14正交向量与子空间
上面这个图解释了四个基本空间之间的正交关系:
- 行空间和列空间的秩都等于rrr
- 行空间和列空间都正交其转置的零空间
- 行空间和列空间的维数+对应转置的零空间维数=总行数或者列数
一、正交向量(Orthogonal Vector)
谈到正交向量,我们经常会聊到另一个概念:垂直(Perpendicular),在直角三角形中,有一个著名的定理:毕达哥拉斯定理(Pythagoras):两边平方和等于第三边平方和。
对于直角三角形有:
∣∣X∣∣2+∣∣Y∣∣2=∣∣X+Y∣∣2XTX+YTY=(X+Y)T(X+Y)XTX+YTY=(XT+YT)(X+Y)XTY+YTX=0XTY=0(1)\begin{aligned} \vert \vert X \vert \vert^2+\vert \vert Y \vert \vert^2 &= \vert \vert X+Y \vert \vert^2 \\ X^TX+Y^TY &=(X+Y)^T(X+Y)\\ X^TX+Y^TY&=(X^T+Y^T)(X+Y)\\ X^TY+Y^TX&=0\\ X^TY&=0 \end{aligned}\tag{1} ∣∣X∣∣2+∣∣Y∣∣2XTX+YTYXTX+YTYXTY+YTXXTY=∣∣X+Y∣∣2=(X+Y)T(X+Y)=(XT+YT)(X+Y)=0=0(1)
注:线性代数中向量一般指的是列向量。
上面等式变换用到了几个已知事实:
- (X+Y)T=XT+YT(X+Y)^T=X^T+Y^T(X+Y)T=XT+YT
- 对于一个列向量,写成矩阵形式有:∣∣X∣∣2=XTX\vert \vert X \vert \vert^2=X^TX∣∣X∣∣2=XTX
- XTY=YTXX^TY=Y^TXXTY=YTX
(1)(1)(1)告诉我们两个向量正交的条件是:点乘等于0。对于数学你只需要遵循规则,假如X是零向量,那么它与任意一个向量都是正交的,因为零向量与任何向量相乘都会等于0,所以零向量与任何向量都正交。
如果aaa和bbb相互正交,则:aTb=0a^Tb=0aTb=0和bTa=0b^Ta=0bTa=0都成立,转置是为了让列向量完成点积运算。
二、子空间正交性
子空间SSS与子空间TTT正交的含义:对于SSS中的任意向量均与TTT中的向量正交。
课上老师还举了一个例子:黑板与地板是否为的两个平面子空间是否是正交?答案是否定的。因为随便找一个黑板面上与交线呈45度的向量,无论你怎么找地板上都不能找到对应的正交向量,这不满足正交子空间定义,所以这两子空间不正交。或者你直接举交线作为反例,这个交线处向量既属于黑板又属于地板,但是他们直角是平行关系,不符合正交含义(这也就告诉我们两个相交平面一定不是正交的)
2.1 R2R^2R2及其子空间正交性讨论
那么平面上有哪些子空间是满足正交性要求的呢?R2R^2R2空间中,子空间有:
- 零向量000
- 过原点的直线LLL
- 整个平面空间DDD
- 零空间与LLL何时正交? 答:始终正交
- LLL和DDD何时正交?答:永远不正交,因为线在平面内。
- LLL和另一个LLL何时正交?答:满足原点处垂直可能正交。
2.2 行空间和列空间正交性
结论1:C(AT)C(A^T)C(AT)行空间与N(A)N(A)N(A)零空间正交。
解释:AX=0AX=0AX=0中看成以下行向量与零空间XXX的乘积:
[row1row2row3]X=[000]\begin{bmatrix} row1\\ row2\\ row3 \end{bmatrix}X=\begin{bmatrix} 0\\0\\0 \end{bmatrix} ⎣⎡row1row2row3⎦⎤X=⎣⎡000⎦⎤
可以看出,系数矩阵行向量与零空间(也是一个向量)的乘积始终为0,意味着行空间中与所有零空间中的向量都是正交的,行空间除了行向量外,还需要包含行向量的系数组合,显然容易得到他们的线性组合也是正交的,这也就给出了一开始的结论:行空间与零空间是正交的。
在本文的最开始的图片可以看出,左侧将RnR^nRn空间分为两部分:n−rn-rn−r和rrr维,右侧将RmR^mRm空间分为m−rm-rm−r和rrr,他们都把各自的空间分割得恰到好处,使得两者的和恰好等于行数、或者维数。
在三维空间R3R^3R3中,是否行空间是一条直线,零空间也是一条直线,答案是否定的,原因如下:他们的维数不能恰好分割我们的R3R^3R3空间。举个具体的例子:
