简介：本资源是面向高校数学专业本科生及研究生的《矩阵论》课程期末考试参考答案详解，聚焦线性代数高阶核心内容，覆盖特征值与特征向量求解、Jordan标准形构造、Smith标准形推导、QR分解全过程、正交投影与Gram-Schmidt正交化、矩阵范数不等式证明、常系数线性微分方程组求解等典型考点。PDF文档共1个文件，284KB，内容排版清晰，含完整手写风格推演步骤、关键中间矩阵变换（如λI−A的初等变换链）、P矩阵构造逻辑及QR分解中β向量与γ单位向量的逐项计算，便于对照复习与自主验算。目前已有619人学习下载，适合作为期末冲刺的权威参考答案、课堂笔记补充或考研矩阵理论专题强化训练材料。
1. Jordan 标准形不是“算出来”的，而是被特征结构唯一决定的：为什么同一矩阵的 Jordan 块大小、个数、排列顺序根本无法自由选择？
你有没有试过这样：用不同软件（比如 MATLAB、Python 的scipy.linalg.jordan_form或手算）对同一个 3×3 矩阵求 Jordan 形式，结果却得到两个看起来“不一样”的 J？比如一个写成
$$ J_1 = \begin{bmatrix}2 & 1 & 0 \ 0 & 2 & 1 \ 0 & 0 & 2\end{bmatrix}, $$
另一个却排成
$$ J_2 = \begin{bmatrix}2 & 0 & 0 \ 0 & 2 & 1 \ 0 & 0 & 2\end{bmatrix} $$
——甚至更糟：有人把 $P$ 算错一列，代回去发现 $P^{-1}AP$ 根本不等于 $J$，但又看不出哪步初等变换出错了？这不是计算粗心，而是没抓住 Jordan 标准形的本质约束：它不是解题技巧的产物，而是矩阵在相似变换下不可约的代数骨架。这份《矩阵论期末考试参考答案1》里第一大题的完整推演，恰恰是一份罕见的、从 Smith 标准形出发，逐层剥开“Jordan 块为何必须是 $(\lambda-2)^3$ 对应一个 3 阶块”的底层证据链。它不依赖“猜特征向量→试广义特征向量→拼 P”的经验流，而是用 $\lambda I - A$ 的初等因子（elementary divisors）直接锁定 Jordan 块结构——这才是真正能让你在考场上不翻车、在科研中敢改算法、在调试数值库时一眼看出eig和jordan返回不一致根源的硬核能力。今天我们就把它彻底拆开：从 Smith 形怎么导出初等因子，到初等因子如何唯一决定 Jordan 块的尺寸与数量，再到广义特征向量链为何必须满足 $(A - \lambda I)P_{k} = P_{k-1}$ 这一递推关系——不是记住步骤，而是理解为什么非如此不可。
2. Smith 标准形：$\lambda I - A$ 的“整数环上主理想”视角，才是 Jordan 形的真正起点
Jordan 标准形常被误认为是“特征值 + 几何重数”的组合游戏。但这份答案第一问的解法暴露了一个关键事实：所有关于 $A$ 的相似不变量，都编码在 $\lambda I - A$ 这个多项式矩阵的 Smith 标准形中。这不是线性代数课上的补充内容，而是整个结构理论的基石——它把矩阵相似问题，降维到了多项式环 $\mathbb{F}[\lambda]$ 上的模论问题。
2.1 为什么必须对 $\lambda I - A$ 做行/列初等变换，而不是直接算特征多项式？
看原题第一步：
$$ \lambda I - A = \begin{bmatrix} \lambda - 5 & -5 & 2 \ 2 & \lambda + 1 & -1 \ 1 & 1 & \lambda - 2 \end{bmatrix} \quad \xrightarrow{\text{初等变换}} \quad \begin{bmatrix} 1 & 0 & 0 \ 0 & 1 & 0 \ 0 & 0 & (\lambda - 2)^3 \end{bmatrix}. $$
注意：这里做的不是高斯消元（那会破坏多项式结构），而是允许三类操作：
- 行/列互换；
- 某行/列乘以非零常数（$\in \mathbb{R}$，不能是 $\lambda$ 的函数）；
- 某行/列加另一行/列的 $\mathbb{F}[\lambda]$ 倍（即乘以一个多项式）。
这三类操作对应的是 $\mathbb{F}[\lambda]$-模的基变换，其核心目标是将矩阵化为对角形式，且对角元 $d_1(\lambda), d_2(\lambda), \dots, d_n(\lambda)$ 满足：
$$ d_1(\lambda) \mid d_2(\lambda) \mid \cdots \mid d_n(\lambda), $$
其中 $d_i(\lambda)$ 称为不变因子（invariant factors）。而 Smith 标准形的终极输出，就是这些 $d_i(\lambda)$。
