正交矩阵 Orthogonal Matrix
正交
- 在线性代数中正交(orthogonal)这个词出现的频率非常多。正交说白了就是垂直。假设向量 x x x和向量 y y y正交,那它俩的点乘为零,可表示为:
x T y = x 1 y 1 + x 2 y 2 + . . . + x n y n = 0 x^Ty = x_1y_1 + x_2y_2 + ... + x_ny_n = 0 xTy=x1y1+x2y2+...+xnyn=0
标准正交
- 如果向量 x x x与向量 y y y的范数(L2 Norm)恰好为1, 也就是说向量 x , y x, y x,y的模长为1,那么这两个向量叫做标准化正交(orthonormal)。
∥ x ∥ = ∥ y ∥ = 1 \left \| x\right \| = \left \| y\right \| = 1 ∥x∥=∥y∥=1
x T x = x 1 2 + x 2 2 + . . . + x n 2 = 1 x^Tx = \sqrt{x_1^2 + x_2^2 + ... + x_n^2} = 1 xTx=x12+x22+...+xn2=1
正交矩阵
- 说了这么半天都是关于向量之间的特殊关系,终于要来定义什么是正交矩阵了,这里官方的定义的名字容易有点让人头晕,我先来用粗体字来表明正交矩阵的特征,正交矩阵是一个方形矩阵,也就是说,正交矩阵只能是行数等于列数的方形矩阵。正交矩阵的列相互标准化正交(orthonormal)。我一开始学的时候也被orthogonal和orthonormal这两个名字搞得有点不知道谁是谁。我觉得“正交矩阵”(orthogonal matrix)应该叫做“标准化正交矩阵”(orthonormal matrix)。总之一个列之间相互标准化正交的方形矩阵被叫做正交矩阵。这里挖个坑坑,先给出正交矩阵最重要的公式:
Q T = Q − 1 ⇒ Q T Q = Q Q T = I Q^T = Q^{-1} \Rightarrow Q^TQ = QQ^T=I QT=Q−1⇒QTQ=QQT=I
先给两个反例,设想两个三维向量 q 1 ∈ R 3 , q 2 ∈ R 3