二七、标准正交基下求坐标、投影的简便方法

最新推荐文章于 2023-02-26 20:10:44 发布

老青蛙嘎嘎嘎

最新推荐文章于 2023-02-26 20:10:44 发布

阅读量6.3k

点赞数 1

分类专栏：公开课可汗学院线性代数

本文链接：https://blog.csdn.net/gutsyfarmer/article/details/104395237

版权

公开课同时被 3 个专栏收录

41 篇文章 6 订阅

订阅专栏

可汗学院

32 篇文章 0 订阅

订阅专栏

线性代数

30 篇文章 1 订阅

订阅专栏

1. 标准正交基定义

如果一个基中的每一个向量长度为1，且任意两个不同的向量的点积等于0，那么该基就称为标准正交基，例如：

$B = \left \{ \begin{bmatrix} \frac{1}{3}\\ \frac{2}{3}\\ \frac{2}{3} \end{bmatrix}, \begin{bmatrix} \frac{2}{3}\\ \frac{1}{3}\\ -\frac{2}{3} \end{bmatrix} \right \} \qquad or \qquad B' = \left \{ \begin{bmatrix} 1\\ 0\\ 0 \end{bmatrix}, \begin{bmatrix} 0\\ 0\\ 1 \end{bmatrix} \right \}$

2. 标准正交基下坐标的求法

标准正交基有什么好处？它们可以构造很好的坐标系，此时求该坐标系中的坐标时，可以简化计算量

$\left [ \vec{x} \right ]_B = \begin{bmatrix} c_1\\ c_2\\ \cdots \\ c_k \end{bmatrix} = \begin{bmatrix} \vec{v}_1 \cdot \vec{x} \\ \vec{v}_2 \cdot \vec{x} \\ \cdots \\ \vec{v}_k \cdot \vec{x} \end{bmatrix}$

假设：

$B=\left \{ \vec{v}_1, \vec{v}_2, \cdots, \vec{v}_k \right \}$

为子空间V的标准正交基，

$\vec{x} \in V$

$\Rightarrow \vec{x} = c_1 \vec{v}_1 + c_2 \vec{v}_2 + \cdots + c_k \vec{v}_k$

$\Rightarrow \vec{v}_i \cdot \vec{x} = \vec{v}_i \cdot (c_1 \vec{v}_1 + c_2 \vec{v}_2 + \cdots + c_k \vec{v}_k)$

$\Rightarrow \vec{v}_i \cdot \vec{x} = c_1 \vec{v}_i \cdot \vec{v}_1 + c_2 \vec{v}_i \cdot \vec{v}_2 + \cdots + c_i \vec{v}_i \cdot \vec{v}_i + \cdot + c_k \vec{v}_i \cdot \vec{v}_k$

$\Rightarrow \vec{v}_i \cdot \vec{x} = 0 + 0 + \cdots + c_i + \cdots + 0$

$\Rightarrow \vec{v}_i \cdot \vec{x} = c_i$

因此：

通用的做法是：

$\left \[ \vec{x} \right \] = C^{-1} \vec{x}$

但如果维数较多，那么计算量会非常大；如果C不可逆，求解会更麻烦

3. 标准正交基下投影的计算

$Proj_V \vec{x} = AA^T \vec{x}$

假设子空间V的基为标准正交基S：

$S=\left \{ \vec{v}_1, \vec{v}_2, \cdots, \vec{v}_k \right \}$

基S构成的矩阵为：

$\underset{n \times k}{A} = \begin{bmatrix} | & | & & | \\ \vec{v}_1 & \vec{v}_2 & \cdots & \vec{v}_k \\ | & | & & | \end{bmatrix}$

那么：

$\underset{k \times n}{A^T} = \begin{bmatrix} - & \vec{v}_1 & - \\ - & \vec{v}_2 & - \\ & \cdots & \\ - & \vec{v}_k & - \\ \end{bmatrix}$

$\underset{k \times n}{A^T} \underset{n \times k}{A} =\begin{bmatrix} - & \vec{v}_1 & - \\ - & \vec{v}_2 & - \\ & \cdots & \\ - & \vec{v}_k & - \\ \end{bmatrix} \begin{bmatrix} | & | & & | \\ \vec{v}_1 & \vec{v}_2 & \cdots & \vec{v}_k \\ | & | & & | \end{bmatrix} = \begin{bmatrix} 1 & 0 & \cdots & 0 \\ 0 & 1 & \cdots & 0 \\ \cdots & \cdots & \cdots & \cdots \\ 0 & 0 & \cdots & 1 \end{bmatrix} = I_k$

