施密特正交化

对于一组向量,有时候我们需要对其进行正交化处理,也就是说,该组向量中任意两个向量都是互相垂直的。那么,要怎么做呢?

假设只有两个向量,\(\vec v_0\)和\(\vec v_1\),正交化的几何示意图如下所示。

假设正交化之后的向量为\(\vec w_0\)和\(\vec w_1\),那么由图可知,可得\(\vec w_0 = \vec v_0\),且有:

\(\vec w_1 = \vec v_1 - \dfrac{\vec v_1 \cdot \vec w_0}{|\vec w_0|}\)

这里减去的部分是向量\(\vec v_1\)在向量\(\vec w_0\)上的投影。然后将\(\vec w_0\)和\(\vec w_1\)进行归一化,就得到了最终的结果。

那么,如果有三个向量,\(\vec v_0\),\(\vec v_1\),\(\vec v_2\),这种情况要如何处理呢?同样地,正交化的几何示意图如下所示。

假设正交化之后的向量为\(\vec w_0\),\(\vec w_1\),\(\vec w_2\),由图可知,可得\(\vec w_0 = \vec v_0\),且有:

\(\vec w_1 = \vec v_1 - \dfrac{\vec v_1 \cdot \vec w_0}{|\vec w_0|}\)

\(\vec w_2 = \vec v_2 - \dfrac{\vec v_2 \cdot \vec w_0}{|\vec w_0|} - \dfrac{\vec v_2 \cdot \vec w_1}{|\vec w_1|}\)

从图中可以看出向量\(\vec w_2\)即为向量\(\vec v_2\)减去在\(\vec w_0\)和\(\vec w_1\)上的投影。将这三个向量进行归一化即可得到最终的结果。

那么,假如我们有一组向量\(\{ \vec v_0, \vec v_1, \vec v_2, ..., \vec v_n \}\),要想求得它们正交化后的向量组\(\{ \vec w_0, \vec w_1, \vec w_2, ..., \vec w_n \}\),步骤如下:

  1. 令\(\vec w_0 = \vec v_0\);
  2. 计算\(\vec w_i = \vec v_i - \sum_{j = 0}^{i - 1} \dfrac{\vec v_i \cdot \vec w_j}{|\vec w_j |};1 \leq i \leq n\);
  3. 将得到的\(\{ \vec w_0, \vec w_1, \vec w_2, ..., \vec w_n \}\)进行正交化。

原文地址:https://www.cnblogs.com/back-to-the-past/p/11712878.html

时间: 2024-10-31 17:27:41

施密特正交化的相关文章

浅谈压缩感知(十九):MP、OMP与施密特正交化

关于MP.OMP的相关算法与收敛证明,可以参考:http://www.cnblogs.com/AndyJee/p/5047174.html,这里仅简单陈述算法流程及二者的不同之处. 主要内容: MP的算法流程及其MATLAB实现 OMP的算法流程以及MATLAB实现 MP与OMP的区别 施密特正交化与OMP的关系 一.MP(匹配追踪)的算法流程: 二.MP的MATLAB实现: % MP:匹配追踪算法 % dictionary: 超完备字典 % x: 待表示信号 % M = 4; N = 10;

漫步线性代数十七——正交基和格拉姆-施密特正交化(上)

对于一个正交基,每个向量和其他所有向量垂直,坐标轴就是互相正交的.我们还可以进一步改善:每个向量除以它的长度得到单位向量,这样的话正交基变成了标准正交基: 16.如果 qTiqj={01i≠j,给出正交性i=j,给出归一性 那么q1,-,qn就是是标准正交基,由标准正交列组成的矩阵叫做Q. 最重要的例子是标准基,对于x?y平面,最熟悉的e1=(1,0),e2=(0,1)水平和竖直方向都是垂直的,Q是2×2的单位矩阵.在n为空间里标准基e1,-,en由Q=I的列组成: e1=?????????10

