正交补集

接续博客：计算矩阵的秩、行空间、列空间、零空间、左零空间

因为高维空间本人无法进行可视化，这里仅用上述博客中提到的低维度空间的例子来可视化

A = [ 2 − 1 − 3 − 4 2 6 ] A T = [ 2 − 4 − 1 2 − 3 6 ] A=\begin{bmatrix}2 & -1 & -3\\ -4 & 2 & 6\end{bmatrix}\quad A^T=\begin{bmatrix}2 & -4\\ -1 & 2\\ -3 & 6 \end{bmatrix} A=[2−4−12−36]AT=⎣⎡2−1−3−426⎦⎤

零空间（Nullspace）正交于行空间（Row space）

零空间是行空间的正交补集、行空间是零空间的正交补集
C ( A T ) = ( N ( A ) ) ⊥ N ( A ) = ( C ( A T ) ) ⊥ C(A^T)=(N(A))^{\perp}\\ N(A)=(C(A^T))^{\perp} C(AT)=(N(A))⊥N(A)=(C(AT))⊥

左零空间（Left Nullspace）正交于列空间（Column space）

左零空间是列空间的正交补集、列空间是左零空间的正交补集

C ( A ) = ( N ( A T ) ) ⊥ N ( A T ) = ( C ( A ) ) ⊥ C(A)=(N(A^T))^{\perp}\\ N(A^T)=(C(A))^{\perp} C(A)=(N(AT))⊥N(AT)=(C(A))⊥

笔记来源：Orthogonal Complements
V s o m e s u b s p a c e o f R n V ⊥ i s o r t h o g o n a l c o m p l e m e n t o f V V ⊥ = { x ⃗ ∈ R n ∣ x ⃗ ⋅ v ⃗ = 0 f o r e v e r y v ⃗ ∈ V } V\quad some\ subspace\ of\ \mathbb{R}^n\\ V^{\perp}\quad is\ orthogonal\ complement\ of\ V\\ V^{\perp}=\{\vec{x}\in \mathbb{R}^n | \vec{x}\cdot \vec{v}=0\ for\ every\ \vec{v}\in V\} Vsome subspace of RnV⊥is orthogonal complement of VV⊥={x ∈Rn∣x ⋅v =0 for every v ∈V}
a ⃗ ， b ⃗ ∈ V ⊥ a ⃗ + b ⃗ ∈ V ⊥ c a ⃗ ∈ V ⊥ \vec{a}，\vec{b}\in V^{\perp}\\ \vec{a}+\vec{b}\in V^{\perp}\\ c\vec{a}\in V^{\perp} a ，b ∈V⊥a +b ∈V⊥ca ∈V⊥

a ⃗ ⋅ v ⃗ = 0 f o r a n y v ⃗ ∈ V ， a ⃗ ∈ V ⊥ b ⃗ ⋅ v ⃗ = 0 f o r a n y v ⃗ ∈ V ， b ⃗ ∈ V ⊥ ( a ⃗ + b ⃗ ) ⋅ v ⃗ = a ⃗ ⋅ v ⃗ + b ⃗ ⋅ v ⃗ = 0 + 0 = 0 c a ⃗ ⋅ v ⃗ = c ( a ⃗ ⋅ v ⃗ ) = c ⋅ 0 = 0 \vec{a}\cdot \vec{v}=0\quad for\ any\ \vec{v}\in V，\vec{a}\in V^{\perp}\\ \vec{b}\cdot \vec{v}=0\quad for\ any\ \vec{v}\in V，\vec{b}\in V^{\perp}\\ (\vec{a}+\vec{b})\cdot \vec{v}=\vec{a}\cdot \vec{v}+\vec{b}\cdot \vec{v}=0+0=0\\ c\vec{a}\cdot \vec{v}=c(\vec{a}\cdot \vec{v})=c\cdot 0=0 a ⋅v =0for any v ∈V，a ∈V⊥b ⋅v =0for any v ∈V，b ∈V⊥(a +b )⋅v =a ⋅v +b ⋅v =0+0=0ca ⋅v =c(a ⋅v )=c⋅0=0

N ( A ) i s o r t h o g o n a l c o m p l e m e n t o f C ( A T ) N ( A ) = ( C ( A T ) ) ⊥ N(A)\ is\ orthogonal\ complement\ of\ C(A^T)\\ N(A)=(C(A^T))^{\perp} N(A) is orthogonal complement of C(AT)N(A)=(C(AT))⊥

