目录
注:本博文为本人阅读论文、文章后的原创笔记,未经授权不允许任何转载或商用行为,否则一经发现本人保留追责权利。有问题可留言联系,欢迎指摘批评,共同进步!!!
1 向量的正交
两个非
0
\mathbf{0}
0的列向量
a
j
\mathbf{a_j}
aj和
a
k
\mathbf{a_k}
ak。
若满足
a
j
T
a
k
=
0
\mathbf{a_j^T a_k}=0
ajTak=0,那么
a
j
\mathbf{a_j}
aj和
a
k
\mathbf{a_k}
ak相互正交(orthogonal)。
1、orthonormal:一组单位、正交的向量,相互之间可称为orthonormal;
2、单位正交 ⇒ \Rightarrow ⇒ 线性无关(谁也替代不了谁)。
2 正交矩阵
设{ v i \mathbf{v_i} vi}是一组单位正交向量(orthonormal),每个向量的长度是 n n n。那么,由这组向量组成的方阵 Q n × n \mathbf{Q_{n \times n}} Qn×n={ v 1 v 2 ⋯ v n \mathbf{v_1} \ \mathbf{v_2} \ \cdots \ \mathbf{v_n} v1 v2 ⋯ vn}称为正交矩阵。
性质( Q \mathbf{Q} Q是正交矩阵):
1、正交矩阵是方阵;
2、正交矩阵均可逆,且 Q − 1 \mathbf{Q^{-1}} Q−1= Q T \mathbf{Q^T} QT ( Q Q T = I n × n \mathbf{QQ^T}=\mathbf{I_{n \times n}} QQT=In×n);
3、若互为转置的矩阵也同样互为逆矩阵,那么这两个矩阵都是正交矩阵;
4、组成正交矩阵的行向量和列向量都是单位正交向量(orthonormal),即 Q T \mathbf{Q^T} QT也是正交矩阵;
5、 d e t ( Q Q T ) = 1 ⟹ d e t ( Q ) = d e t ( Q T ) = ± 1 det(\mathbf{QQ^T})=1 \ \Longrightarrow \ det(\mathbf{Q})=det(\mathbf{Q^T})=\pm1 det(QQT)=1 ⟹ det(Q)=det(QT)=±1
2.1 正交矩阵作用于向量的效果
假设
x
\mathbf{x}
x是
n
n
n个元素组成的列向量,在正交矩阵
Q
\mathbf{Q}
Q的作用下求长度的平方(
l
2
n
o
r
m
l_2 \ norm
l2 norm):
∥
Q
x
∥
2
2
=
x
T
Q
T
Q
x
=
x
T
x
=
∥
x
∥
2
2
\left \| \mathbf{Qx} \right \| _2^2 = \mathbf{x^TQ^TQx} = \mathbf{x^Tx} = \left \|\mathbf{x} \right \| _2^2
∥Qx∥22=xTQTQx=xTx=∥x∥22
显然,在正交矩阵的作用下,向量的长度不发生变化。因此正交矩阵的作用效果是旋转(roration)
举例:
2.2 一些特殊性质的正交阵
2.2.1 Permutation Matrix(置换矩阵)
形式:将单位矩阵的行或列打断顺序的矩阵
I
=
[
1
0
0
0
1
0
0
0
1
]
⟹
P
=
[
0
1
0
1
0
0
0
0
1
]
\mathbf{I}=\begin{bmatrix} 1 & 0 & 0\\ 0 & 1 & 0\\ 0 & 0 & 1 \end{bmatrix} \Longrightarrow \mathbf{P} = \begin{bmatrix} 0 & 1 & 0\\ 1 & 0 & 0\\ 0 & 0 & 1 \end{bmatrix}
I=⎣
⎡100010001⎦
⎤⟹P=⎣
⎡010100001⎦
⎤
置换矩阵也是正交矩阵。
2.2.2 Givens Rotation Matrix
2.2.3 Householder Reflection Matrix
由最后这条性质可以看到,由于向量 u \mathbf{u} u和 v \mathbf{v} v的长度相同( l 2 n o r m l_2 \ norm l2 norm相同),Householder矩阵相当于是确定了这两个向量镜面对称平面。Householder变换实际上就是一个镜面反射变换。
3 相关资料
讲解视频:数值线性代数之QR分解 (P1、P2)