投影算子（Projection Operator）的定义、性质、分类以及应用

1. 投影算子的定义

投影算子 $P$ 是作用在向量空间 $V$ 上的一个线性算子，满足：
$$P^2=P$$
也就是说，投影算子满足幂等性，即作用两次与作用一次的效果相同。

如果一个向量 $v$ 经过投影 $P$ 之后变成 $Pv$，那么再应用一次投影 $P(Pv)$ 仍然是 $Pv$，不会再改变。

---

2. 投影算子的几何意义

投影算子可以看作是将向量映射到某个子空间，并且对于已经在该子空间的向量，投影算子不会改变它们。

例：

• 设 $U$ 是 ${\mathbb{R}}^3$ 中的一个平面（例如 $z=0$ 的平面）。
• 设 $P$ 是把任意向量 $(x,y,z)$ 映射到 $(x,y,0)$ 的投影算子。
• 你可以验证： $P(x,y,z)=(x,y,0)$ $P^2(x,y,z)=P(x,y,0)=(x,y,0)$ 这说明 $P^2=P$，所以 $P$ 是一个投影算子。

---

3. 一些简单的例子

例 1：二维平面上的投影

设我们在二维平面上，想要把任意向量 $v$ 投影到 $x$-轴上（即去掉 $y$ 分量）。

• 我们的向量空间是 ${\mathbb{R}}^2$。
• 目标子空间是 $x$-轴（即 $y=0$）。
• 投影算子 $P$ 应该保持 $x$ 分量不变，并把 $y$ 分量变为 0。

投影矩阵可以写成：
$$P=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$$
现在，我们选择一个向量：
$$v=\left[\begin{array}{c}3\\ 4\end{array}\right]$$
计算投影：
$$Pv=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]\left[\begin{array}{c}3\\ 4\end{array}\right]=\left[\begin{array}{c}3\\ 0\end{array}\right]$$

• 原向量 $v=(3,4)$ 在 $x$-轴上的投影是 $(3,0)$。
• 投影算子的性质：
  • 幂等性：如果再对 $(3,0)$ 施加一次投影： $P(Pv)=P\left[\begin{array}{c}3\\ 0\end{array}\right]=\left[\begin{array}{c}3\\ 0\end{array}\right]$ 结果不变，验证了 $P^2=P$。

例 2：投影到一条任意方向的直线

我们现在考虑把一个向量投影到一个方向向量 $u$ 代表的直线上。

设单位方向向量：
$$u=\frac{1}{\sqrt{2}}\left[\begin{array}{c}1\\ 1\end{array}\right]$$
我们想把向量 $v=\left[\begin{array}{c}3\\ 4\end{array}\right]$ 投影到 $u$ 方向。

投影公式：
$$Pv=(u\cdot v)u$$
计算内积：
$$u\cdot v=\frac{1}{\sqrt{2}}(3+4)=\frac{7}{\sqrt{2}}$$
投影：
$$Pv=\frac{7}{\sqrt{2}}\cdot \frac{1}{\sqrt{2}}\left[\begin{array}{c}1\\ 1\end{array}\right]=\frac{7}{2}\left[\begin{array}{c}1\\ 1\end{array}\right]=\left[\begin{array}{c}3.5\\ 3.5\end{array}\right]$$

• 原向量 $v=(3,4)$ 投影到方向 $u$ 上得到 $(3.5,3.5)$。
• 你可以验证：$Pv$ 是 $u$ 方向的一个倍数，说明它被正确投影到了直线上。

上面用到的向量投影公式的推导

设 $u$ 是一个单位向量（即 $||u||=1$），我们想要找到 $v$ 在 $u$ 方向上的投影。

向量 $v$ 在 $u$ 方向的投影，是 $v$ 在 $u$ 方向的标量分量乘以 $u$：
$${\text{Proj}}_u(v)=\left(\frac{v\cdot u}{||u|{|}^2}\right)u$$
由于 $u$ 是单位向量，满足 $||u|{|}^2=1$，所以公式简化为：
$$Pv=(v\cdot u)u$$

