想象你生活在一座棋盘式规划的城市里：东西走向的大道与南北走向的街道垂直相交。当你沿着东西大道步行时，你在南北方向的坐标一动不动——两条路“各走各的，互不打扰”。这种街道间的“垂直干净”关系，就是数学中正交性的雏形。线性代数用向量描述方向，用内积这个“方向重叠检测器”来量化两条路的重叠程度：数值为零，说明两个方向彻底垂直、信息毫无冗余。正因为有这种“互不干扰”的美妙性质，工程师才能把混合的声音分解成纯净的乐音（傅里叶变换）、从海量数据中抽出主要的“主干道”（主成分分析）、让无数信号在一条线路上并行飞驰（OFDM）。本文从城市街道出发，带你一步步拆解正交性的定义、判定、投影与正交化，最后落到真实工程场景。

岗位关联

掌握正交性，你就能读懂 PCA 降维、傅里叶变换与 5G 通信的共同数学骨架——它是线性代数通向 AI 工程落地最重要的一把“垂直标尺”。

目录
  1. 可视化演示
  2. 正交定义判定
  3. 正交向量集
  4. 标准正交基
  5. 正交投影
  6. GramSchmidt正交化
  7. 工程应用
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示系统处理流水线、实时性能指标曲线及多方案对比分析，包含数据流转、吞吐延迟监控与方案评估。

本节配有交互动效（进入视口后自动加载，约 3KB）。

系统可视化 处理流程：输入→处理→模型→输出 性能监控：实时指标 P=L×T

正交定义判定

在城市规划师眼中，东西大道与南北大街是“干净”的：你沿东西方向走多远，都不会在南北方向产生一丝位移。数学把这种“两条路互不串方向”的关系抽象为正交。要量化“方向重叠了多少”，就需要一把尺子——内积。它把两个向量对应位置的分量相乘再累加，得到一个数：数值越大说明方向越接近，为零则说明两向量彻底垂直。

在二维平面里，向量可以写成坐标对，比如 $\mathbf{a}=(a_1,a_2)$。把两个向量的对应坐标相乘后求和，得到的就是内积；它也可以写成“模长 × 模长 × 夹角余弦”。无论哪种形式，判定正交的标准只有一个：内积等于零。值得留意的是零向量：它模长为零、方向未定义，却与任何向量的内积都是零，因此数学上承认它与所有向量“正交”，但这只是平凡代数结论，不代表它有方向。

回到城市：你只要读一下内积仪表盘，读数归零就说明两条街道垂直。这个“零读数”标准简洁有力，是整个线性代数正交体系的第一块基石。

a⋅b=∑i=1naibi=∥a∥ ∥b∥cos⁡θ\mathbf{a}\cdot\mathbf{b} = \displaystyle\sum_{i=1}^{n} a_i b_i = \|\mathbf{a}\|\,\|\mathbf{b}\|\cos\theta
内积是整个“方向重叠检测器”的读表：坐标相乘累加是它的工作方式，模长与夹角余弦则揭示了它和角度的关系。
  1. 逐坐标相乘后累加把两个向量的第 $i$ 个分量相乘，再从 $i=1$ 加到 $i=n$，得到的方向重叠度数值。
    aibi  (i=1,2,…,n)a_i b_i \;(i=1,2,\dots,n)
  2. 模长与夹角表达内积还等于两向量模长之积乘以夹角余弦，把代数结果和几何角度接通。
    ∥a∥ ∥b∥cos⁡θ\|\mathbf{a}\|\,\|\mathbf{b}\|\cos\theta
  3. 正交即内积为零当夹角为 $90^\circ$ 时余弦值为零，整个乘积为零——两条路垂直，方向零重叠。
    cos⁡90∘=0\cos 90^\circ = 0

正交向量集

城市里有一支快递车队，每辆车的路线都彼此垂直：一辆沿东西大道，一辆沿南北大街，第三辆沿垂直地面的“空中线路”。这样的车队有一个重要特性——任何一辆车的路线都无法由其他车辆的路线拼凑出来。想用南北和东西方向“组合”出垂直地面的方向？无论怎么加减乘除都不可能。这就是“正交向量集必然线性无关”的直觉。

