这部分我们有两个目标。一是了解正交性是怎么让 <mover accent="true"> x ^ </mover> \hat x x^ 、 p p p 、 P P P 的计算变得简单的，这种情况下， A T A A^TA ATA 将会是一个对角矩阵。二是学会怎么从原始向量中构建出正交向量。

1. 标准正交基

向量 q 1 , ⋯ &ThinSpace; , q n q_1, \cdots, q_n q1​,⋯,qn​ 是标准正交的，如果它们满足如下条件：

q i T q j = { <mstyle displaystyle="false" scriptlevel="0"> 0 ， </mstyle> <mstyle displaystyle="false" scriptlevel="0"> <mtext> if  </mtext> i <mpadded width="0px"> ̸ </mpadded> = j ( 正 交 向 量 ) </mstyle> <mstyle displaystyle="false" scriptlevel="0"> 1 ， </mstyle> <mstyle displaystyle="false" scriptlevel="0"> <mtext> if  </mtext> i = j ( 单 位 向 量 ) </mstyle> q_i^Tq_j = \begin{cases} 0，&amp;\text{if } i \not = j \quad(正交向量)\\ 1， &amp;\text{if } i = j \quad(单位向量) \end{cases} qiT​qj​={0，1，​if i̸​=j(正交向量)if i=j(单位向量)​

如果一个矩阵的列是标准正交的，我们称之为 Q Q Q。很容易，我们可以得到 Q T Q = I Q^TQ=I QTQ=I。

当 Q Q Q 是方阵的时候，我们可以得到 Q T = Q − 1 Q^T=Q^{-1} QT=Q−1，也即转置等于逆。

  • 旋转（Rotation）

旋转矩阵 Q Q Q 就是将任意向量逆时针旋转 θ \theta θ，其逆矩阵 Q − 1 Q^{-1} Q−1 就是将任意向量顺时针旋转 θ \theta θ。

  • 置换（Permutation）

置换矩阵的作用就是交换矩阵的行，在消元的时候有很大的作用。

  • 镜像（Reflection）

如果 u u u 是任意单位向量，那么 Q = I − 2 u u T Q = I-2uu^T Q=I−2uuT 是一个正交矩阵。

Q 2 = Q T Q = I Q^2=Q^TQ=I Q2=QTQ=I

绕对称轴镜像两次还是它本身。

取 u 1 = ( 1 , 0 ) u_1=(1, 0) u1​=(1,0)， u 2 = ( 1 / 2 , − 1 / 2 ) u_2=(1/\sqrt2, -1/\sqrt2) u2​=(1/2 ​,−1/2 ​)，然后，我们可以得到两个正交矩阵。

Q 1 Q_1 Q1​ 将任意向量 ( x , y ) (x, y) (x,y) 变为 ( − x , y ) (-x, y) (−x,y)， y y y 轴是镜像轴。 Q 2 Q_2 Q2​ 将任意向量 ( x , y ) (x, y) (x,y) 变为 ( y , x ) (y, x) (y,x)， 45 ° 45° 45° 轴是镜像轴。

可以看到，旋转、置换和镜像都不会改变一个向量的长度。实际上，乘以任意正交矩阵都不会改变向量的长度。

∣ ∣ Q x ∣ ∣ = ∣ ∣ x ∣ ∣ ||Qx||=||x|| ∣∣Qx∣∣=∣∣x∣∣

∣ ∣ Q x ∣ ∣ 2 = ( Q x ) T ( Q x ) = x T Q T Q x = x T I x = ∣ ∣ x ∣ ∣ 2 ||Qx||^2 = (Qx)^T(Qx) = x^TQ^TQx = x^TIx=||x||^2 ∣∣Qx∣∣2=(Qx)T(Qx)=xTQTQx=xTIx=∣∣x∣∣2

而且，正交矩阵也会保留两个向量的点积。

( Q x ) T ( Q y ) = x T Q T Q y = x T y (Qx)^T(Qy) = x^TQ^TQy = x^Ty (Qx)T(Qy)=xTQTQy=xTy

