Orthogonalisation de Gram-Schmidt

Q: What are common mistakes with the Orthogonalisation de Gram-Schmidt formula?

Utiliser les vecteurs d’origine au lieu des vecteurs orthogonaux nouvellement obtenus pour les projections suivantes. Erreurs de calcul dans les produits scalaires utilisés pour les projections scalaires.

Q: What is a real-world example of the Orthogonalisation de Gram-Schmidt formula?

Dans le contexte de Orthogonalisation de Gram-Schmidt, Orthogonalisation de Gram-Schmidt sert à transformer les mesures en une valeur interprétable. Le résultat est important parce qu'il aide à relier le calcul à la forme, au taux de variation, à la probabilité ou à la contrainte du modèle.

Q: What are some study tips for the Orthogonalisation de Gram-Schmidt formula?

Vérifiez toujours l’orthogonalité à chaque étape en contrôlant si le produit scalaire du nouveau vecteur avec un vecteur précédent est nul. Normalisez immédiatement chaque vecteur obtenu si une base orthonormale est nécessaire. Traitez les vecteurs dans leur ordre d’origine afin de conserver la hiérarchie imbriquée des sous-espaces engendrés.

Core idea

Overview

Le procédé de Gram-Schmidt est une méthode systématique permettant de générer une base orthogonale ou orthonormale à partir d’un ensemble de vecteurs linéairement indépendants dans un espace à produit scalaire. Il consiste à soustraire de façon itérative les projections d’un vecteur sur les vecteurs orthogonaux déjà construits afin de garantir que le nouveau vecteur soit perpendiculaire à tous les précédents.

When to use: Appliquez cet algorithme lorsque vous devez construire une base orthogonale d’un sous-espace, ce qui est essentiel pour simplifier les projections vectorielles et effectuer des décompositions QR. Il suppose que l’ensemble de vecteurs d’entrée est linéairement indépendant et qu’un produit scalaire (comme le produit scalaire usuel) est défini.

Why it matters: Les bases orthogonales sont efficaces sur le plan computationnel car elles éliminent les interactions entre termes croisés dans les opérations matricielles. Ce procédé est essentiel en infographie pour les changements de coordonnées, en traitement du signal pour la réduction du bruit, et en analyse numérique pour améliorer la stabilité des solutions aux moindres carrés.

Symbols

Variables

$u_{k}$ = Resulting Orthogonal Magnitude, $v_{k}$ = Input Vector Magnitude, $\sum$ $p_{j}$ = Sum of Projections

u_{k}

Resulting Orthogonal Magnitude

Variable

v_{k}

Input Vector Magnitude

Variable

\sum p_{j}

Sum of Projections

Variable

Walkthrough

Derivation

Dérivation/Compréhension de l'orthogonalisation de Gram-Schmidt

Cette dérivation explique comment construire un ensemble orthogonal de vecteurs à partir d'un ensemble linéairement indépendant donné en soustrayant successivement des projections.

Nous travaillons dans un espace produit scalaire (par exemple, l'espace euclidien $R$ ^n avec le produit scalaire).
L'ensemble initial de vecteurs \{ $v_{1}$ , $v_{2}$ , $\dots$ , $v_{n}$ \} est linéairement indépendant.

1

Initialiser le premier vecteur orthogonal :

Pour commencer à construire un ensemble orthogonal \{ $u_{1}$ , $u_{2}$ , $\dots$ , $u_{n}$ \} à partir d'un ensemble linéairement indépendant donné \{ $v_{1}$ , $v_{2}$ , $\dots$ , $v_{n}$ \}, nous choisissons simplement le premier vecteur $u_{1}$ pour qu'il soit égal à $v_{1}$ .

u_{1} = v_{1}

2

Orthogonaliser le second vecteur :

