想象你要用三根长短不一的木条搭一个直角书架。你当然可以把它们随便钉在一起，但那样书放不稳。真正的做法是：先选定第一根木条，然后把第二根木条上“斜向第一根”的部分锯掉，只保留与第一根垂直的分量；第三根则要同时锯掉“斜向第一根”和“斜向第二根”的分量。最后把每一根按同一刻度截成单位长度。这套“锯斜留直、再定刻度”的流程，就是 Gram-Schmidt 正交化。它把一组彼此不垂直、长度不一的向量，加工成一组标准正交基——就像把歪斜的木条变成横平竖直的直角骨架。

岗位关联

掌握 Gram-Schmidt 是理解 QR 分解、最小二乘和信号处理的一把钥匙；对 AI 工程师而言，它是数值优化与特征计算中稳定建模的基本功。

目录
  1. 可视化演示
  2. 正交化思想：从斜支架到直角基
  3. 经典GS推导：一根一根锯
  4. 改进MGS：边锯边量
  5. QR分解联系：木条的登记簿
  6. 数值稳定性：浮点世界的“差不多”
  7. 应用实例：多项式与信号空间的直角骨架
  8. 实现与思考：工程中的选择
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

\u5c55\u793a\u5411\u91cf\u6b63\u4ea4\u5316\u6295\u5f71\u51cf\u9664\u3001\u6807\u51c6\u6b63\u4ea4\u57fa\u6784\u9020\u53caQR\u5206\u89e3\u7684\u77e9\u9635\u5173\u7cfb\u3002

本节配有交互动效（进入视口后自动加载，约 3KB）。

\u6b63\u4ea4\u5316\u8fc7\u7a0b v1=a1\u4f5c\u4e3a\u7b2c\u4e00\u4e2a\u6b63\u4ea4\u57fa v2=a2-proj(v2,v1) q_i = v_i / ||v_i|| \u9010\u6b65\u6784\u9020\u4e24\u4e24\u6b63\u4ea4\u7684\u5411\u91cf\u57fa

正交化思想：从斜支架到直角基

假设你刚从树林里捡回三根木条，左看右看都歪歪扭扭。直接钉在一起虽然能立住，但架子上放书时，总会顺着木条的斜向滑下去。在线性代数里，这些木条就是向量，它们共同撑起的空间叫向量空间。只要没有一根木条能被其余木条拼出来，就说这组向量线性无关。

线性无关保证了骨架不会有多余料，但没保证方向好。理想支架要求三根木条两两垂直，并且长度都按同一刻度取整。两两垂直的向量称为正交；长度为 1 的向量叫单位向量。由此得到的“两两正交且单位长度”的一组基，就是标准正交基。标准正交基下的坐标计算异常省力：想求某个向量在某个方向上的分量，直接做一次内积即可，不必解方程组。

判断垂直需要一把“内积尺”。在 n 维实数空间中，两个向量的内积就是把对应分量相乘后再全部加起来。内积为零，便说明两个方向互相垂直。

这就像直角书架中的横梁与竖梁：它们内积为零，彼此不抢方向，才能稳稳托住每一层。

⟨u,v⟩=∑i=1nuivi,u⊥v  ⟺  ⟨u,v⟩=0.\displaystyle \langle\mathbf{u},\mathbf{v}\rangle=\sum_{i=1}^{n}u_i v_i,\qquad\mathbf{u}\perp\mathbf{v}\iff\langle\mathbf{u},\mathbf{v}\rangle=0.
  1. 对应分量内积的第一件事是把 u 的第 i 个分量与 v 的第 i 个分量相乘。
    uivi\displaystyle u_i v_i
  2. 累加求和把所有乘积相加，得到反映两个向量“方向一致性”的单一数值。
    ∑i=1nuivi\displaystyle \sum_{i=1}^{n}u_i v_i
  3. 判零即垂直如果累加结果为零，说明两个向量没有共享的方向成分。
    ⟨u,v⟩=0\displaystyle \langle\mathbf{u},\mathbf{v}\rangle=0

经典GS推导：一根一根锯

现在该正式动锯了。Gram-Schmidt 的核心工具是投影：把一根向量往另一根方向上“照影子”。影子长度就是投影系数；影子的方向沿着被投影的那根向量。要得到与 u 垂直的 v 分量，只需把 v 在 u 上的影子剪掉。

