一、标准正交向量(Orthonormal Vector)
在 R \mathbb R R 中,两个向量内积(Inner product)和点积(Dot product)是同一个概念,也就是内积与点积一样。但在 C \mathbb C C中,点积仍然被定义为对应元素相乘,而内积则被附加了共轭以保证物理性质。
对于两个向量
v
v
v 和
w
w
w,如果它们之间的内积为0,那么它们被称为正交。如果它们的长度是标准的1,那么这两向量除了正交还被赋予标准的“title”。也就是这两个向量是互为标准正交向量。如果把多个标准向量放在一个集合中,那么集合叫做标准向量组(集合)。设
q
q
q是标准正交向量组的任意向量,那么:
q
i
T
q
j
=
{
0
(
i
≠
j
)
1
(
i
=
j
)
(1)
q_i^Tq_j=\left\{ \begin{aligned} &0\quad(i\ne j)\\ &1\quad(i= j) \end{aligned} \right.\tag{1}
qiTqj={0(i=j)1(i=j)(1)
将向量 q 1 q_1 q1 q 2 q_2 q2 ⋯ \cdots ⋯ q n q_n qn作为矩阵的列按顺序组合成一个新的矩阵,记为 M M M,显然:
-
M
T
M
=
I
M^TM=I
MTM=I
M T M = [ q 1 q 2 ⋯ q n ] T [ q 1 q 2 ⋯ q n ] = [ q 1 T q 2 T ⋮ q n T ] [ q 1 q 2 ⋯ q n ] = [ q 1 T q 1 q 1 T q 2 ⋯ q 1 T q n q 2 T q 1 q 2 T q 2 ⋯ q 2 T q n ⋮ ⋮ ⋮ ⋮ q 1 T q 1 q 1 T q 2 ⋯ q 1 T q n ] = [ 1 0 ⋯ 0 0 1 ⋯ 0 ⋯ ⋯ ⋯ ⋯ 0 0 ⋯ 1 ] = I M^TM=\begin{bmatrix} q_1 &q_2 \cdots q_n \end{bmatrix}^T\begin{bmatrix} q_1 &q_2 \cdots q_n \end{bmatrix}\\=\begin{bmatrix} q_1^T \\q_2^T\\ \vdots \\q_n^T \end{bmatrix}\begin{bmatrix} q_1 &q_2 \cdots q_n \end{bmatrix}=\begin{bmatrix} q_1^Tq_1 &q_1^Tq_2& \cdots &q_1^Tq_n\\ q_2^Tq_1 &q_2^Tq_2 &\cdots &q_2^Tq_n\\ \vdots &\vdots &\vdots &\vdots \\ q_1^Tq_1 &q_1^Tq_2& \cdots& q_1^Tq_n \end{bmatrix}=\begin{bmatrix}1&0& \cdots&0\\0&1& \cdots&0\\\cdots& \cdots& \cdots& \cdots\\0&0& \cdots&1\end{bmatrix}=I MTM=[q1q2⋯qn]T[q1q2⋯qn]= q1Tq2T⋮qnT [q1q2⋯qn]= q1Tq1q2Tq1⋮q1Tq1q1Tq2q2Tq2⋮q1Tq2⋯⋯⋮⋯q1Tqnq2Tqn⋮q1Tqn = 10⋯001⋯0⋯⋯⋯⋯00⋯1 =I
如果一个矩阵是由标准正交向量组成的,它不能被称为标准正交矩阵。因为线性代数规定一个标准正交向量必须是一个方阵,只有“方方正正”才能被称为标准正交矩阵,简称正交矩阵(Orthogonal matrix),记为 Q Q Q。
我们在谈论正交矩阵时,意味着我们在讨论的是标准正交矩阵,也就是 Q Q Q
对于一个正交矩阵
Q
Q
Q,因为
Q
T
Q
=
I
Q^TQ=I
QTQ=I,所以:
Q
T
=
Q
−
1
Q^T=Q^{-1}
QT=Q−1
验证一下正交矩阵
Q
Q
Q的逆等于
Q
T
Q^T
QT:
Q
Q
T
=
[
0
0
1
1
0
0
0
1
0
]
[
0
1
0
0
0
1
1
0
0
]
=
I
QQ^T=\begin{bmatrix} 0&0&1\\1&0&0\\0&1&0 \end{bmatrix}\begin{bmatrix} 0&1&0\\0&0&1\\1&0&0 \end{bmatrix}=I
QQT=
010001100
001100010
=I
看上去确实如此。
正交矩阵 Q Q Q是由单位正交向量组成的方阵,如果有一列不为单位向量,那么他就不可能是正交矩阵。
再来看另一个例子:
[