一组向量如果两两正交，就构成正交向量集。数学上可以严格证明：由非零向量组成的正交向量集必然线性无关。证明的思路就像警察排查车队：假设某一组系数能让所有车辆的行进方向互相抵消、最终回到原点，那么用其中一辆车的方向去“点测”整条等式，由于其他车辆与该方向垂直、完全不贡献读数，就能推断出这辆车的系数必须为零，逐一排查后所有系数都为零。

快递车队的启示很直接：正交即独立，独立即“不可互相替代”。有了这条性质，一组正交向量就可以充当所在空间的正交基，用最不冗余的方式架起整个空间。

c1v1+c2v2+⋯+ckvk=0  ⟹  c1=c2=⋯=ck=0(∀ i≠j,  vi⋅vj=0)c_1\mathbf{v}_1+c_2\mathbf{v}_2+\cdots+c_k\mathbf{v}_k=0 \;\Longrightarrow\; c_1=c_2=\cdots=c_k=0 \quad (\forall\, i\neq j,\;\mathbf{v}_i\cdot\mathbf{v}_j=0)
非零正交向量集线性无关：组合为零意味着所有系数被迫归零，没有任何冗余方向。
  1. 假设线性组合为零设某些系数让整组向量的加权和变成零向量，目标是证明所有系数都只能是零。
    c1v1+⋯+ckvk=0c_1\mathbf{v}_1+\cdots+c_k\mathbf{v}_k=0
  2. 两边与第 $j$ 个向量作内积对等式两边同时点乘 $\mathbf{v}_j$，展开后得到一系列内积项。
    (∑i=1kcivi)⋅vj=0\left(\sum_{i=1}^{k} c_i\mathbf{v}_i\right)\cdot\mathbf{v}_j = 0
  3. 正交性让交叉项消失除 $i=j$ 外，其余 $\mathbf{v}_i\cdot\mathbf{v}_j=0$，等式只剩一项。
    cj(vj⋅vj)=0c_j(\mathbf{v}_j\cdot\mathbf{v}_j)=0
  4. 模长非零推出系数为零$\mathbf{v}_j$ 非零，故 $\|\mathbf{v}_j\|^2>0$，只能有 $c_j=0$；对每个 $j$ 重复即可。
    ∥vj∥2>0⇒cj=0\|\mathbf{v}_j\|^2>0 \Rightarrow c_j=0

标准正交基

假设城市升级为“标准方格网”：每条东西向街口间距恰好 1 公里，南北向同样。此时报一个地址变得无比轻松——“向东 3 个街口，向北 2 个街口”，不需要任何三角函数换算。线性代数中的标准正交基就是这个理想方格网：基向量两两正交，且每个模长都为 1（即“单位长度”）。

在标准正交基下，求任意向量 $\mathbf{v}$ 的坐标变成一件“读门牌号”的简单事：直接用 $\mathbf{v}$ 与对应基向量做内积即可。原因是每个基向量 $\mathbf{e}_i$ 只“响应”与自己同方向的分量，垂直方向的分量内积全部归零，仿佛每个街口坐标都只认自己的那条街。

把标准正交基按列排成矩阵 $Q$，就得到正交矩阵：它满足 $Q^TQ=I$，因此 $Q^{-1}=Q^T$——求逆变成了转置，计算成本骤降。这就是为什么工程师一遇到正交基就两眼放光：数据分析和信号处理的大量运算在正交坐标系里都会变得又快又稳。