给定线性无关向量 v1……vk，算法让第一根原封不动：u1=v1。到第二根，v2 减去它在 u1 上的投影，余下的 u2 自然与 u1 垂直。到第三根，v3 减去它在 u1 和 u2 上的投影，余下的 u3 同时垂直于前两个方向。一步步做下去，就得到两两正交的 u1……uk。最后把每个 u_i 除以自身长度，得到长度为 1 的标准正交向量 e_i。

原本歪斜的一捆木条，经过一把投影锯和一把刻度尺，就变成横平竖直的标准直角骨架。

u1=v1,uk=vk−∑j=1k−1⟨vk,uj⟩⟨uj,uj⟩uj,ek=uk∥uk∥.\begin{aligned}\mathbf{u}_1&=\mathbf{v}_1,\\\mathbf{u}_k&=\mathbf{v}_k-\sum_{j=1}^{k-1}\frac{\langle\mathbf{v}_k,\mathbf{u}_j\rangle}{\langle\mathbf{u}_j,\mathbf{u}_j\rangle}\mathbf{u}_j,\\\mathbf{e}_k&=\frac{\mathbf{u}_k}{\lVert\mathbf{u}_k\rVert}.\end{aligned}
  1. 第一步保底第一根没有参照物，直接保留原方向。
    u1=v1\displaystyle \mathbf{u}_1=\mathbf{v}_1
  2. 算投影系数每个投影系数是 v_k 在已产出 u_j 方向上的影子长度除以 u_j 的模长平方。
    cj=⟨vk,uj⟩⟨uj,uj⟩\displaystyle c_j=\frac{\langle\mathbf{v}_k,\mathbf{u}_j\rangle}{\langle\mathbf{u}_j,\mathbf{u}_j\rangle}
  3. 统一扣除把 k-1 个影子全部剪掉，剩余部分与所有 u_j 垂直。
    uk=vk−∑j=1k−1cjuj\displaystyle \mathbf{u}_k=\mathbf{v}_k-\sum_{j=1}^{k-1}c_j\mathbf{u}_j
  4. 单位化除以自身长度，得到标准正交向量。
    ek=uk∥uk∥\displaystyle \mathbf{e}_k=\frac{\mathbf{u}_k}{\lVert\mathbf{u}_k\rVert}

改进MGS：边锯边量

经典 GS 的做法是：先把一根木条上“斜向所有已固定横梁”的影子全部量出来，再一次性锯掉。万一木条本身略弯，量影子时就会把前一根的误差也掺进来。改进版 MGS 则改为：对准第一根横梁锯一下，停下来看看剩余木条；再对准第二根锯一下，再看一眼。每锯一次都基于最新剩余量，误差不容易累积。

数学上，MGS 和经典 GS 完全相同——都是在扣掉前 k-1 个方向上的投影。差别只是实现顺序：经典 GS 用原始 v_k 与每个 q_j 算投影，MGS 用不断更新的 w 与 q_j 算投影。这一顺序变化在纸面上看微不足道，在浮点运算中却能决定 q_i 是否还保持正交。

MGS 是那位每次只锯一下、反复检查的工匠；虽然多做几次停顿，成品却更接近直角。

w1=vk,rjk=⟨qj,wj⟩,wj+1=wj−rjkqj,j=1,…,k−1,qk=wk∥wk∥.\begin{aligned}\mathbf{w}_1&=\mathbf{v}_k,\\r_{jk}&=\langle\mathbf{q}_j,\mathbf{w}_j\rangle,\\\mathbf{w}_{j+1}&=\mathbf{w}_j-r_{jk}\mathbf{q}_j,\quad j=1,\dots,k-1,\\\mathbf{q}_k&=\frac{\mathbf{w}_k}{\lVert\mathbf{w}_k\rVert}.\end{aligned}
  1. 初始化当前木条把待加工的 v_k 复制给 w，之后的每次修改都在 w 上发生。
    w1=vk\displaystyle \mathbf{w}_1=\mathbf{v}_k
  2. 量影子长度用当前剩余 w 与已固定的 q_j 做内积，得到本次该锯掉的投影长度。
    rjk=⟨qj,wj⟩\displaystyle r_{jk}=\langle\mathbf{q}_j,\mathbf{w}_j\rangle
  3. 锯掉影子从 w 中减去 r_{jk} q_j，剩余部分开始与 q_j 垂直。
    wj+1=wj−rjkqj\displaystyle \mathbf{w}_{j+1}=\mathbf{w}_j-r_{jk}\mathbf{q}_j
  4. 归一化收尾把所有影子都锯完后，除以剩余长度，得到第 k 个标准正交向量。
    qk=wk∥wk∥\displaystyle \mathbf{q}_k=\frac{\mathbf{w}_k}{\lVert\mathbf{w}_k\rVert}

