【线性代数】【二】2.10 标准正交基与正交矩阵

文章目录


前言

本文将介绍正交基、正交矩阵、与施密特正交化算法。正交是向量中一种非常好的性质,意味着两个向量互相之间没有冗余,也容易被区分。


一、标准正交基

前面我们学习过,一个向量空间的基是指张成该空间的极大线性无关组。例如 [ 1 , 0 , 0 ] , [ 1 , 1 , 0 ] , [ 1 , 1 , 1 ] [1,0,0],[1,1,0],[1,1,1] [1,0,0],[1,1,0],[1,1,1]便是张成 R 3 R^3 R3空间的一组基,该空间中的任意向量均可由这组向量进行线性表示。

所谓标准正交基,是指满足特殊条件的一组基:

  1. 每个基向量均为单位向量,模长为1,即 ∣ a i ∣ = a i T a i = 1 \vert\bm{a}_i\vert=\sqrt{\bm{a}_i^T\bm{a}_i}=1 ∣ai∣=aiTai =1
  2. 任意两个基向量相互正交,即 a i T a j = 0 \bm{a}_i^T\bm{a}_j=0 aiTaj=0

特别的,如果仅满足条件2)则称为正交基,而不是标准正交基。使用标准正交基来进行向量表示具有许多好处,例如,其表示的向量的模长可仅通过线性表示系数计算得到 。假设我们有一组标准正交基 a 1 , ... , a i , ... , a n \bm{a}_1,\ldots,\bm{a}_i,\ldots,\bm{a}_n a1,...,ai,...,an,任意该空间中的向量 b \bm{b} b可被线性表示为

b = x 1 a 1 + ... + x i a i + x n a n \bm{b}=x_1\bm{a}_1+\ldots+x_i\bm{a}_i+x_n\bm{a}_n b=x1a1+...+xiai+xnan
∣ b ∣ 2 = b T b = ( x 1 a 1 + ... + x i a i + x n a n ) T ( x 1 a 1 + ... + x i a i + x n a n ) \vert\bm{b}\vert^2=\bm{b}^T\bm{b}=(x_1\bm{a}_1+\ldots+x_i\bm{a}_i+x_n\bm{a}_n)^T(x_1\bm{a}_1+\ldots+x_i\bm{a}_i+x_n\bm{a}_n) ∣b∣2=bTb=(x1a1+...+xiai+xnan)T(x1a1+...+xiai+xnan)

带入上述标准正交基的性质,可得
∣ b ∣ 2 = ∑ i N x i 2 \vert\bm{b}\vert^2=\sum_i^Nx_i^2 ∣b∣2=∑iNxi2

二、施密特正交化

R 3 R^3 R3的一组朴素的标准正交基为 [ 1 , 0 , 0 ] , [ 0 , 1 , 0 ] , [ 0 , 0 , 1 ] [1,0,0],[0,1,0],[0,0,1] [1,0,0],[0,1,0],[0,0,1],不过这并非该空间唯一的标准正交基。那么,能否由任意给定的一组普通的基,来构造一组标准正交基呢?施密特正交化便是做了这样一件事。

假设有一组普通的基 a 1 , ... , a i , ... , a n \bm{a}_1,\ldots,\bm{a}_i,\ldots,\bm{a}_n a1,...,ai,...,an,我们要以其为基础构建一组该空间的标准正交基。下面我们来分析一下应该如何去做:单位化简单,只要将每个基向量除以自身的模长即可;正交化怎么去做呢?

这里就要回想到上文所学的子空间投影了,我们已知:向量与子空间投影的差,正交于该子空间。那么我如果们对该组基向量依次做处理,使得每次当前处理得到的向量,与先前已处理的向量构成的子空间正交,便能保证当前处理得到的向量与先前所有向量的正交性。而先前已处理的向量之间的正交性则可由之前的正交化操作保证。由此,所有向量之间均正交。不断构造投影,做差,找到正交于子空间的向量,这就是施密特正交化的思路。

