2) 的简单情形看(f(x_1,x_2)a_{11}x_1^2a_{22}x_2^22a_{12}x_1x_2)这不就是高中解析几何里的二次曲线方程吗椭圆、双曲线、抛物线它们的方程通通是二次型。所以化标准形在几何上对应的动作就是“旋转伸缩坐标轴”把倾斜的椭圆转正、拉直。1.2 每个二次型都对应一张“身份证”唯一对称矩阵二次型能跟矩阵挂上钩是这门理论最漂亮的一步。给定一个 (n) 元二次型[ f(x_1,x_2,\dots,x_n)\sum_{i1}^{n}\sum_{j1}^{n}a_{ij}x_ix_j ]我可以令交叉项的系数“对半分”强行把它写成对称矩阵的形式。比如 (2a_{12}x_1x_2) 拆成 (a_{12}x_1x_2a_{12}x_2x_1)这样每个二次型都能唯一对应一个对称矩阵 (A)满足 (A^TA)并且[ f(x)x^T A x ]其中 (x(x_1,x_2,\dots,x_n)^T)。这里有个关键点值得单独拿出来说为什么一定要是对称矩阵因为如果不限制对称同一个二次型能对应无数个矩阵。比如 (x_1x_2)它可以写成前面系数是1的矩阵也可以写成系数拆成0.5和0.5的对称矩阵。但只有取对称的那个矩阵和二次型才是一一对应的后面所有性质特征值、正定性才有定义的基础。考试里经常有同学在化二次型为矩阵时把交叉项系数直接填上去比如看到 (6x_1x_2) 就在矩阵的 ((1,2)) 位置写6((2,1)) 位置写0这么写就破坏了对称性后面全乱套。正确做法是两个位置都写3。所以拿到一个二次型第一步永远是先把它翻译成对称矩阵。我习惯用口诀记平方项系数直接放对角线交叉项系数对半分、对称填。1.3 换坐标这件事从相似到合同接下来要操作的核心动作是“换坐标”。比如我令 (xCy)其中 (C) 是一个可逆矩阵这相当于对变量做了一次可逆线性替换。代入之后[ f(x)x^T A x(Cy)^T A (Cy)y^T(C^T A C)y ]新的二次型对应的矩阵是 (BC^T A C)。如果 (C) 是正交矩阵(C^TC^{-1})那么 (BC^{-1}AC)这就是相似变换如果 (C) 只是一般可逆矩阵(BC^TAC)这个关系叫合同。“合同”是二次型理论自己的专属概念。它和相似不一样相似保持特征值不变合同保持的是惯性指数后面会讲和正定性。为什么要引入合同因为二次型关心的不是矩阵本身而是它代表的那个“二次曲面形状”。可逆线性替换不会改变曲面类型所以凡是合同的两个矩阵对应的二次型在几何上就是同一个东西。理解这个概念有个小技巧把矩阵 (A) 想象成一个“度量工具”它告诉你如何测量一个向量。当你换了坐标系乘上 (C)度量工具也得跟着换规则就是 (C^TAC)。正交矩阵 (C) 代表旋转/镜像这种不改变长度的换坐标系方式一般可逆矩阵 (C) 则允许更“暴力”的拉伸变形。二次型理论的精髓就是在所有合法的换坐标系方式里找到最简洁的那个坐标框架。2. 化标准形把乱糟糟的二次型变成一堆平方和2.1 配方法从初中就学过但大学才用得上配方法也叫Lagrange配方法是我最推荐新手先掌握的方法因为它只用初等代数知识逻辑直观而且只要你有耐心一定能算到终点不会像某些方法那样遇到特征值是根号的情况就卡住。它的核心思想是每次挑一个变量比如 (x_1)把所有含 (x_1) 的项集中起来凑成一个完全平方剩下的项不再含 (x_1)。然后换下一个变量重复这个过程。直到所有变量都被“处理”完二次型就变成了一堆平方项的和或差。我拿一个三变量例子手把手走一遍[ fx_1^22x_1x_22x_2^24x_2x_35x_3^2 ]第一步挑 (x_1)。含 (x_1) 的项只有 (x_1^22x_1x_2)这里没有 (x_3) 的交叉项所以配方很干净[ x_1^22x_1x_2(x_1x_2)^2-x_2^2 ]于是[ f(x_1x_2)^2x_2^24x_2x_35x_3^2 ]第二步挑 (x_2)。现在含 (x_2) 的项是 (x_2^24x_2x_3)[ x_2^24x_2x_3(x_22x_3)^2-4x_3^2 ]代入得到[ f(x_1x_2)^2(x_22x_3)^2x_3^2 ]第三步全部配完了这就是标准形。令[ y_1x_1x_2,\quad y_2x_22x_3,\quad y_3x_3 ]这个变换是三角可逆的从最后一个变量倒推能解出所有 (x_i)所以是合法的可逆线性替换。标准形就是[ fy_1^2y_2^2y_3^2 ]如果系数有负的那就得到了“平方差”形式的准标准形规范形会在下一节讲。这里的实操要点是配方时优先挑“平方项系数不为零”的变量。如果某变量没有平方项比如式子开头就是 (2x_1x_2)那就先做一个辅助替换比如 (x_1uv, x_2u-v)强行制造平方项。我见过太多同学卡在这一步其实只要记住这个技巧就不会慌。2.2 正交变换法用特征值一口气解决配方法虽然万能但它给出的线性替换通常是“歪的”非正交在几何上对应的是“拉伸加旋转”图形的形状变了只有类型没变。如果你要求替换必须保持几何形状旋转/镜像即正交变换那就得用正交变换法。这个方法的思想是利用实对称矩阵一定能被正交对角化这个核心定理。步骤很清楚把二次型写成矩阵 (A)求 (A) 的全部特征值 (\lambda_1,\lambda_2,\dots,\lambda_n)对每个特征值求对应的标准正交特征向量组不同特征值的特征向量自动正交同一特征值内部用施密特正交化处理把这些单位正交特征向量按列拼成正交矩阵 (Q)令 (xQy)则 (f\lambda_1 y_1^2\lambda_2 y_2^2\dots\lambda_n y_n^2)。我举个例子。设二次型[ f2x_1^22x_2^22x_3^22x_1x_22x_1x_32x_2x_3 ]它的矩阵是[ A\begin{pmatrix}211\121\112\end{pmatrix} ]求特征值。先写特征多项式[ \det(\lambda I-A)\begin{vmatrix}\lambda-2-1-1\-1\lambda-2-1\-1-1\lambda-2\end{vmatrix} ]我算出特征值为 (\lambda1)二重和 (\lambda4)一重。具体计算我建议在这种步骤上不要跳考试里这也是踩分点。得出特征值后标准形直接是[ fy_1^2y_2^24y_3^2 ]注意标准形中平方项的系数就是特征值与排列顺序无关你可以随意安排 (y) 的顺序。正交变换法最烦但最不容易错的是求特征向量。 (\lambda1) 时解 ((A-I)x0)得到基础解系两个向量比如 ((-1,1,0)^T) 和 ((-1,0,1)^T)。这两个向量已经正交于 (\lambda4) 的特征向量但它们彼此还不正交所以要做施密特正交化再单位化。 (\lambda4) 时得到 ((1,1,1)^T)单位化即可。最后拼出 (Q)。实对称矩阵正交对角化的优点在于特征值本身就是这个二次型在“主轴方向”上的弯曲程度。这在几何上特别直观——三维空间里的二次曲面方程正交变换只是把坐标轴转到曲面的主轴方向不会拉伸曲面所以形状完全保留。2.3 两条路线怎么选场景化对比配方法和正交变换法没有绝对的优劣关键看你在什么场景下用。配方法的优点是不用求特征值计算量通常较小特别适合低维2维、3维和系数简单的题目缺点是对应变换矩阵非正交几何意义不直观。