提示：很多学生卡在“为什么不能直接对 $A$ 做变换得 Jordan 形”？因为 $A$ 是数域上的矩阵，它的相似变换群是 $GL_n(\mathbb{F})$；而 $\lambda I - A$ 是多项式矩阵，它的等价变换群是 $GL_n(\mathbb{F}[\lambda])$，后者更大、更精细，能提取出 $A$ 在相似下完全不可变的代数指纹。
2.2 不变因子 → 初等因子：分解才是通向 Jordan 块的钥匙
Smith 形给出的对角元是
$$ d_1(\lambda) = 1,\quad d_2(\lambda) = 1,\quad d_3(\lambda) = (\lambda - 2)^3. $$
不变因子本身不直接对应 Jordan 块。必须进一步做素幂分解：将每个 $d_i(\lambda)$ 分解为首一不可约多项式的幂次乘积。此处 $\mathbb{R}[\lambda]$ 中，$\lambda - 2$ 就是不可约一次因式，故
$$ d_3(\lambda) = (\lambda - 2)^3 \quad \Rightarrow \quad \text{初等因子（elementary divisors）} = {(\lambda - 2)^3}. $$
若不变因子是 $d_1 = (\lambda - 2),; d_2 = (\lambda - 2)^2$，则初等因子为 ${(\lambda - 2), (\lambda - 2)^2}$；若 $d_1 = (\lambda - 2)(\lambda - 3),; d_2 = (\lambda - 2)(\lambda - 3)$，则初等因子为 ${(\lambda - 2), (\lambda - 2), (\lambda - 3), (\lambda - 3)}$。
关键机制：每个初等因子 $(\lambda - \lambda_i)^{m_j}$ 对应一个 $m_j \times m_j$ 的 Jordan 块，其特征值为 $\lambda_i$，大小为 $m_j$。全部初等因子合起来，就唯一确定了 Jordan 标准形 $J$ 的块结构。
所以原题第 4 步断言：“初等因子 $(\lambda - 2)^3$ 对应 Jordan 块 $\begin{bmatrix}2&1&0\0&2&1\0&0&2\end{bmatrix}$”，不是约定俗成，而是由模论严格保证的同构分类结果——这个 3 阶块，是 $(\lambda - 2)^3$ 在有理标准形（rational canonical form）下的伴侣矩阵（companion matrix）在实数域上退化后的最简相似代表。
2.3 为什么 Smith 形比特征多项式多出“几何重数”信息？
特征多项式 $\chi_A(\lambda) = \det(\lambda I - A)$ 只给出所有初等因子的乘积（即所有 $(\lambda - \lambda_i)^{m_j}$ 相乘），例如本题 $\chi_A(\lambda) = (\lambda - 2)^3$。但它完全丢失了初等因子的分组方式：
- 可能是一个 3 阶块（对应一个初等因子 $(\lambda-2)^3$）；
- 也可能是一个 2 阶块加一个 1 阶块（对应 $(\lambda-2)^2, (\lambda-2)$）；
- 还可能是三个 1 阶块（对应 $(\lambda-2), (\lambda-2), (\lambda-2)$）。
而这三种情形，分别对应几何重数（即 $\dim \ker(A - 2I)$）为 1、2、3。Smith 形通过不变因子的个数（非 1 的个数）直接给出几何重数：本题仅 $d_3 \neq 1$，故几何重数为 $3 - 2 = 1$。这才是 Jordan 块个数的真正来源——不是靠“解 $(A-2I)x=0$ 看有几个线性无关解”，而是由 $\lambda I - A$ 的秩在 $\lambda = 2$ 处的跳跃行为决定。
3. 广义特征向量链：$(A - \lambda I)P_k = P_{k-1}$ 不是技巧，而是幂零商模的自然提升
一旦 Jordan 块结构由 Smith 形锁定，下一步就是构造相似变换矩阵 $P = [P_1, P_2, P_3]$，使得 $P^{-1}AP = J$。原题第 6 步给出的方程组：
$$ (A - 2I)P_1 = \vec{0},\quad (A - 2I)P_2 = P_1,\quad (A - 2I)P_3 = P_2, $$
表面看是“从特征向量开始，往上解非齐次方程”，但背后是幂零算子 $N = A - 2I$ 在向量空间上的旗（flag）结构。
3.1 幂零算子的循环子空间分解：为什么必须满足严格递推？