因此：

$Proj_V \vec{x} = A (A^T A)^{-1} A^T \vec{x} = A (I_k)^{-1}A^T \vec{x} = A A^T \vec{x}$

更深层次的理解，针对标准正交基，向量在子空间的投影等于向量在每一个基向量上的投影之和：

假设向量x为Rn中的一个向量，因此：

$\vec{x} = \vec{v} + \vec{w}$

$\Rightarrow \vec{x} = c_1 \vec{v}_1 + c_2 \vec{v}_2 + \cdots + c_k \vec{v}_k + \vec{w}$

$\Rightarrow \vec{v}_i \cdot \vec{x} = c_1 \vec{v}_i \cdot \vec{v}_1 + c_2 \vec{v}_i \cdot \vec{v}_2 + \cdots + c_i \vec{v}_i \cdot \vec{v}_i + \cdots + c_k \vec{v}_i \cdot \vec{v}_k + \vec{v}_i \cdot \vec{w}$

$\Rightarrow \vec{v}_i \cdot \vec{x} = c_i$

$\Rightarrow \vec{x} = (\vec{v}_1 \cdot \vec{x}) \vec{v}_1 + (\vec{v}_2 \cdot \vec{x}) \vec{v}_2 + \cdots + (\vec{v}_k \cdot \vec{x}) \vec{v}_k + \vec{w}$

$\Rightarrow Proj_V \vec{x} = (\vec{x} \cdot \vec{v}_1) \vec{v}_1 + (\vec{x} \cdot \vec{v}_2) \vec{v}_2 + \cdots + (\vec{x} \cdot \vec{v}_k) \vec{v}_k$

即投影等于向量在每一个基向量上的投影之和

注意：向量x不在子空间V中，如果在子空间V中，相当于坐标变换

4. 标准正交方阵基

标准正交方阵基构成的矩阵称为正交矩阵

4.1 正交矩阵转置等于逆:

$C^T = C^{-1}$

证明：

$\underset{k \times n}{C^T} \underset{n \times k}{C} = I_k$

$\underset{n \times n}{C^T} \underset{n \times n}{C} = I_n$

又因为：

$C^{-1} C = I_n$

所以：

$C^T = C^{-1}$

用转置矩阵代替逆矩阵，可以减少计算量

4.2 正交变换保长和保角

变换矩阵为正交矩阵的变换称为正交变换，正交变换保长和保角，即正交变换为旋转变换 (其它变换长度或夹角可能会发生变化):

$\left \| C \vec{x} \right \| = \left \| \vec{x} \right \|$

$\cos \theta = \cos \theta_C$

保长证明：

$\begin{align*} \left \| C \vec{x} \right \| ^2 &= (C \vec{x}) \cdot (C \vec{x}) \\ &= (C\vec{x})^T (C\vec{x}) \\ &= \vec{x}^T C^T C \vec{x} \\ &= \vec{x}^T \vec{x} \\ &= \left \| \vec{x} \right \| ^2 \end{align*}$

保角证明：

$\vec{v} \cdot \vec{w} = \left \| \vec{v} \right \| \left \| \vec{w} \right \| \cos \theta$

$\Rightarrow \cos \theta = \frac{\vec{v} \cdot \vec{w}}{ \left \| \vec{v} \right \| \left \| \vec{w} \right \| }$

向量v和向量w经过C变换后：

$\Rightarrow \cos \theta _C = \frac{(C\vec{v}) \cdot (C\vec{w})}{ \left \| C \vec{v} \right \| \left \| C \vec{w} \right \|}$

$\Rightarrow \cos\theta _C = \frac{(C \vec{v})^T (C \vec{w}))}{\left \| \vec{v} \right \| \left \| \vec{w} \right \|} = \frac{\vec{v} \cdot \vec{w}}{\left \| \vec{v} \right \| \left \| \vec{w} \right \|} = \cos \theta$

5. Gram-Schmidt过程

从普通基构造标准正交基的过程，称为schmidt过程：先将第一个列向量变成单位向量，然后根据第二个列向量在第一个列向量上的投影，求出第二个基向量，以此类推

老青蛙嘎嘎嘎

关注

1
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
二七、标准正交基下求坐标、投影的简便方法

1. 定义如果一个基中的每一个向量长度为1，且任意两个不同的向量的点积等于0，那么该基就称为标准正交基，例如：2. 标准正交基的好处标准正交基有什么好处？它们可以构造很好的坐标系，此时求该坐标系中的坐标时，可以简化计算量假设：为子空间V的标准正交基，因此：通用的做法是：但如果维数较多，那么计算量会非常大；如果C不可逆，求解会更...
复制链接

扫一扫

专栏目录