v=∑i=1n(v⋅ei) ei,ci=v⋅ei,ei⋅ej=δij\mathbf{v}=\displaystyle\sum_{i=1}^{n}(\mathbf{v}\cdot\mathbf{e}_i)\,\mathbf{e}_i,\qquad c_i=\mathbf{v}\cdot\mathbf{e}_i,\qquad \mathbf{e}_i\cdot\mathbf{e}_j=\delta_{ij}
标准正交基让坐标计算退化为内积：因为基向量两两垂直且单位长，交叉项全部消失。
  1. 基向量单位且正交任意两个基向量内积为克罗内克符号 $\delta_{ij}$（$i=j$ 时为 1，否则为 0）。
    ei⋅ej=δij\mathbf{e}_i\cdot\mathbf{e}_j=\delta_{ij}
  2. 展开式两边内积 $\mathbf{e}_j$把 $\mathbf{v}$ 的展开式与第 $j$ 个基向量作内积。
    v⋅ej=∑i=1n(v⋅ei)(ei⋅ej)\mathbf{v}\cdot\mathbf{e}_j=\sum_{i=1}^{n}(\mathbf{v}\cdot\mathbf{e}_i)(\mathbf{e}_i\cdot\mathbf{e}_j)
  3. 正交性筛出单一项只有 $i=j$ 时 $\mathbf{e}_i\cdot\mathbf{e}_j=1$，其余项全部为零。
    v⋅ej=(v⋅ej)⋅1\mathbf{v}\cdot\mathbf{e}_j=(\mathbf{v}\cdot\mathbf{e}_j)\cdot 1
  4. 坐标系数直接读出于是第 $j$ 个坐标就是 $\mathbf{v}\cdot\mathbf{e}_j$，如同直接念出门牌号。
    cj=v⋅ejc_j=\mathbf{v}\cdot\mathbf{e}_j

正交投影

正午的太阳直射地面，一栋写字楼在街道上投下一道影子。影子恰好落在街道方向上的长度，就是楼体向量在街道方向上的投影；而楼顶到影子的竖直连线，则始终垂直于地面。这个“影子”与“竖直差”的分解，就是正交投影的完整图景：任何向量都可以拆成“沿某方向的分量”与“垂直于该方向的分量”两部分。

给定一个方向向量 $\mathbf{u}$，求 $\mathbf{v}$ 在 $\mathbf{u}$ 上的投影，可以理解为“问 $\mathbf{u}$ 方向要走多远才能让剩余残差垂直于 $\mathbf{u}$”。设投影为系数 $t$ 倍的 $\mathbf{u}$，令残差 $\mathbf{v}-t\mathbf{u}$ 与 $\mathbf{u}$ 的内积为零，就能解出唯一的 $t$，从而得到投影公式。残差与 $\mathbf{u}$ 垂直，正是“竖直差垂直地面”的代数版本。

投影最著名的应用是最小二乘：当方程组 $\mathbf{A}\mathbf{x}=\mathbf{b}$ 无解时，我们退而求其次，找一个让 $\mathbf{A}\mathbf{x}$ 尽量贴近 $\mathbf{b}$ 的 $\mathbf{x}$。最优残差 $\mathbf{b}-\mathbf{A}\mathbf{x}$ 必须垂直于 $\mathbf{A}$ 的列空间，就像竖直残差垂直地面，由此推出正规方程：

回到阳光下：影子是“最接近”的近似，竖直差是“够不着”的遗憾——但二者永远垂直，这份垂直恰好保证了近似的最优性。从线性回归到信号去噪，正交投影无处不在。

v^=proju(v)=v⋅uu⋅u u,(v−v^)⋅u=0\hat{\mathbf{v}}=\mathrm{proj}_{\mathbf{u}}(\mathbf{v})=\frac{\mathbf{v}\cdot\mathbf{u}}{\mathbf{u}\cdot\mathbf{u}}\,\mathbf{u},\qquad (\mathbf{v}-\hat{\mathbf{v}})\cdot\mathbf{u}=0
正规方程是“影子法则”的矩阵版：残差与列空间正交，左右同乘 $\mathbf{A}^T$ 后解出最优近似。
  1. 残差与列空间正交最优近似的误差向量垂直于 $\mathbf{A}$ 的每一列，故 $\mathbf{A}^T(\mathbf{b}-\mathbf{A}\mathbf{x})=0$。
    AT(b−Ax)=0\mathbf{A}^T(\mathbf{b}-\mathbf{A}\mathbf{x})=0
  2. 整理得正规方程移项后得到 $\mathbf{A}^T\mathbf{A}\mathbf{x}=\mathbf{A}^T\mathbf{b}$，这是机器学习线性回归的数学源头。
    ATAx=ATb\mathbf{A}^T\mathbf{A}\mathbf{x}=\mathbf{A}^T\mathbf{b}