QR分解联系：木条的登记簿

正交化不只是把木条摆正，它还会留下账本：每根原始木条到底由多少根标准横梁拼接而成。把这些拼接系数按顺序写成一个矩阵，就可以把整套操作浓缩成一条矩阵等式——QR 分解。

设 A 的列是原始向量 v1……vn，Q 的列是标准正交向量 q1……qn，R 是上三角矩阵，则 A=QR。因为 Q 的列标准正交，Q^T Q=I；R 的上三角性来自每个 v_k 只由前 k 个 q_i 表示。求解 Ax=b 时，先两边左乘 Q^T 得 Rx=Q^T b，再用从最后一行往前的回代求出 x。

账本一旦写好，以后任何右端项 b 都能快速结算；这正是 QR 分解在最小二乘中如此值钱的原因。

A=QR,Q⊤Q=I,R=(r11r12⋯r1n0r22⋯r2n⋮⋮⋱⋮00⋯rnn).A=QR,\qquad Q^\top Q=I,\qquad R=\begin{pmatrix}r_{11}&r_{12}&\cdots&r_{1n}\\0&r_{22}&\cdots&r_{2n}\\\vdots&\vdots&\ddots&\vdots\\0&0&\cdots&r_{nn}\end{pmatrix}.
  1. 构造 Q 列Q 的每一列就是正交化并单位化后的 q_i，列与列之间标准正交。
    Q=[q1,…,qn],Q⊤Q=I\displaystyle Q=[\mathbf{q}_1,\dots,\mathbf{q}_n],\quad Q^\top Q=I
  2. 记录 R 系数R 的第 i 行第 k 列记录 q_i 在 v_k 中的贡献，i>k 时系数为 0，因此是上三角。
    rik=⟨qi,vk⟩ (i<k),rkk=∥uk∥\displaystyle r_{ik}=\langle\mathbf{q}_i,\mathbf{v}_k\rangle\ (i<k),\qquad r_{kk}=\lVert\mathbf{u}_k\rVert
  3. 还原关系每个 v_k 都能写成前 k 个 q_i 的线性组合。
    vk=∑i=1krikqi\displaystyle \mathbf{v}_k=\sum_{i=1}^k r_{ik}\mathbf{q}_i
  4. 回代求解方程 Ax=b 变为 Rx=Q^T b，从最后一行往上逐行解出 x。
    Rx=Q⊤b\displaystyle R\mathbf{x}=Q^\top\mathbf{b}

数值稳定性：浮点世界的“差不多”

现实世界的木条都有粗细、弯曲，计算机里的数字也有“舍入误差”。浮点数只能近似表示小数，每次加减乘除都会在最后一位产生小偏差。如果两根木条几乎顺着同一方向，“减去投影”就会变成两个非常接近的大数相减，真正代表垂直分量的信息藏在末尾几个小数位上，很容易被舍入误差吞掉。

条件数 κ(A) 刻画了这捆木条有多“接近倒塌”。条件数越大，微小扰动越可能被放大。经典 GS 一次性扣除所有影子，在病态矩阵上容易让 q_i 失去正交性；MGS 逐次更新剩余量，把每一步的舍入影响控制在更小的范围。若仍不够，可以再做一次正交化（reorthogonalization），相当于把已经摆正的支架再校准一遍。

算法步骤一模一样，只因“先锯后量”还是“边锯边量”，最终成品的直角精度可能天差地别。

∥I−Q⊤Q∥2≤Calg κ(A) εmach.\|I-Q^\top Q\|_2 \le C_{\text{alg}}\,\kappa(A)\,\varepsilon_{\text{mach}}.
  1. 机器精度ε_mach 是浮点系统中能区分相邻数字的最小间隔，约 2^-52。
    εmach≈2−52≈2.22×10−16\displaystyle \varepsilon_{\text{mach}}\approx 2^{-52}\approx 2.22\times10^{-16}
  2. 条件数κ(A) 是矩阵“病态程度”的度量，接近线性相关时它会非常大。
    κ(A)=∥A∥ ∥A−1∥\displaystyle \kappa(A)=\lVert A\rVert\,\lVert A^{-1}\rVert
  3. 正交性误差左边衡量计算出的 Q 有多偏离单位正交矩阵；误差上界被条件数和机器精度联合放大。
    ∥I−Q⊤Q∥2\displaystyle \|I-Q^\top Q\|_2

