正交矩阵与 QR 分解：保距变换与正交化流程
本文基于模型知识整理（生成时未联网核对），关键结论建议对照 Strang §4.2 / Trefethen & Bau Lecture 7 复核。
一句话定义
正交矩阵 Q 满足 $Q^\top Q=I$——列是标准正交基，作用是"刚体运动"（旋转/反射）：保长度、保角度、保内积（$Qx$ 与 $Qy$ 的点积不变）；QR 分解把任意矩阵拆成"正交 × 三角"，其正交化过程（Gram-Schmidt/Householder）是数值线代最稳定的构件。
为什么重要
正交性是数值世界的"安全属性"：Q 乘上去不放大误差（$\|Qx\|=\|x\|$，条件数=1，kp-023），所以 QR 是求解最小二乘（kp-019）、特征值算法（QR 迭代，kp-032）、SVD（kp-018）的共同地基。正交矩阵也是旋转矩阵的数学身份——图形学与机器人学的基本词汇。
前置知识
核心概念
- 正交矩阵：$Q^\top Q = I$ ⇔ 列标准正交 ⇔ $Q^{-1}=Q^\top$。
- 等价性质：$\|Qx\|=\|x\|$（保长）、$(Qx)\cdot(Qy)=x\cdot y$（保角）、$|\det Q|=1$（+1 旋转 / −1 反射）。
- Gram-Schmidt：从无关列 $a_1,\dots,a_n$ 逐个"减去在已有方向上的投影"，得到正交组再归一化——把"无关但歪"洗成"标准正交"。
- QR 分解：$A = QR$，Q 正交、R 上三角——Gram-Schmidt 的矩阵化包装（$q_i$ 是第 i 列洗正交后的结果，R 记录减掉的投影系数）。
- 数值版：Gram-Schmidt 数值不稳，实用的是 Householder 反射或 Givens 旋转（kp-032）。
原理与机制
为什么 $Q^\top Q=I$ 等价于列正交：$(Q^\top Q)_{ij} = q_i^\top q_j$——对角元是各列范数平方（=1 即归一），非对角是列间内积（=0 即正交）；转置乘法就是"把所有内积摆成一张表"。
正交变换为什么保内积：$(Qx)^\top(Qy) = x^\top Q^\top Q y = x^\top y$——长度角度全部冻结；这也让"换到正交基"（kp-004）零成本：坐标=内积、逆=转置，无需解方程。
QR 与最小二乘的化学反应：$Ax=b$ 无精确解时，用 $A=QR$ 改写：$Rx = Q^\top b$——上三角方程从下往上回代即解，全程无需求逆、无 $\kappa(A)^2$ 级的误差放大（对比正规方程，kp-019/023）。这是"数值线代偏爱正交"的代表性理由。
Gram-Schmidt 的几何：新方向 = 原向量 − 在已有方向上的全部投影 = "垂直分量"。一行代码的直觉：不断扣除"别人已经覆盖的部分"，剩下的自然与前面全部垂直。
图示
QᵀQ = I ⇔ 列标准正交 ⇔ Q⁻¹ = Qᵀ
性质: ‖Qx‖=‖x‖, (Qx)·(Qy)=x·y, |det Q|=1
Gram-Schmidt: uₖ = aₖ − Σ (aₖ·qᵢ)qᵢ ; qₖ = uₖ/‖uₖ‖
QR: A = QR (Q 正交 | R 上三角, R 的对角=各步残差长度)直观类比
正交矩阵是"太空中的转椅子"：可以旋转（甚至翻转）但绝不拉伸扭曲——坐上去的人形状不变。QR 分解像"把任意姿势分解为'转到标准姿势（Q）+ 斜撑结构（R）'"，而转椅子部分永远不会引入形变误差。
实例或案例
- 机器人学：末端姿态用旋转矩阵（正交阵）表示；插值姿态需要正交流形上的运算。
- 信号处理：正交变换（DCT/DFT 实部）保能量——Parseval 定理即"Q 保范数"。
- 最小二乘拟合（曲线回归）：QR 法是教科书推荐算法（数值优于正规方程，kp-019）。
常见误区
- 误区一："正交矩阵的元素必须都是 ±1/0"。那只是置换矩阵；旋转矩阵的元素可以是任意余弦值（连续的正交族）。
- 误区二："Gram-Schmidt 手算版可以直接用于数值计算"。经典 GS 误差随条件数恶化，实用必须修正版（MGS）或 Householder。
- 误区三："QR 和特征分解是一回事"。QR 是"正交×三角"，不涉特征值；QR 迭代（反复 QR）才是求特征值的算法（kp-032）。
与其他知识点的关系
- kp-005：正交性的矩阵化。
- kp-019：QR 求最小二乘的数值优势。
- kp-018：SVD 的 U、V 都是正交阵——正交性是分解的通用货币。
- kp-032：Householder/Givens 与 QR 迭代的算法细节。
自测题
- 验证 $Q=\frac{1}{\sqrt2}\begin{bmatrix}1&1\\1&-1\end{bmatrix}$ 正交，并求 det。
答：列正交归一（内积 0、范数 1）；$\det Q = -1$（反射型正交阵）。
- 为什么正交基下换坐标无需解方程？
答：$c=Q^\top x$——$Q^{-1}=Q^\top$，坐标即逐列内积。
- QR 解最小二乘比正规方程好在哪？
答：误差只被 $\kappa(A)$ 放大一次而非平方倍（kp-023），且全程用保距的正交变换，数值稳定。
延伸阅读
- Strang《Introduction to Linear Algebra》§4.2、§4.4。
- Trefethen & Bau《Numerical Linear Algebra》Lecture 7–8（Householder QR）。
- Golub & Van Loan《Matrix Computations》§5（正交化算法权威章节）。