cos
θ
−
sin
θ
sin
θ
cos
θ
]
\begin{bmatrix} \cos\theta& -\sin\theta\\ \sin\theta&\cos\theta \end{bmatrix}
[cosθsinθ−sinθcosθ]
随着
θ
\theta
θ的变换,能形成无数多个正交矩阵。
如果一个矩阵是一个正交矩阵,那么:
- 逆矩阵和转置相等。 Q T = Q − 1 Q^T=Q^{-1} QT=Q−1;
- 任意列向量与非自身列向量正交;
- 任意列向量长度为1;
- 行列式为1或者-1;
为什么正交矩阵行列式不是-1就是1?证明的关键在于矩阵转置不改变矩阵的行列式。因为 Q Q T = I QQ^T=I QQT=I 所以有 ∣ Q ∣ ∣ Q T ∣ = 1 |Q||Q^T|=1 ∣Q∣∣QT∣=1,结合矩阵转置不改变行列式的逆,所以有: ∣ Q ∣ 2 = 1 |Q|^2=1 ∣Q∣2=1,也就是 ∣ Q ∣ = ± 1 |Q|=\pm1 ∣Q∣=±1,问题得证。
二、正交矩阵带来的简化
2.1 求解线性方程组的简化
对于线性方程组:
A
x
=
b
Ax=b
Ax=b
如果
A
=
Q
A=Q
A=Q 那么有:
Q
x
=
b
Qx=b
Qx=b
因为
Q
−
1
=
Q
T
Q^{-1}=Q^T
Q−1=QT ,所以:
x
=
Q
T
b
x=Q^{T}b
x=QTb
也就是说如果系数矩阵
A
A
A 是一个正交矩阵,我们通过逆解来求得方程组的解,方程组的解可以通过系数矩阵列向量点乘
b
b
b 向量给出。
2.2 投影矩阵 P P P
如果投影的子空间对应的列向量是一个正交矩阵 Q Q Q ,那么对应的投影矩阵 P P P 是一个单位向量。
P
=
A
(
A
T
A
)
−
1
A
T
P=A(A^TA)^{-1}A^T
P=A(ATA)−1AT
如果矩阵
A
A
A是一个
Q
Q
Q,那么:
P
=
Q
(
Q
T
Q
)
−
1
Q
T
=
I
P=Q(Q^TQ)^{-1}Q^T=I
P=Q(QTQ)−1QT=I
正交矩阵的投影矩阵
P
P
P是单位矩阵,也就是:
p
=
P
b
=
b
p=Pb=b
p=Pb=b
这个告诉我们,如果一个向量往一个单位正交列向量构成的子空间投影,那么向量后将会保持不变。
2.3 线性拟合方程
不仅对于
A
x
=
b
Ax=b
Ax=b 有解情况有所简化,对于拟合方程组也会带来简化:
A
T
b
=
A
T
A
x
^
A^Tb=A^TA\hat x
ATb=ATAx^
若
A
A
A是一个
Q
Q
Q,那么:
Q
T
b
=
Q
T
Q
x
^
Q^Tb=Q^TQ\hat x
QTb=QTQx^
因为
Q
T
Q
=
I
Q^TQ=I
QTQ=I,所以:
x
^
=
Q
T
b
\hat x=Q^Tb
x^=QTb
对于
x
^
\hat x
x^的每一个分量
x
i
x_i
xi有:
x
i
=
q
i
T
b
x_i=q_i^Tb
xi=qiTb
也就是说,一个正交矩阵的列向量与
b
b
b的点积为
x
i
x_i
xi的一个结果。
三、Gram-Schmidt正交化
与前面的的矩阵分解为上三角函数不同,这一次我们将对矩阵进行正交化,使得矩阵中的列向量组是正交向量组,也就是正交矩阵:
- 长度为1
- 相互正交
假如我们有一组线性无关的向量 a a a和 b b b:
显然这两个向量的不是一组正交单位向量组,怎么将这两个向量转换成正交向量
A
A
A和
B
B
B?
联系之前学的投影知识,把 b b b投影至 a a a,再将 b b b投影至与 a a a正交的向量上:
可以取:
A
=
a
B
=
b
−
A
T
b
A
T
A
A
A=a\\ B=b-\frac{A^Tb}{A^TA}A
A=aB=b−ATAATbA
这样一来,两个非正交的向量组
a
a
a
b
b
b就求得了正交向量组
A
A
A
B
B
B。此时,向量
A
A
A和向量
B
B
B并不是正交的,所以需要对他们进行单位化操作:
Schmidt给出了单位化两个向量的方法:
q
1
=
A
∣
∣
A
∣
∣
q
2
=
B
∣
∣
B
∣
∣
q_1=\frac{A}{\vert \vert A\vert\vert }\quad q_2=\frac{B}{\vert\vert B\vert \vert}
q1=∣∣A∣∣Aq2=∣∣B∣∣B
个人理解,给定任意线性无关的向量组 A A A,我们都能找到与之对应的线性无关正交向量组 A ′ A' A′。
对于三个线性无关的向量又该如何进行正交化?
