学习笔记: 线性代数-标准正交矩阵Q

简介: 线性代数个人学习笔记

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n维空间的一组标准正交基p1,p2,p3,,pn,也可按列进行排列( |    |    |       |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n阶方阵称为标准正交矩阵Q

Q:
标准正交矩阵的转置乘以它自身将得到单位矩阵I   QTQ=I
证明:
Q=( |    |    |       |p1,p2,p3,,pn |    |    |       |)
 
QT=(p1p2pn)

QTQ=(p1p2pn)×(p1,p2,,pn)=[p1p1 ,p1p2 ,p1pnp2p1 ,p2p2 ,p2pnpnp1 ,pnp2 ,pnpn]
$\because\vec p_1,\vec p_2,\vec p_3,\cdots ,\vec p_n\vec p_i \cdot \vec p_j = 0$

QTQ=[p1p1 ,p1p2 ,p1pnp2p1 ,p2p2 ,p2pnpnp1 ,pnp2 ,pnpn]=I


联系矩阵的逆

BAA×B=B×A=I,BAB=A1,AA1=A1A=I

因此对于QTQ=I,就满足QT是矩阵Q的左逆,同时也是Q的右逆,所以QT就是矩阵Q的逆
Q1=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Q1=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。
目录
打赏
0
0
0
0
185
分享
相关文章
|
8月前
线性代数——(期末突击)矩阵(上)-概念篇(矩阵的定义、矩阵的运算、特殊矩阵、初等变换)
线性代数——(期末突击)矩阵(上)-概念篇(矩阵的定义、矩阵的运算、特殊矩阵、初等变换)
189 7
数学问题-反射定律&折射定律的向量形式推导
数学问题-反射定律&折射定律的向量形式推导
274 0
线性代数(六)正交性
线性代数(六)正交性
157 0
基础算法-差分矩阵
基本思路 如果将差分可以看作是一维差分,那么差分矩阵便是二维差分,与二维前缀和也就是子矩阵的和相对应,互为逆运算。
AI助理

你好,我是AI助理

可以解答问题、推荐解决方案等