{
  "id": "orthonormal-basis",
  "title": "标准正交基",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "标准正交基是由两两正交的单位向量构成的完备向量系，可通过内积直接确定向量的坐标。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [
    "规范正交基",
    "正交归一基",
    "单位正交基"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/orthonormal-basis/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/orthonormal-basis/",
      "json": "https://aiwiki.page/en/orthonormal-basis.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "标准正交基是内积空间中的一组基（线性代数），其中各向量的长度均为一，且两两正交。在有限维线性代数中，每个向量都能唯一地表示为这些基向量的有限线性组合。在无限维希尔伯特空间中，完备性则意味着，有限线性组合可以在范数意义下任意逼近每个向量。标准正交基使坐标、投影和长度的计算变得尤为简单。(ocw.mit.edu)"
    },
    {
      "heading": "定义与基本性质",
      "text": "设 \\(V\\) 是实数域或复数域上配备了内积的向量空间。若向量系 \\(\\{e_i\\}\\) 满足\n\n\\[\\langle e_i,e_j\\rangle= \\begin{cases} 1,&i=j,\\\\ 0,&i\\ne j, \\end{cases}\\]\n\n则称其为标准正交向量系。因此，每个向量的范数均为 \\(\\|e_i\\|=\\sqrt{\\langle e_i,e_i\\rangle}=1\\)，且不同向量彼此正交。在有限维空间中，这个向量系是标准正交基，当且仅当其线性包等于 \\(V\\)。(ocw.mit.edu)\n\n任何标准正交向量系都线性无关。事实上，若一个有限线性组合等于零，将其与参与组合的各个基向量分别取内积，就能得出所有系数都为零。因此，恰好包含 \\(\\dim V\\) 个向量的标准正交向量系就是一组基。有限维内积空间中的任何标准正交向量系，都可以扩充为一组标准正交基。(ocw.mit.edu)\n\n正交基只要求向量彼此正交，并不要求长度为一；将每个向量除以自身的范数，就能得到标准正交基。标准正交性还取决于所选的内积。在通常的点积下标准正交的坐标向量，在另一种内积下未必仍然标准正交。(ocw.mit.edu)"
    },
    {
      "heading": "坐标、长度与投影",
      "text": "本文采用复内积对第一个变量具有线性性的约定。若 \\(\\{e_1,\\ldots,e_n\\}\\) 是一组标准正交基，则\n\n\\[x=\\sum_{i=1}^{n}\\langle x,e_i\\rangle e_i.\\]\n\n因此，沿每个基方向的系数都可以直接通过内积求得，无须求解线性方程组。若采用内积对第二个变量具有线性性的另一种约定，则该系数写为 \\(\\langle e_i,x\\rangle\\)。(ocw.mit.edu)\n\n记 \\(c_i=\\langle x,e_i\\rangle\\)，则有\n\n\\[\\|x\\|^2=\\sum_{i=1}^{n}|c_i|^2.\\]\n\n这是勾股定理在内积空间中的形式：各个彼此正交的分量对长度平方的贡献可以独立相加。对于向量 \\(x\\) 和 \\(y\\)，它们的内积同样等于对应坐标乘积之和，其中 \\(y\\) 的坐标需取复共轭。(ocw.mit.edu)\n\n若这些向量构成的是线性子空间 \\(W\\) 的一组基，则相应的正交投影公式为\n\n\\[P_Wx=\\sum_i\\langle x,e_i\\rangle e_i.\\]\n\n残差 \\(x-P_Wx\\) 属于 \\(W\\) 的正交补。在 \\(W\\) 的所有向量中，\\(P_Wx\\) 是唯一使到 \\(x\\) 的距离最小的向量，因此这一公式在最小二乘逼近中具有核心作用。(mit.edu)"
    },
    {
      "heading": "示例与矩阵表示",
      "text": "在通常的点积下，标准坐标向量构成 \\(\\mathbb R^n\\) 的一组标准正交基。\\(\\mathbb R^2\\) 中的另一组例子是\n\n\\[e_1=\\frac{1}{\\sqrt2}(1,1),\\qquad e_2=\\frac{1}{\\sqrt2}(-1,1).\\]\n\n它们的点积为零，且长度都为一。相对于这组基，\\((a,b)\\) 的坐标为 \\((a+b)/\\sqrt2\\) 和 \\((b-a)/\\sqrt2\\)，这说明标准正交基并不唯一。(openlearninglibrary.mit.edu)\n\n将各基向量作为列排成矩阵 \\(Q\\)，标准正交性就可以表示为\n\n\\[Q^*Q=I,\\]\n\n其中 \\(Q^*\\) 表示共轭转置，\\(I\\) 是单位矩阵。对于实矩阵，\\(Q^*\\) 就是其矩阵转置 \\(Q^{\\mathsf T}\\)。若 \\(Q\\) 为方阵，则在实数情形下它是正交矩阵，在复数情形下则是酉矩阵；其逆矩阵为 \\(Q^*\\)。此时，坐标转换为 \\(c=Q^*x\\)，而向量重构为 \\(x=Qc\\)。(openlearninglibrary.mit.edu)\n\n对于列向量标准正交的非方阵 \\(Q\\)，这些列向量只能张成所在坐标空间的一个子空间。此时，\\(QQ^*\\) 不一定是单位矩阵，而是到该子空间的投影矩阵。(openlearninglibrary.mit.edu)"
    },
    {
      "heading": "构造方法",