一样的思路:
- 将
a
a
a向量直接作为正交向量组的第一个向量
A = a A=a A=a - 考虑
b
b
b,将向量
b
b
b向
A
A
A得到投影向量
p
p
p,与向量
A
A
A正交的向量记为
B
B
B,同时也是要求的第二个向量:
B = b − A T b A T A A B=b-\frac{A^Tb}{A^TA}A B=b−ATAATbA - 考虑
c
c
c,将
c
c
c分别投影至两个向量,得到
p
1
p_1
p1和
p
2
p_2
p2,因为
C
+
p
1
+
p
2
=
c
C+p_1+p_2=c
C+p1+p2=c,故:
C = c − A T c A T A A − B T c B T B B C=c-\frac{A^Tc}{A^TA}A-\frac{B^Tc}{B^TB}B C=c−ATAATcA−BTBBTcB - 最后别忘了对他们进行单位化
q 1 = A ∣ ∣ A ∣ ∣ q 2 = B ∣ ∣ B ∣ ∣ q 3 = C ∣ ∣ C ∣ ∣ q_1=\frac{A}{\vert \vert A\vert\vert }\quad q_2=\frac{B}{\vert\vert B\vert \vert}\quad q_3=\frac{C}{\vert\vert C\vert\vert} q1=∣∣A∣∣Aq2=∣∣B∣∣Bq3=∣∣C∣∣C
最后举一个简单的例子:
假设有两个线性无关的向量 a = [ 1 1 1 ] a=\begin{bmatrix}1\\1\\1\end{bmatrix} a= 111 和 b = [ 1 0 2 ] b=\begin{bmatrix}1\\0\\2\end{bmatrix} b= 102 ,利用Gram-Schmidt求其对应的正交矩阵。
简单的套用公式:
A
=
a
B
=
b
−
A
T
b
A
T
A
A
A=a\\ B=b-\frac{A^Tb}{A^TA}A
A=aB=b−ATAATbA
容易得:
A
=
a
=
[
1
1
1
]
B
=
[
1
0
2
]
−
3
3
[
1
1
1
]
=
[
0
−
1
1
]
A=a=\begin{bmatrix}1\\1\\1\end{bmatrix} B=\begin{bmatrix}1\\0\\2\end{bmatrix}-\frac{3}{3}\begin{bmatrix}1\\1\\1\end{bmatrix}=\begin{bmatrix}0\\-1\\1\end{bmatrix}
A=a=
111
B=
102
−33
111
=
0−11
最后将其正交化,得到正交矩阵
Q
Q
Q
Q
=
[
q
1
q
2
]
=
[
1
/
3
0
1
/
3
−
1
/
2
1
/
3
1
/
2
]
Q=\begin{bmatrix}q_1&q_2\end{bmatrix}=\begin{bmatrix}1/\sqrt{3}&0\\1/\sqrt{3}&-1/\sqrt{2}\\1/\sqrt{3}&1/\sqrt{2}\end{bmatrix}
Q=[q1q2]=
1/31/31/30−1/21/2
对比正交前矩阵
A
A
A:
A
=
[
1
1
1
0
1
2
]
A=\begin{bmatrix}1&1\\1&0\\1&2\end{bmatrix}
A=
111102
为什么我们将矩阵
A
A
A变成更加复杂得(有很多根号)的正交矩阵?
- 正交化后矩阵的列空间与变化前相同
从矩阵分解的角度,消元法是 A = L U A=LU A=LU,而正交化则是 A = Q R A=QR A=QR,其中 R R R矩阵是一个上三角矩阵。文章来源:https://www.toymoban.com/news/detail-451664.html
对于上面这个例子,
A
=
Q
R
A=QR
A=QR分解其实是:
A
=
[
a
1
a
2
]
A=\begin{bmatrix}a_1&a_2\end{bmatrix}
A=[a1a2]
Q
=
[
q
1
q
2
]
Q=\begin{bmatrix}q_1&q_2\end{bmatrix}
Q=[q1q2]
R
=
[
a
1
T
q
1
a
2
T
q
1
a
1
T
q
2
a
2
T
q
2
]
R=\begin{bmatrix}a_1^Tq_1&a_2^Tq_1\\a_1^Tq_2&a_2^Tq_2\end{bmatrix}
R=[a1Tq1a1Tq2a2Tq1a2Tq2]
显然
q
1
q_1
q1在
a
1
a_1
a1上,所以不为0,但是
q
2
q_2
q2与
a
1
a_1
a1正交,故
a
1
T
q
2
=
0
a_1^Tq_2=0
a1Tq2=0,也就是:
R
=
[
a
1
T
q
1
a
2
T
q
1
0
a
2
T
q
2
]
R=\begin{bmatrix}a_1^Tq_1&a_2^Tq_1\\0&a_2^Tq_2\end{bmatrix}
R=[a1Tq10a2Tq1a2Tq2]
确实是一个上三角矩阵。文章来源地址https://www.toymoban.com/news/detail-451664.html
到了这里,关于17正交矩阵和Gram-Schmidt正交化的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!