由于正交矩阵在几何领域对应旋转矩阵,所以搞清楚正交矩阵的数学性质对理解其几何性质有帮助。故在此记录正交矩阵在线性代数中的一些理论。
正交矩阵是实方阵。这说明一个正交矩阵首先要有两个先决条件:
正交矩阵的行、列向量组都是标准正交向量组。这个限制更强了。
设 A ∈ R n × n \mathbf{A} \in \mathbb{R}^{n\times n} A∈Rn×n,如果 A T A = I \mathbf{A}^{T}\mathbf{A}=\mathbf{I} ATA=I。就称 A \mathbf{A} A 为正交矩阵。
谁能想到,仅仅只用了一个等式竟然蕴含这么多的信息,给了一个这么强的约束。
A \mathbf{A} A 为 n n n 阶正交矩阵的充分必要条件是 A \mathbf{A} A 的列向量组 为 R n \mathbb{R}^{n} Rn 的一组标准正交基。
矩阵层次的性质和组成其的向量组联合在一起了~
证明:
设
A = [ a 11 a 12 … a 1 r a 21 a 22 … a 2 r ⋮ ⋮ ⋮ a n 1 a n 2 … a n r ] \mathbf{A} = \begin{bmatrix} a_{11} & a_{12} &\ldots & a_{1r} \\ a_{21} & a_{22} &\ldots & a_{2r} \\ \vdots & \vdots && \vdots\\ a_{n1} & a_{n2} &\ldots & a_{nr} \\ \end{bmatrix} A=⎣ ⎡a11a21⋮an1a12a22⋮an2………a1ra2r⋮anr⎦ ⎤
按列分块为
[ a 1 a 2 … a n ] \begin{bmatrix} \mathbf{a}_{1} &\mathbf{a}_{2} &\ldots & \mathbf{a}_{n} \end{bmatrix} [a1a2…an]
于是
A T A = [ a 1 T a 2 T ⋮ a n T ] [ a 1 a 2 … a n ] = [ a 1 T a 1 a 1 T a 2 … a 1 T a n a 2 T a 1 a 2 T a 2 … a 2 T a n ⋮ ⋮ ⋮ a n T a 1 a n T a 2 … a n T a n ] \mathbf{A}^{T}\mathbf{A}=\begin{bmatrix} \mathbf{a}_{1}^{T} \\ \mathbf{a}_{2}^{T} \\ \vdots \\ \mathbf{a}_{n}^{T} \end{bmatrix} \begin{bmatrix} \mathbf{a}_{1} &\mathbf{a}_{2} &\ldots & \mathbf{a}_{n} \end{bmatrix}= \begin{bmatrix} \mathbf{a}_{1}^{T}\mathbf{a}_{1} & \mathbf{a}_{1}^{T}\mathbf{a}_{2} &\ldots & \mathbf{a}_{1}^{T}\mathbf{a}_{n} \\ \mathbf{a}_{2}^{T}\mathbf{a}_{1} & \mathbf{a}_{2}^{T}\mathbf{a}_{2} &\ldots & \mathbf{a}_{2}^{T}\mathbf{a}_{n} \\ \vdots & \vdots && \vdots\\ \mathbf{a}_{n}^{T}\mathbf{a}_{1} &\mathbf{a}_{n}^{T}\mathbf{a}_{2} &\ldots & \mathbf{a}_{n}^{T}\mathbf{a}_{n} \\ \end{bmatrix} ATA=⎣ ⎡a1Ta2T⋮anT⎦ ⎤[a1a2…an]=⎣ ⎡a1Ta1a2Ta1⋮anTa1a1Ta2a2Ta2⋮anTa2………a1Tana2Tan⋮anTan⎦ ⎤
因此, A T A = I \mathbf{A}^T\mathbf{A}=\mathbf{I} ATA=I 的充分必要条件是
a i T a i = ( a i a i ) = 1 , i = 1 , 2 , . . . , n \mathbf{a}_{i}^{T}\mathbf{a}_{i}=(\mathbf{a}_{i}\mathbf{a}_{i})=1, i=1,2,...,n aiTai=(aiai)=1,i=1,2,...,n
且
a i T a j = ( a i a j ) = 0 , i ≠ j , i , j = 1 , 2 , . . . , n \mathbf{a}_{i}^{T}\mathbf{a}_{j}=(\mathbf{a}_{i}\mathbf{a}_{j})=0, i\neq j,i,j=1,2,...,n aiTaj=(aiaj)=0,i=j,i,j=1,2,...,n
即 A \mathbf{A} A 的列向量组 { a 1 , a 2 , … , a n } \{\mathbf{a}_{1},\mathbf{a}_{2},\dots,\mathbf{a}_{n}\} {a1,a2,…,an} 为 R n \mathbb{R}^{n} Rn 的一组标准正交基
设 A , B \mathbf{A},\mathbf{B} A,B 皆是 n n n 阶正交矩阵,则:
