{
  "id": "orthogonal-matrix",
  "title": "正交矩阵",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "转置等于逆矩阵的实方阵，表示保持欧几里得长度和角度的线性变换。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "正交阵"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/orthogonal-matrix/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/orthogonal-matrix/",
      "json": "https://aiwiki.page/en/orthogonal-matrix.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "正交矩阵是元素均为实数的方形矩阵，其列向量构成一组标准正交基，等价地，其行向量也构成一组标准正交基。它的定义方程是 \\(Q^{T}Q=I\\)，其中 \\(Q^{T}\\) 表示转置，\\(I\\) 表示单位矩阵。在线性代数中，正交矩阵表示保持长度和角度的变换，因此在几何、坐标变换和数值计算中具有基础性作用。虽然名称中只有“正交”二字，但其列向量不仅必须两两垂直，还必须具有单位长度。(graphsearch.epfl.ch)"
    },
    {
      "heading": "定义与等价条件",
      "text": "对于 \\(Q\\in\\mathbb{R}^{n\\times n}\\)，正交性意味着\n\n\\[Q^{T}Q=QQ^{T}=I_n.\\]\n\n这里，\\(Q^{T}\\) 是 \\(Q\\) 的矩阵转置，\\(I_n\\) 是单位矩阵。等价地，\\(Q\\) 可逆，且其逆矩阵满足 \\(Q^{-1}=Q^{T}\\)。由于 \\(Q\\) 是方阵，上述两个乘积等式中的任意一个都能推出另一个。(math.mit.edu)\n\n将其列向量记为 \\(q_1,\\ldots,q_n\\)，定义条件便可写成\n\n\\[q_i^{T}q_j= \\begin{cases} 1,&i=j,\\\\ 0,&i\\ne j. \\end{cases}\\]\n\n因此，这些列向量构成向量空间 \\(\\mathbb{R}^{n}\\) 的一组基。行向量也具有同样的性质。尤其要注意，这里的正交性描述的是一套完整的坐标标架，而不只是一组相互垂直的方向。(graphsearch.epfl.ch)"
    },
    {
      "heading": "几何解释",
      "text": "正交矩阵定义了一个线性映射 \\(x\\mapsto Qx\\)，它保持标准内积不变：\n\n\\[(Qx)^{T}(Qy)=x^{T}Q^{T}Qy=x^{T}y.\\]\n\n因此，它保持向量的长度、非零向量之间的夹角以及欧几里得距离：\n\n\\[\\|Qx-Qy\\|_2=\\|x-y\\|_2.\\]\n\n它使原点保持不动，因此单独的平移不能用正交矩阵表示。既保持距离又包含平移的变换则具有仿射形式 \\(x\\mapsto Qx+b\\)。(web.ma.utexas.edu)\n\n一个基本例子是平面旋转矩阵\n\n\\[R(\\theta)= \\begin{pmatrix} \\cos\\theta&-\\sin\\theta\\\\ \\sin\\theta&\\cos\\theta \\end{pmatrix}.\\]\n\n它将列向量逆时针旋转角度 \\(\\theta\\)。相比之下，矩阵 \\(\\operatorname{diag}(1,-1)\\) 表示平面关于水平轴的反射。两者都保持长度不变，但对定向的影响不同。(math.mit.edu)"
    },
    {
      "heading": "行列式与群结构",
      "text": "对 \\(Q^{T}Q=I\\) 两边取行列式，得到\n\n\\[(\\det Q)^2=1,\\]\n\n因此，每个正交矩阵的行列式都为 \\(+1\\) 或 \\(-1\\)。前者保持定向，后者反转定向。两者都保持体积的大小不变。不过，仅凭行列式为 \\(+1\\) 并不能判定矩阵具有正交性：一个矩阵可以在保持体积不变的同时，沿某些方向拉伸、沿另一些方向压缩。(math.mit.edu)\n\n正交矩阵的乘积和逆矩阵仍然是正交矩阵。因此，全体 \\(n\\times n\\) 正交矩阵以单位矩阵为单位元，构成正交群 \\(O(n)\\)，这是群论中的一个重要对象。其中行列式为 \\(+1\\) 的矩阵构成的子群称为特殊正交群 \\(SO(n)\\)。在二维情形下，这个子群由平面旋转组成；行列式为 \\(-1\\) 的矩阵则表示关于过原点直线的反射。(math.mit.edu)"
    },
    {
      "heading": "特征值与相关矩阵类别",
      "text": "正交矩阵的特征值的绝对值均为一。虽然矩阵的元素都是实数，其特征值却可能是复数。若对某个非零复向量有 \\(Qv=\\lambda v\\)，由复向量的欧几里得范数保持不变可得\n\n\\[\\|v\\|_2=\\|Qv\\|_2=|\\lambda|\\|v\\|_2.\\]\n\n因此，\\(|\\lambda|=1\\)。实特征值只能是 \\(+1\\) 或 \\(-1\\)，而非实特征值则成共轭对出现。平面旋转的特征值为 \\(e^{i\\theta}\\) 和 \\(e^{-i\\theta}\\)，所以它通常没有实特征向量。(ocw.mit.edu)\n\n在复坐标空间中，对应的保持长度的矩阵类别是酉矩阵，其定义为 \\(U^{*}U=I\\)，这里使用的是共轭转置而非普通转置。每个实正交矩阵在被视为复矩阵时都是酉矩阵。(netlib.org)"
    },
    {
      "heading": "构造与数值应用",