2. 正交矩阵的投影

当矩阵 A A A 变成了正交矩阵 Q Q Q，那么投影就会变得非常简单，我们不需要求任何逆矩阵。

A T A <mover accent="true"> x ^ </mover> = A T b → <mover accent="true"> x ^ </mover> = Q T b A^TA\hat x=A^Tb \to \hat x=Q^Tb ATAx^=ATb→x^=QTb

p = A <mover accent="true"> x ^ </mover> → p = Q <mover accent="true"> x ^ </mover> = Q Q T b p=A\hat x \to p=Q\hat x = QQ^Tb p=Ax^→p=Qx^=QQTb

P = A ( A T A ) − 1 A T → P = Q Q T P = A(A^TA)^{-1}A^T \to P = QQ^T P=A(ATA)−1AT→P=QQT

当 Q Q Q 为方阵的时候，子空间为整个空间，有 Q T = Q − 1 Q^T=Q^{-1} QT=Q−1。 <mover accent="true"> x ^ </mover> = Q T b \hat x = Q^Tb x^=QTb 就等同于 x = Q − 1 b x=Q^{-1}b x=Q−1b，也就是有唯一解， b b b 的投影即为它本身。

这就是傅里叶变化和所有应用数学中各种变化的基础，它们将向量或者函数分解成正交的小片，将这些小片加起来之后就回到了原函数。

3. Gram-Schmidt 正交化和 A A A 的 Q R QR QR 分解

从上面我们可以看到正交对我们是非常有利的，现在我们就要找到一个方法来创造出标准正交的向量。假设我们有三个不相关的向量 a , b , c a, b, c a,b,c，如果我们能构造出正交的三个向量 A , B , C A,B,C A,B,C，那么再除以它们的长度就得到了标准正交向量。

首先，我们选取 A = a A=a A=a，那么 B B B 必须垂直于 A A A 。我们用 b b b 减去其在 A A A 的投影，就得到了垂直于 A A A 的部分，这也就是我们要找的 B B B。

B = b − A T b A T A A B = b - \frac{A^Tb}{A^TA}A B=b−ATAATb​A

接着，我们再用 c c c 减去其在 A A A 和 B B B 的投影，就得到我们要找的 C C C。

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−ATAATc​A−BTBBTc​B

如果我们有更多的向量，那我们就用新的向量减去它在已经设定好的所有向量上的投影即可，最后，我们再除以它们各自的长度就得到了标准正交向量。

可以看到， q 1 = a / ∣ ∣ a ∣ ∣ q_1=a/||a|| q1​=a/∣∣a∣∣，没有涉及到其它向量， a a a、 q 1 q_1 q1​、 A A A 都位于一条线上。第二步中 b b b 也只是 A A A 和 B B B 的线性组合，不涉及到后面的向量， a , b a,b a,b、 q 1 , q 2 q_1,q_2 q1​,q2​、 A , B A,B A,B 都位于一个平面内。在每一个步骤中， a 1 , a 2 , ⋯ &ThinSpace; , a k a_1, a_2, \cdots, a_k a1​,a2​,⋯,ak​ 只是 q 1 , q 2 , ⋯ &ThinSpace; , q k q_1, q_2, \cdots, q_k q1​,q2​,⋯,qk​ 的线性组合，后面的 q q q 没有涉及到。

联系 A A A 和 Q Q Q 的矩阵 R R R 是上三角形矩阵，有 A = Q R A=QR A=QR。

任意 m × n m×n m×n 的矩阵 A A A，如果其列是不相关的，那么就可以分解成 Q R QR QR， Q Q Q 的列是标准正交的，而 R R R 是上三角矩阵并且对角线元素为正，为向量 ⋯ B , C ⋯ \cdots B,C\cdots ⋯B,C⋯ 的长度。

然后，最小二乘就变成了

A T A <mover accent="true"> x ^ </mover> = A T b → R T Q T Q R <mover accent="true"> x ^ </mover> = R T Q T b → R T R <mover accent="true"> x ^ </mover> = R T Q T b → R <mover accent="true"> x ^ </mover> = Q T b → <mover accent="true"> x ^ </mover> = R − 1 Q T b A^TA\hat x=A^Tb \to R^TQ^TQR\hat x=R^TQ^Tb \to R^TR\hat x=R^TQ^Tb \to R\hat x=Q^Tb \to \hat x = R^{-1}Q^Tb ATAx^=ATb→RTQTQRx^=RTQTb→RTRx^=RTQTb→Rx^=QTb→x^=R−1QTb

获取更多精彩，请关注「seniusen」!