由于 ( A T ) T A T = A A T = A A − 1 = I (\mathbf{A}^{T})^{T}\mathbf{A}^{T}=\mathbf{A}\mathbf{A}^{T}=\mathbf{A}\mathbf{A}^{-1}=\mathbf{I} (AT)TAT=AAT=AA−1=I
所以 A T \mathbf{A}^{T} AT即 A − 1 \mathbf{A}^{-1} A−1也是正交矩阵,从而 A \mathbf{A} A的行向量组也是 R n \mathbb{R}^{n} Rn的一组标准正交基
由
( A B ) T ( A B ) = B T ( A T A ) B = B T B (\mathbf{AB})^{T}(\mathbf{AB})=\mathbf{B}^{T}(\mathbf{A}^{T}\mathbf{A})\mathbf{B}=\mathbf{B}^{T}\mathbf{B} (AB)T(AB)=BT(ATA)B=BTB
即得 B \mathbf{B} B 也是 正交矩阵
若列向量 x , y ∈ R n x,y\in \mathbb{R}^{n} x,y∈Rn在 n 阶正交矩阵 A \mathbf{A} A 作用下变换为 A x , A y ∈ R n \mathbf{Ax,Ay}\in \mathbb{R}^{n} Ax,Ay∈Rn,则向量的內积、长度及向量间的夹角都保持不变,即
⟨ A x , A y ⟩ = ⟨ x , y ⟩ \langle \mathbf{Ax,Ay}\rangle = \langle \mathbf{x,y}\rangle ⟨Ax,Ay⟩=⟨x,y⟩
∥ A x ∥ = ∥ x ∥ \Vert \mathbf{Ax}\Vert = \Vert \mathbf{x}\Vert ∥Ax∥=∥x∥
∥ A y ∥ = ∥ y ∥ \Vert \mathbf{Ay}\Vert = \Vert \mathbf{y}\Vert ∥Ay∥=∥y∥
证明:
⟨ A x , A y ⟩ = ( A x ) T ( A y ) = x T ( A T A ) y = x T y = ⟨ x , y ⟩ \langle \mathbf{Ax,Ay}\rangle = (\mathbf{Ax})^{T}(\mathbf{Ay})=x^{T}(\mathbf{A}^{T}\mathbf{A})y=x^{T}y=\langle x,y\rangle ⟨Ax,Ay⟩=(Ax)T(Ay)=xT(ATA)y=xTy=⟨x,y⟩
当 y = x y=x y=x时,有
⟨ A x , A y ⟩ = ⟨ x , x ⟩ \langle\mathbf{Ax},\mathbf{Ay}\rangle=\langle x,x\rangle ⟨Ax,Ay⟩=⟨x,x⟩
即 ∥ A x ∥ = ∥ x ∥ \Vert\mathbf{A} x \Vert= \Vert x \Vert ∥Ax∥=∥x∥
同理 ∥ A y ∥ = ∥ y ∥ \Vert\mathbf{A} y \Vert= \Vert y \Vert ∥Ay∥=∥y∥
因此,
cos ⟨ A x , A y ⟩ = ⟨ A x , A y ⟩ ∥ A x ∥ ∥ A y ∥ = ⟨ x , y ⟩ ∥ x ∥ ∥ y ∥ = cos ⟨ x , y ⟩ \cos\langle \mathbf{Ax},\mathbf{Ay} \rangle = \frac{\langle \mathbf{Ax},\mathbf{Ay} \rangle} {\Vert \mathbf{Ax}\Vert\Vert\mathbf{Ay} \Vert} =\frac{\langle \mathbf{x},\mathbf{y} \rangle} {\Vert \mathbf{x}\Vert\Vert\mathbf{y} \Vert}=\cos\langle \mathbf{x},\mathbf{y} \rangle cos⟨Ax,Ay⟩=∥Ax∥∥Ay∥⟨Ax,Ay⟩=∥x∥∥y∥⟨x,y⟩=cos⟨x,y⟩
所以向量 A x \mathbf{Ax} Ax与 A y \mathbf{Ay} Ay 的夹角等于 x x x与 y y y的夹角
欧式空间中向量 x x x 在正交矩阵作用下变换为
A x \mathbf{Ax} Ax
通常称之为欧式空间的正交变换,它在研究二次型的标准形时起着重要作用。
在homogeneous坐标下,一个三维点或者直线都可以用一个四维的向量表示。如果这是一个单位向量,那么经过一个正交变换后,仍然是一个单位向量。
其次,两个向量分别表示的直线在经过同一个正交变换(n=4)后,两个向量的夹角不变。
行列式为 1 的正交矩阵是一个旋转矩阵。将 n 维旋转矩阵的集合定义如下
S O ( n ) = { R ∈ R n × n ∣ R R T = I , det ( R ) = 1 } SO(n)=\{\mathbf{R}\in\mathbb{R}^{n\times n} | \mathbf{R}\mathbf{R}^{T}=\mathbf{I},\det(\mathbf{R})=1\} SO(n)={R∈Rn×n∣RRT=I,det(R)=1}
SO(n) 是特殊正交群(Special Orthogonal Group)的意思。这个集合由 n 维空间的旋转矩阵组成。