      "text": "格拉姆—施密特正交化可从一个有序的线性无关向量组 \\(v_1,\\ldots,v_n\\) 构造出标准正交基。在第 \\(k\\) 步，先去除沿此前已构造方向的分量，再将剩余向量归一化：\n\n\\[u_k=v_k-\\sum_{j<k}\\langle v_k,e_j\\rangle e_j, \\qquad e_k=\\frac{u_k}{\\|u_k\\|}.\\]\n\n线性无关性保证了 \\(u_k\\ne0\\)。所得向量组的每个前段，都与输入向量组中对应的前段张成相同的子空间。(ocw.mit.edu)\n\n将这一构造应用于矩阵 \\(A\\) 的线性无关列向量，即可得到QR分解 \\(A=QR\\)，其中 \\(Q\\) 的列向量标准正交，\\(R\\) 为上三角矩阵。这个三角因子记录了原始列向量在新基下的表示。(openlearninglibrary.mit.edu)"
    },
    {
      "heading": "无限维空间中的基",
      "text": "在希尔伯特空间中，标准正交基是一个完备的标准正交系，即其闭线性包等于整个空间。这与代数基（也称哈梅尔基）不同，后者只允许有限线性组合。对于可数的标准正交基，有\n\n\\[x=\\sum_{k=1}^{\\infty}\\langle x,e_k\\rangle e_k,\\]\n\n其中级数在范数意义下收敛。帕塞瓦尔恒等式指出，\n\n\\[\\|x\\|^2=\\sum_{k=1}^{\\infty}|\\langle x,e_k\\rangle|^2.\\]\n\n当这些向量是函数时，仅有范数收敛并不能保证逐点收敛。(oshalit.net.technion.ac.il)\n\n傅里叶级数所依托的一个基本例子是 \\(L^2([-\\pi,\\pi])\\) 的实三角函数基：\n\n\\[\\frac{1}{\\sqrt{2\\pi}},\\qquad \\frac{\\cos(kx)}{\\sqrt\\pi},\\qquad \\frac{\\sin(kx)}{\\sqrt\\pi}, \\quad k=1,2,\\ldots.\\]\n\n正交性由两个函数乘积的积分来判定。归一化因子使每个基函数的范数都为一，而完备性则保证平方可积函数能够通过其傅里叶系数在 \\(L^2\\) 意义下重构。(math.mit.edu)"
    }
  ],
  "links": [
    "inner-product",
    "basis-linear-algebra",
    "linear-algebra",
    "hilbert-space",
    "real-number",
    "complex-number",
    "vector-space",
    "linear-span",
    "linear-independence",
    "linear-combination",
    "system-of-linear-equations",
    "pythagorean-theorem",
    "linear-subspace",
    "orthogonal-projection",
    "orthogonal-complement",
    "matrix",
    "identity-matrix",
    "matrix-transpose",
    "orthogonal-matrix",
    "unitary-matrix",
    "gram-schmidt-process",
    "qr-decomposition",
    "parsevals-identity",
    "fourier-series",
    "integral"
  ],
  "sources": [
    {
      "title": "ocw.mit.edu/courses/18-700-linear-algebra-fall-2013/6f9384b0164a7beddb745b9277c…",
      "url": "https://ocw.mit.edu/courses/18-700-linear-algebra-fall-2013/6f9384b0164a7beddb745b9277cc1093_MIT18_700F13_orthgnl_base.pdf"
    },
    {
      "title": "mit.edu/~6.450/handouts/6.450book.pdf",
      "url": "https://www.mit.edu/~6.450/handouts/6.450book.pdf"
    },
    {
      "title": "openlearninglibrary.mit.edu/assets/courseware/v1/9074eb57b9f310712ae05ffbd4f356…",
      "url": "https://openlearninglibrary.mit.edu/assets/courseware/v1/9074eb57b9f310712ae05ffbd4f35608/asset-v1%3AOCW%2B18.06SC%2B2T2019%2Btype%40asset%2Bblock/18.06_Unit_II_2.4_Lecsum.pdf"
    },
    {
      "title": "oshalit.net.technion.ac.il/2012/10/24/advanced-analysis-notes-2-hilbert-spaces-…",
      "url": "https://oshalit.net.technion.ac.il/2012/10/24/advanced-analysis-notes-2-hilbert-spaces-orthogonality-projection-orthonormal-bases/"
    },
    {
      "title": "math.mit.edu/~gs/cse/websections/cse41.pdf",
      "url": "https://math.mit.edu/~gs/cse/websections/cse41.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}