什么是“正交矩阵”

正交矩阵：像“刚体旋转”一样的矩阵

想象一下，你手里有一个刚性的物体，比如一个硬纸板做的三角板。你可以旋转它、翻转它，但不能拉伸或压扁它——形状和大小始终不变。在线性代数里，正交矩阵（Orthogonal Matrix）就是扮演这个“刚性变换”角色的矩阵。它只负责旋转或反射向量，不会改变向量的长度或它们之间的角度。

先从基础说起：什么是“正交”？

“正交”就是“垂直”的意思。如果两个向量互相垂直（点积为0），它们就是正交的。如果它们的长度还都是1，就叫单位正交（orthonormal）。

正交矩阵的核心特点是：它的列向量（或行向量）互相正交，而且每个都是单位长度。这就像一个坐标系的新基底：每个轴都垂直，且长度一致。

这张图给了 4 个例子 (a)(b)(c)(d)，它们都是**正交矩阵（orthogonal matrix）**的典型长相：有的像“交换坐标轴/翻转方向”，有的像“旋转”，有的列里是各种分数，但本质都在做同一件事——保持长度和角度不变的线性变换。

1) 什么是正交矩阵

对一个实矩阵 Q，如果满足

就称 Q 是正交矩阵。

这句话有两个最重要的“直观版本”：

版本 A：列向量（或行向量）是“正交单位基”

把 Q 的三列写成 q1,q2,q3​（二维就两列）：

• 单位长度：

• 两两垂直：

也就是“每一列都是单位向量，列与列互相垂直”。（行向量同理。）

版本 B：它保持“内积”

对任意向量 x,y：

于是立刻得到：

• 长度不变：

• 角度不变：夹角保持（因为夹角由内积决定）

2) 图里的四个矩阵分别在“说”什么

(d) 最经典：二维旋转矩阵

• 第一列 (cos⁡x,sin⁡x) 是单位向量；

• 第二列 (−sin⁡x,cos⁡x) 也是单位向量；

• 两列点积：cos⁡x(−sin⁡x)+sin⁡x(cos⁡x)=0

所以。它表示绕原点旋转 x 角度（纯旋转，det⁡=+1）。

(a) “换轴 + 翻转”的整系数版本

看列向量更直观：

• 第1列 (1,0,0)

• 第2列 (0,0,−1)

• 第3列 (0,1,0)

它们都是标准基向量 e1,e2,e3 的“重排/加负号”，天然就互相垂直且长度为 1。
这种矩阵叫符号置换矩阵（signed permutation matrix）：表示“把坐标轴交换一下，再可能翻转某些轴”。

(b) 分数看着复杂，但仍是“正交单位列”

你可以快速检查列向量：

• 第2列是 (0,0,−1)，单位长度没问题；

• 第1列长度：

• 第3列长度：

• 第1列和第3列点积：

再加上它们与第2列点积也为 0（因为第2列只有第三个分量），所以它是正交矩阵。
直观上：像是“在 xy 平面里做某个旋转/反射，同时把 z 轴翻转”。

(c) 更“学术范儿”：正交归一化后的列

这里每一列都被精心“归一化”（分母就是为了让长度变成 1），并且列与列互相点积为 0。
这种矩阵经常来自：把一组向量做 Gram–Schmidt 正交化，得到一组正交单位基，拼成矩阵 Q。

3) 正交矩阵的三个“秒记性质”

1. 逆等于转置

2. 保持长度与角度（不拉伸不剪切）

3. 行列式只能是 ±1

   • det⁡(Q)=+1：纯旋转（方向保持）

   • det⁡(Q)=−1：包含镜像/翻转（方向反转）

我们就把图里的(c)这个矩阵当成 Q，用“列向量法”把它一步步验明正身：它为什么是正交矩阵。

(c)

1) 正交矩阵的判定：

最直观的等价说法是：

Q 的每一列都是单位向量，并且列与列两两垂直。

把三列分别记为 c1,c2,c3​。

2) 先验“单位长度”：

c1​ 的长度

c2 的长度

c3​ 的长度

所以三列都是单位向量。

3) 再验“两两垂直”：ci⋅cj=0

c1⋅c2​

c1⋅c3

c2⋅c3

所以三列两两正交。

4) 结论：它就是正交矩阵

“单位 + 互相垂直”意味着

因此(c) 是正交矩阵，并且立刻得到一个超实用性质：

5) 它在几何上做了什么？

正交矩阵表示一种“不变形”的线性变换：

• 不改变长度：

• 不改变角度：夹角保持

• 只可能是旋转或旋转+镜像（反射）

对这个 (c)，因为它的列向量构成右手系（等价于 det⁡(Q)=+1），它属于“纯旋转”（proper orthogonal）。

我们把 (c) 再“讲活一点”：它到底在几何上干了什么、为什么一定保持长度/角度、以及怎么用它做坐标变换。

1) 把 (c) 看成“新坐标轴”