1. $v\cdot u$：计算向量 $v$ 在 $u$ 方向上的投影长度（标量）。
2. 乘以 $u$：将该标量转换回一个向量，方向与 $u$ 相同。

换句话说，我们把 $v$ 的部分分解成沿 $u$ 方向的分量，并去掉与 $u$ 正交的分量。

如果 $u$ 不是单位向量（即 $||u||\ne 1$），投影公式需要调整为：
$$Pv=\left(\frac{v\cdot u}{u\cdot u}\right)u$$
因为在这种情况下，单位化 $u$ 需要除以 $||u|{|}^2$。

这个更一般的公式适用于任何向量 $u$，无论是否归一化。

例 3：三维空间中投影到一个平面

设我们在三维空间中，想要把向量 $v=\left[\begin{array}{c}1\\ 2\\ 3\end{array}\right]$ 投影到 $xy$-平面上（即去掉 $z$ 分量）。

投影矩阵：
$$P=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]$$
计算投影：
$$Pv=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]\left[\begin{array}{c}1\\ 2\\ 3\end{array}\right]=\left[\begin{array}{c}1\\ 2\\ 0\end{array}\right]$$

• 原向量 $(1,2,3)$ 被投影到 $xy$-平面上，变成 $(1,2,0)$。
• 该投影满足幂等性： $P(Pv)=P\left[\begin{array}{c}1\\ 2\\ 0\end{array}\right]=\left[\begin{array}{c}1\\ 2\\ 0\end{array}\right]$

4. 投影算子的性质

投影算子 $P$ 具有以下重要性质：

4.1、幂等性（Idempotency）：$P^2=P$。

4.2、特征值

投影算子的特征值只能是 0 或 1。

特征值的求解来自特征方程：
$$Pv=\lambda v$$
由于 $P^2=P$，可推出：
$$P^{2}v=Pv=\lambda v$$
即：
$${\lambda }^{2}v=\lambda v$$
因此，特征值 $\lambda$ 只能取 0 或 1。

• 特征值 $1$ 的特征向量：被正确投影的向量，即 投影目标子空间中的向量，投影后不变。
• 特征值 $0$ 的特征向量：被完全投影到零的向量，即 正交补空间的向量，它们的投影结果是零。

例

考虑投影矩阵：
$$P=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$$
求特征值，我们解：
$$\text{det}(P-\lambda I)=\left|\begin{array}{cc}1-\lambda & 0\\ 0& -\lambda \end{array}\right|=(1-\lambda )(-\lambda )=0$$
解得特征值：
$$\lambda =0\text{或}\lambda =1$$

• 对应 $\lambda =1$ 的特征向量是 $\left[\begin{array}{c}x\\ 0\end{array}\right]$，表示 $x$-轴上的向量，它们的投影不变。
• 对应 $\lambda =0$ 的特征向量是 $\left[\begin{array}{c}0\\ y\end{array}\right]$，表示 $y$-轴上的向量，它们被投影到零。

• 投影算子的特征值只能是 0 或 1。
• 这可以从特征方程 $P^{2}v=Pv$ 推导出，即 $Pv=\lambda v$，解得 $\lambda =0$ 或 $\lambda =1$。
• 对应于特征值 1 的特征向量是 投影子空间中的向量。
• 对应于特征值 0 的特征向量是 投影到零的向量，即正交补空间的向量。

4.3、线性性

若 $P$ 是线性算子，则对任意 $\alpha ,\beta \in \mathbb{R}$ 或 $\mathbb{C}$，有： $P(\alpha v+\beta w)=\alpha P(v)+\beta P(w)$

例

考虑投影矩阵：
$$P=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$$
给定两个向量：
$$v=\left[\begin{array}{c}2\\ 3\end{array}\right],w=\left[\begin{array}{c}-1\\ 4\end{array}\right]$$
以及两个标量 $\alpha =2,\beta =-1$，验证：
$$P(\alpha v+\beta w)=P\left(2\left[\begin{array}{c}2\\ 3\end{array}\right]+(-1)\left[\begin{array}{c}-1\\ 4\end{array}\right]\right)$$
计算：
$$\alpha v+\beta w=\left[\begin{array}{c}4\\ 6\end{array}\right]+\left[\begin{array}{c}1\\ -4\end{array}\right]=\left[\begin{array}{c}5\\ 2\end{array}\right]$$
另一方面：
$$\alpha P(v)+\beta P(w)=2P\left[\begin{array}{c}2\\ 3\end{array}\right]+(-1)P\left[\begin{array}{c}-1\\ 4\end{array}\right]$$
两边相等，验证了线性性。

4.4、零空间（Kernel）和像空间（Image）

投影算子将整个空间 $V$ 分解为两个子空间：

• 零空间（Ker§）：被投影到 0 的所有向量。
• 像空间（Im§）：投影的目标子空间。

例

还是使用投影矩阵：
$$P=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]$$

• 零空间 $\ker (P)$： 由 $Pv=0$ 得：
  $$\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right]$$
  这要求 $x=0$，即：
  $$\ker (P)=\left\{\left[\begin{array}{c}0\\ y\end{array}\right]\right\}$$
  这对应 $y$-轴，说明所有位于 $y$-轴的向量都被投影到零。

• 像空间 $\text{Im}(P)$： 任何投影的结果都形如：
  $$Pv=\left[\begin{array}{c}x\\ 0\end{array}\right]$$
  说明像空间是 $x$-轴：
  $$\text{Im}(P)=\left\{\left[\begin{array}{c}x\\ 0\end{array}\right]\right\}$$
  即所有投影的结果都落在 $x$-轴上。

性质	解释	例子
幂等性	$P^2=P$，多次投影不改变结果	投影到 $x$-轴后，继续投影仍然是同一个点
特征值	只能是 0 或 1	$x$-轴上的向量是特征值 1，对应子空间；$y$-轴上的向量是特征值 0，对应被投影方向
线性性	$P(\alpha v+\beta w)=\alpha Pv+\beta Pw$	计算验证，满足线性性
零空间和像空间	$\ker (P)$ 是被投影方向，$\text{Im}(P)$ 是目标子空间	投影到 $x$-轴，$y$-轴上的向量被投影到 0

---

5. 投影算子的分类

5.1、正交投影算子

如果投影算子 $P$ 是 自伴随（Hermitian） 的，即满足：
$$P=P^{†}$$
（在实数域上，等价于 $P=P^T$），那么它是正交投影算子。
这意味着投影后的子空间和正交补空间是正交的。

• 正交投影表示投影的方向与子空间的正交补空间是垂直的。
• 例如，在三维空间中，如果我们将一个向量投影到 $xy$-平面上，那么投影是沿着 $z$-轴方向正交进行的。

例：投影到一条直线上

设单位向量：
$$u=\frac{1}{\sqrt{5}}\left[\begin{array}{c}2\\ 1\end{array}\right]$$
我们要构造投影矩阵，将任意向量投影到 $u$ 方向上。投影矩阵的公式为：
$$P=u{u}^T$$
计算：
$$u{u}^T=\left(\frac{1}{\sqrt{5}}\left[\begin{array}{c}2\\ 1\end{array}\right]\right)\left(\frac{1}{\sqrt{5}}\left[\begin{array}{cc}2& 1\end{array}\right]\right)=\frac{1}{5}\left[\begin{array}{c}2\\ 1\end{array}\right]\left[\begin{array}{cc}2& 1\end{array}\right]=\frac{1}{5}\left[\begin{array}{cc}4& 2\\ 2& 1\end{array}\right]=\left[\begin{array}{cc}0.8& 0.4\\ 0.4& 0.2\end{array}\right]$$
这这个矩阵就是投影算子，它将向量投影到方向 $u$ 上，并且满足：
$$P^T=P,P^2=P$$
因此，它是 正交投影算子。

5.2、一般投影（非正交投影）

如果投影算子 $P$ 不是 Hermitian，即 $P\ne P^{†}$，则它不是正交投影。
这种投影的方向不一定与正交补空间垂直，可能是斜投影。

• 一般投影可能是倾斜的，即投影到的子空间和投影方向可能不是垂直的。
• 例如，在三维空间中，若我们投影到一个斜平面而不是 $xy$-平面，投影方向可能不会是 $z$-轴，而是某个倾斜方向。