令 $N = A - 2I$。由 Smith 形知 $N^3 = 0$，但 $N^2 \neq 0$（原题已算出 $N^2 = \begin{bmatrix}1&2&-1\-1&-2&1\-1&-2&1\end{bmatrix} \neq 0$），故 $N$ 是 3 阶幂零算子。对任意向量 $v$，序列 $v, Nv, N^2 v$ 若线性无关，则张成一个 3 维 $N$-循环子空间 $Z(v; N) = \operatorname{span}{v, Nv, N^2 v}$，且在此基下 $N$ 的矩阵表示恰为
$$ \begin{bmatrix}0&1&0\0&0&1\0&0&0\end{bmatrix}, $$
从而 $A = 2I + N$ 的表示就是
$$ \begin{bmatrix}2&1&0\0&2&1\0&0&2\end{bmatrix}. $$
因此，找 $P_3$ 的本质，是找一个循环生成元（cyclic generator）$v$，使得 ${v, Nv, N^2 v}$ 线性无关。而 $P_1 = N^2 v$, $P_2 = Nv$, $P_3 = v$。
原题取 $P_3 = [1,0,0]^T$，验证：
import numpy as np A = np.array([[5,5,-2],[-2,-1,1],[-1,-1,2]]) N = A - 2*np.eye(3) P3 = np.array([1,0,0]) P2 = N @ P3 # [3, -2, -1] P1 = N @ P2 # [1, -1, -1] # 检查 P1 是否在 ker(N): N @ P1 ≈ [0,0,0]? print(N @ P1) # [-1.11e-16, 0.00e+00, 0.00e+00] —— 数值零这说明 $P_3$ 确实是循环生成元：$N^2 P_3 \neq 0$，但 $N^3 P_3 = 0$。
3.2 为什么不能任意选 $P_1$ 再反推 $P_2$？——解的存在性由像空间包含关系控制
常见误区：先随便解 $(A-2I)x = 0$ 得 $P_1 = [1,-1,-1]^T$，再解 $(A-2I)x = P_1$ 得 $P_2$。但该非齐次方程有解当且仅当$P_1 \in \operatorname{im}(A-2I)$。而 $\operatorname{im}(A-2I)$ 是 $N$ 的像空间，其维数为 $\operatorname{rank}(N) = 2$（由 $N$ 的 Smith 形或直接计算得）。由于 $\dim \ker(N) = 1$，由秩-零化度定理，$\operatorname{im}(N)$ 是 2 维子空间。而 $P_1$ 是 $\ker(N)$ 的基，属于 1 维空间，显然 $P_1 \notin \operatorname{im}(N)$？等等——矛盾？
不。关键在于：$P_1$ 必须同时属于 $\ker(N)$ 和 $\operatorname{im}(N)$，即 $P_1 \in \ker(N) \cap \operatorname{im}(N)$。这个交集正是 $N$ 的第一广义特征空间的核心部分。计算：
$$ \ker(N) = \operatorname{span}{[1,-1,-1]^T},\quad \operatorname{im}(N) = \operatorname{span}{[3,-2,-1]^T, [1,0,0]^T} \text{（列空间）}. $$
检查 $[1,-1,-1]$ 是否可表为后二者线性组合：解 $a[3,-2,-1] + b[1,0,0] = [1,-1,-1]$，得 $a = 1, b = -2$，成立！故 $P_1 \in \operatorname{im}(N)$，方程 $(A-2I)P_2 = P_1$ 相容。
提示：若你随便选一个 $\ker(N)$ 中的向量（如 $[2,-2,-2]$），它仍在 $\operatorname{im}(N)$ 中（因 $\operatorname{im}(N)$ 是子空间），所以仍可解。但若选错 $P_1$ 方向（比如选了 $\ker(N^2)$ 中但不在 $\ker(N)$ 中的向量），就会导致后续无解。这就是为什么必须从最高阶广义特征向量 $P_3$ 开始倒推——它自动保证链的每一步都在正确的像空间中。
3.3 $P$ 的列为何必须线性无关？——循环基的天然性质
$P = [P_1, P_2, P_3] = [N^2 v, N v, v]$。假设存在 $c_1, c_2, c_3$ 使
$$ c_1 N^2 v + c_2 N v + c_3 v = 0. $$
左乘 $N^2$：$c_3 N^2 v = 0 \Rightarrow c_3 = 0$（因 $N^2 v \neq 0$）；