对正交矩阵 Q，第 1、2、3 列分别就是变换后新的三根坐标轴（单位向量）：

• 新的 x′ 轴方向：c1

• 新的 y′ 轴方向：c2​

• 新的 z′ 轴方向：c3​

而且它们两两垂直、长度为 1，所以这是一个“正交坐标系”。

在 (c) 里：

直观解读：

• c1​ 指向“(1,1,2)”那个斜上方方向（z 分量最大），像把 x 轴抬起来了。

• c2​ 没有 x 分量（第一项是 0），完全在yz 平面里，偏向 “y 负、z 正”。

• c3​ x 分量很大（5），所以它更“靠近 x 轴”，但又带一点 y、z 的负方向。

2) Qx 为什么是“旋转/刚体运动”？

取任意向量 x。变换后变成 Qx。

关键在这句（我们用你刚才验证过的）：

所以：

• 长度不变（不拉伸）

• 也就不可能发生“剪切变形”

• 只剩下“转一转 / 翻一翻”

同理，两向量夹角也保持，因为内积保持：

我们把这串式子拆成“每一步在做什么”，你就会发现它其实只是在把“长度的平方 = 自己点自己”这句话，用矩阵语言写出来而已。

(2.1) 先统一一个最关键的定义：长度平方 = 点积

对任意向量：

而点积在矩阵写法里就是：

为什么？
因为是 1×n1，v 是 n×1，乘起来得到一个 1×1 的数，展开就是

这正是长度平方。

(2.2) 第一步：

这一步只是把上面的“长度平方公式”套到向量 Qx 上：

• x 是原向量

• Qx 是变换后的向量

• 所以它的长度平方就是

到这里没用任何“正交”，只用“长度平方=转置乘自己”。

(2.3) 第二步：

这是一个矩阵转置的基本规则：

顺序会反过来（像“反着读”）。

把 A=Q，B=x（注意 x 也可以看成矩阵 n×1）：

(2.4) 第三步：

把第2步代回去：

接下来用矩阵乘法的结合律（只要尺寸匹配就可以重新加括号）：

这一点你可以理解为：

中间的和 Q 先“凑一块”乘起来，形成一个新矩阵。

(2.5) 第四步：如果 Q 是正交矩阵，则

这是“正交矩阵”的定义（之一）：

代入上式：

(2.6) 第五步：

因为单位矩阵不改变向量：

所以：

一句话总结这串式子

它表达的是：

正交矩阵 Q 不改变向量长度（因此也不改变角度）。

(2.7) 给你一个“带数字”的最小例子（2D旋转）

取

这是旋转 90° 的正交矩阵。

先算：

取向量，。

变换后：

它的长度：

而

完全一样。

(2.8) 这串式子里“最容易卡住”的点

1. 为什么长度平方等于
   因为展开就是​。

2. 为什么
   因为。

3. 为什么能把括号换成
   因为矩阵乘法满足结合律：。

3) 用 (c) 做一次“看得见”的坐标变换例子

例子 A：把标准基向量送过去（最直观）

• Qe1​ 就等于第 1 列c1

• Qe2​ 就等于第 2 列c2

• Qe3​ 就等于第 3 列c3

这说明：原来的三根坐标轴被转到了这三根新轴上。

例子 B：把一个一般向量拆成“列的线性组合”

对任意：

这句话非常“几何”：

你给我一组系数 (x1,x2,x3)，我就按这三个新轴方向 c1,c2,c3 去合成一个向量。

所以 Q 就像“把原来的坐标系换成了一个旋转后的正交坐标系”。

4)的意义：反过来投影回去（坐标读取）

因为，所以：

• Q：把“在旧坐标系里的坐标”变成“在新方向组合出来的向量”

