{
  "id": "qr-decomposition",
  "title": "QR分解",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "QR分解将矩阵分解为正交或酉因子与三角因子，用于稳定地求解最小二乘问题和计算特征值。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "正交三角分解"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/qr-decomposition/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/qr-decomposition/",
      "json": "https://aiwiki.page/en/qr-decomposition.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "QR分解是一种矩阵分解，将矩阵表示为 \\(A=QR\\)，其中 \\(Q\\) 的列向量标准正交，而 \\(R\\) 根据矩阵的维数为上三角矩阵或上梯形矩阵。对于实矩阵，方阵 \\(Q\\) 是正交矩阵；对于复矩阵，它是酉矩阵。QR分解是数值线性代数的核心工具之一，它在保持欧氏长度不变的同时，将涉及一般矩阵的问题转化为涉及三角矩阵的问题。(netlib.org)"
    },
    {
      "heading": "定义与形式",
      "text": "对于 \\(A\\in\\mathbb{R}^{m\\times n}\\)，若 \\(m\\ge n\\)，其完整QR分解具有如下形式：\n\n\\[A=Q \\begin{bmatrix}R_1\\\\0\\end{bmatrix}, \\qquad Q^TQ=I_m,\\]\n\n其中 \\(Q\\) 为 \\(m\\times m\\) 矩阵，\\(R_1\\) 为 \\(n\\times n\\) 上三角矩阵。这里，\\(Q^T\\) 表示矩阵转置，\\(I_m\\) 是单位矩阵。将 \\(Q\\) 分块为 \\(Q=[Q_1\\ Q_2]\\)，便得到约化QR分解，也称薄QR分解或经济型QR分解：\n\n\\[A=Q_1R_1,\\qquad Q_1^TQ_1=I_n,\\]\n\n其中 \\(Q_1\\) 的大小为 \\(m\\times n\\)。约化形式省略了重构 \\(A\\) 时不需要的列。(netlib.org)\n\n对于复数域上的矩阵，转置要替换为共轭转置，记作 \\(Q^*\\)。宽矩阵也存在QR分解，此时完整分解中的因子 \\(R\\) 为上梯形矩阵：主对角线下方的元素均为零，但列数多于行数。(netlib.org)\n\n每个满足 \\(m\\ge n\\) 的实矩阵都存在QR分解，包括秩亏矩阵。若其列向量线性无关，则要求 \\(R_1\\) 的所有对角元素为正后，约化分解是唯一的。若无此约定，\\(Q_1\\) 中的列与 \\(R_1\\) 中相应的行可以同时改变符号。当 \\(m>n\\) 时，完整矩阵 \\(Q\\) 中其余的列并不唯一。(buttenschoen.ca)"
    },
    {
      "heading": "几何解释",
      "text": "对于列满秩矩阵，\\(Q_1\\) 的列向量构成 \\(A\\) 的列向量的线性包的一组标准正交基。以 \\(a_j\\) 和 \\(q_i\\) 表示相应的列向量，则有\n\n\\[a_j=\\sum_{i=1}^{j}r_{ij}q_i.\\]\n\n因此，\\(R_1\\) 记录了原矩阵各列向量在这组标准正交基下的坐标。其三角结构反映了这样一个事实：原矩阵的前 \\(j\\) 个列向量可以用前 \\(j\\) 个基向量表示。系数满足 \\(r_{ij}=q_i^*a_j\\)，即一个内积。(buttenschoen.ca)\n\n由此可知，\\(Q_1Q_1^*\\) 表示到 \\(A\\) 的列空间上的正交投影。因此，QR分解将由 \\(Q_1\\) 表示的该空间的几何结构，与由 \\(R_1\\) 表示的坐标关系分离开来。(buttenschoen.ca)"
    },
    {
      "heading": "计算方法",
      "text": "格拉姆—施密特正交化通过减去向量在此前得到的标准正交向量上的投影，并将剩余向量归一化，来构造QR分解。在浮点运算中，经典格拉姆—施密特方法可能严重丧失正交性。改进的格拉姆—施密特方法重新安排了投影运算，通常表现更好，但对于要求较高的问题，仍可能需要再次正交化。(cs.cornell.edu)\n\n**豪斯霍尔德变换**逐列消去对角线下方的元素。在实数运算中，反射矩阵可以写为\n\n\\[H=I-2\\frac{vv^T}{v^Tv},\\qquad v\\ne0.\\]\n\n一系列这样的正交反射矩阵将 \\(A\\) 变换为三角形式，其乘积确定 \\(Q\\)。由于具有良好的数值稳定性，豪斯霍尔德QR分解是处理稠密矩阵的标准方法。(buttenschoen.ca)\n\n**吉文斯旋转**每次作用于两个坐标，以消去指定元素。当逐个置零的操作适合矩阵结构，或需要更新已有分解时，这种方法很有用。(cs.cornell.edu)\n\n对于满足 \\(m\\ge n\\) 的稠密实 \\(m\\times n\\) 矩阵，若不显式构造 \\(Q\\)，豪斯霍尔德分解约需 \\(2mn^2-\\frac23n^3\\) 次浮点运算。因此，其计算复杂性为 \\(O(mn^2)\\)。实际实现通常以反射向量的形式隐式存储 \\(Q\\)；分块算法则利用矩阵与矩阵的运算，成组应用反射变换。(cs.utexas.edu)"
    },
    {
      "heading": "最小二乘问题",
      "text": "QR分解可用于求解普通最小二乘法和线性回归所涉及的超定问题：\n\n\\[\\min_x\\|Ax-b\\|_2.\\]\n\n当矩阵列满秩时，由欧氏范数的正交不变性可得\n\n\\[\\|Ax-b\\|_2^2 =\\|R_1x-Q_1^*b\\|_2^2+\\|Q_2^*b\\|_2^2.\\]\n\n第二项与 \\(x\\) 无关。因此，唯一的最小化解满足三角线性方程组\n\n\\[R_1x=Q_1^*b,\\]\n\n可通过回代求得。残差范数为 \\(\\|Q_2^*b\\|_2\\)，因此无需显式构造残差向量即可计算。(netlib.org)\n\n与求解正规方程 \\(A^*Ax=A^*b\\) 不同，直接使用QR分解不会构造 \\(A^*A\\)。当 \\(A\\) 列满秩时，\\(A^*A\\) 的谱条件数满足 \\(\\kappa_2(A^*A)=\\kappa_2(A)^2\\)。避免条件数平方有助于防止额外的数值困难，但QR分解无法消除原问题对扰动的敏感性。(cs.cornell.edu)"