应用实例：多项式与信号空间的直角骨架

把函数也看作向量，Gram-Schmidt 就能从普通空间走进函数空间。比如定义在 [-1,1] 上的函数 f(x),g(x)，它们的内积是乘积的积分；若这个积分为零，就称它们在函数空间里垂直。函数空间没有直观的箭头，但有同样的直角规则。

对函数组 1,x,x^2 依次做 Gram-Schmidt，会得到经典的正交多项式族：常数 1、一次项 x、二次项 x^2-1/3，继续做下去就是 Legendre 多项式。它们能把复杂函数拆成正交成分，是数值积分和谱方法的基石。信号处理中，连续信号同样可以看成向量空间中一个点，Gram-Schmidt 可为信号构造正交基底，用于压缩、去噪和特征提取。

木条变成了函数曲线，直角支架变成了正交函数系；同一个算法，在不同的“空间”继续盖房子。

\langle f,g\rangle=\int_{-1}^{1} f(x)g(x)\,dx,\qquadp_0(x)=1,\quad p_1(x)=x,\quad p_2(x)=x^2-\frac{\langle x^2,1\rangle}{\langle 1,1\rangle}\cdot 1-\frac{\langle x^2,x\rangle}{\langle x,x\rangle}\cdot x=x^2-\frac{1}{3}.
  1. 定义内积函数的内积是两个函数相乘后在整个区间上积分，它是几何内积的连续版本。
    ⟨f,g⟩=∫−11f(x)g(x) dx\displaystyle \langle f,g\rangle=\int_{-1}^{1} f(x)g(x)\,dx
  2. 常数项扣除x^2 与常数 1 的投影系数是 ∫x^2 dx 除以 ∫1 dx。
    ⟨x2,1⟩⟨1,1⟩=2/32=13\displaystyle \frac{\langle x^2,1\rangle}{\langle 1,1\rangle}=\frac{2/3}{2}=\frac{1}{3}
  3. 一次项扣除x^2 与 x 的内积是 ∫x^3 dx=0，所以一次项系数为 0。
    ⟨x2,x⟩⟨x,x⟩=0\displaystyle \frac{\langle x^2,x\rangle}{\langle x,x\rangle}=0
  4. 得到正交多项式p_2(x)=x^2-1/3，它与 p_0(x)=1 和 p_1(x)=x 都正交。
    p2(x)=x2−13\displaystyle p_2(x)=x^2-\frac{1}{3}

实现与思考：工程中的选择

现在回到工程视角。实现 Gram-Schmidt 时，最直观的写法是：对每一列 v_k，先让 w=v_k，再依次对 j=1..k-1 计算它在 q_j 上的投影并扣掉，最后归一化得到 q_k。这个流程简单、可增量、适合在线处理，计算量也相当可控。

设矩阵 A 有 m 行 n 列，Gram-Schmidt QR 约需 2mn^2 次浮点运算。这个复杂度与 Householder QR 同阶，所以在大规模稠密矩阵上并没有绝对优势；通用数值库更多使用 Householder 或 Givens 变换。MGS 的真正舞台是迭代算法、最小二乘修正和信号处理这类需要逐步构建、更新正交基的场景。

就像盖房时既可以用预制件，也可以现场支模；Gram-Schmidt 是理解整套正交化技术族的地基，知道何时用它，才能在建好的房子里不迷路。

flops(A∈Rm×n)≈2mn2.\text{flops}(A\in\mathbb{R}^{m\times n})\approx 2mn^2.
  1. 列循环算法对每一列都做一次完整的“锯影子”处理。
    k=1,2,…,n\displaystyle k=1,2,\dots,n
  2. 单次内积成本每一列要与前面 k-1 个已固定方向做内积，每个内积需要 m 次乘法。
    O(m)\displaystyle O(m)
  3. 累加求和所有列的投影工作合计约 mn^2/2 次乘法，归一化与减法再各贡献一部分。
    ∑k=1n(k−1)m≈mn22\displaystyle \sum_{k=1}^{n}(k-1)m\approx \frac{mn^2}{2}
  4. 总复杂度综合投影、减法和归一化后，总计算量约 2mn^2。
    2mn2 flops\displaystyle 2mn^2\ \text{flops}

