线性代数笔记5:Gram-Schmidit正交化
2018-03-24 21:20
573 查看
上一讲我们学习了最小二乘法,主要就是求解ATAx=ATbATAx=ATb这个方程,我们能不能想办法使得这个方程越简单越好呢?
QTQ=I,QTQ=I,不要求QQ为方阵
如果QQ为方阵,则QT=Q−1QT=Q−1。
QxQx是保持长度的变换
||Qx||2=(Qx)T(Qx)=xTQTQx=xTx=||x||2||Qx||2=(Qx)T(Qx)=xTQTQx=xTx=||x||2
QQ不改变向量点积。
Qx×Qy=(Qx)TQy=xTQTQy=xTyQx×Qy=(Qx)TQy=xTQTQy=xTy
令Q=In−2uuT,u∈RnQ=In−2uuT,u∈Rn。QQ为一个反射矩阵(refection matrix)。
QT=I−2uuT=Q, QTQ=I−4uuT+4uuT=IQT=I−2uuT=Q, QTQ=I−4uuT+4uuT=I
Qu=u−2uuTu=−uQu=u−2uuTu=−u
可以感性地认为uu在QQ上“没有动”,类似于镜面。
投影矩阵P=Q(QTQ)−1QT=QQTP=Q(QTQ)−1QT=QQT
投影向量p=Pb=QQTbp=Pb=QQTb
我们可以进一步仔细观察投影向量:
p=QQTb=[q1...qn]⎡⎣⎢qT1...qTn⎤⎦⎥b=[q1...qn]⎡⎣⎢qT1b...qTnb⎤⎦⎥=∑i=1n(qiqTi)bp=QQTb=[q1...qn][q1T...qnT]b=[q1...qn][q1Tb...qnTb]=∑i=1n(qiqiT)b
可以发现,其实向量bb到矩阵C(A)C(A)的投影,本质上可以分为bb到每个正交向量qiqi的投影之和。
这是一个十分优美和谐的关系,投影之后彼此之间依然是正交,没有任何冗余。
直接先给出定理:
设α1,α2,...,αkα1,α2,...,αk相互正交,v∈L{α1,α2,...,αk}v∈L{α1,α2,...,αk},则:
v=αT1vαT1α1α1+...+αTkvαTkαkαkv=α1Tvα1Tα1α1+...+αkTvαkTαkαk
特别的,若α1,α2,...,αkα1,α2,...,αk标准正交,则:
v=(αT1v)α1+...+(αTkv)αkv=(α1Tv)α1+...+(αkTv)αk
就相当于把vv投影到L{α1,α2,...,αk}L{α1,α2,...,αk}这个子空间中,等于分解到每个正交向量的投影之和。
可以利用这个定理,很容易的求出正交向量,这里给出另一种方法,可以边正交化边标准化。
设eiei为误差向量,vivi为原始向量,qiqi即为所求
e1=v1=w1,q1=v1||v1||e1=v1=w1,q1=v1||v1||
e2=v2−(qT1v2)q1=w2,q2=w2||w2||e2=v2−(q1Tv2)q1=w2,q2=w2||w2||
ek=vk−(qT1vk)q1−...−(qTk1vk)qk−1=wk,qk=vk||vk||ek=vk−(q1Tvk)q1−...−(qk1Tvk)qk−1=wk,qk=vk||vk||
a1=(qT1a1)q1a1=(q1Ta1)q1
a2=(qT1a2)q1+(qT2a2)q2a2=(q1Ta2)q1+(q2Ta2)q2
a3=(qT1a3)q1+(qT2a3)q2+(qT2a3)q3a3=(q1Ta3)q1+(q2Ta3)q2+(q2Ta3)q3
an=(qT1an)q1+(qT2an)q2+...+(qTnan)qnan=(q1Tan)q1+(q2Tan)q2+...+(qnTan)qn
总结为矩阵形式:
A=[a1a2...an]=[q1q2...qn]⎡⎣⎢⎢⎢⎢qT1a10...0qT1a2qT2a2...0............qT1anqT2an...qTnan⎤⎦⎥⎥⎥⎥A=[a1a2...an]=[q1q2...qn][q1Ta1q1Ta2...q1Tan0q2Ta2...q2Tan............00...qnTan]