[ ⋯ r 1 ⃗ T ⋯ ⋯ r 2 ⃗ T ⋯ ⋮ ⋯ r m ⃗ T ⋯ ] m × n ⋅ x ⃗ = [ 0 0 ⋮ 0 ] \begin{bmatrix} \cdots\quad\vec{r_1}^T\quad\cdots\\ \cdots\quad\vec{r_2}^T\quad\cdots\\ \vdots\\ \cdots\quad\vec{r_m}^T\quad\cdots\\ \end{bmatrix}_{m×n}\cdot \vec{x}= \begin{bmatrix} 0\\ 0\\ \vdots\\ 0 \end{bmatrix} ⎣⎢⎢⎢⎡⋯r1 T⋯⋯r2 T⋯⋮⋯rm T⋯⎦⎥⎥⎥⎤m×n⋅x =⎣⎢⎢⎢⎡00⋮0⎦⎥⎥⎥⎤

r 1 ⃗ T ⋅ x ⃗ = 0 r 2 ⃗ T ⋅ x ⃗ = 0 ⋮ r m ⃗ T ⋅ x ⃗ = 0 \vec{r_1}^T\cdot\vec{x}=0\\ \vec{r_2}^T\cdot\vec{x}=0\\ \vdots\\ \vec{r_m}^T\cdot\vec{x}=0\\ r1 T⋅x =0r2 T⋅x =0⋮rm T⋅x =0

N ( A ) = { x ⃗ ∈ R n ∣ A x ⃗ = 0 } w ⃗ ∈ C ( A T ) v ⃗ ∈ N ( A ) w ⃗ 是行空间内某个向量，它是由行空间的基向量线性组合而成 v ⃗ 是零空间内某个向量 w ⃗ = c 1 r 1 ⃗ + c 2 r 2 ⃗ + ⋯ + c m r m ⃗ v ⃗ ⋅ w ⃗ = c 1 ( r 1 ⃗ ⋅ v ⃗ ) + c 2 ( r 2 ⃗ ⋅ v ⃗ ) + ⋯ + c m ( r m ⃗ ⋅ v ⃗ ) = c 1 ⋅ 0 + c 2 ⋅ 0 + ⋯ + c m ⋅ 0 = 0 E v e r y m e m b e r o f n u l l s p a c e o f A i s o r t h o g o n a l t o e v e r y m e m b e r o f t h e r o w s p a c e o f A N(A)=\{\vec{x}\in \mathbb{R}^n | A\vec{x}=0\}\\ \vec{w}\in C(A^T)\\ \vec{v}\in N(A)\\ ~\\ \vec{w}是行空间内某个向量，它是由行空间的基向量线性组合而成\\ \vec{v}是零空间内某个向量 \\ \vec{w}=c_1\vec{r_1}+c_2\vec{r_2}+\cdots+c_m\vec{r_m}\\ ~\\ \vec{v}\cdot\vec{w}=c_1(\vec{r_1}\cdot\vec{v})+c_2(\vec{r_2}\cdot\vec{v})+\cdots+c_m(\vec{r_m}\cdot\vec{v})=c_1\cdot0+c_2\cdot0+\cdots+c_m\cdot0=0\\ ~\\ Every\ member\ of\ nullspace\ of\ A\ is\ orthogonal\ to\ every\ member\ of\ the\ row\ space\ of\ A N(A)={x ∈Rn∣Ax =0}w ∈C(AT)v ∈N(A) w 是行空间内某个向量，它是由行空间的基向量线性组合而成v 是零空间内某个向量w =c1r1 +c2r2 +⋯+cmrm v ⋅w =c1(r1 ⋅v )+c2(r2 ⋅v )+⋯+cm(rm ⋅v )=c1⋅0+c2⋅0+⋯+cm⋅0=0 Every member of nullspace of A is orthogonal to every member of the row space of A

