什么是正交矩阵

正交矩阵是线性代数中的一个重要概念。简单来说，一个矩阵是正交矩阵，当它的列向量（或行向量）互相正交，并且每个向量都是单位向量（长度为 1）时。

如果矩阵 $Q$ 是一个 $n\times n$ 的方阵，则它是一个正交矩阵当且仅当它满足以下条件：
$$Q^{T}Q=Q{Q}^T=I$$

其中：

• $Q^T$ 是矩阵 $Q$ 的转置矩阵。
• $I$ 是 $n\times n$ 的单位矩阵。

换句话说，正交矩阵的转置矩阵等于它的逆矩阵。即：
$$Q^T=Q^{-1}$$

正交矩阵的特性：

1. 向量正交性：
   正交矩阵的列向量或行向量彼此正交，即：
   $$q_i^T{q}_j=0\text{当}i\ne j$$
   其中 $q_i$ 和 $q_j$ 是矩阵的第 $i$ 和第 $j$ 列向量。也就是说，矩阵的每一列向量和其他列向量垂直。

2. 向量归一性：
   正交矩阵的每一个列向量（或行向量）都是单位向量，即：
   $$q_i^T{q}_i=1$$
   即每个向量的长度为 1。

3. 保持长度和角度不变：
   正交矩阵的一个重要几何特性是，它保持向量的长度和角度不变。也就是说，如果你将一个向量乘以正交矩阵，它的长度和方向（或角度）不会改变，只会做一个旋转或反射。对于任何向量 $v$：
   $$\Vert Qv\Vert =\Vert v\Vert$$

4. 行列式：
   正交矩阵的行列式 $\det (Q)$ 的值要么是 +1，要么是 -1。具体来说：

   • 如果 $\det (Q)=1$，那么这个正交矩阵是一个旋转矩阵。
   • 如果 $\det (Q)=-1$，那么这个正交矩阵是一个反射矩阵。

5. 逆矩阵的性质：
   对于正交矩阵 $Q$，其逆矩阵等于它的转置矩阵：
   $$Q^{-1}=Q^T$$

正交矩阵的例子：

1. 旋转矩阵：

一个常见的正交矩阵是二维平面上的旋转矩阵。例如，顺时针旋转角度 $\theta$ 的二维旋转矩阵为：
$$Q=\left[\begin{array}{cc}\cos \theta & -\sin \theta \\ \sin \theta & \cos \theta \end{array}\right]$$

这个矩阵的转置矩阵和它的逆矩阵相同，因此是一个正交矩阵。

2. 单位矩阵：

单位矩阵是最简单的正交矩阵。单位矩阵的所有对角线元素都是 1，其他元素都是 0，例如：
$$I=\left[\begin{array}{cc}1& 0\\ 0& 1\end{array}\right]$$

它显然满足 $I^T=I$ 和 $I^{T}I=I$，因此它是正交矩阵。

正交矩阵的应用：

1. 奇异值分解（SVD）：
   在奇异值分解 (SVD) 中，矩阵被分解为三个矩阵的乘积，其中两个矩阵 $U$ 和 $V$ 都是正交矩阵。SVD 广泛用于数据压缩、机器学习、信号处理等领域。

2. 主成分分析（PCA）：
   在 PCA 中，数据矩阵通常通过正交矩阵旋转到新的坐标系，以便找到数据的主要方向或主成分。

3. QR 分解：
   QR 分解是一种将矩阵分解为正交矩阵 $Q$ 和上三角矩阵 $R$ 的方法。QR 分解常用于求解线性方程组以及特征值问题。

4. 保持长度和角度：
   正交矩阵的几何性质使其在旋转、反射以及其他几何变换中非常有用，因为它们可以保持向量的长度和角度不变。

正交矩阵与正交向量的关系：

正交向量指的是两个向量互相垂直。正交矩阵的列向量或行向量彼此正交，因此正交矩阵的列向量形成了一个正交基。

假设有两个向量 $x$ 和 $y$，如果它们满足：
$$x^{T}y=0$$

则这两个向量是正交的。正交矩阵的列或行满足这一性质。

总结：

• 正交矩阵是线性代数中非常重要的一类矩阵，具有良好的几何性质和数值稳定性。
• 它的转置矩阵等于它的逆矩阵，列向量或行向量彼此正交且归一化。
• 正交矩阵在数据分析、信号处理、机器学习等众多领域中有广泛应用，尤其是在矩阵分解、数据降维等问题中。