Q=[q1q2...qn], R=⎡⎣⎢⎢⎢⎢qT1a10...0qT1a2qT2a2...0............qT1anqT2an...qTnan⎤⎦⎥⎥⎥⎥Q=[q1q2...qn], R=[q1Ta1q1Ta2...q1Tan0q2Ta2...q2Tan............00...qnTan]
若Am×nAm×n列满秩,有QR分解A=QRA=QR,b∉C(A)b∉C(A),设b在C(A)b在C(A)上的投影为p,e=b−pp,e=b−p,则(A,b)(A,b)也是列满秩,其QR分解为:
(A,b)=(Q,e||e||)(R0α||e||),α=QTb(A,b)=(Q,e||e||)(Rα0||e||),α=QTb
引言
如果矩阵的列向量互相正交,若长度都为一,则称为标准正交阵,若满秩,即QQ为方阵,那么我们称这个矩阵为正交矩阵(orthogonal matrix)。标准正交阵有很多很好的性质:QTQ=I,QTQ=I,不要求QQ为方阵
如果QQ为方阵,则QT=Q−1QT=Q−1。
QxQx是保持长度的变换
||Qx||2=(Qx)T(Qx)=xTQTQx=xTx=||x||2||Qx||2=(Qx)T(Qx)=xTQTQx=xTx=||x||2
QQ不改变向量点积。
Qx×Qy=(Qx)TQy=xTQTQy=xTyQx×Qy=(Qx)TQy=xTQTQy=xTy
反射矩阵
设uu是一列向量,uTu=1uTu=1。令Q=In−2uuT,u∈RnQ=In−2uuT,u∈Rn。QQ为一个反射矩阵(refection matrix)。
QT=I−2uuT=Q, QTQ=I−4uuT+4uuT=IQT=I−2uuT=Q, QTQ=I−4uuT+4uuT=I
Qu=u−2uuTu=−uQu=u−2uuTu=−u
可以感性地认为uu在QQ上“没有动”,类似于镜面。
投影与正交
在上一讲中,我们推导了向量投影的公式,里面有ATAATA的形式,如果用QQ来代替AA,那么可以重新推导结论:投影矩阵P=Q(QTQ)−1QT=QQTP=Q(QTQ)−1QT=QQT
投影向量p=Pb=QQTbp=Pb=QQTb
我们可以进一步仔细观察投影向量:
p=QQTb=[q1...qn]⎡⎣⎢qT1...qTn⎤⎦⎥b=[q1...qn]⎡⎣⎢qT1b...qTnb⎤⎦⎥=∑i=1n(qiqTi)bp=QQTb=[q1...qn][q1T...qnT]b=[q1...qn][q1Tb...qnTb]=∑i=1n(qiqiT)b
可以发现,其实向量bb到矩阵C(A)C(A)的投影,本质上可以分为bb到每个正交向量qiqi的投影之和。
这是一个十分优美和谐的关系,投影之后彼此之间依然是正交,没有任何冗余。
Gram Schmidt正交化
由此我们想到,标准正交阵有这么好的形式,而每个子空间都有无数个基,那么是不是可以将每个基都表示称标准正交基的形式呢?理论上当然可以,但如何进行变换呢?Gram Schmidt正交化是一种很好的迭代方法。直接先给出定理:
设α1,α2,...,αkα1,α2,...,αk相互正交,v∈L{α1,α2,...,αk}v∈L{α1,α2,...,αk},则:
v=αT1vαT1α1α1+...+αTkvαTkαkαkv=α1Tvα1Tα1α1+...+αkTvαkTαkαk
特别的,若α1,α2,...,αkα1,α2,...,αk标准正交,则:
v=(αT1v)α1+...+(αTkv)αkv=(α1Tv)α1+...+(αkTv)αk
就相当于把vv投影到L{α1,α2,...,αk}L{α1,α2,...,αk}这个子空间中,等于分解到每个正交向量的投影之和。