正交变换法的优点是几何意义清晰标准形系数就是特征值还能顺便拿到特征向量为后续分析提供信息缺点是计算量大遇到无理数特征值时过程会很痛苦。我自己给学生定了个选择原则如果题目只要求“化标准形并写出所用变换”优先配方法省时省力如果题目要求“用正交变换化标准形”或者出现在几何应用如判断曲面类型、主轴方向中必须用正交变换法。判断标准很简单——看题目有没有出现“正交”两个字以及你要不要保留几何形状信息。3. 规范形与惯性定理换坐标也换不掉的“特征”3.1 从标准形到规范形把系数浓缩成1、-1、0标准形只是把二次型变成了若干平方项的代数和但系数还不统一可能是 (3y_1^2-2y_2^2\sqrt{5}y_3^2) 这种。如果我进一步对 (y) 做“伸缩”替换比如令 (z_1\sqrt{3}y_1)那系数就变成1了负系数同理变成-1。经过这样的处理后二次型可以写成[ fz_1^2z_2^2\cdotsz_p^2-z_{p1}^2-\cdots-z_{pq}^2 ]平方项的系数只可能是 (1)、(-1) 或0后面变量如果没出现就当成系数0处理。这个形式就叫规范形。(p) 是正平方项的个数叫正惯性指数(q) 是负平方项的个数叫负惯性指数(pq) 等于二次型的秩也就是矩阵的秩。举个例子上面配方法里得到的 (fy_1^2y_2^2y_3^2)它的规范形就是它本身(p3, q0)。如果标准形是 (2y_1^2-3y_2^2)则令 (z_1\sqrt{2}y_1, z_2\sqrt{3}y_2)规范形就是 (z_1^2-z_2^2)此时 (p1,q1)。3.2 惯性定理为什么正负个数“动不了”一个非常深刻的事实是无论你用哪种可逆线性替换去化简同一个二次型得到的规范形里正惯性指数 (p) 和负惯性指数 (q) 永远是固定不变的。这就是惯性定理也叫Sylvester惯性定理。这个定理为什么成立直观理解是这样的可逆线性替换是坐标系的“合法换法”它不会改变二次型函数值的符号分布规律。想象二次型是一个碗面正定型或马鞍面不定型你不管怎么旋转、拉伸坐标轴只要不压缩到零碗的“碗口朝上”的特性不会变成“碗口朝下”。正惯性指数 (p) 衡量的是“最多能有多少个互相独立的方向让二次型在这些方向上都是正的”这个数量是几何本质坐标怎么换都不变。惯性定理带来了一个意外收获我们可以给所有 (n) 元二次型按 ((p,q)) 分类。比如 ((n,0)) 是正定类((0,n)) 是负定类其余都是不定类。同类二次型之间可以通过可逆线性替换互相转化它们其实是同一个“几何对象”的不同坐标表达。这就是“合同关系”的等价类视角合同的两个矩阵必有相同的规范形也就是相同的惯性指数。在考研和期末考试里惯性定理最常出的题型是给你一个带参数的二次型告诉你正负惯性指数让你求参数范围。思路就是先把二次型通过配方法或特征值算到标准形让参数的取值范围保证正项数和负项数符合要求。还有一种间接考法告诉你两个矩阵合同让你判断参数。此时只需证明它们有相同的正负惯性指数即可。3.3 合同关系怎么判三个等价条件判断两个 (n) 阶实对称矩阵 (A,B) 是否合同最实用的判据是这三个条件任选其一它们的正惯性指数和负惯性指数分别相等它们的规范形相同存在可逆矩阵 (C)使得 (BC^TAC)。直接验证条件3通常不现实你很难凭空构造 (C)所以实际操作都是通过规范化形或特征值来判断。由于实对称矩阵的特征值符号决定了正负惯性指数因此也可以通过比较特征值中正数、负数的个数来判断合同。这里要特别提醒合同的矩阵秩相同但秩相同不一定合同。比如 (\mathrm{diag}(1,1)) 和 (\mathrm{diag}(1,-1)) 秩都是2但前者正惯性指数是2后者是1两者不合同。