MATLAB中施密特正交化的实现

1.施密特正交化的概念 2.MATLAB程序 1 function b=Schmidt_orthogonalization(a) 2 [m,n] = size(a); 3 if(m<n) 4 error('行小于列,无法计算,请转置后重新输入'); 5 return 6 end 7 b=zeros(m,n); 8 %正交化 9 b(:,1)=a(:,1); 10 for i=2:n 11 for j=1:i-1 12 b(:,i)=b(:,i)-dot(a(:,i),b(:,j))/dot(b(

数字信号处理Day2-小波基与规范正交化

我们有这么一张灰度图64*64 我们能够定义出4096个基,各自是某一位是0其它是1,在这样的情况下,假设我们传输图片,那么就相当于传输原始数据 如果传到一半,网络坏了. 于是,我们得到 我们能够计算原图像和这图像的差距 error = I - I_approx; distance = sqrt(sum(sum(error.*error))) distance = 713.5559 如果我们使用Haar基 function h = haar(N) % Assume N is power of 2

2015考研数学考前必须死磕的知识点

2015考研数学考前必须死磕的知识点 来源:跨考教育    划词:关闭划词   收藏 编辑点评:下文为2015年考研数学必须掌握的知识点的大汇总,供考生们参考.沪江考研为你及时整合各路干货复习资料,敬请关注. 第一章 函数.极限与连续 1.函数的有界性 2.极限的定义(数列.函数) 3.极限的性质(有界性.保号性) 4.极限的计算(重点)(四则运算.等价无穷小替换.洛必达法则.泰勒公式.重要极限.单侧极限.夹逼定理及定积分定义.单调有界必有极限定理) 5.函数的连续性 6.间断点的类型 7.渐近

自适应滤波:奇异值分解SVD

作者:桂. 时间:2017-04-03  19:41:26 链接:http://www.cnblogs.com/xingshansi/p/6661230.html 声明:欢迎被转载,不过记得注明出处哦~ [读书笔记10] 前言 广义逆矩阵可以借助SVD进行求解,这在上一篇文章已经分析.本文主要对SVD进行梳理,主要包括: 1)特征向量意义: 2)特征值分解与SVD: 3)PCA与SVD: 内容为自己的学习记录,其中多有借鉴他人之处,最后一并给出链接. 一.特征向量 第一反应是:啥是特征向量?为什

Python爬取CSDN博客文章

之前解析出问题,刚刚看到,这次仔细审查了 0 url :http://blog.csdn.net/youyou1543724847/article/details/52818339Redis一点基础的东西目录 1.基础底层数据结构 2.windows下环境搭建 3.java里连接redis数据库 4.关于认证 5.redis高级功能总结1.基础底层数据结构1.1.简单动态字符串SDS定义: ...47分钟前1 url :http://blog.csdn.net/youyou1543724847/

Differential Geometry之第一章欧式空间

书籍:<微分几何>彭家贵 局部微分几何 第一章.欧式空间 1.1向量空间 (1)向量空间 a.向量空间是集合,集合中的元素需要定义加法和乘法运算.向量空间和n维数组空间R^n不是同一个概念. b.欧式向量空间是向量空间的子集,满足有限维,还需要定义内积.同理,n维欧式向量空间与n维内积空间R^n也不是同一个概念. 施密特正交化(Schmidt orthogonalization)(http://jingyan.baidu.com/article/c74d60007ab7500f6a595dcc

lanczos算法及C++实现(二)实对称阵奇异值分解的QR算法

本文属作者原创,转载请注明出处: http://www.cnblogs.com/qxred/p/qralgorithm.html 首先推荐两个参考文献 https://www.math.kth.se/na/SF2524/matber15/qrmethod.pdf http://people.inf.ethz.ch/arbenz/ewp/Lnotes/chapter4.pdf 1. 基本的QR算法 我们先讨论一般对阵矩阵的QR算法,再讨论对称三对角阵的QR算法 给定一个实对称阵X,假设其特征值分解