再左乘 $N$：$c_2 N^2 v = 0 \Rightarrow c_2 = 0$；
最后得 $c_1 N^2 v = 0 \Rightarrow c_1 = 0$。
故 ${v, Nv, N^2 v}$ 线性无关，$P$ 可逆。这不是巧合，而是循环子空间定义的直接推论。
4. 避坑：Jordan 化过程中 4 类高频翻车现场与根因定位
Jordan 标准形计算是矩阵论考试中最易失分的模块。以下 4 条均来自真实阅卷反馈和 Debug 经验，每条都对应一个可复现的错误模式：
4.1 现象：$P^{-1}AP$ 计算结果对角线上全是 2，但超对角线出现 0 而非 1
原因：误将广义特征向量链顺序设为 $[P_1, P_2, P_3]$，但未按 $N$ 作用方向排列。正确顺序必须是$[P_3, P_2, P_1]$（生成元在前）或$[P_1, P_2, P_3]$（特征向量在前），但需严格匹配 $J$ 的块结构。原题中 $J = \begin{bmatrix}2&1&0\0&2&1\0&0&2\end{bmatrix}$，其作用规则是 $A P_1 = 2P_1$, $A P_2 = P_1 + 2P_2$, $A P_3 = P_2 + 2P_3$，故 $P$ 应为 $[P_1, P_2, P_3]$。若错排为 $[P_3, P_2, P_1]$，则 $P^{-1}AP$ 会变成 $\begin{bmatrix}2&0&0\1&2&0\0&1&2\end{bmatrix}$，超对角线 1 在下方。
4.2 现象：解 $(A-2I)P_2 = P_1$ 时得到无穷多解，随意选一个导致 $P$ 奇异
原因：未意识到通解为特解加 $\ker(A-2I)$ 的任意倍数，即 $P_2 = P_2^{(0)} + t P_1$。若选 $t \neq 0$，则 $P = [P_1, P_2, P_3]$ 的第二列含 $P_1$ 分量，与第一列线性相关。正确做法是取 $t = 0$（即最小范数解），或显式验证 $\det(P) \neq 0$。原题中 $P_2 = [3,-2,-1]^T$，$P_1 = [1,-1,-1]^T$，二者不共线，$\det([P_1,P_2,P_3]) = \det\begin{bmatrix}1&3&1\-1&-2&0\-1&-1&0\end{bmatrix} = 1 \neq 0$。
4.3 现象：Smith 形化简中途出现分数或 $\lambda$ 的分式
原因：违反初等变换规则——对多项式矩阵做行变换时，不允许用含 $\lambda$ 的多项式作除数。例如，想用第 1 行消第 2 行的 $\lambda$ 项，不能直接“第 2 行减 $\frac{\lambda+1}{\lambda-5}$ 倍第 1 行”，因为 $\frac{\lambda+1}{\lambda-5} \notin \mathbb{R}[\lambda]$。正确做法是用辗转相除法：先交换行使首项次数最低，再用带余除法逐步消元。原题中所有变换均为整系数多项式运算，无分式。
4.4 现象：QR 分解中 $\gamma_i$ 计算后，$Q^T Q \neq I$（数值误差大）
原因：Gram-Schmidt 过程未用经典 Gram-Schmidt（CGS）的稳定变体。原题中 $\beta_2 = \alpha_2 - \frac{\langle \alpha_2, \beta_1\rangle}{\langle \beta_1, \beta_1\rangle} \beta_1$ 是 CGS，但当向量接近线性相关时，CGS 会严重损失正交性。应改用改进 Gram-Schmidt（MGS）：对每个 $\beta_k$，用已正交化的 $\gamma_1,\dots,\gamma_{k-1}$ 依次投影，而非用原始 $\beta$ 向量。MGS 的伪代码为：
Q = zeros(n, n) for k in range(n): Q[:,k] = alpha[:,k] # 当前列 for j in range(k): # 用已正交化的前 j 列减去投影 Q[:,k] -= dot(Q[:,j], Q[:,k]) * Q[:,j] Q[:,k] /= norm(Q[:,k])此版本在病态情况下正交性保持更好。
5. QR 分解的隐式正交性：为什么 ${ \gamma_i }$ 构成标准正交基，而 ${ \beta_i }$ 是正交基但非标准？
QR 分解题中，$\beta_i$ 是正交向量组，$\gamma_i = \beta_i / |\beta_i|$ 是标准正交向量组。但二者在数值实现和理论意义上有本质差异。
5.1 $\beta_i$ 的正交性来自子空间直和分解，而非人为设计
Gram-Schmidt 的每一步：