这是初学时最容易混淆的点。4. 正定二次型应用最广的一类“好”二次型4.1 正定的直觉理解它定义了一个“靠谱”的度量如果一个二次型对任意非零向量 (x)都有 (f(x)0)就称它是正定二次型对应的矩阵叫正定矩阵。这个定义用数学语言写出来就是 (x^TAx0) 对一切 (x\neq0) 成立。直觉上正定二次型像一个“弹性势能”或者“距离的平方”。例如 (fx_1^2x_2^2) 就是向量到原点距离的平方它只可能是正的。但 (fx_1^2-x_2^2) 就不是因为取 (x(0,1)) 会得到 -1。正定的本质是在任何非零方向上二次型都严格为正这意味着它对应的矩阵描述的是一个“各方向都下凸”的曲面。反过来如果有些方向为正、有些方向为负那就是不定型像个马鞍。4.2 正定性的四大判据会一个不够要全都会正定性的判断方法很多我这里列四个最常用的每个使用场景不一样。第一顺序主子式判据Sylvester判据。设 (A) 是 (n) 阶对称矩阵它的 (k) 阶顺序主子式就是取前 (k) 行前 (k) 列组成的行列式记为 (\Delta_k)。则 (A) 正定的充要条件是所有 (\Delta_k0)(k1,2,\dots,n)。这是考试中出现频率最高的一种判据因为它完全是代数计算不涉及特征值。但注意如果题目考“半正定”条件会变成所有顺序主子式非负但反过来不成立非负主子式不一定半正定这时候就不要用这个判据改用特征值或定义。第二特征值判据。实对称矩阵正定当且仅当它的所有特征值都大于0。这个方法的好处是判断速度快前提是你已经把特征值求出来了。很多题用顺序主子式不好算比如带参数的高阶矩阵那就转向特征值。第三与单位矩阵合同。(A) 正定当且仅当存在可逆矩阵 (C) 使 (AC^TC)。这个判据常用于理论证明比如证明 (A^TA) 正定只要 (A) 列满秩。从几何上看这个式子说明正定矩阵描述的度量可以分解成“先做一个可逆变形再按标准内积计算”非常漂亮。第四定义法。直接用 (x^TAx0) 验证。这个方法在抽象题里很有用比如给你 (A) 正定、(B) 正定让你判断 (AB) 是否正定。这时候直接取任意非零 (x)有 (x^T(AB)xx^TAxx^TBx0)立刻得出 (AB) 正定。用特征值或主子式反而绕远路。做个小结具体数值矩阵考试首选顺序主子式抽象矩阵证明首选定义法涉及正交变换或二次型化简的场景用特征值涉及分解或最大最小值问题时用合同分解。4.3 正定矩阵的经典应用从极值判断到数据降维正定这个概念在多元微积分和统计里是真正的“主角”。学多元函数时判断一个驻点是不是极小值点靠的就是Hessian矩阵二阶偏导数矩阵的正定性Hessian正定驻点是极小值点Hessian负定驻点是极大值点Hessian不定驻点是鞍点。这个规则的几何直觉就是正定二次型代表“局部像碗面”当然就是谷底。再比如数值优化里牛顿法的核心是求解 (H d-g)其中 (H) 是Hessian矩阵。如果 (H) 是正定矩阵这个线性方程组有很好的数值性质算法效率高、稳定性强。所以很多优化算法会想尽办法让迭代过程中的 (H) 保持正定甚至人为加一个正定修正项比如LM方法来保证方向始终是下降方向。数据科学里的PCA主成分分析也和正定性密切相关。协方差矩阵天生就是半正定矩阵PCA的本质就是求协方差矩阵的特征值和特征向量把数据沿着“方差最大”的方向投影。正定性保证特征值非负这样方差永远不会是负的——如果一个所谓的协方差矩阵出现了负特征值那一定是你数据算错了。5. 