KNOWECON WIKI

ARTICLE

正交矩阵

定义 正交矩阵（Orthogonal Matrix）是指满足以下条件的方阵 Q R^n n ： 其中 I_n 为 n 阶单位矩阵。等价地， Q^-1 = Q^ T ，即正交矩阵的逆等于其转置。该定义蕴含两重几何含义：其一， Q 的列向量构成 R^n 中的一组标准正交基；其二， Q 的行向量同样构成一组标准正交基。 对于复矩阵，满足 Q^ H Q = I （

浏览 5 更新 2025-10-26

定义

正交矩阵（Orthogonal Matrix）是指满足以下条件的方阵 Q∈Rn×n Q \in \mathbb{R}^{n \times n} ：

QTQ=QQT=InQ^{\mathsf{T}} Q = Q Q^{\mathsf{T}} = I_n

其中 In I_n 为 n n 阶单位矩阵。等价地，Q−1=QT Q^{-1} = Q^{\mathsf{T}} ，即正交矩阵的逆等于其转置。该定义蕴含两重几何含义：其一，Q Q 的列向量构成 Rn \mathbb{R}^n 中的一组标准正交基；其二，Q Q 的行向量同样构成一组标准正交基。

对于复矩阵，满足 QHQ=I Q^{\mathsf{H}} Q = I （H \mathsf{H} 表示共轭转置）的矩阵称为酉矩阵（Unitary Matrix），是正交矩阵在复数域的自然推广。

基本性质

正交矩阵具有以下重要性质：

  1. 行列式：det⁡(Q)=±1 \det(Q) = \pm 1 。行列式为 +1 +1 的正交矩阵称为旋转矩阵（或正常正交矩阵）；行列式为 −1 -1 的称为反射矩阵（或异常正交矩阵）。
  2. 特征值：所有特征值的模长均为 1 1 。实正交矩阵的特征值要么是 ±1 \pm 1 ，要么是成对出现的共轭复数 e±iθ e^{\pm i\theta} 。
  3. 保距性：正交变换保持欧几里得内积与长度，即对任意向量 x,y∈Rn x, y \in \mathbb{R}^n ，有 (Qx)T(Qy)=xTy (Qx)^{\mathsf{T}}(Qy) = x^{\mathsf{T}} y ，且 ∥Qx∥=∥x∥ \|Qx\| = \|x\| 。
  4. 封闭性：同阶正交矩阵的乘积仍为正交矩阵；正交矩阵的逆（即其转置）亦为正交矩阵。全体 n n 阶正交矩阵构成正交群 O(n) \mathrm{O}(n) 。
  5. 谱范数：正交矩阵的谱范数（2-范数）为 1 1 ，即 ∥Q∥2=1 \|Q\|_2 = 1 。

常见类型

旋转矩阵（Rotation Matrix）

二维旋转矩阵是最简单的正交矩阵：

R(θ)=(cos⁡θ−sin⁡θsin⁡θcos⁡θ),det⁡(R)=+1R(\theta) = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix}, \quad \det(R) = +1

在三维空间中，绕坐标轴的旋转矩阵同样是正交矩阵，例如绕 z z 轴旋转 θ \theta 的矩阵为：

Rz(θ)=(cos⁡θ−sin⁡θ0sin⁡θcos⁡θ0001)R_z(\theta) = \begin{pmatrix} \cos\theta & -\sin\theta & 0 \\ \sin\theta & \cos\theta & 0 \\ 0 & 0 & 1 \end{pmatrix}

反射矩阵（Reflection Matrix）

关于过原点的超平面的 Householder 反射矩阵为：

H=I−2vvTvTv,det⁡(H)=−1H = I - 2\frac{v v^{\mathsf{T}}}{v^{\mathsf{T}} v}, \quad \det(H) = -1

其中 v v 为反射法向量。

置换矩阵（Permutation Matrix）

每行每列恰有一个 1 1 、其余为 0 0 的矩阵。置换矩阵的行列式为 ±1 \pm 1 ，且其转置即为置换的逆置换。

矩阵分解中的应用

QR 分解

任意实矩阵 A∈Rm×n A \in \mathbb{R}^{m \times n} （m≥n m \geq n ）可分解为 A=QR A = QR ，其中 Q∈Rm×m Q \in \mathbb{R}^{m \times m} 为正交矩阵（或 Q∈Rm×n Q \in \mathbb{R}^{m \times n} 具有标准正交列），R R 为上三角矩阵。QR 分解是求解线性最小二乘问题的数值稳定方法。

谱分解（Spectral Decomposition）

实对称矩阵 A A 可对角化为 A=QΛQT A = Q \Lambda Q^{\mathsf{T}} ，其中 Q Q 为正交矩阵，Λ \Lambda 为对角矩阵，其对角线元素为 A A 的特征值。这是主成分分析（PCA）的理论基础——数据协方差矩阵的特征分解给出主成分方向。

奇异值分解（SVD）

任意矩阵 A A 可分解为 A=UΣVT A = U \Sigma V^{\mathsf{T}} ，其中 U U 和 V V 均为正交矩阵。SVD 是数据科学和信号处理中最为核心的矩阵分解工具之一。

在数据科学中的应用

  1. 主成分分析（PCA）：通过协方差矩阵的正交特征分解，将原始特征映射到一组正交的主成分方向上，实现降维与去相关。
  2. 正交匹配追踪（OMP）：在稀疏编码中，每次迭代选取与残差最相关的原子，并保持已选原子的正交性。
  3. 正交正则化：在深度学习与因子分解模型中，常施加正交性约束 QTQ=I Q^{\mathsf{T}} Q = I 以避免特征冗余。
  4. 傅里叶变换矩阵：离散傅里叶变换（DFT）矩阵经过归一化后是酉矩阵；离散余弦变换（DCT）矩阵是正交矩阵，广泛用于图像压缩（JPEG）。

关键公式速查

| 名称 | 公式 | |------|------| | 定义条件 | QTQ=QQT=I Q^{\mathsf{T}} Q = Q Q^{\mathsf{T}} = I | | 逆与转置 | Q−1=QT Q^{-1} = Q^{\mathsf{T}} | | 行列式 | det⁡(Q)=±1 \det(Q) = \pm 1 | | 保内积 | (Qx)T(Qy)=xTy (Qx)^{\mathsf{T}}(Qy) = x^{\mathsf{T}} y | | 保长度 | ∥Qx∥=∥x∥ \|Qx\| = \|x\| | | Householder 反射 | H=I−2vvT/(vTv) H = I - 2vv^{\mathsf{T}} / (v^{\mathsf{T}} v) | | 二阶旋转 | R(θ)=(cos⁡θ−sin⁡θsin⁡θcos⁡θ) R(\theta) = \begin{pmatrix} \cos\theta & -\sin\theta \\ \sin\theta & \cos\theta \end{pmatrix} |

正交矩阵贯穿线性代数、数值计算与数据科学的各个层面，其保距性和数值稳定性使其成为理论分析与算法设计的基本构件。