Gram-Schmidt 正交化计算器

Gram-Schmidt 过程是线性代数中最重要的算法之一。给定一组线性无关向量，它会系统地生成一组彼此正交、且张成同一子空间的新向量。若再将每个正交向量除以自身长度使其变为单位向量，得到的就是标准正交基。标准正交基在线性代数中被视为黄金标准，因为它几乎能简化所有涉及投影、旋转、反射和分解的计算。 该算法按归纳方式进行。第一个输出向量就是第一个输入向量，不做任何改变。第二个输出向量等于第二个输入向量减去其在第一个输出向量上的投影，这样第二个输出就与第一个向量垂直。第三个输出向量则是第三个输入向量减去其在前两个输出向量上的投影。一般来说，第 k 个输出向量等于第 k 个输入向量减去它在所有先前输出向量上的投影之和。向量 v 在已正交化向量 u 上的投影公式为 (v·u / u·u) × u，其中 · 表示点积。 如果在这一过程中，减去所有投影后的结果是零向量，则说明该输入向量与前面的向量线性相关，应当直接丢弃。计算器会自动处理这一情况，并报告输入集合的秩，也就是真正线性无关向量的数量。实际应用中，还会使用一个较小的数值阈值来捕捉由于浮点舍入而接近零的向量。 标准正交基的获取方式，是将每个正交输出向量除以其欧几里得范数（即其与自身点积的平方根）。这样得到的一组向量全部长度恰为 1，彼此两两垂直。这样的标准正交集合构成了原始输入所张成子空间的标准正交框架。 Gram-Schmidt 过程的应用几乎遍及所有定量领域。在数值线性代数中，它是 QR 分解的基础，而 QR 分解常用于求解最小二乘问题和计算特征值。在信号处理中，它用于构造正交滤波器组并分离独立的信号分量。在量子力学中，量子系统的态空间是希尔伯特空间，物理可观测量对应于特征向量的标准正交基。在统计学和机器学习中，主成分分析（PCA）可以理解为寻找一个与数据集中最大方差方向对齐的标准正交基。在计算机图形学中，构建相机或物体坐标系需要三个彼此垂直的单位向量，而 Gram-Schmidt 正好适合完成这项任务。 这款计算器支持任意维度的向量，能优雅处理线性相关输入，并将中间的正交向量与最终的标准正交向量并排显示，让你清楚看到整个变换过程。