QR分解計算機

QR分解計算機

這款 QR分解計算機 可將任何矩陣 A 分解為正交矩陣 Q 和上三角矩陣 R 的乘積，即 A = QR。您可以輸入 2×2 到 5×5 的矩陣（包括行數 ≥ 列數的非方陣），並獲得完整的 Gram-Schmidt 正交化過程、逐步解決方案、互動式動畫、正交性驗證 QᵀQ = I 以及詳細的教學資訊。

什麼是 QR 分解？

QR 分解（也稱為 QR 因子分解）將矩陣 A 寫為：

$$A = QR$$

其中 Q 是正交矩陣（其列為滿足 QᵀQ = I 的標準正交向量），而 R 是上三角矩陣。對於行數 m ≥ 列數 n 且列滿秩的 m×n 矩陣，簡化 QR 分解得到 m×n 的 Q 和 n×n 的 R。

Gram-Schmidt 過程詳解

給定 A 的列向量 a₁, a₂, …, aₙ，經典的 Gram-Schmidt 算法產生標準正交向量 e₁, e₂, …, eₙ：

第 1 步： 設定 u₁ = a₁，然後進行單位化：e₁ = u₁ / ‖u₁‖。

第 2 步： 對於後續的每一列 aⱼ，減去其在所有先前 eₖ 上的投影：

$$\mathbf{u}_j = \mathbf{a}_j - \sum_{k=1}^{j-1} (\mathbf{a}_j \cdot \mathbf{e}_k) \, \mathbf{e}_k$$

然後進行單位化：eⱼ = uⱼ / ‖uⱼ‖。

第 3 步： Q 矩陣以 e₁, …, eₙ 作為列。R 是上三角矩陣，各項為 rᵢⱼ = eᵢ · aⱼ。

如何使用此計算機

第 1 步： 設置矩陣維度（行 × 列）。對於 QR 分解，行數必須 ≥ 列數。

第 2 步： 在網格中輸入數值，或點擊快速示例載入預設值。使用 Tab 或方向鍵進行移動。

第 3 步： 點擊 分解 A = QR。計算機將運行 Gram-Schmidt 過程並顯示 Q 和 R。

第 4 步： 觀看 Gram-Schmidt 動畫，了解每一列如何進行正交化：原始向量 → 減去投影 → 未單位化結果 → 單位化後的標準正交向量。

第 5 步： 驗證結果：檢查 QR = A 以及 QᵀQ = I（單位矩陣）。使用步驟導覽器查看完整的推導過程。

QR 分解的應用

QR 與其他矩陣分解的比較

常見問題 (FAQ)

什麼是 QR 分解？

QR 分解將矩陣 A 分解為正交矩陣 Q（其列為標準正交）和上三角矩陣 R 的乘積。當我們要求 R 的對角線項為正時，每個具有線性獨立列的實矩陣都具有唯一的 QR 分解。

什麼是 Gram-Schmidt 過程？

Gram-Schmidt 過程是一種算法，它將一組線性獨立的向量轉換為跨越相同子空間的標準正交集。它的工作原理是迭代地減去在所有先前計算的標準正交向量上的投影，然後對殘差進行單位化。

QR 分解適用於非方陣嗎？

是的。對於 m×n 矩陣（m ≥ n），簡化（或瘦）QR 分解得到的 Q 為 m×n 且具有標準正交列，R 為 n×n 上三角矩陣。這是實踐中最常用的形式，特別是在處理最小二乘問題時。

我什麼時候應該使用 QR 而不是 LU 分解？

當數值穩定性比速度更重要時請使用 QR — 例如處理病態矩陣、最小二乘問題或特徵值計算。LU 速度較快（對於方陣系統大約快 2 倍），但可能會放大捨入誤差。QR 由於 Q 是正交的，因此能保持向量範數。

QR 和 SVD 有什麼區別？

兩者都會產生正交因子，但 SVD 將 A 分解為三個矩陣 (UΣVᵀ)，揭示了奇異值和秩，而 QR 分解得到兩個矩陣 (QR) 且計算速度更快。SVD 在處理秩虧問題和計算偽逆時首選；QR 則首選用於求解滿秩系統和特徵值算法。

線性代數:

• 向量夾角計算機 新
• 特徵多項式計算機 新
• 喬列斯基分解計算機 新
• 行空間計算機 新
• Cramer's Rule Calculator 新
• 向量外積計算機 新
• 行列式計算機
• 向量點積計算機 新
• 特徵值和特徵向量計算機
• 格拉姆-施密特計算機
• 雅可比矩陣計算機 新
• 約當標準形計算機 新
• 矩陣計算機
• 矩陣對角化計算機 新
• 矩陣指數計算機 新
• 逆矩陣計算機 新
• 矩陣LU分解計算機
• 矩陣乘法計算機 新
• 矩陣冪計算機 新
• 矩陣秩計算機
• 矩陣跡計算機
• 零空間計算機 新
• 部分分式分解計算機
• QR分解計算機 新
• RREF計算機列最簡階梯形 新
• 奇異值分解SVD計算機
• 張量積計算機 新
• 單位向量計算機 新
• 向量計算機
• 向量大小計算機 新
• 向量投影計算機