正交阵的五大性质

正交矩阵是保持向量长度与距离的线性变换，其核心特征体现在五个性质上：第一，矩阵的列向量组构成标准正交基；第二，行向量组同样为标准正交基；第三，满足A^T A = A A^T = E，即逆矩阵等于转置矩阵；第四，行列式的值为±1，反映变换保持体积不变；第五，特征值的模为1，且实特征值只能为±1，这些性质使正交矩阵在几何旋转、坐标变换及数值稳定计算中具有重要作用，既保持内积与夹角不变，又简化了矩阵运算，是线性代数中兼具几何直观与代数简洁性的典型对象。

在数学的众多分支中，线性代数扮演着基础而关键的角色，而在线性变换的家族里，有一类矩阵因其“完美”的结构和优雅的性质，格外引人注目——它就是正交矩阵,简称正交阵。

什么是正交阵

设 (Q) 是一个 (n) 阶实矩阵，如果它满足

[ Q^T Q = Q Q^T = I ]

(Q^T) 是 (Q) 的转置，(I) 是单位矩阵，(Q) 就被称为正交矩阵。

这个定义简洁而深刻，它告诉我们,正交矩阵的转置恰好等于它的逆：

[ Q^{-1} = Q^T ]

这一性质让正交矩阵在计算中极为方便——求逆不再需要繁琐的消元,转置即可完成。

正交阵的核心性质

保持向量长度和夹角

若 (Q) 是正交矩阵，则对任意向量 (x \in \mathbb{R}^n)，有

[ |Qx| = |x| ]

也就是说，正交变换不改变向量的长度，进一步地，若 (x, y) 是两个向量，则

[ (Qx)^T(Qy) = x^T Q^T Q y = x^T y ]

所以内积也不变，进而夹角不变，这意味着正交变换本质上是一个“刚体运动”——它只旋转或反射整个空间，不拉伸、不压缩、不变形。

列向量构成标准正交基

将 (Q) 按列分块为 ([q_1, q_2, \dots, q_n])，条件 (Q^T Q = I) 等价于

[ q_i^T qj = \delta{ij} ]

即各列向量之间两两正交，且每列都是单位向量，正交矩阵的列向量组构成了 (\mathbb{R}^n) 的一组标准正交基,行向量组同理亦然。

特征值的模为 1

设 (\lambda) 是正交矩阵 (Q) 的一个特征值，对应的特征向量为 (v)，由于 (Q) 保持长度：

[ |Qv| = |\lambda| |v| = |v| ]

(|\lambda| = 1)，特征值只能落在单位圆上，实数情形下只能是 (1) 或 (-1)。

行列式等于 ±1

由 (Q^T Q = I) 两边取行列式：

[ \det(Q^T)\det(Q) = (\det Q)^2 = 1 ]

(\det Q = \pm 1)，其中行列式为 (1) 的称为特殊正交矩阵（或旋转矩阵），表示纯旋转；行列式为 (-1) 的表示旋转加反射。

运算封闭性

两个正交矩阵的乘积仍是正交矩阵；正交矩阵的逆也是正交矩阵，全体 (n) 阶正交矩阵在乘法下构成一个群，称为正交群 (O(n))。

几何意义：旋转与反射

在二维平面中,正交矩阵只有两类：

[ \begin{pmatrix} \cos\theta & -\sin\theta \ \sin\theta & \cos\theta \end{pmatrix} ]

这是逆时针旋转 (\theta) 角，行列式为 (1)。

而

[ \begin{pmatrix} \cos\theta & \sin\theta \ \sin\theta & -\cos\theta \end{pmatrix} ]

则是对某条过原点的直线作反射，行列式为 (-1)。

在三维空间中，任何正交矩阵都可以分解为绕某个轴的旋转和关于某个平面的反射，正交变换保持了空间中所有距离和角度，因此它们刻画了几何中最自然的“对称”操作。

正交阵的应用

数值稳定性的保证

在数值线性代数中，正交矩阵是“安全”的矩阵，因为 (|Q|_2 = 1)，用它做变换不会放大舍入误差，因此在计算矩阵的特征值、解线性方程组时，常通过正交变换（如 Householder 变换、Givens 旋转）将矩阵化为上 Hessenberg 形或三对角形,这个过程不会破坏数值稳定性。

QR 分解

任意实矩阵 (A) 都可分解为

[ A = QR ]

(Q) 是正交矩阵，(R) 是上三角矩阵，这就是著名的 QR 分解，它是求解最小二乘问题、计算特征值（QR 算法）的基础，QR 分解的核心思想就是通过正交变换逐步把矩阵的“信息”集中到上三角部分,而正交矩阵保证了每一步的稳定性。

主成分分析（PCA）

在数据分析中，PCA 通过正交变换将数据投影到一组彼此正交的方向上，使得投影后的方差依次递减，这里的“载荷矩阵”或“旋转矩阵”就是正交矩阵，正交性保证提取出的各主成分之间互不相关,大大简化了数据的解释。

图像与信号处理

二维和三维的旋转、镜像操作都可以由正交矩阵表示，在计算机图形学中，物体的平移之外，旋转就是用正交矩阵实现的；在图像压缩、水印技术中，正交变换（如 DCT，离散余弦变换）也是核心工具。

正交矩阵是一个极尽优雅的数学对象：它既简洁到只需一行定义，又丰富到贯穿多个学科，它守护着向量的长度与角度，在嘈杂的数值计算中提供稳定，在高维数据中揭示结构,在几何世界中定义对称。

理解正交矩阵，不仅是在学习一种数学工具，更是在欣赏一种数学之美：在千变万化的线性变换中,正交矩阵稳稳地守护着那些不变的本质。