w ⃗ ∈ C ( A T ) u ⃗ ∈ ( C ( A T ) ) ⊥ u ⃗ ⋅ w ⃗ = 0 u ⃗ ⋅ w ⃗ = u ⃗ ⋅ r 1 ⃗ + u ⃗ ⋅ r 2 ⃗ + ⋯ + u ⃗ ⋅ r m ⃗ = 0 A u ⃗ = 0 由于 u ⃗ ⋅ w ⃗ = 0 ， v ⃗ ⋅ w ⃗ = 0 ， u ⃗ ∈ ( C ( A T ) ) ⊥ ， v ⃗ ∈ N ( A ) 所以 u ⃗ 、 v ⃗ 在同一子空间内，故 u ⃗ ∈ N ( A ) ( C ( A T ) ) ⊥ ⊆ N ( A ) N ( A ) = ( C ( A T ) ) ⊥ \vec{w}\in C(A^T)\\ \vec{u}\in (C(A^T))^{\perp}\\ ~\\ \vec{u}\cdot \vec{w}=0\\ \vec{u}\cdot \vec{w}=\vec{u}\cdot\vec{r_1}+\vec{u}\cdot\vec{r_2}+\cdots+\vec{u}\cdot\vec{r_m}=0\\ A\vec{u}=0\\ ~\\ 由于 \vec{u}\cdot \vec{w}=0，\vec{v}\cdot\vec{w}=0，\vec{u}\in (C(A^T))^{\perp}，\vec{v}\in N(A)\\ 所以\vec{u}、\vec{v}在同一子空间内，故 \vec{u}\in N(A)\\ (C(A^T))^{\perp}\subseteq N(A)\\ N(A)=(C(A^T))^{\perp} w ∈C(AT)u ∈(C(AT))⊥ u ⋅w =0u ⋅w =u ⋅r1 +u ⋅r2 +⋯+u ⋅rm =0Au =0 由于u ⋅w =0，v ⋅w =0，u ∈(C(AT))⊥，v ∈N(A)所以u 、v 在同一子空间内，故u ∈N(A)(C(AT))⊥⊆N(A)N(A)=(C(AT))⊥

假设 A = B T N ( B T ) = ( C ( B T ) T ) ⊥ N ( B T ) = C ( B ) ⊥ 换个字母 N ( A T ) = C ( A ) ⊥ 假设A=B^T\\ N(B^T)=(C(B^T)^T)^{\perp}\\ N(B^T)=C(B)^{\perp}\\ 换个字母\\ N(A^T)=C(A)^{\perp} 假设A=BTN(BT)=(C(BT)T)⊥N(BT)=C(B)⊥换个字母N(AT)=C(A)⊥

正交补集（Orthogonal Complements）相关推荐

【线性代数】4-1:四个正交子空间(Orthogonality of the Four Subspace)
原文地址1:https://www.face2ai.com/Math-Linear-Algebra-Chapter-4-1转载请标明出处 Abstract: 本篇介绍正交性,向量正交,矩阵正交,子空间 ...
线性代数学习笔记5-1：正交的向量/空间、正交补（行空间和零空间正交）
向量的正交向量x\boldsymbol xx和向量y\boldsymbol yy正交的定义: 就是说它们的点积 / 内积为零:x⋅y=0\boldsymbol x\cdot\boldsymbol y ...
正交试验设计例题及答案_正交表测试用例设计方法的特点是什么？
用最少的实验覆盖最多的操作,测试用例设计很少,效率高,但是很复杂: 对于基本的验证功能,以及二次集成引起的缺陷,一般都能找出来:但是更深的缺陷,更复杂的缺陷,还是无能为力的: 具体的环境下,正交表一般 ...
正交设计 python算法_人人都可以掌握的正交试验设计测试用例方法
## 介绍 - TamanduaOATs 是测者开发并开源的生成正交计算的pyd(python库)程序(放到python下的dlls目录下) - 项目地址:https://github.com/cri ...
正交矩阵 Orthogonal Matrix
文章目录正交矩阵 Orthogonal Matrix 正交标准正交正交矩阵正交矩阵的行(row) 正交矩阵 Orthogonal Matrix 正交在线性代数中正交(orthogonal)这 ...
黑盒测试方法四（正交实验法）
正交实验法正交试验设计(Orthogonal experimental design)是研究多因素多水平的又一种设计方法,它是根据正交性从全面试验中挑选出部分有代表性的点进行试验,这些有代表性的点具 ...
软件测试中用正交实验法设计测试用例
软件测试中用正交实验法设计测试用例正交实验法的由来一.正交表的由来拉丁方名称的由来古希腊是一个多民族的国家,国王在检阅臣民时要求每个方队中每行有一个民族代表,每列也要有一个民族的代表. 数学家 ...
测试用例的设计方法——正交排列
因果法设计用例太多怎么办? 正交法的目的就是为了减少测试用例数目,用尽量少的用例覆盖输入的两两组合正交试验设计(Orthogonal experimentaldesign)是==研究多因素多水平的一 ...
正交的概念以及正交实验
1.正交的来历 "正交性"是从几何中借来的术语.如果两条直线相交成直角,他们就是正交的.用向量术语来说,这两条直线互不依赖.沿着某一条直线移动,该直线投影到另一条直线上的位置不变. ...

正交补集（Orthogonal Complements）

正交补集

正交补集（Orthogonal Complements）相关推荐

最新文章

热门文章