下面,我们正式阐述施密特正交化的过程,首先我们任选一个向量开始,不妨就以 a 1 \bm{a}_1 a1开始,对其进行单位化:

a 1 ∗ = a 1 / ∣ a 1 ∣ \bm{a}_1^*=\bm{a}_1/\vert\bm{a}_1\vert a1∗=a1/∣a1∣。

然后,我们找到向量 a 2 \bm{a}_2 a2,使其与 a 1 ′ \bm{a}_1' a1′正交,也就是做其与投影之差:

a 2 ′ = a 2 − P a 2 \bm{a}_2'=\bm{a}_2-\bm{P}\bm{a_2} a2′=a2−Pa2

再进行单位化:

a 2 ∗ = a 2 ′ / ∣ a 2 ′ ∣ \bm{a}_2^*=\bm{a}_2'/\vert\bm{a}_2'\vert a2∗=a2′/∣a2′∣

其中, P = A T ( A A T ) − 1 A \bm{P}=\bm{A}^T(\bm{AA}^T)^{-1}\bm{A} P=AT(AAT)−1A为投影矩阵,矩阵 A \bm{A} A中的行向量为已处理向量 a 1 ∗ T \bm{a}_1^{*T} a1∗T。

随后继续重复上述操作,只是投影矩阵 P \bm{P} P不断加入新处理好的行向量即可。此外,观察投影矩阵的计算,不难发现,A A T = I \bm{AA}^T=\bm{I} AAT=I总是等于单位阵 (行数与已处理向量数目相同),这是由于基向量之间的正交性,非主对角线上的元素都成立0,而主对角线上的元素都是1,因此该投影矩阵可以化简为 P = A T A \bm{P}=\bm{A}^T\bm{A} P=ATA。

也就是说,如果我们找到子空间的一组标准正交基,那么以该组基进行投影计算得到的投影矩阵均可化简为 P = A T A \bm{P}=\bm{A}^T\bm{A} P=ATA。 这也是为什么在施密特正交化的每一步都进行单位化操作,而不是全部正交化以后再进行单位化。

三、 正交矩阵

进一步扩展上述观察,如果我们把一组标准正交基放入矩阵,若该矩阵是一个方阵,则该方阵必然可逆,且其逆矩阵就是它的转置。因此我们有:由标准正交基构成的方阵 A \bm{A} A一定是可逆矩阵,我们称之为正交矩阵

由此,我们可以很方便地找到矩阵的逆,也就可以很轻松的进行 A x = b \bm{Ax}=\bm{b} Ax=b的求解了,即 x = A − 1 b = A T b \bm{x}=\bm{A}^{-1}\bm{b}=\bm{A}^{T}\bm{b} x=A−1b=ATb


总结

本文介绍了标准正交基的性质,并给出了构造标准正交基的方法,最后引申出正交矩阵的概念。

相关推荐
罗小罗同学2 小时前
医工交叉入门书籍分享:Transformer模型在机器学习领域的应用|个人观点·24-11-22
深度学习·机器学习·transformer
孤独且没人爱的纸鹤2 小时前
【深度学习】:从人工神经网络的基础原理到循环神经网络的先进技术,跨越智能算法的关键发展阶段及其未来趋势,探索技术进步与应用挑战
人工智能·python·深度学习·机器学习·ai
羊小猪~~2 小时前
tensorflow案例7--数据增强与测试集, 训练集, 验证集的构建
人工智能·python·深度学习·机器学习·cnn·tensorflow·neo4j
不去幼儿园4 小时前
【MARL】深入理解多智能体近端策略优化(MAPPO)算法与调参
人工智能·python·算法·机器学习·强化学习
无脑敲代码,bug漫天飞5 小时前
COR 损失函数
人工智能·机器学习
HPC_fac130520678166 小时前
以科学计算为切入点:剖析英伟达服务器过热难题
服务器·人工智能·深度学习·机器学习·计算机视觉·数据挖掘·gpu算力
Guofu_Liao9 小时前
大语言模型---LoRA简介;LoRA的优势;LoRA训练步骤;总结
人工智能·语言模型·自然语言处理·矩阵·llama
老艾的AI世界14 小时前
AI翻唱神器,一键用你喜欢的歌手翻唱他人的曲目(附下载链接)
人工智能·深度学习·神经网络·机器学习·ai·ai翻唱·ai唱歌·ai歌曲
DK2215114 小时前
机器学习系列----关联分析
人工智能·机器学习
FreedomLeo114 小时前
Python数据分析NumPy和pandas(四十、Python 中的建模库statsmodels 和 scikit-learn)
python·机器学习·数据分析·scikit-learn·statsmodels·numpy和pandas