Cholesky 分解计算器 - 正定矩阵分解

Cholesky 分解是数值线性代数中最重要的矩阵分解之一。给定一个对称正定矩阵 A，该分解会生成唯一的下三角矩阵 L，且其对角线元素严格为正，使得 A = L·Lᵀ。该算法归功于法国炮兵军官 André-Louis Cholesky（1875–1918），于 1924 年身后发表，随后成为科学计算的基石。 本计算器使用的 Cholesky-Banachiewicz 算法按列推进。对于每个对角元素，它先用 A 中对应对角元素减去同一行先前所有元素平方和，再开平方。对于对角线下方的非对角元素，则减去之前计算出的元素点积后再除以当前对角元素。对于 n×n 矩阵，计算量约为 n³/6 次乘法，因此对于对称正定输入，它的效率大约是通用 LU 分解的两倍。 最重要的前提是矩阵既要对称又要正定。对称性表示对所有 (i, j) 都有 A[i][j] = A[j][i]。正定性表示对每个非零实向量 x 都有 xᵀAx > 0，这等价于所有特征值都严格为正。在 Cholesky 算法中，正定性失效会表现为尝试对非正数开平方，而这正是本计算器执行的检查。 在统计学中，协方差矩阵始终是对称且半正定的。当不存在两个变量完全共线时，它们就严格正定，因此可以直接使用 Cholesky 分解。该分解可用于生成多元正态随机样本：如果 z 是由独立标准正态变量组成的向量，那么 L·z 的协方差矩阵就是 A。此技术支撑了相关金融资产的蒙特卡洛模拟、气候模型集合以及结构可靠性分析。 在机器学习中，高斯过程回归和贝叶斯神经网络都严重依赖 Cholesky 分解来高效求逆或计算核矩阵的对数行列式。A 的对数行列式等于 L 的对角线元素对数之和的两倍，这避免了直接计算行列式带来的数值不稳定。卡尔曼滤波实现常使用所谓的平方根卡尔曼滤波，它传播的是协方差矩阵的 Cholesky 因子而不是协方差本身，从而在长期估计问题中显著提升数值稳定性。 本计算器支持 2×2、3×3 和 4×4 矩阵——这些尺寸最常见于课堂练习、小规模数值分析问题以及数值算法原型设计。对于更大的矩阵，同样的算法依然适用，并且可以在现代硬件上借助 BLAS 三级操作高效实现。无论你是在检查作业、验证手算分解，还是探索正定矩阵的性质，这个工具都能即时给出准确的 Cholesky 因子。