求计算向量正交化，单位化，过程

—、如果求出的特征值不相等，则只需要对其对应的特征向量单位化（原因是：实对称矩阵不同特征值的特征向量正交）二、如果特征值相等，比如说a1=a2=a3=2，则先要对特征值等于2多对应的特征向量先进行正交，然后单位化（施密特正交化） 不知道解决楼主的疑问了没有？

施密特正交化首先需要向量组b1,b2,b3一定是线性无关的。一般解决的问题是特征向量,同一个特征值的特征向量不一定是线性无关的
2
选取向量b1作为基准向量c1,那么c2就等于b2减去b2和c1的内积除以c1和c1的内积再乘以c1,记住诸侯一定是矩阵的形式
3
内积,在前面讲的一个行向量乘以一个列向量组最后的结果是一个数也就是内积。如果是一个列向量乘岔联以一个行向量那么结果一定是一个矩阵令b1=a1=(1,1,0)T
b2=a2-([b1,a2]/[b1,b1])b1=(1,0,1)T-1/2(1,1,0)=1/2(1,-1,2)
b3同理
再把b1,b2,b3,单位化就行了啊
[b1,a2]就是的乘积。

[α1,β2]=a1b1+a2b2+a3b3+a4b4，也就是两个向量的内积（点乘），代入相应的向量即可求出来，例如求β2的时候，你把β1和α2代入上式，运算即可算出。
标准化其实就是单位化，将求出的β1β2β3向量除以他们的范数，也就是根号下b1²+b2²+b3²+b4²

[α1,β2]=a1b1+a2b2+a3b3+a4b4，也就是两个向量的内积（点乘），代入相应的向量即可求出，例如求β2的时候，把β1和α2代入上式，运算即可算出。

标准化其实就是单位化，将求出的β1β2β3向量除以他们的范数，也就是根号下b1²+b2²+b3²+b4²。

由于把一个正交向量组中每个向量经过单位化，就得到一个标准正交向量组，所以，上述问题的关键是如何由一个线性无关向量组来构造出一个正交向量组，我们以3个向量组成的线性无关组为例来说明这个方法。

扩展资料：

通过施密特正交化方法就可以实现。下面就来介绍这个方法，由于把一个正交向量组中每个向量经过单位化，就得到一个标准正交向量组，所以，上述问题的关键是如何由一个线性无关向量组来构造出一个正交向量组，我们以3个向量组成的线性无关组为例来说明这个方法。

参考资料来源：百度百科-施密特正交化

正交化会，单位化就是把这个向量化为单位向量。
比如向量(1，2，3)单位化就是：[1/根号下(1^2+2^2+3^2)，2/根号下(1^2+2^2+3^2)，3/根号下(1^2+2^2+3^2)]=(1/根号14，2/根号14，3/根号14)
线性变换的特征向量是指在变换下方向不变，或者简单地乘以一个缩放因子的非零向量。特征向量对应的特征值是它所乘的那个缩放因子。
特征空间就是由所有有着相同特征值的特征向量组成的空间，还包括零向量，但要注意零向量本身不是特征向量。线性变换的主特征向量是最大特征值对应的特征向量。特征值的几何重次是相应特征空间的维数。

扩展资料：

假设它是一个线性变换，那么v可以由其所在向量空间的一组基表示为：其中vi是向量在基向量上的投影（即坐标），这里假设向量空间为n 维。由此，可以直接以坐标向量表示。利用基向量，线性变换也可以用一个简单的矩阵乘法表示。
其特征函数满足如下特征值方程：其中λ是该函数所对应的特征值。
这样一个时间的函数，如果λ = 0，它就不变，如果λ为正，它就按比例增长，如果λ是负的，它就按比例衰减。例如，理想化的兔子的总数在兔子更多的地方繁殖更快，从而满足一个正λ的特征值方程。
若A是一个n×n矩阵，则pA为n次多项式，因而A最多有n个特征值。 反过来，代数基本定理说这个方程刚好有n个根，如果重根也计算在内的话。所有奇数次的多项式必有一个实数根，因此对于奇数n，每个实矩阵至少有一个实特征值。在实矩阵的情形，对于偶数或奇数的n，非实数特征值成共轭对出现。
参考资料来源：百度百科--特征向量

分子分母分别是两个向量的内积分子 = (α2)^T (β1)

重要定理：

每一个线性空间都有一个基。

对一个 n 行 n 列的非零矩阵 A，如果存在一个矩阵 B 使 AB = BA =E（E是单位矩阵），则 A 为非奇异矩阵（或称可逆矩阵），B为A的逆阵。

矩阵非奇异（可逆）当且仅当它的行列式不为零。

矩阵非奇异当且仅当它代表的线性变换是个自同构。

矩阵半正定当且仅当它的每个特征值大于或等于零。

矩阵正定当且仅当它的每个特征值都大于零。

解线性方程组的克拉默法则。

判断线性方程组有无非零实根的增广矩阵和系数矩阵的关系。

扩展资料：

线性代数是一个成功的理论，其方法已经被应用于数学的其他分支。

模论就是将线性代数中的标量的域用环替代进行研究。

多线性代数将映射的“多变量”问题线性化为每个不同变量的问题，从而产生了张量的概念。

在算子的光谱理论中，通过使用数学分析，可以控制无限维矩阵。

这个(α,β)叫做向量的内积，公式是：(α,β)=a1b1+a2b2++anbn。

给你举个例子：α是(1,5,3)^T，β是(3,5,2)^T。

那么(α,β)就是13+55+32=34。

这两个向量是不能相乘的，你可以把它们看做是两个矩阵，31和31的两个矩阵，这是没法相乘的。

重要定理

每一个线性空间都有一个基。

对一个 n 行 n 列的非零矩阵 A，如果存在一个矩阵 B 使 AB = BA =E（E是单位矩阵），则 A 为非奇异矩阵（或称可逆矩阵），B为A的逆阵。

矩阵非奇异（可逆）当且仅当它的行列式不为零。

矩阵非奇异当且仅当它代表的线性变换是个自同构。

矩阵半正定当且仅当它的每个特征值大于或等于零。

矩阵正定当且仅当它的每个特征值都大于零。

如下：

施密特正交化（Schmidt orthogonalization）是求欧氏空间正交基的一种方法。从欧氏空间任意线性无关的向量组α1，α2，αm出发，求得正交向量组β1，β2，βm，使由α1，α2，αm与向量组β1，β2，βm等价，再将正交向量组中每个向量经过单位化，就得到一个标准正交向量组，这种方法称为施密特正交化。

在线性代数中，如果内积空间上的一组向量能够张成一个子空间，那么这一组向量就称为这个子空间的一个基。Gram－Schmidt正交化提供了一种方法，能够通过这一子空间上的一个基得出子空间的一个正交基，并可进一步求出对应的标准正交基。

这种正交化方法以JrgenPedersenGram和ErhardSchmidt命名，然而比他们更早的拉普拉斯（Laplace）和柯西（Cauchy）已经发现了这一方法。在李群分解中，这种方法被推广为岩泽分解（Iwasawadecomposition）。

在数值计算中，Gram－Schmidt正交化是数值不稳定的，计算中累积的舍入误差会使最终结果的正交性变得很差。因此在实际应用中通常使用豪斯霍尔德变换或Givens旋转进行正交化。

---