GramSchmidt正交化

城市规划师接手一片杂乱的老城区，要把歪七扭八的小路改造成两两垂直的棋盘路网。他的做法很朴素：第一条路保持原样作为基准；第二条路先找到与第一条路平行的部分（即投影影子），把它整段抹去，剩下的方向自然与第一条路垂直；第三条路则把与前两条路平行的成分全部抹掉，剩下的又是全新垂直方向。如此逐条处理，所有路最终两两垂直——这就是Gram-Schmidt（施密特）正交化。

给定一组线性无关向量 $\mathbf{v}_1,\dots,\mathbf{v}_k$，正交化过程按顺序逐个构造 $u_k$：把第 $k$ 个向量在之前所有已构造方向上的投影全部扣除，剩余部分就是与它们都垂直的新方向；最后再除以模长完成单位化，得到标准正交向量。

经典施密特正交化在计算机上有一个隐患：每轮舍入误差会随迭代被投影到后续向量中，导致正交性悄悄丢失（数值稳定性问题）。工程上常用改良版——每构造一步就重新对前面所有向量再扣一次投影，或者在复平面用 Householder 变换。把正交化过程写成矩阵形式，就是著名的 QR 分解：$\mathbf{A}=\mathbf{Q}\mathbf{R}$，其中 $\mathbf{Q}$ 是标准正交矩阵，$\mathbf{R}$ 是上三角矩阵，堪称数值线性代数的“镇店之宝”。

uk=vk−∑j=1k−1vk⋅ujuj⋅uj uj,ek=uk∥uk∥\mathbf{u}_k=\mathbf{v}_k-\displaystyle\sum_{j=1}^{k-1}\frac{\mathbf{v}_k\cdot\mathbf{u}_j}{\mathbf{u}_j\cdot\mathbf{u}_j}\,\mathbf{u}_j,\qquad \mathbf{e}_k=\frac{\mathbf{u}_k}{\|\mathbf{u}_k\|}
施密特正交化 = “逐条扶正街道”：把与已得方向平行的部分全部扣掉，剩余必垂直。
  1. 第一个向量保持原样$\mathbf{u}_1$ 直接取 $\mathbf{v}_1$，作为全场基准方向。
    u1=v1\mathbf{u}_1=\mathbf{v}_1
  2. 对第 $k$ 个向量逐项扣投影减去 $\mathbf{v}_k$ 在 $\mathbf{u}_1,\dots,\mathbf{u}_{k-1}$ 上的一系列影子。
    vk−∑j=1k−1projuj(vk)\mathbf{v}_k-\sum_{j=1}^{k-1}\mathrm{proj}_{\mathbf{u}_j}(\mathbf{v}_k)
  3. 剩余分量与已得方向垂直每个平行成分都被抹掉，故 $\mathbf{u}_k$ 与所有已构造向量内积为零。
    uk⋅uj=0  (j<k)\mathbf{u}_k\cdot\mathbf{u}_j=0\;(j<k)
  4. 归一化为单位向量把 $\mathbf{u}_k$ 除以自身模长，长度变为 1，得到标准正交向量。
    ek=uk∥uk∥\mathbf{e}_k=\frac{\mathbf{u}_k}{\|\mathbf{u}_k\|}

工程应用

城市的夏夜，露天乐队正在演奏：架子鼓、吉他、小提琴的声音混成一片。但奇怪的是，你依然能分辨出每一种乐器。秘密在于不同频率的振动“互不干扰”——数学上说，不同频率的正弦波在积分意义下正交。傅里叶变换正是利用这份正交性，把混合声波分解成一串“纯音”系数；反过来要合成原声，只需把这些纯音线性叠加，互不串扰。

傅里叶变换把信号分解到正交三角基上：不同频率分量在周期内相乘积分等于零。主成分分析（PCA）则用正交性寻找数据方差最大的若干主轴，各主轴互相垂直，投影后信息不冗余。正交频分复用（OFDM）让 LTE/5G 中成千上万的子载波在同一个频带内正交并行传输，彼此不产生载波间干扰。图像压缩中的 DCT 变换也依赖正交基，把能量集中到少数系数上。这些技术共享同一个数学内核——正交。