可以利用这个定理,很容易的求出正交向量,这里给出另一种方法,可以边正交化边标准化。
设eiei为误差向量,vivi为原始向量,qiqi即为所求
e1=v1=w1,q1=v1||v1||e1=v1=w1,q1=v1||v1||
e2=v2−(qT1v2)q1=w2,q2=w2||w2||e2=v2−(q1Tv2)q1=w2,q2=w2||w2||
ek=vk−(qT1vk)q1−...−(qTk1vk)qk−1=wk,qk=vk||vk||ek=vk−(q1Tvk)q1−...−(qk1Tvk)qk−1=wk,qk=vk||vk||
QR分解
通过Gram Schmidt正交化,我们知道任何子空间的基AA都可以转化为标准正交基QQ,那会很自然的想到,A和QA和Q之间到底有什么样的关系呢?其实关系已经蕴含在Gram Schmidt的定理中了:a1=(qT1a1)q1a1=(q1Ta1)q1
a2=(qT1a2)q1+(qT2a2)q2a2=(q1Ta2)q1+(q2Ta2)q2
a3=(qT1a3)q1+(qT2a3)q2+(qT2a3)q3a3=(q1Ta3)q1+(q2Ta3)q2+(q2Ta3)q3
an=(qT1an)q1+(qT2an)q2+...+(qTnan)qnan=(q1Tan)q1+(q2Tan)q2+...+(qnTan)qn
总结为矩阵形式:
A=[a1a2...an]=[q1q2...qn]⎡⎣⎢⎢⎢⎢qT1a10...0qT1a2qT2a2...0............qT1anqT2an...qTnan⎤⎦⎥⎥⎥⎥A=[a1a2...an]=[q1q2...qn][q1Ta1q1Ta2...q1Tan0q2Ta2...q2Tan............00...qnTan]
Q=[q1q2...qn], R=⎡⎣⎢⎢⎢⎢qT1a10...0qT1a2qT2a2...0............qT1anqT2an...qTnan⎤⎦⎥⎥⎥⎥Q=[q1q2...qn], R=[q1Ta1q1Ta2...q1Tan0q2Ta2...q2Tan............00...qnTan]
应用
若AA是可逆方阵,则QRQR分解是唯一的。若Am×nAm×n列满秩,有QR分解A=QRA=QR,b∉C(A)b∉C(A),设b在C(A)b在C(A)上的投影为p,e=b−pp,e=b−p,则(A,b)(A,b)也是列满秩,其QR分解为:
(A,b)=(Q,e||e||)(R0α||e||),α=QTb(A,b)=(Q,e||e||)(Rα0||e||),α=QTb
相关文章推荐
- 线性代数笔记-1-方程组的几何解释
- MIT18.06线性代数课程笔记9:线性无关、向量拓展空间、空间的基、空间维度
- 麻省理工公开课:线性代数_学习笔记02
- MIT18.06线性代数课程笔记1:矩阵和向量相乘的三种解释
- 有关线性代数的Matlab代码笔记(6)——LU分解(没有行变换)
- MIT_线性代数笔记_06_列空间和零空间
- 线性代数 -- 正交矩阵和Gram-Schmidt正交化
- MIT线性代数课程笔记对应代码-【lecture 4】
- 线性代数(笔记七) MIT公开课(来源网易云课堂)
- 机器学习笔记--线性代数
- MIT线性代数笔记-第九讲
- MIT线性代数笔记-第十二讲
- 线性代数学习笔记2
- MIT线性代数笔记-第二十一讲
- MIT线性代数笔记-第二十三讲
- 机器/深度学习矩阵和线性代数学习笔记
- MIT18.06线性代数课程笔记20:矩阵逆元计算、克里默法则 以及 行列式与volume、外积的关系
- Deep Learning学习笔记之线性代数
- 线性代数笔记7:特征向量
- 有关线性代数的Matlab代码笔记(1)——置换和列空间