线性代数:标准正交矩阵Q

正文

回顾之前学习过矩阵的空间视角,也就是把空间的一组基的向量按列排列构成矩阵的列向量,这个空间也就等价于矩阵的列空间,这样的矩阵乘以一个点坐标代表着把矩阵的列空间内的一个点的位置转化为在标准的欧几里得空间中进行展示:

因此,对于一个nnn维空间的一组标准正交基p⃗1,p⃗2,p⃗3,⋯ ,p⃗n\vec p_1,\vec p_2,\vec p_3,\cdots ,\vec p_np1,p2,p3,,pn,也可按列进行排列(   ∣         ∣         ∣      ⋯    ∣      p⃗1, p⃗2, p⃗3, ⋯ , p⃗n   ∣         ∣         ∣      ⋯    ∣      )\left( \begin{array}{c} \,\,\,| \,\,\,\,\,\,\,\,\, | \,\,\,\,\,\,\,\,\, |\,\,\,\,\,\, \cdots \,\,\,\, | \,\,\,\,\,\, \\ \vec{p}_1, \ \vec{p}_2, \ \vec{p}_3, \ \cdots, \ \vec{p}_n \\ \,\,\,| \,\,\,\,\,\,\,\,\, | \,\,\,\,\,\,\,\,\, |\,\,\,\,\,\, \cdots \,\,\,\, | \,\,\,\,\,\, \\ \end{array} \right)p1, p2, p3, , pn

构造成矩阵,这种由空间标准基向量按列排列构成的一个nnn阶方阵称为标准正交矩阵QQQ

标准正交矩阵Q的重要性质:\color {darkred} {\large{标准正交矩阵Q的重要性质:}}标准正交矩阵Q的重要性质:
标准正交矩阵的转置乘以它自身将得到单位矩阵I→I \toI   QT⋅Q=I\, \, Q^T \cdot Q = IQTQ=I
证明:

Q=(   ∣         ∣         ∣      ⋯    ∣      p⃗1,p⃗2,p⃗3,⋯ ,p⃗n   ∣         ∣         ∣      ⋯    ∣      )Q=\left( \begin{array}{c} \,\,\,| \,\,\,\,\,\,\,\,\, | \,\,\,\,\,\,\,\,\, |\,\,\,\,\,\, \cdots \,\,\,\, | \,\,\,\,\,\, \\ \vec p_1,\vec p_2,\vec p_3,\cdots ,\vec p_n \\ \,\,\,| \,\,\,\,\,\,\,\,\, | \,\,\,\,\,\,\,\,\, |\,\,\,\,\,\, \cdots \,\,\,\, | \,\,\,\,\,\, \\ \end{array} \right)Q=p1,p2,p3,,pn
 \,
QT=(p⃗1p⃗2⋯p⃗n)Q^T= \left (\begin{array}{c} \vec p_1 \\ \vec p_2 \\ \cdots \\ \vec p_n \end{array} \right )QT=p1p2pn

∴QT⋅Q=(p⃗1p⃗2⋯p⃗n)×(p⃗1,p⃗2,⋯ ,p⃗n)=[p⃗1⋅p⃗1 ,p⃗1⋅p⃗2 ,⋯ p⃗1⋅p⃗np⃗2⋅p⃗1 ,p⃗2⋅p⃗2 ,⋯ p⃗2⋅p⃗n⋯p⃗n⋅p⃗1 ,p⃗n⋅p⃗2 ,⋯ p⃗n⋅p⃗n]\therefore Q^T \cdot Q = \left (\begin{array}{c} \vec p_1 \\ \vec p_2 \\ \cdots \\ \vec p_n \end{array} \right ) \times \left (\begin{array}{c} \vec p_1 , \vec p_2 , \cdots , \vec p_n \end{array} \right ) = \begin{bmatrix} \vec p_1\cdot \vec p_1 \ ,\vec p_1\cdot \vec p_2 \ ,\cdots \,\vec p_1\cdot \vec p_n \\ \vec p_2\cdot \vec p_1 \ ,\vec p_2\cdot \vec p_2 \ ,\cdots \,\vec p_2\cdot \vec p_n \\ \cdots \\ \vec p_n\cdot \vec p_1 \ ,\vec p_n\cdot \vec p_2 \ ,\cdots \,\vec p_n\cdot \vec p_n\end{bmatrix}QTQ=p1p2pn×(p1,p2,,pn)=p1p1 ,p1p2 ,p1pnp2p1 ,p2p2 ,p2pnpnp1 ,pnp2 ,pnpn
 \,
∵\because 标准正交矩阵内的向量p⃗1,p⃗2,p⃗3,⋯ ,p⃗n\vec p_1,\vec p_2,\vec p_3,\cdots ,\vec p_np1,p2,p3,,pn两两之间互相垂直,就有任取两向量点乘结果为零p⃗i⋅p⃗j=0\vec p_i \cdot \vec p_j = 0pipj=0

∴QT⋅Q=[p⃗1⋅p⃗1 ,p⃗1⋅p⃗2 ,⋯ p⃗1⋅p⃗np⃗2⋅p⃗1 ,p⃗2⋅p⃗2 ,⋯ p⃗2⋅p⃗n⋯p⃗n⋅p⃗1 ,p⃗n⋅p⃗2 ,⋯ p⃗n⋅p⃗n]=I\therefore Q^T \cdot Q =\begin{bmatrix} \vec p_1\cdot \vec p_1 \ ,\vec p_1\cdot \vec p_2 \ ,\cdots \,\vec p_1\cdot \vec p_n \\ \vec p_2\cdot \vec p_1 \ ,\vec p_2\cdot \vec p_2 \ ,\cdots \,\vec p_2\cdot \vec p_n \\ \cdots \\ \vec p_n\cdot \vec p_1 \ ,\vec p_n\cdot \vec p_2 \ ,\cdots \,\vec p_n\cdot \vec p_n\end{bmatrix} = IQTQ=p1p1 ,p1p2 ,p1pnp2p1 ,p2p2 ,p2pnpnp1 ,pnp2 ,pnpn=I


联系矩阵的逆

当存在矩阵B与矩阵A相乘满足条件A×B=B×A=I,则称B是矩阵A的逆,记作:B=A−1,也即A⋅A−1=A−1⋅A=I\color {grey}{\small {当存在矩阵B与矩阵A相乘满足条件A \times B = B \times A = I,则称B是矩阵A的逆,记作:B = A^{-1},也即A \cdot A^{-1} = A^{-1} \cdot A = I}}当存在矩阵B与矩阵A相乘满足条件A×B=B×A=I,则称B是矩阵A的逆,记作:B=A1,也即AA1=A1A=I

因此对于QT⋅Q=IQ^T \cdot Q =IQTQ=I,就满足QTQ^TQT是矩阵QQQ的左逆,同时也是QQQ的右逆,所以QTQ^TQT就是矩阵QQQ的逆
∴Q−1=QT\therefore Q^{-1} = Q^TQ1=QT

  • 在PCA算法中,将一个高维空间降成低维空间,反过来要将低维空间再转成高维空间的时候就要利用Q−1=QTQ^{-1} = Q^TQ1=QT这条性质,因为PCA降维后描述低维空间的方式就是标准正交矩阵,通过低维空间的标准正交矩阵把高维空间映射到低维空间,如果要把低维空间映射回高维空间就需要用到低维空间的标准正交矩阵的逆,所以直接取低维空间的标准正交矩阵的转置就方便很多了。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

倪桦

有帮助的话请杯咖啡吧,谢谢!

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值