从棋盘路网到通信基站，正交性始终扮演同一个角色：秩序的赋予者。它让复杂的混合体可以被干净地拆解、独立地处理、无损地重组——这正是工程师们钟爱它的根本原因。

∫0Tsin⁡(mωt) sin⁡(nωt) dt=0(m≠n)\displaystyle\int_{0}^{T}\sin(m\omega t)\,\sin(n\omega t)\,dt=0 \quad (m\neq n)
不同频率的正弦波在积分内积意义下正交，因此傅里叶分解可以像“分拣乐器”一样干净利落。
  1. 定义积分内积两个函数的内积是它们乘积在一个周期内的积分，相当于“连续版方向重叠检测器”。
    ⟨f,g⟩=∫0Tf(t)g(t) dt\langle f,g\rangle=\int_{0}^{T} f(t)g(t)\,dt
  2. 代入两个不同频率正弦用积化和差公式把乘积展开成余弦差。
    sin⁡(mωt)sin⁡(nωt)=12[cos⁡((m−n)ωt)−cos⁡((m+n)ωt)]\sin(m\omega t)\sin(n\omega t)=\tfrac{1}{2}[\cos((m-n)\omega t)-\cos((m+n)\omega t)]
  3. 整周期积分归零非零整数倍频率的余弦在一个完整周期上积分为零。
    ∫0Tcos⁡(kωt) dt=0\int_{0}^{T}\cos(k\omega t)\,dt=0
  4. 因此不同频率正交乘积积分为零，说明两个频率分量互不重叠、独立传输。
    ∫0Tsin⁡(mωt)sin⁡(nωt) dt=0\int_{0}^{T}\sin(m\omega t)\sin(n\omega t)\,dt=0

AI 应用场景

PCA 特征降维：在高维数据里找“主干道”

阶段：特征工程 / 数据预处理

解决的问题：机器学习模型面对成千上万维特征时，维度灾难导致训练缓慢、过拟合严重。传统做法是凭经验删特征，极易丢失信息。PCA 利用正交性找出数据方差最大的若干主轴（主成分），把样本投影到低维正交坐标系中，在保留绝大部分信息的同时彻底消除特征间的线性冗余。

具体案例：一家电商公司用 2 万维用户行为特征训练推荐模型，训练一次需要数小时。工程师先做 PCA 降到 200 维，训练时间缩短到十几分钟，AUC 反而小幅提升——因为被丢弃的维度多数是噪声和冗余组合。

OFDM 调制：让海量信号在同一线路上“并行飞驰”

阶段：模型部署 / 通信系统底层（信号处理）

解决的问题：传统单载波调制在高速传输时，多径效应会让符号互相碾压（符号间干扰）。OFDM 把高速数据流拆到成千上万个正交子载波上低速并行传输，子载波之间内积为零、互不干扰，接收端用内积即可无串扰地分离各路数据。

具体案例：5G 基站的物理层下行链路使用 OFDM，一个 20 MHz 信道内并行着 1200 多个正交子载波，手机在高速移动下依然能稳定解码视频流。正交性是这套系统“不撞车”的根本保证。

JPEG 图像压缩：用正交基“淘洗”视觉能量

阶段：数据压缩 / 多模态数据存储

解决的问题：原始图像数据量巨大，直接存储传输不现实。JPEG 把图像切成 8×8 小块，用正交的 DCT 基函数变换，使能量集中到少数低频系数上，高频细节系数接近零，可安全丢弃或粗量化。

具体案例：手机相册默认 JPEG 格式，一张 1200 万像素照片原始数据约 36 MB，压缩后仅 3~5 MB，肉眼几乎看不出差别。AI 训练数据集也常用 JPEG 存储，大幅降低磁盘与带宽成本。