Pour assurer que $u_{2}$ soit orthogonal à $u_{1}$ , nous prenons $v_{2}$ et soustrayons sa composante qui se trouve dans la direction de $u_{1}$ . Cette composante est précisément la projection de $v_{2}$ sur $u_{1}$ .

u_{2} = v_{2} - proj_{u_{1}} (v_{2})

3

Généraliser au k-ième vecteur :

En supposant que nous avons déjà construit un ensemble orthogonal \{ $u_{1}$ , $\dots$ , $u_{k - 1}$ \}, pour trouver $u_{k}$ , nous commençons avec $v_{k}$ et soustrayons sa projection sur chacun des vecteurs précédemment orthogonalisés $u_{1}, \dots, u_{k - 1}$ . Ce processus supprime toutes les composantes de $v_{k}$ qui se trouvent dans l'espace engendré par \{ $u_{1}$ , $\dots$ , $u_{k - 1}$ \}.

u_{k} = v_{k} - proj_{u_{1}} (v_{k}) - proj_{u_{2}} (v_{k}) - \dots - proj_{u_{k - 1}} (v_{k})

4

Exprimer en utilisant la notation de sommation :

La somme des projections peut être écrite de manière compacte en utilisant la notation de sommation. Cette formule définit $u_{k}$ de telle sorte qu'il soit orthogonal à tous les $u_{j}$ pour $j < k$ , construisant ainsi un ensemble orthogonal de manière itérative.

u_{k} = v_{k} - j = 1 \sum k - 1 proj_{u_{j}} (v_{k})

Result

u_{k} = v_{k} - j = 1 \sum k - 1 proj_{u_{j}} (v_{k})

Source: Lay, D. C., Lay, S. R., & McDonald, J. J. (2016). Linear Algebra and Its Applications (5th ed.). Pearson.

Why it behaves this way

Intuition

Visualisez le fait de prendre chaque nouveau vecteur, de le projeter sur tous les vecteurs précédemment orthogonalisés, puis de soustraire ces projections pour isoler la partie du nouveau vecteur qui est parfaitement perpendiculaire à tous les autres.

Term

Le k-ième vecteur dans l'ensemble orthogonal nouvellement construit.

C'est la version « nettoyée » de

v_{k}

, rendue perpendiculaire à tous les vecteurs

u_{j}

précédents.

Term

Le k-ième vecteur d'entrée d'origine provenant de l'ensemble non orthogonal.

C'est le vecteur en cours de traitement pour le rendre orthogonal aux autres.

Term

La composante du vecteur v_k qui est dirigée selon la direction du vecteur orthogonal préalablement construit u_j.

C'est le « chevauchement » ou l'« ombre » de

v_{k}

sur

u_{j}

, représentant la partie non orthogonale.

Term

La somme de toutes les composantes de v_k qui ne sont pas orthogonales au sous-espace engendré par u_1, ..., u_{k-1}.

Cela représente la « partie non orthogonale » totale de

v_{k}

par rapport aux vecteurs déjà orthogonalisés.

Signs and relationships

- \sum_{j=1}^{k-1} \text{proj}_{u_j}(v_k): La soustraction supprime les composantes de $v_{k}$ qui sont parallèles aux vecteurs orthogonaux précédemment construits $u_{j}$ , garantissant que le $u_{k}$ résultant est perpendiculaire à tous ceux-ci.

Free study cues

Insight

Canonical usage

Le procédé de Gram-Schmidt opère sur des vecteurs en préservant leurs unités. Si les vecteurs d'entrée représentent des grandeurs physiques avec des unités (par ex. mètres, Newtons), les vecteurs orthogonaux résultants auront ces mêmes unités.

One free problem

Practice Problem

Dans un exercice d’algèbre linéaire, un étudiant traite le deuxième vecteur d’un ensemble. Si le vecteur d’entrée vk a une composante de valeur 12 et que la somme de ses projections sur le premier vecteur orthogonal (projSum) est calculée à 4.5, trouvez la composante correspondante du vecteur orthogonal résultant result.