完整实操一道综合题从读题到落笔5.1 题目与整体思路我挑一道经典的综合题综合了矩阵表示、正交变换、正定性三个考点设二次型 (f(x_1,x_2,x_3)x_1^22x_2^23x_3^24x_1x_22x_1x_32x_2x_3)问 (1) 写出二次型的矩阵 (A) (2) 用正交变换化 (f) 为标准形 (3) 判断 (A) 是否正定。整体思路是先把二次型翻译成矩阵然后求特征值、特征向量构造正交矩阵最后用特征值正负判断正定性。这道题的难点在第(2)步的计算量以及第(3)步能不能跳出来用特征值快速判断。5.2 完整解题过程(1) 平方项系数放对角线(a_{11}1, a_{22}2, a_{33}3)。交叉项 (4x_1x_2) 对半分((1,2)) 和 ((2,1)) 位置填2(2x_1x_3) 两位置填1(2x_2x_3) 两位置填1。所以[ A\begin{pmatrix}121\221\113\end{pmatrix} ](2) 求特征值。写 (|\lambda I-A|0)[ \begin{vmatrix}\lambda-1-2-1\-2\lambda-2-1\-1-1\lambda-3\end{vmatrix}0 ]我按第一行展开算得特征多项式为 (\lambda^3-6\lambda^23\lambda20)因式分解得 ((\lambda-2)(\lambda^2-4\lambda-1)0)所以特征值为[ \lambda_12,\quad \lambda_22\sqrt{5},\quad \lambda_32-\sqrt{5} ]这里出现无理数了正好提醒大家正交变换法不一定总得到“好看”的整数特征值。没关系继续算特征向量。对 (\lambda_12)解 ((A-2I)x0)。系数矩阵为[ \begin{pmatrix}-121\201\111\end{pmatrix} ]解得基础解系可取 ((1,1,-1)^T)单位化得 (q_1\frac{1}{\sqrt3}(1,1,-1)^T)。对 (\lambda_22\sqrt5)解矩阵 ((A-(2\sqrt5)I)x0)。这里计算量稍大但不复杂取基础解系 ((2,-1-\sqrt5,-1)^T)单位化得一个向量 (q_2)。对 (\lambda_32-\sqrt5)同理得 (q_3)。由于实对称矩阵不同特征值对应的特征向量自动正交所以 (q_1,q_2,q_3) 两两正交、单位化后即为标准正交基。令 (Q(q_1,q_2,q_3))则 (Q^TAQ\mathrm{diag}(2,2\sqrt5,2-\sqrt5))。做替换 (xQy)标准形为[ f2y_1^2(2\sqrt5)y_2^2(2-\sqrt5)y_3^2 ](3) 三个特征值里有一个是负数 (2-\sqrt50)所以矩阵不是正定的二次型是不定二次型。如果这道题换一种问法比如“判断 (f) 是否恒大于0”答案就是否定的——直接举反例 (x) 取对应负特征值的特征向量就能验证。5.3 过程中的易错反思这道题我特意选了特征值为无理数的例子就是要提醒很多同学在算出 (2-\sqrt5) 后会觉得“是不是算错了”。其实特征值是无理数非常正常关键是不要慌继续算特征向量计算过程对数字的敏感度要求更高。另外如果题目只问标准形你算出特征值就可以直接写答案不需要真的去求 (Q)——但题目明确要求“用正交变换”就必须给出完整的 (Q) 矩阵否则会扣步骤分。配方法在这道题里也能做但会得到一个非正交的变换矩阵。如果题目没规定变换类型用配方法明显更省力一旦指定正交变换就别妄想用配方糊弄过去。6. 高频题型一览与避坑心得6.1 三类高频考法速查根据我这些年批改作业和答疑的经验考试里二次型最常见的考法就三类第一类化标准形/规范形。