Python 演示

python35 行
import numpy as np  def gram_schmidt(vectors):    """施密特正交化：把一组线性无关向量变成标准正交基"""    basis = []    for v in vectors:        w = np.array(v, dtype=float)        for u in basis:            w = w - np.dot(w, u) * u        norm = np.linalg.norm(w)        if norm > 1e-12:            basis.append(w / norm)    return np.array(basis)  def verify_orthogonal(basis):    """验证两两正交且模长为 1"""    n = len(basis)    for i in range(n):        for j in range(n):            if i != j:                assert abs(np.dot(basis[i], basis[j])) < 1e-10        assert abs(np.linalg.norm(basis[i]) - 1.0) < 1e-10    return True  if __name__ == "__main__":    inputs = [[1.0, 1.0, 0.0], [1.0, 0.0, 1.0], [0.0, 1.0, 1.0]]    q = gram_schmidt(inputs)    print("标准正交基 Q:")    for row in q:        print([round(x, 4) for x in row])    print("两两正交且单位长度:", verify_orthogonal(q))    print("Q^T Q = I 验证:", np.round(np.dot(q.T, q), 6))
目的：模拟城市规划师“逐条扶正街道”的过程，把 3 个线性无关向量变成两两垂直且长度为 1 的标准正交基，并用 $Q^TQ=I$ 验证正交矩阵性质。
  1. import numpy as np引入数值计算库，提供点积、范数等基础运算。
  2. w = np.array(v, dtype=float)把输入向量拷贝为浮点数组，避免修改原始数据。
  3. w = w - np.dot(w, u) * u扣掉 $w$ 在已构造基向量 $u$ 上的投影，这是正交化最核心的一步。
  4. basis.append(w / norm)归一化后把单位向量加入正交基集合。
  5. norm > 1e-12过滤数值上退化为零向量的情况，保证数值稳定性。
  6. np.dot(q.T, q)计算 $Q^TQ$，结果应为单位矩阵，验证正交矩阵转置等于逆矩阵的性质。

常见误区

误区我一直以为正交就是中学里画的直角，既然是角度，那三维空间顶多有三条互相垂直的线，四维、五维根本没法想象，更别说函数了。

正解正交的严格定义是内积为零，几何上的“90 度”只是在二维、三维空间的直观特例。在 $n$ 维向量空间里，可以有整整 $n$ 个两两正交的非零向量；在函数空间里，不同频率的正弦波有无穷多个，且两两在积分内积下正交。把“正交”理解为“方向互不重叠”，比死记 90 度更接近本质。

为何常见：中学几何只在二维、三维画图，大脑的直觉被“角度”这一具体形式锁死，难以迁移到高维与函数空间。

误区既然各主成分方向互相垂直、内积为零，那它们肯定互不相关、彼此独立，拿去做模型一定没有冗余信息。

正解正交是代数关系（内积为零），统计独立是概率分布层面的关系，两者不能画等号。PCA 只保证主成分方向线性不相关（数据中心化后协方差为零），但非线性依赖、高阶相关性依然可能存在。真正做独立成分分析（ICA）时才追求统计独立，那是另一套算法。

为何常见：把“不相关”和“独立”混为一谈，又误以为“正交 = 不相关”，两个模糊概念叠加导致错误结论。

误区名字叫“正交化”，感觉像是把一个集合变成唯一的标准答案，先输入谁后输入谁应该都一样吧？

正解Gram-Schmidt 是有方向性的迭代过程：每一步都依赖之前已经构造好的向量。换一个输入顺序，得到的正交基通常完全不同（虽然张成同一个子空间）。它更像规划师“逐条扶正街道”的施工顺序，先扶哪条、后扶哪条，最终路网的朝向自然不同。

为何常见：“正交化”这个名词暗示一个唯一确定的数学对象，忽略了算法本身“按顺序迭代”的过程性。

误区判定条件说“内积为零就是正交”，零向量跟谁内积都是零，那零向量肯定也有某个方向，只是我们看不出来而已。

正解零向量模长为零，方向是未定义的。它与任何向量内积为零，只是因为所有坐标都是零导致乘积和为零——这是平凡代数事实，不蕴含任何方向信息。在讨论“正交向量集线性无关”时，也专门要求向量非零，正是为了排除零向量这个“伪正交”干扰项。