例：斜投影

假设我们要将向量 $v$ 投影到一个子空间 $W$，该子空间的基向量为：
$$w_1=\left[\begin{array}{c}1\\ 1\end{array}\right],w_2=\left[\begin{array}{c}1\\ -1\end{array}\right]$$
若投影算子为：
$$P=\left[\begin{array}{cc}1& 2\\ 0& 1\end{array}\right]$$
计算：
$$P^T=\left[\begin{array}{cc}1& 0\\ 2& 1\end{array}\right]$$
显然 $P\ne P^T$，说明该投影算子是非正交投影。

---

6. 投影算子的矩阵表示

6.1、一维子空间的投影

如果要将向量投影到一个单位向量 $u$ 方向上，投影矩阵的公式为：
$$P=u{u}^T$$
其中：

• $u$ 是单位向量（即 $||u||=1$）。
• $P$ 是投影矩阵，它将任何向量投影到 $u$ 方向上。

例：投影到 $x$-轴

设单位向量：
$$u=\left[\begin{array}{c}1\\ 0\end{array}\right]$$
计算投影矩阵：
$$P=u{u}^T=\left[\begin{array}{c}1\\ 0\end{array}\right]\left[\begin{array}{cc}1& 0\end{array}\right]$$
这个矩阵的作用是：
$$P\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{cc}1& 0\\ 0& 0\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]=\left[\begin{array}{c}x\\ 0\end{array}\right]$$
即将 $(x,y)$ 投影到 $x$-轴上，去掉 $y$ 分量。

更一般的情况

如果 $u$ 是任意单位向量，例如：
$$u=\frac{1}{\sqrt{5}}\left[\begin{array}{c}2\\ 1\end{array}\right]$$
那么投影矩阵为：
$$P=u{u}^T=\left(\frac{1}{\sqrt{5}}\left[\begin{array}{c}2\\ 1\end{array}\right]\right)\left(\frac{1}{\sqrt{5}}\left[\begin{array}{cc}2& 1\end{array}\right]\right)=\frac{1}{5}\left[\begin{array}{c}2\\ 1\end{array}\right]\left[\begin{array}{cc}2& 1\end{array}\right]=\frac{1}{5}\left[\begin{array}{cc}4& 2\\ 2& 1\end{array}\right]=\left[\begin{array}{cc}0.8& 0.4\\ 0.4& 0.2\end{array}\right]$$
这个矩阵会将向量投影到 $u$ 方向上，而不一定是 $x$-轴。

---

6.2、低维空间中的投影

如果我们想要将向量投影到一个 由多个向量张成的子空间，我们需要使用一个矩阵$U$ 来计算投影矩阵。投影矩阵的公式为：
$$P=U(U^{T}U{)}^{-1}{U}^T$$
其中：

• $U$ 是子空间的基矩阵。
• $P$ 是投影到该子空间的投影矩阵。

例：投影到二维平面

假设我们在三维空间中，投影到 由两个向量张成的平面，设：
$$U=\left[\begin{array}{cc}1& 1\\ 0& 1\\ 0& 0\end{array}\right]$$
这是一个 $3\times 2$ 的矩阵，表示一个由 两个基向量：
$$u_1=\left[\begin{array}{c}1\\ 0\\ 0\end{array}\right],u_2=\left[\begin{array}{c}1\\ 1\\ 0\end{array}\right]$$
张成的平面。

计算投影矩阵：
$$P=U(U^{T}U{)}^{-1}{U}^T$$
首先，计算：
$$U^{T}U=\left[\begin{array}{ccc}1& 0& 0\\ 1& 1& 0\end{array}\right]\left[\begin{array}{cc}1& 1\\ 0& 1\\ 0& 0\end{array}\right]=\left[\begin{array}{cc}1& 1\\ 1& 2\end{array}\right]$$
计算逆矩阵：
$$(U^{T}U{)}^{-1}={\left[\begin{array}{cc}1& 1\\ 1& 2\end{array}\right]}^{-1}=\left[\begin{array}{cc}2& -1\\ -1& 1\end{array}\right]$$
然后计算：
$$P=U\left[\begin{array}{cc}2& -1\\ -1& 1\end{array}\right]U^T$$
经过矩阵乘法运算（可手算或用 Python/Numpy 计算），最终得到：
$$P=\left[\begin{array}{ccc}1& 0& 0\\ 0& 1& 0\\ 0& 0& 0\end{array}\right]$$
这个矩阵的作用是：

