QR分解法多用于解决线性代数问题中最小二乘法(Least Square Method)计算线性函数的系数。是其中一种计算特征根的方法,可用于降维。QR分解用到了施密特正交化过程(Gram–Schmidt process),得出一个正交矩阵X。
QR分解法的例子如下:
首先我们先用施密特正交化过程(Gram–Schmidt process)对A进行分解,
其中Q是一个标准化的正交矩阵(Normalized Orthogonal Matrix),R是一个上三角矩阵(Upper Triangular Matrix)。
第一步首先寻找A的正交基(Orthogonal Basis),
随便选择一列(在这个例子中就选第一列好了),作为基准,并作为第一列的偏正交基(Partial Orthogonal Basis),以下简称PoB,记为X
现在偏正交基(PoB)只有一列,每一步随着我们计算其他列,X都会更新,我们同理计算其余两列:
解释下上面的计算,首先需要计算第二列减去第二列在X上的投影,投影怎么算呢?用第二列跟X相对应的列点乘,然后除以X相对应的基的长度(模),再乘以X相对应的基,最后得出的偏正交基还可以约去公约数,因此现在偏正交基X变成了:
我们再计算最后一列:
约去公约数,化成最简单状态(当然也可以不约),最终的偏正交基如下:
接下来我们对X标准化,得出Q,也就是说Q=Normalized(X):
所以,
现在求到了Q,我们下一步需要求R,
我们在等号两边乘以Q的转置,因为Q是正交矩阵,因此Q乘以Q的转置等于单位矩阵(Identical Matrix)则上式变成: