注：本博文为本人阅读论文、文章后的原创笔记，未经授权不允许任何转载或商用行为，否则一经发现本人保留追责权利。有问题可留言联系，欢迎指摘批评，共同进步！！！

1 Gram-Schmidt的计算公式推导

问 ：以三维情况为例，已知三个线性无关的向量$\mathbf{a}$、$\mathbf{b}$、$\mathbf{c}$，如何能找到三个正交向量${\mathbf{\alpha }}_1$、${\mathbf{\alpha }}_2$、${\mathbf{\alpha }}_3$，在归一化后能形成标准正交基：${\mathbf{e}}_1$、${\mathbf{e}}_2$、${\mathbf{e}}_3$ ?

公式:

• 对三个线性无关的向量$\mathbf{a}$、$\mathbf{b}$、$\mathbf{c}$进行Gram-Schmidt正交化，所得的正交向量${\mathbf{\alpha }}_1$、${\mathbf{\alpha }}_2$、${\mathbf{\alpha }}_3$分别为:
  $$\begin{array}{rl}{\mathbf{\alpha }}_1& =\mathbf{a}\\ {\mathbf{\alpha }}_2& =\mathbf{b}-\frac{\mathbf{b}{\mathbf{\alpha }}_1}{|{\mathbf{\alpha }}_1{|}^2}{\mathbf{\alpha }}_1\\ {\mathbf{\alpha }}_3& =\mathbf{c}-\frac{\mathbf{c}{\mathbf{\alpha }}_1}{|{\mathbf{\alpha }}_1{|}^2}{\mathbf{\alpha }}_1-\frac{\mathbf{c}{\mathbf{\alpha }}_2}{|{\mathbf{\alpha }}_2{|}^2}{\mathbf{\alpha }}_2\end{array}$$
• 对$n$个线性无关的向量$\mathbf{a}$、$\mathbf{b}$、$\cdots$、$\mathbf{x}$进行Gram-Schmidt正交化，所得的正交向量${\mathbf{\alpha }}_1$、${\mathbf{\alpha }}_2$、$\cdots$、${\mathbf{\alpha }}_{\mathbf{n}}$分别为:
  $$\begin{array}{rl}{\mathbf{\alpha }}_1& =\mathbf{a}\\ {\mathbf{\alpha }}_2& =\mathbf{b}-\frac{\mathbf{b}{\mathbf{\alpha }}_1}{|{\mathbf{\alpha }}_1{|}^2}{\mathbf{\alpha }}_1\\ {\mathbf{\alpha }}_3& =\mathbf{c}-\frac{\mathbf{c}{\mathbf{\alpha }}_1}{|{\mathbf{\alpha }}_1{|}^2}{\mathbf{\alpha }}_1-\frac{\mathbf{c}{\mathbf{\alpha }}_2}{|{\mathbf{\alpha }}_2{|}^2}{\mathbf{\alpha }}_2\\ ⋮& \\ {\mathbf{\alpha }}_{\mathbf{n}}& =\mathbf{x}-\frac{\mathbf{x}{\mathbf{\alpha }}_1}{|{\mathbf{\alpha }}_1{|}^2}{\mathbf{\alpha }}_1-\frac{\mathbf{x}{\mathbf{\alpha }}_2}{|{\mathbf{\alpha }}_2{|}^2}{\mathbf{\alpha }}_2-\cdots -\frac{\mathbf{x}{\mathbf{\alpha }}_{\mathbf{n}-1}}{|{\mathbf{\alpha }}_{\mathbf{n}-1}{|}^2}{\mathbf{\alpha }}_{\mathbf{n}-1}\end{array}$$
  公式解读：在使用第n个向量计算第n个正交向量时，只要在第n个向量中排除掉前(n-1)个正交向量的组分，就能得到第n个正交向量。

具体推导的图解请参看知乎回答。

2 Gram-Schmidt的意义

将非正交基转为正交基，便于表示。
通俗来说，就是将一对歪歪斜斜的基向量掰成标准正交基。（强迫症）

3 Modified Gram-Schmidt (以算法模式计算正交向量)

Gram-Schmidt公式推到中的方法是纯数的方法，但是在数值运算方法中（计算机操作）不会严格按照数学方法来。具体如下所述。

• 从Gram-Schmidt分解结果可以看出：
  若对线性无关向量组{${\mathbf{w}}_{\mathbf{k}}$}进行Schmidt正交化得到标准正交基{${\mathbf{u}}_{\mathbf{k}}$}，经过移项可得到原向量组 可以表示为标准正交基的线性组合：
  $$\begin{array}{rl}{\mathbf{w}}_1& =r_{11}{\mathbf{u}}_1\\ {\mathbf{w}}_2& =r_{21}{\mathbf{u}}_1+r_{22}{\mathbf{u}}_2\\ & ⋮\\ {\mathbf{w}}_{\mathbf{L}}& =r_{L1}{\mathbf{u}}_1+r_{L2}{\mathbf{u}}_2+\cdots +r_{LL}{\mathbf{u}}_{\mathbf{L}}\end{array}$$
  因此，要完成正交化分解，我们需要找系数组{$r_k$}和标准正交基{${\mathbf{u}}_{\mathbf{k}}$}：
  