• ：把一个向量投影到这三根新轴上，得到它在新轴下的坐标

更具体：

设空间里一个向量是 v。它在新坐标系 (c1,c2,c3) 下的坐标就是：

因为的第 1 行就是​，乘出来就是点积。

一句话：

就是“用新轴去量一量（点积）”，量出在新轴方向上的分量。

5) (c) 为什么看起来“分母很怪”？

因为它其实来自“把整数向量正交归一化”：

• (1,1,2) 的长度是​，所以除以​ 才变单位向量 → 于是出现。

• (0,−2,1) 长度是​ → 出现​。

• (5,−1,−2) 长度是​ → 出现​。

这些根号不是玄学，是“为了让长度=1”硬算出来的。

6) 小结：你看到 (c) 时，一眼该想到什么？

看到这种“每列都像整数向量”的矩阵，基本就该联想到：

• 它很可能是正交矩阵；

• 它在几何上是“换了一组垂直、单位的新坐标轴”；

• 它只做旋转/反射，不会拉伸；

• 求逆根本不用解方程：直接转置。

在真实世界的数据矩阵中，不可能都满足正交，那正交矩阵在什么情况下能用呢？

确实，真实数据矩阵 A（图像、表格、特征矩阵、模型权重……）一般既不方阵、也不可能刚好满足。但正交矩阵之所以常用，关键不在于“数据本身是正交的”，而在于：

我们经常把复杂矩阵分解成“正交部分 + 其他部分”，用正交部分来做不失真的旋转/换基，把问题变简单、数值更稳定。

下面按最常见的场景说。

1) 作为“旋转/换坐标系”的工具（换基）

在数据分析里，很多操作等价于：把数据从原坐标系换到一个更合适的坐标系。

• PCA：找一组新的正交轴（主成分方向），把数据投影过去

  这里 V 的列就是主成分方向，V 是正交矩阵（或正交列矩阵）。
  好处：新坐标轴互相不干扰（不相关）、解释方差清晰。

• 白化/去相关：先用正交变换把相关性“旋开”，再做尺度归一。

直觉：正交矩阵像“转动坐标轴”，不会改变点与点的距离结构，所以你可以放心地转。

2) SVD/特征分解里，正交矩阵天然出现

任何矩阵 A（哪怕是长方形）都有 SVD：

• U、V 是正交矩阵（或列正交：）

• Σ 才负责“拉伸”

所以你可以把任意线性变换理解成：

先旋转（）→ 再按主方向拉伸（Σ）→ 再旋转（U）

应用非常多：

• 降维/压缩（保留前 k 个奇异值）

• 去噪（丢掉小奇异值）

• 最小二乘（数值更稳）

3) 最小二乘里用 QR 分解：解方程更稳

做线性回归：。
通常用QR 分解：

A=QR

• Q 的列正交（正交矩阵/半正交矩阵）

• R 上三角

因为 Q 不会放大误差（保持长度），所以比直接解正规方程更稳定。

4) 机器学习里：用正交性来“保持尺度、稳定训练”

很多训练不稳定，本质是“信号被放大/缩小/扭曲”。正交矩阵能尽量避免这个问题。

典型用法：

• 正交初始化（RNN/Transformer/深层网络常见）：让梯度不那么容易爆炸/消失（至少在一开始更稳）。

• 正交约束/正则化：希望某层权重近似正交，让特征更“互不重复”、训练更平滑。

• 特征正交化：让不同特征方向尽量独立，减少共线性。

5) 信号处理/通信：能量守恒的变换

很多变换矩阵是正交/酉（复数情形）：

• DFT/FFT（严格来说是“酉矩阵”）

• DCT（JPEG 压缩核心）

• Walsh-Hadamard 变换

它们的共同点：变换前后能量（ℓ2\ell_2ℓ2​ 范数）守恒，便于压缩、滤波、去噪。

6) 计算几何/机器人/3D：姿态与旋转就是正交矩阵

3D 旋转矩阵 R 满足：

所以在：

• SLAM、机器人姿态估计

• 相机外参/坐标系变换

• 3D 引擎、刚体运动

正交矩阵是“物理上正确”的旋转表示（不会把物体拉长）。

7) 总结一句话：正交矩阵什么时候用？

当你需要下面任意一件事时，就会用到正交矩阵（或“近似正交”）：

• 换坐标系但不想改变距离/角度（旋转、投影）

• 把矩阵分解成稳定的几何部分（SVD / QR / EVD）

• 想要数值稳定（不放大误差、保持尺度）

• 想让特征方向“互不干扰”（PCA、正交约束）