A=[1252410]A=\begin{bmatrix} 1&2&5\\2&4&10 \end{bmatrix} A=[1224510]
在这里n=3n=3n=3 r=1r=1r=1 dim(N(A))=2dim(N(A))=2dim(N(A))=2。在这里,行空间是一条直线,但是对应的零空间维数一定是222,所以不可能出现一开始那种行空间和零空间都是直线的情况。
总结:零空间和行空间是正交的,他们的维数是互补的。
三、无解方程的最优解
前面我们已经讨论过方程Ax=bAx=bAx=b解的情况,不是所有方程都有解。现实生活中有很多情况是属于无解的情况, 我们需要解这些“无解”的方程以继续我们的研究。
听上去有点滑稽,这个方程是无解的,为什么我们要去“解”它呢?两个理由:
- 现实中广泛存在
- 虽然无解,但是有最优解
当一个卫星经过,你要测量出它的位置,你做了一千次测量,也就是有对应的一千个方程,事实上确定他的参数不需要这么多方程;再如,进行体检中脉搏频率测量,事实上只需要进行一次测量即可,有些数据是不那么可靠的,为了更加准确,我们会进行多测测量。
测量次数的增加将会增加方程组个数,同时增加bbb出错的可能性,这个出错或者说误差较大的方程,将会使得整个方程无解,最重要的是我们没有办法直接zhai出这些“坏”数据,但是我们可以利用线性代数只是,求出其最优解。
下面不加证明的给出以下方法求取最优解:
Ax=b(2)Ax=b\tag{2} Ax=b(2)
两边同时乘以ATA^TAT有:
ATAx^=ATb(3)A^TA\hat x=A^Tb\tag{3} ATAx^=ATb(3)
因为新的方程的系数和结果向量都发生改变,为了区分,用x^\hat xx^表示,这个x^\hat xx^就是最优解。
关于ATAA^TAATA的几点说明:
- ATAA^TAATA是一个对称矩阵,见定义
- ATAA^TAATA不一定是可逆的
为了继续求解最优解,我们需要这个ATAA^TAATA是可逆的。为了继续说明,假设ATAA^TAATA是可逆的,如:
[111215][x1x2]=[b1b2b3](4)\begin{bmatrix} 1&1\\1&2\\1&5 \end{bmatrix}\begin{bmatrix}x_1\\x_2\end{bmatrix}=\begin{bmatrix}b_1\\b_2\\b_3\end{bmatrix}\tag{4} ⎣⎡111125⎦⎤[x1x2]=⎣⎡b1b2b3⎦⎤(4)
虽然线性代数非常牛,但是对于这种三个方程只有两个未知数的,如果b3b_3b3不为0,仍然不能求得它的解。
可以通过(3)式使得方程继续求解:
[111125][111215]=[38830](5)\begin{bmatrix} 1&1&1\\1&2&5 \end{bmatrix}\begin{bmatrix} 1&1\\1&2\\1&5 \end{bmatrix}=\begin{bmatrix} 3&8\\8&30 \end{bmatrix}\tag{5} [111215]⎣⎡111125⎦⎤=[38830](5)
不是所有的ATAA^TAATA都是可逆的,如:
[111333][131313]=[39927](6)\begin{bmatrix} 1&1&1\\3&3&3 \end{bmatrix}\begin{bmatrix} 1&3\\1&3\\1&3 \end{bmatrix}=\begin{bmatrix} 3&9\\9&27 \end{bmatrix}\tag{6} [131313]⎣⎡111333⎦⎤=[39927](6)
(6)就是一个不可逆的矩阵,理由:两个秩为1的矩阵相乘不可能得到一个秩大于1的矩阵。
不加证明给出以下结论:
N(ATA)=N(A)rank(ATA)=rank(A)(7)N(A^TA)=N(A)\\ rank (A^TA)=rank(A) \tag{7} N(ATA)=N(A)rank(ATA)=rank(A)(7)
ATAA^TAATA只有当AAA的列线性无关时成立,下节课将会证明。
14正交向量与子空间相关推荐
- 麻省理工公开课:线性代数 正交向量与子空间
在前面文章<矩阵的四个基本子空间>中提到: 一个秩为r,m*n的矩阵A中,其行空间和列空间的维数为r,零空间和左零空间的维数分别为n-r,m-r,并且有行空间与零空间正交, ...