Hint: Soustrayez la somme des projections à la composante du vecteur d’origine.

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

Dans le contexte de Orthogonalisation de Gram-Schmidt, Orthogonalisation de Gram-Schmidt sert à transformer les mesures en une valeur interprétable. Le résultat est important parce qu'il aide à relier le calcul à la forme, au taux de variation, à la probabilité ou à la contrainte du modèle.

Study smarter

Tips

Vérifiez toujours l’orthogonalité à chaque étape en contrôlant si le produit scalaire du nouveau vecteur avec un vecteur précédent est nul.
Normalisez immédiatement chaque vecteur obtenu si une base orthonormale est nécessaire.
Traitez les vecteurs dans leur ordre d’origine afin de conserver la hiérarchie imbriquée des sous-espaces engendrés.

Avoid these traps

Common Mistakes

Utiliser les vecteurs d’origine au lieu des vecteurs orthogonaux nouvellement obtenus pour les projections suivantes.
Erreurs de calcul dans les produits scalaires utilisés pour les projections scalaires.

Keep going

Related Formulas

Common questions

Frequently Asked Questions

Cette dérivation explique comment construire un ensemble orthogonal de vecteurs à partir d'un ensemble linéairement indépendant donné en soustrayant successivement des projections.

Appliquez cet algorithme lorsque vous devez construire une base orthogonale d’un sous-espace, ce qui est essentiel pour simplifier les projections vectorielles et effectuer des décompositions QR. Il suppose que l’ensemble de vecteurs d’entrée est linéairement indépendant et qu’un produit scalaire (comme le produit scalaire usuel) est défini.

Les bases orthogonales sont efficaces sur le plan computationnel car elles éliminent les interactions entre termes croisés dans les opérations matricielles. Ce procédé est essentiel en infographie pour les changements de coordonnées, en traitement du signal pour la réduction du bruit, et en analyse numérique pour améliorer la stabilité des solutions aux moindres carrés.

Utiliser les vecteurs d’origine au lieu des vecteurs orthogonaux nouvellement obtenus pour les projections suivantes. Erreurs de calcul dans les produits scalaires utilisés pour les projections scalaires.

Dans le contexte de Orthogonalisation de Gram-Schmidt, Orthogonalisation de Gram-Schmidt sert à transformer les mesures en une valeur interprétable. Le résultat est important parce qu'il aide à relier le calcul à la forme, au taux de variation, à la probabilité ou à la contrainte du modèle.

Vérifiez toujours l’orthogonalité à chaque étape en contrôlant si le produit scalaire du nouveau vecteur avec un vecteur précédent est nul. Normalisez immédiatement chaque vecteur obtenu si une base orthonormale est nécessaire. Traitez les vecteurs dans leur ordre d’origine afin de conserver la hiérarchie imbriquée des sous-espaces engendrés.

References

Sources

Linear Algebra and Its Applications (5th ed.) by David C. Lay, Steven R. Lay, and Judi J. McDonald
Introduction to Linear Algebra (5th ed.) by Gilbert Strang
Wikipedia: Gram-Schmidt process
Linear Algebra and Its Applications by David C. Lay, 5th ed.
Introduction to Linear Algebra by Gilbert Strang, 5th ed.
Gram-Schmidt process (Wikipedia article title)
Linear Algebra and Its Applications by David C. Lay (5th Edition)
Numerical Linear Algebra by Lloyd N. Trefethen and David Bau III

Overview

Variables

Derivation

Initialiser le premier vecteur orthogonal :

Orthogonaliser le second vecteur :

Généraliser au k-ième vecteur :

Exprimer en utilisant la notation de sommation :

Intuition

Insight

Practice Problem

Real-World Context

Tips

Common Mistakes

Related Formulas

Orthogonal Projection

Rank-Nullity Theorem

Fourier Transform (Continuous)

Frequently Asked Questions

Sources