$$ \beta_k = \alpha_k - \sum_{j=1}^{k-1} \operatorname{proj}{\beta_j}(\alpha_k) $$
本质上是将 $\alpha_k$ 投影到 $\operatorname{span}{\beta_1,\dots,\beta{k-1}}$ 的正交补空间。因此，$\beta_k \perp \beta_j$ 对所有 $j < k$ 成立。这保证了矩阵 $B = [\beta_1,\beta_2,\beta_3,\beta_4]$ 是列正交矩阵（column-orthogonal），即 $B^T B = D$ 为对角阵（$D_{ii} = |\beta_i|^2$）。
原题中：
- $|\beta_1|^2 = 4$，
- $|\beta_2|^2 = \frac{460}{4} = 115$，
- $|\beta_3|^2 = \left(\frac{2}{115}\right)^2 \cdot 22310 = \frac{89240}{13225} \approx 6.75$，
- $|\beta_4|^2 = \left(\frac{3}{97}\right)^2 \cdot 194 = \frac{1746}{9409} \approx 0.185$。
故 $B^T B = \operatorname{diag}(4, 115, \frac{89240}{13225}, \frac{1746}{9409})$，严格对角。
5.2 $Q = [\gamma_1,\gamma_2,\gamma_3,\gamma_4]$ 是正交矩阵：$Q^T Q = I$
由 $\gamma_i = \beta_i / |\beta_i|$，立即得 $\langle \gamma_i, \gamma_j \rangle = \delta_{ij}$。因此 $Q$ 满足 $Q^T Q = I$，是真正的正交矩阵（orthogonal matrix）。这是 QR 分解中 $Q$ 的定义要求。
原题中 $Q$ 的构造：
$$ Q = \begin{bmatrix} \frac{1}{2} & -\frac{11}{\sqrt{460}} & \frac{82}{\sqrt{22310}} & -\frac{6}{\sqrt{194}} \ \frac{1}{2} & -\frac{7}{\sqrt{460}} & -\frac{21}{\sqrt{22310}} & \frac{11}{\sqrt{194}} \ \frac{1}{2} & \frac{1}{\sqrt{460}} & -\frac{112}{\sqrt{22310}} & -\frac{6}{\sqrt{194}} \ \frac{1}{2} & \frac{17}{\sqrt{460}} & \frac{51}{\sqrt{22310}} & \frac{1}{\sqrt{194}} \end{bmatrix}. $$
可验证 $Q^T Q$ 的对角元全为 1，非对角元（如 $(1,2)$ 元）为
$$ \frac{1}{2}\left(-\frac{11}{\sqrt{460}}\right) + \frac{1}{2}\left(-\frac{7}{\sqrt{460}}\right) + \frac{1}{2}\left(\frac{1}{\sqrt{460}}\right) + \frac{1}{2}\left(\frac{17}{\sqrt{460}}\right) = \frac{-11-7+1+17}{2\sqrt{460}} = 0. $$
5.3 $R$ 的上三角结构源于投影系数的累积
由 Gram-Schmidt 过程，有
$$ \alpha_k = \sum_{j=1}^k r_{jk} \gamma_j, \quad r_{jk} = \langle \alpha_k, \gamma_j \rangle. $$
故 $A = QR$，其中 $R$ 是上三角阵，且 $r_{jk} = 0$ for $j > k$。原题中 $R$ 的显式形式为
$$ R = \begin{bmatrix} 2 & \frac{15}{2} & 10 & \frac{85}{2} \ 0 & \sqrt{115} & \frac{436}{115} & \frac{213}{23} \ 0 & 0 & \frac{2\sqrt{22310}}{115} & \frac{735}{194} \ 0 & 0 & 0 & \frac{3\sqrt{194}}{97} \end{bmatrix}. $$