• 保持 $x$ 和 $y$ 方向上的分量不变。
• 将 $z$ 方向上的分量投影到零。

这个投影矩阵将三维空间中的向量投影到 $xy$-平面上，即：
$$P\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{c}x\\ y\\ 0\end{array}\right]$$

---

7. 投影算子的应用

最小二乘法（Least Squares Method）用于求解过约束方程组（即方程个数大于未知数个数的情况），其核心思想是：找到一个向量，使得它在给定数据的子空间中的投影与观测数据最接近。

我们使用 投影算子 来求解最小二乘问题。

设我们有一个过约束方程组：
$$Ax=b$$
其中：

• $A$ 是一个 $m\times n$ 的矩阵，且 $m>n$（即方程个数大于未知数个数）。
• $x$ 是我们需要求解的向量（$n\times 1$）。
• $b$ 是观测数据向量（$m\times 1$）。

由于 $Ax=b$ 可能 没有精确解（因为 $b$ 可能不在 $A$ 列空间内），我们希望找到一个 最优近似解，即：
$$\hat{b}=P_{A}b$$
其中：

• $\hat{b}$ 是 $b$ 在 $A$ 列空间上的正交投影。
• $P_A$ 是投影矩阵，表示将 $b$ 投影到 $A$ 列空间。

投影矩阵的通用公式：
$$P_A=A(A^{T}A{)}^{-1}{A}^T$$
其中：

• $A^{T}A$ 是一个 $n\times n$ 矩阵（可逆）。
• $(A^{T}A{)}^{-1}{A}^T$ 计算的是最小二乘解的系数。

---

假设我们有两个数据点，拟合模型：
$$y=mx+c$$
给定数据：
$$(1,2),(2,3),(3,5)$$
转换成线性方程：
$$\left[\begin{array}{cc}1& 1\\ 2& 1\\ 3& 1\end{array}\right]\left[\begin{array}{c}m\\ c\end{array}\right]=\left[\begin{array}{c}2\\ 3\\ 5\end{array}\right]$$
这里：
$$A=\left[\begin{array}{cc}1& 1\\ 2& 1\\ 3& 1\end{array}\right],b=\left[\begin{array}{c}2\\ 3\\ 5\end{array}\right]$$
计算投影矩阵
计算：
$$A^{T}A=\left[\begin{array}{ccc}1& 2& 3\\ 1& 1& 1\end{array}\right]\left[\begin{array}{cc}1& 1\\ 2& 1\\ 3& 1\end{array}\right]=\left[\begin{array}{cc}1+4+9& 1+2+3\\ 1+2+3& 1+1+1\end{array}\right]=\left[\begin{array}{cc}14& 6\\ 6& 3\end{array}\right]$$
求逆：
$$(A^{T}A{)}^{-1}={\left[\begin{array}{cc}14& 6\\ 6& 3\end{array}\right]}^{-1}$$
然后计算投影矩阵：
$$P_A=A(A^{T}A{)}^{-1}{A}^T$$

---

计算最优解

最优解由：
$$x=(A^{T}A{)}^{-1}{A}^{T}b$$
计算后得到：
$$m=1.5,c=0.5$$
最终拟合直线为：
$$y=1.5x+0.5$$
这就是最小二乘法求解的最佳拟合直线。

• $P_A$ 将 $b$ 投影到 $A$ 的列空间上，得到最优逼近解。
• 这个过程确保误差最小，即： $||Ax-b|{|}^2\text{ 最小}$
• 最小二乘法的核心思想就是 用投影算子 $P_A$ 找到 $b$ 在 $A$ 列空间上的投影，并用该投影来求解最优拟合。