半定矩阵

半定矩阵（Semidefinite Matrix）是线性代数中一类具有特殊结构的重要矩阵，广泛应用于凸优化、统计学、信号处理、量子力学等领域。一个对称（或 Hermitian）实方阵被称为半定矩阵，当且仅当它的所有特征值均同号（非负或非正），即对应的二次型对所有非零向量保持一致的符号方向。

正式定义

设 $A \in \mathbb{R}^{n \times n}$ 为对称矩阵（或 $A$ 为 Hermitian 矩阵）。若对任意非零向量 $x \in \mathbb{R}^n$，二次型 $x^T A x$ 满足：

• 正半定（Positive Semidefinite, PSD）：$x^T A x \geq 0$，记作 $A \succeq 0$；
• 负半定（Negative Semidefinite, NSD）：$x^T A x \leq 0$，记作 $A \preceq 0$。

若严格不等式成立且 $x \neq 0$，则分别为正定矩阵（$A \succ 0$）和负定矩阵（$A \prec 0$），两者统称为定号矩阵。半定则是定号条件的松弛——允许在非零方向上二次型取值恰好为零。

特征值刻画

对于实对称矩阵 $A$，其所有特征值均为实数，半定性可由特征值符号直接判定：

• $A$ 正半定 $\iff$ 所有特征值 $\lambda_i(A) \geq 0$；
• $A$ 负半定 $\iff$ 所有特征值 $\lambda_i(A) \leq 0$。

等价地，秩亏的情形也纳入半定范畴——正半定矩阵允许零特征值，而正定矩阵要求全部特征值严格为正。这一区别在数值分析和优化理论中至关重要，因为许多实际问题（如协方差矩阵在样本量不足时）自然产生半定而非定号的矩阵。

主矩子式判据

除了特征值判据，Sylvester 判据的推广也可用于半定性的判定，但需注意：正半定矩阵不要求所有顺序主子式非负（仅对正定成立），而是要求所有主矩子式非负（不仅限于顺序主子式）。具体地，$A \in \mathbb{R}^{n \times n}$ 正半定当且仅当其所有 $2^n - 1$ 个主矩子式的行列式均非负。这一判据复杂度高，实践中多采用特征值分解或 Cholesky 分解的变体进行判定。

Cholesky 分解与平方根

正半定矩阵的一个核心性质是存在 Cholesky 分解：$A = L L^T$，其中 $L$ 为下三角矩阵（可能秩亏）。对于秩 $r < n$ 的正半定矩阵，$L$ 的最后 $n-r$ 列为零。更一般地，任何正半定矩阵可写为 $A = B^T B$（或 $A = B B^T$），其中 $B \in \mathbb{R}^{m \times n}$。反过来，任何形如 $B^T B$ 的矩阵自动正半定——这一构造在最小二乘问题中频繁出现，设计矩阵 $X$ 产生的 Gram 矩阵 $X^T X$ 总是正半定的。

半定锥与凸性

所有 $n \times n$ 正半定矩阵构成的集合 $\mathcal{S}_+^n$ 是一个自对偶齐次凸锥（self-dual homogeneous convex cone），嵌入在对称矩阵空间 $\mathbb{S}^n$ 中。这一几何结构是半定规划（Semidefinite Programming, SDP）的理论基础。SDP 是线性规划在矩阵变量上的推广，标准形式为：

其中 $\langle \cdot, \cdot \rangle$ 为 Frobenius 内积，约束 $X \succeq 0$ 表示 $X$ 属于正半定锥。SDP 具有多项式时间可解性（内点法），广泛应用于组合优化松弛、控制理论中的线性矩阵不等式（LMI）、以及机器学习中的核方法。

应用场景

统计学与概率：协方差矩阵 $\Sigma = \mathbb{E}[(X - \mu)(X - \mu)^T]$ 天然正半定。在高维统计中，样本协方差矩阵 $\hat{\Sigma} = \frac{1}{n} X^T X$ 的正半定性保证了 Mahalanobis 距离的良定义性（在秩亏时退化为半范数）。

力学与振动分析：刚度矩阵 $K$ 和质量矩阵 $M$ 在有限元方法中通常正半定，其广义特征值问题 $K\phi = \lambda M\phi$ 描述系统自然频率。$K$ 的零特征值对应刚体运动模式。

图论：图的 Laplacian 矩阵 $L = D - A$（$D$ 为度矩阵，$A$ 为邻接矩阵）总是正半定，其第二小特征值（代数连通度）刻画图的连通性。Laplacian 的 Moore-Penrose 伪逆与有效电阻矩阵密切相关。

量子信息：量子态的密度矩阵 $\rho$ 必须正半定且迹为 1。纠缠判据（如 PPT 准则）直接依赖部分转置矩阵的半定性。

机器学习：核矩阵（Gram 矩阵）$K_{ij} = k(x_i, x_j)$ 的正半定性是 Mercer 核函数的必要条件。高斯过程回归中协方差核的正半定性保证预测方差的非负性。

与相关概念的关系

• 正定矩阵：正定是正半定的真子集，排除零特征值，保证可逆性。
• 非负矩阵：指元素非负的矩阵（Perron-Frobenius 理论），与半定无关——元素符号和特征值符号是独立概念。
• 对角占优矩阵：对称严格对角占优且对角元为正 $\implies$ 正定，但对角占优并非半定的必要条件。
• M 矩阵：可逆 M 矩阵的对称情形恰为正定矩阵的逆（若 $A$ 对称正定，则 $A^{-1}$ 为对称 M 矩阵）。

常见误区

1. 混淆半定性与元素非负性：元素全部非负的矩阵不一定是半定的，半定矩阵也不一定元素非负（例如 $\begin{pmatrix} 1 & -2 \\ -2 & 1 \end{pmatrix}$ 既非正半定也非负半定，因其特征值为 $-1, 3$）。
2. 混淆半定与对角占优：对角占优且对角元为正的对称矩阵确实是正定的，但大量正半定矩阵并不对角占优，反之亦然。
3. 误以为 $A \succeq 0$ 必然可逆：秩亏的正半定矩阵不可逆，只能使用伪逆或正则化（如 $A + \epsilon I$）。
4. 滥用顺序主子式判据：仅所有顺序主子式非负不足以判定正半定性（反例：$\begin{pmatrix} 0 & 0 \\ 0 & -1 \end{pmatrix}$ 顺序主子式均为 $0$ 和 $0$ 但非正半定），必须验证所有主矩子式。

历史注记

半定矩阵的系统研究可追溯至 19 世纪 Cauchy、Sylvester 等人对二次型的分类工作。20 世纪中叶，随着线性规划与数值分析的发展，半定锥的结构性质受到重视。1990 年代 Nesterov 与 Nemirovski 建立半定规划的内点法理论后，半定矩阵成为凸优化领域的核心工具，并逐步渗透至组合优化、控制工程与机器学习。

数值判定方法

实际计算中，直接使用特征值分解判定半定性代价较高（$O(n^3)$）。更实用的方案是对称矩阵的 $LDL^T$ 分解：若对角矩阵 $D$ 的所有元素非负，则原矩阵正半定。对于大规模稀疏矩阵，可利用不完全 Cholesky 分解或 Lanczos 方法估计特征值范围。在浮点运算中，由于舍入误差，需引入容差 $\tau$（如 $10^{-12}$）来判断接近零的特征值符号——这也正是半定与定号在数值层面的模糊地带。当矩阵接近秩亏时，正则化技术（如 $A + \lambda I$ 或截断 SVD）常用于稳定后续计算，尤其在高维统计的精度矩阵估计中不可或缺。