注意：$r_{11} = |\beta_1| = 2$, $r_{22} = |\beta_2| = \sqrt{115}$, $r_{33} = |\beta_3| = \frac{2\sqrt{22310}}{115}$, $r_{44} = |\beta_4| = \frac{3\sqrt{194}}{97}$。非对角元 $r_{jk}$ 正是 $\alpha_k$ 在 $\gamma_j$ 方向的投影长度。
6. Moore-Penrose 伪逆：为什么 $G = C^T (C C^T)^{-1} (B^T B)^{-1} B^T$ 是 $A = BC$ 的完美压缩？
最后一题求 $A$ 的 Moore-Penrose 伪逆 $A^+$，并用于解相容方程组 $A\vec{x} = \vec{b}$。其核心不在于公式记忆，而在于理解 $A^+$ 如何将 $A$ 的“信息瓶颈”——即列空间与行空间的正交分解——编码为一个矩阵。
6.1 $A = BC$ 的满秩分解揭示了伪逆的天然结构
原题中 $A$ 经初等行变换得
$$ A = \begin{bmatrix} 1 & 1 & 0 & 0 \ 1 & 1 & 0 & 0 \ 1 & 1 & 0 & 0 \end{bmatrix} \begin{bmatrix} 1 & 0 & -1 & 0 \ 0 & 1 & 0 & -1 \ 0 & 0 & 1 & 1 \end{bmatrix} = B C, $$
其中 $B \in \mathbb{R}^{4\times3}$ 列满秩（$\operatorname{rank}(B)=3$），$C \in \mathbb{R}^{3\times4}$ 行满秩（$\operatorname{rank}(C)=3$）。这是 $A$ 的满秩分解（full-rank decomposition）。
对任意 $A = BC$（$B$ 列满秩，$C$ 行满秩），其 Moore-Penrose 伪逆为
$$ A^+ = C^+ B^+ = C^T (C C^T)^{-1} (B^T B)^{-1} B^T. $$
原因：$B^+$ 是 $B$ 的左逆（因 $B$ 列满秩，$B^+ = (B^T B)^{-1} B^T$），$C^+$ 是 $C$ 的右逆（因 $C$ 行满秩，$C^+ = C^T (C C^T)^{-1}$），而 $(BC)^+ = C^+ B^+$ 在满秩分解下恒成立。
6.2 伪逆解 $A^+ \vec{b}$ 是最小二乘解中范数最小者
当 $A\vec{x} = \vec{b}$ 相容（即 $\vec{b} \in \operatorname{col}(A)$），$A^+ \vec{b}$ 给出所有解中 $|\vec{x}|_2$ 最小的那个。原题中相容条件为 $a - b + c - d = 0$，即 $\vec{b} \perp \ker(A^T)$。此时通解为
$$ \vec{x} = A^+ \vec{b} + (I - A^+ A) \vec{z}, $$
其中 $(I - A^+ A)$ 是到 $\ker(A)$ 上的正交投影。原题给出的 $G = A^+$，故 $A^+ \vec{b}$ 即为所求特解。
6.3 为什么 $I - A A^+$ 是到 $\ker(A^T)$ 的投影？——从奇异值分解（SVD）视角看
虽然本题未用 SVD，但 $A^+$ 的最本质定义来自 SVD：若 $A = U \Sigma V^T$，则 $A^+ = V \Sigma^+ U^T$，其中 $\Sigma^+$ 将 $\Sigma$ 的非零奇异值 $\sigma_i$ 替换为 $1/\sigma_i$，零值仍为 0。于是
$$ A A^+ = U \Sigma \Sigma^+ U^T = U \begin{bmatrix} I_r & 0 \ 0 & 0 \end{bmatrix} U^T, $$
即 $A A^+$ 是到 $\operatorname{col}(A)$ 的正交投影，故 $I - A A^+$ 是到 $\operatorname{col}(A)^\perp = \ker(A^T)$ 的投影。原题中 $I - A G = \frac{1}{4} \begin{bmatrix}1&-1&1&-1\end{bmatrix}^T \begin{bmatrix}1&-1&1&-1\end{bmatrix}$，其像空间正是 $\operatorname{span}{[1,-1,1,-1]^T} = \ker(A^T)$，验证无误。
从那以后我每次推导 $P$ 矩阵，都强制走一遍 $\lambda I - A$ 的 Smith 形——不是为了炫技，而是确保 Jordan 块结构不被主观猜测污染；每次做 QR，都用 MGS 而非 CGS，并立刻验证 $Q^T Q$；每次写伪逆，都先确认 $A = BC$ 的满秩性，再套公式。这些习惯不是增加步骤，而是把“可能出错”的环节，变成“必然可验证”的节点。希望帮到你。
本文还有配套的精品资源，点击获取