为何常见：把判定条件的充分性（内积为零 ⇒ 正交）误当成“有方向”的证明，忽略零向量本身连方向概念都不成立。

面试题

Q1. 两个非零向量正交的判定条件是？

单选题 · easy

  • A.夹角为锐角
  • B.内积等于零← 正确答案
  • C.模长完全相等
  • D.方向完全相同

答案：B。正交的代数定义就是内积为零，如同城市里两条路的“方向重叠检测器”读数归零。锐角对应内积为正，方向和模长与正交无关，因此排除其余三项。

Q2. 零向量与任意向量的内积是？

单选题 · easy

  • A.恒等于零← 正确答案
  • B.恒等于一
  • C.等于对方模长
  • D.结果不确定

答案：A。零向量每个分量都是零，与任何向量逐坐标相乘再求和结果必为零。它虽然与所有向量“正交”，但方向未定义，只是平凡代数结论。

Q3. 由非零两两正交向量构成的集合，其线性相关性是？

单选题 · easy

  • A.必然线性相关
  • B.必然线性无关← 正确答案
  • C.取决于向量个数
  • D.取决于向量维度

答案：B。正交向量集必然线性无关。用某个向量点乘零组合等式时，交叉项全部消失，只剩该向量的模长方能推出系数为零，车队中每辆车的路线都不可被其他车替代。

Q4. 标准正交基具备的性质包括？

多选题 · mid

  • A.基向量两两正交← 正确答案
  • B.基向量模长为一← 正确答案
  • C.坐标可由内积求出← 正确答案
  • D.基向量个数必为一

答案：ABC。标准正交基要求两两正交且单位长，此时任意向量的坐标系数直接等于它与对应基向量的内积。基向量个数必须等于空间维数，而不是一，故 D 错误。

Q5. 施密特正交化的核心操作是？

单选题 · mid

  • A.旋转每一向量
  • B.扣减投影分量← 正确答案
  • C.求各向量之均值
  • D.逐对相加排序

答案：B。施密特正交化每一步都把当前向量在已得方向上的投影分量扣掉，剩余部分自然与已得方向垂直，如同抹去街道上与基准平行的那段路面。

Q6. 向量 (3,4) 在 x 轴单位向量上的投影是？

单选题 · mid

  • A.(0, 0)
  • B.(3, 0)← 正确答案
  • C.(0, 4)
  • D.(3, 4)

答案：B。投影系数 $t=\mathbf{v}\cdot\mathbf{u}$，代入得 $t=3$，投影为 $(3,0)$，即向量在 x 轴上的“正午影子”，残差 $(0,4)$ 与 x 轴垂直。

Q7. 正交矩阵满足的性质包括？

多选题 · mid

  • A.列向量两两正交← 正确答案
  • B.转置等于逆矩阵← 正确答案
  • C.行列式可为负一← 正确答案
  • D.主对角线全为一

答案：ABC。正交矩阵列向量构成标准正交基，且 $Q^TQ=I$ 推出 $Q^{-1}=Q^T$；行列式可为 $+1$ 或 $-1$（后者为镜像变换）。主对角线无特殊要求，D 错误。

Q8. 傅里叶级数各频率分量之间满足的关系是？

单选题 · hard

  • A.分量模长相同
  • B.分量互相正交← 正确答案
  • C.分量线性相关
  • D.分量处处重合

答案：B。不同频率的正弦波在周期内相乘积分为零，即积分内积意义下正交，因此分解时互不干扰、重组时也不串扰，这是傅里叶分析能“分拣乐器”的数学根基。

Q9. 主成分分析（PCA）利用正交性的原因是？

多选题 · hard

  • A.各方向信息不再冗余← 正确答案
  • B.保证特征统计独立
  • C.投影方差达到最大← 正确答案
  • D.让数据全部变为零

答案：AC。PCA 让各主成分方向两两正交，投影后信息不重复，同时按方差最大依次选取方向。正交只保证线性不相关，不保证统计独立，故 B 错误；D 无意义。

Q10. 经典施密特正交化数值不稳定的根源是？

单选题 · extreme

  • A.舍入误差随迭代累积放大← 正确答案
  • B.矩阵乘法次数太少
  • C.向量总数必须为偶数
  • D.输出结果一定不是正交

答案：A。经典算法中每步的浮点舍入误差会被投影进后续构造的向量，随迭代不断累积，导致最终正交性显著变差。改良版通过逐轮重投影或 Householder 变换抑制误差传播；其余选项与数值失稳无关。