1381 字
7 分钟
线性代数 06|内积、正交与最近点

数学总导航 · 本课程目录 · ← 上一章 · 下一章 →

太阳照下的影子,为什么是“最近点”?#

暂时把阳光简化成垂直照向地面。一个点悬在地面上方,它的影子就在正下方。你若把影子沿地面挪开,点到影子的距离一定更长:原来的高度没变,还多了一段水平距离。

在坐标里,x=(3,4)x=(3,4) 到水平轴上 (a,0)(a,0) 的距离平方是 (3−a)2+16(3-a)^2+16。显然 a=3a=3 时最小,最近点是 (3,0)(3,0),误差是 (0,4)(0,4),恰好垂直于水平轴。

最小二乘也是找影子,只不过“地面”变成一组允许的预测,“垂直”由内积定义。先理解这个直角三角形,后面的投影矩阵就有了画面。

一条斜地面上的影子怎么算#

地面不一定水平。设允许位置在方向 v=(1,2)v=(1,2) 上,最近点应形如 avav。要让误差 x−avx-av 与地面垂直,就要求 vT(x−av)=0v^T(x-av)=0。于是

a=vTxvTv.a=\frac{v^Tx}{v^Tv}.

对 x=(3,4)x=(3,4),vTx=11v^Tx=11、vTv=5v^Tv=5,所以影子是 (11/5,22/5)(11/5,22/5)。误差为 (4/5,−2/5)(4/5,-2/5),与 (1,2)(1,2) 的点积确实为零。这给出一套能手算、能核验的投影方法。

点积的数字怎样连上几何#

若 uu 是单位方向,uTxu^Tx 读取的就是 xx 沿这个方向的有符号长度。再乘 uu,就把这个数放回方向上,得到投影向量。

一般 vv 不是单位长度,vTxv^Tx 会多带一个 ∥v∥\|v\|,所以投影公式必须除以 vTvv^Tv。许多“差了一个长度平方”的错误,都来自把坐标读数与实际投影向量混淆。

多个方向为什么要先变成正交#

若两根坐标轴互相斜着,只减去第一根上的影子,再减第二根上的影子,第二次操作可能又改变第一方向的分量。它们会互相干扰。

Gram–Schmidt 先把第二根里沿第一根的部分去掉,造出一个真正垂直的新方向。例:v1=(1,1)v_1=(1,1)、v2=(1,0)v_2=(1,0),第二根在第一根的投影为 (1/2,1/2)(1/2,1/2),剩下 (1/2,−1/2)(1/2,-1/2);归一化后得到 (1,−1)/2(1,-1)/\sqrt2。

这两根正交单位方向让读数彼此独立。对某方向已经去掉的成分,不会在处理另一方向时重新冒出来。

从箭头到曲线,哪些部分原样保留#

把点积改成 ∫fg\int fg 后,正交的意思变为“乘积的正负部分总和抵消”,不要求两个函数在每个时刻都互相排斥。例如 11 与 t−1/2t-1/2 的积分内积为零,后者一半时间负、一半时间正。

所以函数空间中的“垂直”不需要你把两条曲线画成 90 度。它是在整体相似程度的测量下得到零。先接受这个计算意义,再把熟悉的投影几何带过去。

带你做:别凭视觉判断两个方向是否正交#

取 u=(1,2,−1)u=(1,2,-1)、v=(2,−1,0)v=(2,-1,0),点积为 2−2+0=02-2+0=0,所以它们正交。三维图画得不好也不影响这个结论。

要把 x=(1,1,1)x=(1,1,1) 投影到它们张成的平面,因两方向已正交,可分别读数:uTx=2,uTu=6u^Tx=2,u^Tu=6,vTx=1,vTv=5v^Tx=1,v^Tv=5。投影为

p=13u+15v=(11/15,7/15,−1/3).p=\frac13u+\frac15v=(11/15,7/15,-1/3).