由此，我们看拿出Modified G-S的思想是：
使用第k个线性无关向量组的向量${\mathbf{w}}_{\mathbf{k}}$计算第k个正交基${\mathbf{u}}_{\mathbf{k}}$时，就是在${\mathbf{w}}_{\mathbf{k}}$中排除掉前$k-1$个正交基的组分，剩余的就是${\mathbf{u}}_{\mathbf{k}}$的组分，再除以系数即可。

3.1 Modified G-S会出现的问题：当矩阵开始存在微小误差时，会在运算过程中不断累积误差，导致越算越不准确，以至于计算所得的基不正交

• 情景：假设$e$是一个接近与0的正数（作为一个微小的初始误差），那么请对矩阵$$\mathbf{W}=\left(\begin{array}{ccc}1& 1& 1\\ e& 0& 0\\ 0& e& 0\\ 0& 0& e\end{array}\right)$$ 进行Gram-Schmidt正交化：
  
  此时问题就很明显地体现出来了，向量${\mathbf{u}}_2$和${\mathbf{u}}_3$明显不正交，没法作为正交基使用。
  问题的原因：误差“e”作为一个很小的误差，在每一次派出组分操作的过程中都被积累起来了（误差积累），导致越往后算越不准确，Gram-Schmidt就失效了。

为了解决这一问题，就有了Stable Gram-Schmidt算法（SGS）。

4 Stable Gram-Schmidt

不同于Modified Gram-Schmidt，SGS算法的核心思想是：
每使用一个线性无关组向量${\mathbf{w}}_{\mathbf{k}}$求出一个单位正交基向量${\mathbf{u}}_{\mathbf{k}}$，那么剩余的${\mathbf{w}}_{\mathbf{k}+1}$到${\mathbf{w}}_{\mathbf{L}}$这些向量都要立即原地减去其中所含的${\mathbf{u}}_{\mathbf{k}}$组分，进行更新。

每计算出一个新的单位正交基向量，就当场把剩余线性无关组向量中的此组分排除掉

4.1 G-S 的复杂度（计算量）

4.2 使用SGS算法解决误差问题

与3.1中的问题一致，使用SGS可以抵消微小误差的影响，算法更具有鲁棒性。

4.3 MGS和SGS运算的区别在哪里？

我们注意到，使用两种算法计算所得的${\mathbf{u}}_3$向量时不同的，因此着重比较一下两算法计算${\mathbf{u}}_3$时的差别：(${\mathbf{u}}_3=\frac{{\mathbf{v}}_3}{||{\mathbf{v}}_3|{|}_2}$)

1. MGS:（当使用到${\mathbf{w}}_3$计算${\mathbf{u}}_3$时，从${\mathbf{w}}_3$中一次性减去${\mathbf{u}}_1$和${\mathbf{u}}_2$的组分）
   $${\mathbf{v}}_3={\mathbf{w}}_3-({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_1-({\mathbf{u}}_2^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_2$$
2. SGS：（当利用${\mathbf{w}}_1$求出${\mathbf{u}}_1$时，${\mathbf{w}}_2$和${\mathbf{w}}_3$都立即减去其中所含的${\mathbf{u}}_1$组分进行更新；当利用${\mathbf{w}}_2^{\mathbf{new}}$求出${\mathbf{u}}_2$时，${\mathbf{w}}_3^{\mathbf{new}}$立即减去其中所含的${\mathbf{u}}_2$组分进行更新，然后再求出${\mathbf{u}}_3$）
   $$\begin{array}{rl}{\mathbf{w}}_3^{\mathbf{new}}& ={\mathbf{w}}_3-({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_1\\ {\mathbf{v}}_3& ={\mathbf{w}}_3^{\mathbf{new}}-({\mathbf{u}}_2^{\mathbf{T}}{\mathbf{w}}_3^{\mathbf{new}}){\mathbf{u}}_2\\ & =({\mathbf{w}}_3-({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_1)-({\mathbf{u}}_2^{\mathbf{T}}({\mathbf{w}}_3-({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_1)){\mathbf{u}}_2\\ & ={\mathbf{w}}_3-({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_1-({\mathbf{u}}_2^{\mathbf{T}}{\mathbf{w}}_3){\mathbf{u}}_2+({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3)({\mathbf{u}}_2^{\mathbf{T}}{\mathbf{u}}_1){\mathbf{u}}_2\end{array}$$
   由此可见，SGS相较于MGS只是多了最后一项$({\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_3)({\mathbf{u}}_2^{\mathbf{T}}{\mathbf{u}}_1){\mathbf{u}}_2$.