- 空间正交基的定义_正交向量与子空间
正交(Orthogonality) 正交是垂直概念的推广,是线性代数中的用语.如果两个向量之间的角度是90度,则这两个向量正交. 比如下图,向量x和向量y正交.于是与向量x+y在长度上符合勾股定理的关 ...
- 麻省理工公开课:线性代数》中文笔记来了
MLNLP社区在Github上最新发布了一套MIT线性代数课程Linear Algebra的学习笔记,目前已获得1600star.项目简介如下所示,欢迎大家关注! 1.项目动机 <麻省理工公开课 ...
- 线性代数及矩阵论(三)
线性代数原文 MIT 18.06 线性代数笔记 矩阵论笔记来自 工程矩阵理论 综合线性代数 机器学习的数学基础 配合视频 线性代数 工程矩阵理论 文章目录 十一.矩阵空间.秩1矩阵和小世界图 1.矩阵 ...
- 线性代数-Gilbert Strang(第二部分)
第十四课时:正交向量与子空间 结论: 行空间(r)与零空间(n-r)是正交的 列空间(r)与左零空间(m-r)是正交的 正交向量 在n维空间中,向量之间的夹角为90度. 如果 XTY=0X^TY=0, ...
- gram矩阵的性质_第十七课:正交矩阵和GramSchmidt正交化——MIT线性代数课程学习笔记...
公众号关注 "DL_NLP" 设为 "星标",重磅干货,第一时间送达! ◎ 原创 | 深度学习算法与自然语言处理 ◎ 作者 | 丁坤博 一. 知识概要 这一节 ...
- Python 模块大全(很详细!)
转载:.... Python的模块大全,很全,有详细介绍! 另外附Python两个教程 1. Python详细教程(廖雪峰的官方网站,语言简洁!) 2. Python 进阶教程 (Vamei) 3. ...
- 利用逆矩阵解线性方程组_机器人学导论---第四章 操作臂逆运动学(一)4.1-4.11...
第四章 操作臂逆运动学[(一)4.1-4.11] (一)概述 1.为求出要求的关节角以放置相对于工作台坐标系{S}的工具坐标系{T},可将这个问题分为两部分(1)进行坐标变换求出相对于基坐标{B}的腕 ...
- 漫步线性代数十一—— 四个基本子空间
上篇文章处理了定义而不是,我们知道基是什么,但不知道如何找到他们.现在,从一个明确描述的子空间开始,我们开始计算显式的基. 子空间能用两种方式描述.第一,我们可以给出一个生成空间的向量集合.(例如:列 ...
最新文章
- vs2017编写python_VS2017+VC-LTL编译Python-3.6.4源代码
- Flask开发系列之Web表单
- Linux搜索查找命令合集
- 几种Win7/Windows共享虚拟无线网络的方法及区别
- putty连虚拟机中Linux出现Access Denied
- java securerandom使用_Java中的SecureRandom nextBytes()方法
- 两台windows服务器----SVN的迁移
- c# http请求执行超时,解决办法(给某个方法设定超时时间)
- 58 页 PPT 揭示图神经网络研究最新进展
- final修饰的对象咋办?
- python查成绩_方正教务处自动抢课查成绩(python版)(一)
- 超声波皮肤注入器行业研究及十四五规划分析报告
- 深圳最牛街道办:腾讯华为设总部,百家上市公司年营收超2万亿
- linux命令行打开写字板,在Linux操作系统中使用手写板
- vue引入echarts
- 手机如何远程控制和监控PLC
- 【Laravel】Laravel使用总结(一)
- java毕业设计——基于java+J2EE+Hibernate的校园二手交易网站设计与实现(毕业论文+程序源码)——二手交易网站
- Android 联想K5 Play 8.0 Notification突破拦截(vdex反编译 )
- redis:地理位置信息geo