这类题考察对配方法、正交变换法的掌握程度。解题时看清楚题目要求“标准形”还是“规范形”。标准形系数可以任意非零规范形系数只能是 (\pm1)。很多同学在写规范形时直接把标准形系数丢一边不化简这会丢分。还记得规范形必须把系数归一化成 (\pm1)并指出正负惯性指数。第二类带参数讨论。比如“已知二次型 (f2x_1^2x_2^2x_3^22tx_1x_22x_1x_3) 的秩为2求 (t) 及规范形”。这种题的突破口是“秩为2”这个条件它等价于矩阵的秩为2也就是行列式为0。先求出参数再代回化简。注意秩为2只说明 (pq2)即矩阵的秩为2不代表二次型正定还要继续分正负。第三类正定性的参数范围。比如“求实数 (k) 的范围使二次型 (fx_1^24x_2^22k x_1x_2) 正定”。直接用顺序主子式即可(\Delta_110)(\Delta_24-k^20)解得 (|k|2)。如果题目要求半正定把条件改成所有顺序主子式非负但注意还要验证退化情况特征值是否有0。这类题考得最多务必熟练。6.2 五个最容易踩的坑踩坑一是交叉项系数填错。看到 (2x_1x_2) 前系数是4矩阵 ((1,2)) 位置要填2而不是4因为对称位置还要各承担一半。这个“对半分”的规则看似简单但在三阶、四阶矩阵里特别容易忙中出错。踩坑二是配方时忽略可逆性。配方法得到的新变量 (y) 与旧变量 (x) 之间的变换若不验证可逆后面写“所作变换为…”就会被扣分。验证方法很简单看变换对应的矩阵是否满秩或者是否能从 (y) 反解出 (x)。我习惯在写出变换后立刻用“回代法”检验——把 (y) 代入标准形看能否还原原二次型。踩坑三是在正交变换法中忘记施密特正交化。如果是不同特征值对应的特征向量自动正交没问题但如果同一个特征值比如二重根给出了两个不垂直的特征向量必须正交化单位化否则构造的 (Q) 不是正交矩阵整个变换就错了。这是一个特别高频的错误几乎每次改作业都能看到。踩坑四是用顺序主子式判半正定。前面提过非负主子式是半正定的必要条件但不充分。最稳的做法是求特征值或直接看规范形。如果非要用主子式需要验证所有主子式不只是顺序主子式非负但那样计算量太大不值当。踩坑五是把“与对角矩阵相似”和“与对角矩阵合同”混为一谈。两个实对称矩阵相似当且仅当特征值完全相等合同则只要求特征值的符号个数相同。比如 (\mathrm{diag}(1,2)) 和 (\mathrm{diag}(2,1)) 既相似又合同但 (\mathrm{diag}(1,1)) 和 (\mathrm{diag}(2,2)) 合同却不相识特征值不同。做题时先确认考的是哪个关系再选择判据。6.3 一条核心的复习主线最后给正在复习的朋友一条主线建议二次型这一章不要散着学。把所有内容串成一条线就是——任意一个二次齐次多项式本质是一个对称矩阵通过可逆线性替换合同变换化简它得到标准形继而得到唯一确定的规范形规范形中的正负惯性指数 ((p,q)) 是这个二次型的“指纹”任何合法的换坐标都改不了它((n,0)) 这一组指纹对应正定矩阵它有顺序主子式、特征值、单位矩阵合同等多重身份。按这条主线去整理笔记你会发现所有零散的知识点都在同一张图上。做题时先问自己三个问题这是在考代数式还是几何意义非要正交变换吗目标是标准形还是规范形问完思路基本就清晰了。这些年我给学生讲二次型最深的体会是这一章不是靠死记硬背能拿下的但也不是靠题海战术能悟透的。它需要你在“矩阵语言”和“多项式语言”之间反复切换直到两种表达在你脑子里融为一体。一旦跨过了那个坎你会觉得整个线性代数都通了——因为特征值、特征向量、合同、正定这些概念本质上都在描述同一个对象的不同侧面。