从理论上讲，${\mathbf{u}}_1$与${\mathbf{u}}_2$是要正交的，因此${\mathbf{u}}_2^{\mathbf{T}}{\mathbf{u}}_1=0$，最后多出的这一项在理论上就是不存在了。
但是在数值计算(计算机运算)时候存在一定的误差，此时最后这一项不再为0，它的存在也有助于保证在误差存在情况下的稳定性。
这一项在理论上不存在，但实际上有利于保持stability.

5 GS和LS（最小二乘法）

在一个$k$维空间中，我们已知了$k-1$个单位正交基向量${\mathbf{u}}_1$、${\mathbf{u}}_2$、$\cdots$、${\mathbf{u}}_{\mathbf{k}-1}$，这些正交基列向量组成一个矩阵$\mathbf{A}$={${\mathbf{u}}_1{\mathbf{u}}_2\cdots {\mathbf{u}}_{\mathbf{k}-1}$}。此外，还已知一个在$k$维上都有分量的向量$\mathbf{w}$。问：如何找到第$k$个单位正交基向量${\mathbf{u}}_{\mathbf{k}}$呢？

实际上，要找到这最后一个正交向量，我们只需要排除掉向量$\mathbf{w}$中所含有的前($k-1$)个单位正交向量组分即可。因此，我们可以找一个系数向量$\mathbf{x}$，其中包含了前($k-1$)个单位正交向量组分的系数，在所有可能的向量$\mathbf{x}$中，我们希望$\mathbf{Ax}$就是向量$\mathbf{w}$中前($k-1$)个单位正交向量组分，因此可以使用LS算法来进行优化：
$$\begin{gathered} {\mathbf{x}}^{\ast }=arg\underset{x}{\min }||\mathbf{w}-\mathbf{Ax}|{|}_2^2 \\ {\mathbf{v}}_{\mathbf{k}}=\mathbf{w}-\mathbf{A}{\mathbf{x}}^{\ast } \\ {\mathbf{u}}_{\mathbf{k}}=\frac{{\mathbf{v}}_{\mathbf{k}}}{||{\mathbf{v}}_{\mathbf{k}}|{|}_2} \end{gathered}$$
我们来看看这个最优的${\mathbf{x}}^{\ast }$究竟是什么呢？
$$\begin{array}{rl}{\mathbf{x}}^{\ast }& =arg\underset{x}{\min }||\mathbf{w}-\mathbf{Ax}|{|}_2^2\\ & =({\mathbf{A}}^{\mathbf{T}}\mathbf{A}){\mathbf{A}}^{\mathbf{T}}{\mathbf{w}}_{\mathbf{k}}\\ & ={\mathbf{A}}^{\mathbf{T}}{\mathbf{w}}_{\mathbf{k}}\\ & =\left(\begin{array}{c}{\mathbf{u}}_1^{\mathbf{T}}{\mathbf{w}}_{\mathbf{k}}\\ ⋮\\ {\mathbf{u}}_{\mathbf{k}-1}^{\mathbf{T}}{\mathbf{w}}_{\mathbf{k}}\end{array}\right)\end{array}$$
果然，最优的${\mathbf{x}}^{\ast }$就是由向量$\mathbf{w}$中前$k-1$个单位正交基的组分的系数组成的。这样才能实现$||\mathbf{w}-\mathbf{Ax}|{|}_2^2$的最小化，即当向量$\mathbf{w}$排除到其他组分后，剩下的${\mathbf{u}}_{\mathbf{k}}$组分才能恰好与矩阵$\mathbf{A}$所确定的超平面正交。
所以，回到问题，最后一个正交向量是：
$${\mathbf{v}}_{\mathbf{k}}=\mathbf{w}-\mathbf{A}{\mathbf{x}}^{\ast }(把组分全部排除掉)$$

6 参考资料

• 讲解视频：数值线性代数之QR分解 （P3~P5）
• 知乎回答