AI 应用场景

场景一：线性回归的稳定最小二乘

阶段：特征建模与数值优化

解决的问题：传统方式直接解正规方程 X^T X β = X^T y，会把矩阵条件数平方；当特征高度相关时，结果对微小噪声极敏感。用 Gram-Schmidt 完成设计矩阵的 QR 分解后，问题变成解 R β = Q^T y，避免平方条件数，数值更稳。

具体案例：某电商公司预测商品销量，特征包含价格、促销时长、点击量等高度相关字段。工程师对设计矩阵做 QR 分解，把原始特征空间换成标准正交方向，再计算回归系数；即使特征强相关，模型系数也不再剧烈震荡。

场景二：信号空间的正交基构造

阶段：信号预处理与特征提取

解决的问题：传感器采集的原始信号通常包含大量冗余成分。直接使用原始波形作为特征，会让分类器关注到重复信息；Gram-Schmidt 能在候选波形上构造正交基底，让投影系数相互独立。

具体案例：可穿戴设备采集心电与加速度信号，算法工程师把典型心跳波形视为向量，用 Gram-Schmidt 生成一组正交基，再对每段信号做投影，得到低维且去相关的心拍特征，用于心律不齐分类。

Python 演示

python39 行
import math  def modified_gram_schmidt(A):    # input: A is a list of column vectors    # output: Q, R such that A = Q * R    n = len(A)    m = len(A[0])    Q = []    R = [[0.0] * n for _ in range(n)]    for k in range(n):        w = A[k][:]        for j in range(k):            R[j][k] = sum(Q[j][i] * w[i] for i in range(m))            w = [w[i] - R[j][k] * Q[j][i] for i in range(m)]        R[k][k] = math.sqrt(sum(x * x for x in w))        Q.append([x / R[k][k] for x in w])    return Q, R  def orthogonality_error(Q):    n = len(Q)    m = len(Q[0])    err = 0.0    for i in range(n):        for j in range(n):            s = sum(Q[i][t] * Q[j][t] for t in range(m))            if i == j:                s -= 1.0            err = max(err, abs(s))    return err  if __name__ == "__main__":    A = [[1.0, 2.0, 2.0], [2.0, 1.0, 0.0]]    Q, R = modified_gram_schmidt(A)    print("Q =", Q)    print("R =", R)    print("orthogonality error =", orthogonality_error(Q))
目的：用改进 Gram-Schmidt 算法完成矩阵的 QR 分解，并检查 Q 的正交性误差。
  1. w = A[k][:]把第 k 列复制为“当前剩余木条”，后续修改都在这份副本上发生。
  2. R[j][k] = sum(Q[j][i] * w[i] for i in range(m))计算当前剩余向量在 q_j 方向上的投影长度。
  3. w = [w[i] - R[j][k] * Q[j][i] for i in range(m)]每知道一个投影，就立刻把它从剩余向量中锯掉。
  4. R[k][k] = math.sqrt(sum(x * x for x in w))锯完所有影子后，剩余长度就是 R 的对角元。
  5. Q.append([x / R[k][k] for x in w])归一化后，把第 k 个标准正交向量放回 Q。

常见误区

误区初学者会以为正交化只是三维空间里把向量画成箭头、量角器画垂直，跟函数和信号没关系。

正解Gram-Schmidt 只需要一个满足线性性的内积。函数、多项式、信号都可以定义内积，算法完全一样；它不是在画图，而是在任意内积空间里搭直角骨架。

为何常见：教材总用二维、三维向量图引入，投影图太有画面感，导致把“空间”想象成几何空间。

误区看到 MGS 的伪代码和经典 GS 不一样，就以为它们不是同一个算法。

正解在精确实数运算中，MGS 和经典 GS 完全等价，都是依次扣除前 k-1 个方向上的投影；只是计算顺序不同，浮点舍入误差的累积方式也因此不同。

为何常见：算法课强调步骤，数值分析讲误差，初学者把“实现细节”误当成“数学内容”。

误区只要输入的向量线性无关，经典 GS 一定能在计算机上得到一组近乎完美的正交基。

正解线性无关是精确数学条件；浮点计算中，若向量接近线性相关，减去投影时会发生灾难性抵消。此时应选用 MGS、Householder 或重正交化。

为何常见：离散数学与数值计算脱节：课堂用实数推导，而计算机只能用有限精度小数。

误区学会 GS 后，以为所有库中的 qr 函数都内部调用 Gram-Schmidt。

正解GS 只是构造 QR 的一种途径。LAPACK 等成熟库通常用 Householder 变换或 Givens 旋转，因为数值性质更好；但 GS 能直观解释 QR 的结构。