接下来不要只相信公式,算误差 r=x−p=(4/15,8/15,4/3)r=x-p=(4/15,8/15,4/3),确认 r⋅u=0,r⋅v=0r\cdot u=0,r\cdot v=0。这两项校验保证误差确实垂直于整个平面。

如果原方向不正交,直接把两个单独投影相加通常是错的;需要先正交化,或解对应正规方程。公式里的适用条件不只是为了出题,它决定计算是否有效。

回头整理:定义、工具与练习#

把影子投到一条直线上#

向量 xx 在单位方向 uu 上的投影为 (uTx)u(u^Tx)u。它是直线上离 xx 最近的点,因为余量 x−(uTx)ux-(u^Tx)u 与 uu 垂直。沿直线移动只会额外增加一个直角边。

一般子空间的最近点也由同一原则决定:近似值在子空间中,误差与整个子空间正交。

正交投影的直角三角形

内积创造几何#

实内积满足双线性、对称性和正定性。标准内积为 xTyx^Ty,它诱导范数 ∥x∥2=⟨x,x⟩\|x\|_2=\sqrt{\langle x,x\rangle}。

由 0≤∥x−ty∥20\le\|x-ty\|^2 对所有实数 tt 成立,取最优 t=⟨x,y⟩/∥y∥2t=\langle x,y\rangle/\|y\|^2,得到

∣⟨x,y⟩∣≤∥x∥∥y∥.|\langle x,y\rangle|\le\|x\|\|y\|.

这就是 Cauchy–Schwarz。不等式让夹角定义 cos⁡θ=⟨x,y⟩/(∥x∥∥y∥)\cos\theta=\langle x,y\rangle/(\|x\|\|y\|) 有意义,也导出范数的三角不等式。

标准正交基让坐标容易读取#

若 qiTqj=δijq_i^Tq_j=\delta_{ij},则 xx 在它们张成空间中的投影为 ∑i(qiTx)qi\sum_i(q_i^Tx)q_i。把 qiq_i 排为 QQ 的列,有

P=QQT,P2=P,PT=P.P=QQ^T,\qquad P^2=P,\qquad P^T=P.

完整方形正交矩阵满足 QTQ=QQT=IQ^TQ=QQ^T=I。仅有 QQT=QTQQQ^T=Q^TQ 并不表示正交:2I2I 就反例。

Gram–Schmidt#

依次从新向量中减去它在已有正交方向上的投影,再归一化。例如 v1=(1,1)v_1=(1,1)、v2=(1,0)v_2=(1,0),先得 q1=(1,1)/2q_1=(1,1)/\sqrt2,再得 q2=(1,−1)/2q_2=(1,-1)/\sqrt2。

若某步余量为零,说明该向量没有增加新的方向。数值计算中,改进 Gram–Schmidt 或 Householder 变换通常比朴素实现更稳健。

函数中的同一故事#

令 ⟨f,g⟩=∫01f(t)g(t)dt\langle f,g\rangle=\int_0^1f(t)g(t)dt,则 11 与 t−1/2t-1/2 正交。把数据向量的点积换成积分,就走到了 Hilbert 空间的门口。

练习与解答#

  1. 求 (2,1)(2,1) 在 span⁡{(1,1)}\operatorname{span}\{(1,1)\} 上的投影。
  2. 若 PP 为正交投影,为何 ∥Px∥≤∥x∥\|Px\|\le\|x\|?
  3. 函数 tt 在常数函数空间上的最佳平方误差近似是什么?

解答:1. (3/2,3/2)(3/2,3/2)。2. x=Px+(I−P)xx=Px+(I-P)x 是正交分解,用勾股定理。3. 常数 1/21/2,因为 ∫01(t−1/2)dt=0\int_0^1(t-1/2)dt=0。

几何伴读#

3Blue1Brown:点积与对偶。把内积看作投影读数,并联系后续的线性泛函。


数学总导航 · 本课程目录 · ← 上一章 · 下一章 →

线性代数 06|内积、正交与最近点
https://f1yingwhite.github.io/posts/数学/线性代数教程/06-内积、正交与最近点/
作者
F1yingWhite
发布于
2026-11-03
许可协议
CC BY-NC-SA 4.0