    },
    {
      "heading": "选主元与数值秩",
      "text": "列主元QR分解引入置换矩阵 \\(P\\)：\n\n\\[AP=QR.\\]\n\n通过重新排列各列，较强的独立方向得以优先显现。当矩阵的秩不确定时，将 \\(R\\) 分成前部条件良好的块和后部数值较小的块，有助于估计数值秩。这一估计依赖于容差和缩放方式；普通的列主元选取并不能在所有情况下替代奇异值分解。在秩亏最小二乘问题中，通过带主元的QR分解得到的基本解不一定是最小范数解。(netlib.org)"
    },
    {
      "heading": "与特征值算法的联系",
      "text": "QR算法反复使用QR分解来计算特征值与特征向量。其基本的无位移迭代步骤为\n\n\\[A_k=Q_kR_k,\\qquad A_{k+1}=R_kQ_k.\\]\n\n由于 \\(A_{k+1}=Q_k^*A_kQ_k\\)，相邻迭代矩阵之间满足矩阵相似关系，因此具有相同的特征值。实际实现会引入位移，并利用矩阵的结构形式，加快向舒尔分解的收敛。因此，分解 \\(A=QR\\) 是迭代QR算法的基本组成步骤，而不是与该算法相同的操作。(cs.cornell.edu)"
    }
  ],
  "links": [
    "matrix-factorization",
    "matrix",
    "orthogonal-matrix",
    "unitary-matrix",
    "numerical-linear-algebra",
    "matrix-transpose",
    "identity-matrix",
    "complex-number",
    "conjugate-transpose",
    "linear-independence",
    "linear-span",
    "orthonormal-basis",
    "inner-product",
    "orthogonal-projection",
    "gram-schmidt-process",
    "floating-point-arithmetic",
    "householder-transformation",
    "numerical-stability",
    "computational-complexity",
    "ordinary-least-squares",
    "linear-regression",
    "norm-mathematics",
    "system-of-linear-equations",
    "condition-number",
    "matrix-rank",
    "singular-value-decomposition",
    "qr-algorithm",
    "eigenvalues-and-eigenvectors",
    "matrix-similarity",
    "schur-decomposition"
  ],
  "sources": [
    {
      "title": "netlib.org/lapack/lug/node39.html",
      "url": "https://www.netlib.org/lapack/lug/node39.html"
    },
    {
      "title": "netlib.org/lapack/lug/node40.html",
      "url": "https://netlib.org/lapack/lug/node40.html"
    },
    {
      "title": "buttenschoen.ca/MATH551/qr-factorization/",
      "url": "https://www.buttenschoen.ca/MATH551/qr-factorization/"
    },
    {
      "title": "cs.cornell.edu/courses/cs6210/2025fa/lec/2025-09-29.html",
      "url": "https://www.cs.cornell.edu/courses/cs6210/2025fa/lec/2025-09-29.html"
    },
    {
      "title": "cs.utexas.edu/~flame/laff/alaff-beta/chapter04-via-hqr.html",
      "url": "https://www.cs.utexas.edu/~flame/laff/alaff-beta/chapter04-via-hqr.html"
    },
    {
      "title": "cs.cornell.edu/courses/cs6210/2025fa/lec/2025-09-24-slides.html",
      "url": "https://www.cs.cornell.edu/courses/cs6210/2025fa/lec/2025-09-24-slides.html"
    },
    {
      "title": "netlib.org/lapack/lug/node42.html",
      "url": "https://www.netlib.org/lapack/lug/node42.html"
    },
    {
      "title": "cs.cornell.edu/courses/cs4220/2026sp/lec/2026-03-06.html",
      "url": "https://www.cs.cornell.edu/courses/cs4220/2026sp/lec/2026-03-06.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}