Householder变换
Householder变换是一种简洁而有意思的线性变换，也可称为镜面反射变换，Householder变换矩阵为
H
=
I
−
w
T
w
H=I-w^Tw
H=I−wTw
考虑向量
α
\alpha
α和一个单位向量
w
:
w
T
w
=
1
w:w^{T}w=1
w:wTw=1
α
\alpha
α在
w
w
w 方向上的分量是
α
w
/
/
=
(
w
T
α
)
w
=
w
w
T
α
\alpha _{w_{//}}=\left( w^{T}\alpha \right) w=ww^{T}\alpha
αw//=(wTα)w=wwTα
则
α
\alpha
α关于以
w
w
w为法向量的平面的镜面反射为
α
−
2
α
w
/
/
=
α
−
2
w
w
T
α
=
(
I
−
2
w
w
T
)
α
=
H
α
\alpha -2\alpha _{w_{//}}=\alpha -2ww^{T}\alpha =\left( I-2ww^{T}\right) \alpha =H\alpha
α−2αw//=α−2wwTα=(I−2wwT)α=Hα
考虑以下两个特殊向量
H
w
=
(
I
−
2
w
w
T
)
w
=
w
−
2
w
(
w
T
w
)
=
−
w
v
:
w
T
v
=
0
,
H
v
=
(
I
−
2
w
w
T
)
v
=
v
−
2
w
(
w
T
v
)
=
v
\begin{aligned} &Hw=\left( I-2ww^{T}\right) w=w-2w\left( w^{T}w\right) =-w\\ &v:w^{T}v=0,Hv=( I -2ww^{T}) v=v-2w\left( w^{T}v\right) =v \end{aligned}
Hw=(I−2wwT)w=w−2w(wTw)=−wv:wTv=0,Hv=(I−2wwT)v=v−2w(wTv)=v
对于向量
w
w
w，Householder矩阵的作用是将其反向，对于垂直于向量
w
w
w的向量
v
v
v ，Householder矩阵对其不产生改变。那么对于一般的向量
α
\alpha
α，经过Householder矩阵作用后，平行于
w
w
w的分量反向，垂直于
w
w
w的分量保持不变。其整体作用是将向量关于法向量为
w
w
w的平面做镜面对称。
于是也可以得到，Householder变换不改变向量模长，是一种正交变换。两次镜面变换后将反射为自身，同时也是一种对合变换。即
H
H
T
=
I
,
H
2
=
I
HH^{T}=I,H^{2}=I
HHT=I,H2=I
下面从代数层面考虑，上式表明 -1,1为Householder矩阵的特征值。对于向量
w
w
w,可以找到n-1个向量构成n维欧式空间的一组标准正交基。记
Q
=
[
w
,
v
1
,
v
2
,
…
,
v
n
−
1
]
Q=\left[ w,v_{1},v_{2},\ldots ,v_{n-1}\right]
Q=[w,v1,v2,…,vn−1] ，有：
I
=
Q
Q
T
=
w
w
T
+
∑
i
=
1
n
−
1
v
i
v
i
T
H
=
I
−
2
w
w
T
=
−
w
w
T
+
∑
i
=
1
n
−
1
v
i
v
i
T
=
Q
(
−
1
1
⋱
1
)
Q
T
\begin{aligned} I&=QQ^{T}=ww^{T}+\sum ^{n-1}_{i=1}v_{i}v_{i}^{T}\\ H&=I-2ww^{T}=-ww^{T}+\sum ^{n-1}_{i=1}v_{i}v_i^{T}=Q\begin{pmatrix} -1 & & & \\ & 1 & & \\ & & \ddots & \\ & & & 1 \end{pmatrix}Q^{T} \end{aligned}
IH=QQT=wwT+i=1∑n−1viviT=I−2wwT=−wwT+i=1∑n−1viviT=Q
−11⋱1
QT
上式给出了Householder的对角化过程，可以看出其更本质的特征。通过秩为1的矩阵
w
w
T
ww^T
wwT改变了单位矩阵的一个特征值，进而改变其一个特征向量上的缩放变换。
Householder变换用于QR分解
可以通过Householder变换可以将向量
x
x
x变换为任意相同模长的向量
y
y
y：
H
x
=
y
H x = y
Hx=y
其中
H
=
I
−
w
T
w
H=I-w^Tw
H=I−wTw，由Householder变换的本质是法向量为
w
w
w的平面的镜像对称可知
x
−
y
=
∥
x
−
y
∥
w
⟹
w
=
x
−
y
∥
x
−
y
∥
x-y=\lVert x-y \rVert w\\ \implies w=\dfrac{x-y}{\lVert x-y \rVert}
x−y=∥x−y∥w⟹w=∥x−y∥x−y
而利用Householder变换的上述性质可以进行QR分解：
对于任意非奇异矩阵
A
=
[
a
1
a
2
⋯
a
n
]
A=\begin{bmatrix}a_1&a_2&\cdots & a_n\end{bmatrix}
A=[a1a2⋯an]，首先利用Householder变换将
A
A
A矩阵的第一列除第一个元素外全部变成0
H
1
a
1
=
β
e
1
H_1 a_1 = \beta e_1
H1a1=βe1
e
i
e_i
ei是第i个元素为1的单位向量。
H
1
A
=
[
H
1
a
1
H
1
A
′
]
=
[
∗
∗
0
A
^
1
]
H_1 A = \begin{bmatrix}H_1 a_1& H_1A'\end{bmatrix}=\begin{bmatrix}*&*\\0&\hat{A}_1\end{bmatrix}
H1A=[H1a1H1A′]=[∗0∗A^1]
从而我们可以迭代地对维度减一的矩阵
A
^
1
\hat{A}_1
A^1进行上述求解，得到
H
^
2
\hat H_2
H^2 ，则令
H
2
=
(
1
0
0
H
^
2
)
H_2=\left(\begin{matrix}1 &0 \\0 &\hat H_2\end{matrix}\right)
H2=(100H^2) ，则：
H
^
2
A
^
1
=
[
∗
∗
0
A
^
2
]
\hat{H}_2 \hat{A}_1=\begin{bmatrix}*&*\\0&\hat{A}_2\end{bmatrix}
H^2A^1=[∗0∗A^2]
以此类推接着对
A
^
2
\hat{A}_2
A^2 做Householder变换将其第一列除第一元素外变为0。
最终迭代可以得到
H
n
−
1
⋯
H
2
H
1
A
=
R
H_{n-1}\cdots H_2H_1 A=R
Hn−1⋯H2H1A=R
则
Q
T
=
H
n
−
1
⋯
H
2
H
1
Q^T=H_{n-1}\cdots H_2H_1
QT=Hn−1⋯H2H1文章来源：https://www.toymoban.com/news/detail-678261.html
Givens变换
参考链接文章来源地址https://www.toymoban.com/news/detail-678261.html
到了这里，关于矩阵分析：QR分解的文章就介绍完了。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！