为何常见：教材从 GS 引出 QR，学习者把教学顺序当成了实现顺序。

面试题

Q1. Gram-Schmidt 正交化的目标是？

单选题 · easy

  • A.把正交基变成线性相关
  • B.把线性无关向量化成正交向量← 正确答案
  • C.把任意矩阵变成对角阵
  • D.把特征值全部变成零

答案：B。Gram-Schmidt 的输入是线性无关向量组，输出是两两正交且可单位化的向量组，就像把一捆斜木条收拾成直角骨架。A 理解反了，C 属于对角化，D 属于特征值话题。

Q2. 在标准欧氏空间中，判定两个向量正交的条件是？

单选题 · easy

  • A.两个向量内积为零← 正确答案
  • B.两个向量模长相等
  • C.两个向量方向相反
  • D.两个向量长度为一

答案：A。内积为零说明两个向量没有共享的方向成分，好比横梁和竖梁互不占对方的方向。模长相等、方向相反或长度为一都与垂直无关。

Q3. 经典 GS 处理第二个向量时，第一步要做什么？

单选题 · easy

  • A.先把矩阵转置一下
  • B.减去前一个方向上的投影← 正确答案
  • C.直接对每个向量取模
  • D.把所有向量取平均

答案：B。第二个向量要先减去它在第一个方向上的投影，剩下的部分才与第一个方向垂直。转置、取模和平均都不是正交化步骤。

Q4. 关于经典 GS 与 MGS，下列说法正确的是？

多选题 · mid

  • A.数学上完全等价← 正确答案
  • B.MGS 通常更抗舍入误差← 正确答案
  • C.经典 GS 总是更稳定
  • D.两者的数学结果不同

答案：AB。在精确实数运算中两者数学等价，只是计算顺序不同；MGS 边扣边更新，通常更抗舍入误差。C 说反了，D 与等价性矛盾。

Q5. QR 分解中的矩阵 Q 满足？

单选题 · mid

  • A.列向量标准正交← 正确答案
  • B.行向量全为负数
  • C.所有元素都是整数
  • D.矩阵必然可逆

答案：A。Q 的列来自 Gram-Schmidt 的输出，因此两两正交且长度为 1。Q 不一定是方阵，所以“必然可逆”并不准确，元素也未必是整数。

Q6. 用 QR 分解求解 Ax=b，接下来的核心运算是？

单选题 · mid

  • A.解 Rx=Q^T b← 正确答案
  • B.解 Qx=R^T b
  • C.用高斯消去 A
  • D.把 x 设为 Qb

答案：A。Ax=b 且 A=QR，则 QRx=b；左乘 Q^T 后得到 Rx=Q^T b，再回代求解。其他选项都颠倒了 Q 和 R 的角色。

Q7. 标准 QR 分解要求矩阵 A 的列？

单选题 · mid

  • A.A 的列线性无关← 正确答案
  • B.A 的列两两正交
  • C.A 的列单位长度
  • D.A 的列全不为零

答案：A。Gram-Schmidt 的前提是列向量线性无关；若输入列已经正交或单位化，就不需要“分解”了，全不为零也不足以保证线性无关。

Q8. Gram-Schmidt 的典型应用包括？

多选题 · hard

  • A.构造多项式正交基← 正确答案
  • B.构造信号空间基底← 正确答案
  • C.直接求出所有特征值
  • D.完成矩阵的 QR 分解← 正确答案

答案：ABD。Gram-Schmidt 可用于多项式正交化、信号空间基底构造和 QR 分解。它本身不计算特征值，那是特征值算法的任务。

Q9. 当 MGS 之后 Q 仍不够正交时，常用补救手段是？

单选题 · hard

  • A.再做一次重正交化← 正确答案
  • B.把向量长度加长
  • C.去掉维度最大的向量
  • D.改用随机初始化

答案：A。重正交化是把已得到的 q 向量再执行一遍正交化流程，相当于把支架重新校准一次。加长、删维度、随机初始化都无法恢复正交性。

Q10. 接近线性相关时，经典 GS 最主要的舍入误差来源是？

单选题 · extreme

  • A.两个相近数相减的消去← 正确答案
  • B.两个相近数相加溢出
  • C.除法运算次数过多
  • D.转置过程引入误差

答案：A。当两列几乎同向，投影系数接近 1，v_k 减投影时是“两个相近大数相减”，真正的小分量被舍入误差吞掉。转置不产生误差，除法次数不是主要问题。