实对称正定矩阵特征值求解异常：复特征值与负特征值排查

1. numpy.linalg.eig返回复特征值的原因 #

实对称矩阵的特征值理论上全为实数，但eig是通用特征值求解函数，未利用实对称矩阵的特殊结构。当矩阵存在微小数值不对称（比如浮点精度导致的偏差），或计算过程引入噪声时，eig会返回带有极小虚部的复特征值——这些虚部本质是数值误差，并非真实存在。此时应优先使用专为实对称矩阵优化的numpy.linalg.eigh，它会强制返回实特征值。

2. numpy.linalg.eigh出现负特征值的排查方向 #

（1）数值精度导致的虚假负特征值 #

即使物理上矩阵应为正定，以下情况会引发微小负特征值：

• Cholesky分解不代表严格正定：numpy.linalg.cholesky对接近半正定的矩阵可能不报错，仅返回近似分解结果；
• 矩阵构造时的浮点误差：累加、截断操作可能让矩阵偏离严格对称或正定。

解决步骤：

1. 强制矩阵严格对称：计算np.max(np.abs(A - A.T))，若存在微小偏差（如1e-10量级），执行A = (A + A.T) / 2修正；
2. 截断微小负特征值：若负特征值绝对值远小于正特征值（如<1e-10），可视为数值噪声，替换为极小正数：

   import numpy as np
   vals, vecs = np.linalg.eigh(A)
   vals[vals < 1e-10] = 1e-10  # 消除数值误差带来的负特征值
   

（2）物理模型或矩阵构造错误 #

若负特征值的量级与正特征值相当，说明矩阵本身不符合正定要求：

• 核对物理模型推导：确认矩阵对应的物理量（如刚度矩阵、协方差矩阵）是否确实天生正定；
• 检查代码逻辑：排查矩阵构造时的符号错误、索引错误，或输入数据的正确性。

3. 额外验证方法 #

• 用numpy.linalg.eigvalsh直接获取实对称矩阵的特征值，比eigh更高效；
• 对小矩阵，可计算所有顺序主子式，确认均为正（正定矩阵的充要条件）。

内容的提问来源于stack exchange，提问作者Pukhraj Sahu