      "text": "格拉姆—施密特正交化可由线性无关的向量构造出一组标准正交基。将这样一组完整的基按列排列，就得到一个正交矩阵。正交因子也出现在QR分解中，该分解将实矩阵表示为 \\(A=QR\\)，其中 \\(R\\) 为三角矩阵或梯形矩阵。简化 QR 分解中的 \\(Q\\) 则可能是列向量标准正交的矩形矩阵。(math.mit.edu)\n\n在计算实现中，通常利用豪斯霍尔德变换或吉文斯旋转构造正交因子。豪斯霍尔德反射具有如下形式：\n\n\\[H=I-2\\frac{vv^{T}}{v^{T}v},\\qquad v\\ne0.\\]\n\n它表示关于与 \\(v\\) 垂直的超平面的反射。这些初等变换可以在保持矩阵所表示的欧几里得几何关系的同时，将矩阵中的某些元素化为零。(netlib.org)\n\n正交变换在数值线性代数中占据核心地位，应用包括最小二乘问题和奇异值分解。其保持范数的性质有助于数值稳定性，因为施加精确的正交变换不会放大以欧几里得范数衡量的已有误差。但这并不能消除计算过程中引入的舍入误差。(netlib.org)"
    },
    {
      "heading": "矩形矩阵与投影",
      "text": "对于满足 \\(m>n\\) 的 \\(m\\times n\\) 矩阵 \\(Q\\)，条件 \\(Q^{T}Q=I_n\\) 表示其列向量标准正交，但此时 \\(QQ^{T}\\ne I_m\\)。事实上，\\(QQ^{T}\\) 表示到这些列向量所张成空间的正交投影。因此，必须将简化分解中的正交因子与方形正交矩阵区分开来：前者在将 \\(\\mathbb{R}^{n}\\) 映射到 \\(\\mathbb{R}^{m}\\) 时保持长度不变，但并不构成整个较大空间上的可逆变换。(netlib.sandia.gov)"
    }
  ],
  "links": [
    "matrix",
    "orthonormal-basis",
    "linear-algebra",
    "matrix-transpose",
    "identity-matrix",
    "inverse-matrix",
    "vector-space",
    "linear-map",
    "inner-product",
    "euclidean-distance",
    "determinant",
    "orthogonal-group",
    "group-theory",
    "special-orthogonal-group",
    "eigenvalues-and-eigenvectors",
    "complex-number",
    "unitary-matrix",
    "gram-schmidt-process",
    "qr-decomposition",
    "householder-transformation",
    "numerical-linear-algebra",
    "singular-value-decomposition",
    "numerical-stability",
    "orthogonal-projection"
  ],
  "sources": [
    {
      "title": "graphsearch.epfl.ch/en/lecture/0_yjyc5w6p",
      "url": "https://graphsearch.epfl.ch/en/lecture/0_yjyc5w6p"
    },
    {
      "title": "math.mit.edu/classes/18.085/summer2016/handouts/qr.pdf",
      "url": "https://math.mit.edu/classes/18.085/summer2016/handouts/qr.pdf"
    },
    {
      "title": "web.ma.utexas.edu/users/sadun/F13/M346/LM7-4.html",
      "url": "https://web.ma.utexas.edu/users/sadun/F13/M346/LM7-4.html"
    },
    {
      "title": "math.mit.edu/~roed/courses/211/lectures/Nov-8.pdf",
      "url": "https://math.mit.edu/~roed/courses/211/lectures/Nov-8.pdf"
    },
    {
      "title": "ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/d3…",
      "url": "https://ocw.mit.edu/courses/18-085-computational-science-and-engineering-i-fall-2008/d343bf773407f2af0bbca125b54612ee_w26JaJX8GMk.pdf"
    },
    {
      "title": "netlib.org/lapack/lug/node39.html",
      "url": "https://www.netlib.org/lapack/lug/node39.html"
    },
    {
      "title": "netlib.org/lapack/lug/node69.html",
      "url": "https://netlib.org/lapack/lug/node69.html"
    },
    {
      "title": "netlib.sandia.gov/lapack95/lug95/node343.html",
      "url": "https://netlib.sandia.gov/lapack95/lug95/node343.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}