自己动手写施密特正交化

 import numpy as np
 A = np.array([[1,1,0],[0,1,1],[1,0,1]],dtype=float)
 Q = np.zeros_like(A)
 m = shape(Q)[0]
 n = shape(Q)[1]
 cnt = 0
 for a in A.T:
     u = np.copy(a)
     for i in range(0, cnt):
         u -= np.dot(np.dot(Q[:, i].T, a), Q[:, i]) # 减去待求向量在以求向量上的投影
     e = u / np.linalg.norm(u)  # 归一化
     Q[:, cnt] = e
     cnt += 1
 print Q

以上是自己写的，也可以调用scipy

 from scipy import linalg
 A = np.array([[1,1,0],[0,1,1],[1,0,1]])
 a = linalg.orth(A)
 print array(linalg.orth(A),dtype=float)
 print dot(A,A.T)-1

施密特正交化的原理就不在此赘述了，可以自己从网上找一些线性代数的教材看一看，并且自己动手做一下，就可以理解了

http://blog.csdn.net/panghaomingme/article/details/60963918