矩阵qr分解例题_矩阵qr分解例题

参考书籍和图片来源：《矩阵分析与计算》李继根 张新发编著  第三章QR分解部分

QR分解的3种方法：

方法一：经典的Gram-Schmidt（CGS）算法（就是基于施密特正交化）

方法二：对CGS算法进行改进后的MGS（Modified Gram-Schmidt）算法（就是对施密特正交化算法进行了一点优化）

方法三：利用Householder变换法求QR分解

先复习一下施密特正交化：

公式如上，我稍微用言语解释一下，不懂的话参考其他资料，很简单的。

β 是一个正交的基，α 是在这个基张成的空间里的j个不相关的向量，施密特正交化的作用就是将j个α 变换为j个β 这个正交基。变换方法主要是向量分解，将α 分解为β 这个基下的n个分量，然后减去分量只留下一个方向的分量。

可以参考知乎文章怎么巧记施密特正交公式？如图。？ - 知乎

好了我们知道施密特正交化后，我们直接来个一题三解，题目如下

 我们先写方法一和方法二，因为它俩本质上都是施密特正交化，方法二只是在方法一的基础上的改良！

你仔细看一下步骤，就会发现，方法一和方法二的区别就在我在图片中圈出来的地方步骤的区别。

方法一（CGS算法）在求β 时，会不断迭代，不断减去和它正交的方向的分量，就像图中的第一个方框，β3需要减去β1和β2方向上的分量，那么是不是意味着随着向量的增多β 需要减去的分量会越来越多！所以CGS迭代算法在数值上是不稳定的！

而方法二（MGS算法）的想法是每当产生一个新的正交向量β 后，就重新计算后续所有向量α ，消去其中包含已产生的β 成分，从而使这些改变后的后续向量都与以及计算出来的β 正交。

你看图中的后面两个框，在求β2去掉β1方向上的分量的时候，是不是就把β3 在β1 上面的分量部分减掉了，所以后面求β3 的时候就只需要减去β2 方向上的分量就行了，这样就不会产生减法的累计，避免了数值上的不稳定！

也许你会说这根本不是QR分解好吧，其实我们将上面的运算写出来后，QR分解答案也就出来了。 A=QR，上面求出来的正交单位矩阵就是Q矩阵，我们又知道A矩阵，所以R= A，R求出来后QR分解不就出来了嘛。

下面介绍解法3，基于Householder变化的QR分解（我之前的笔记有讲Householder变换，忘记了可以去看看）：

第一步：

 用方程表示就是

至于H1的求法，就是把α1 这个向量投影到A这个空间对应的X轴上的Householder变换（不理解可以看后面的实例再回来理解一下这句话）

第二步：

就是对第一步求出来的 中的A1进行同样的操作，把A1的第一列投影到A1空间对应的X轴上（说白了就是要让Householder变换让A1的第一列只有第一个元素！！！），求得的Householder矩阵是为H2。用公式表示就是

步骤说完了：我们直接来做题！做题才能更好的理解步骤！

 答：

 这里插入一个例题：（我之前介绍Householder矩阵时用过）如下图：

 看见这个例题你能想到什么？

题干中的 不就对应上面例题里反射前的的X向量， 不就对应着上面例题里反射后的Y向量嘛，那是不是意味着可以直接用这个公式

求解H1了？！

所以利用公式求得H1为