Gram-Schmidt 正交化多項式?

求助 有個地方 遇到了 Gram-Schmidt正交化多項式?真心看不懂啊。

求助大神給我講解一下,給出一本能夠講明白的書也可以。


謝邀。首先,我建議題主可以看看你的書本或筆記,你這樣問,我也不知道你到底不明白什麽。其實,Gram-Schmidt orthogonalization是任何數學物理課本都必定會提到的東西,在網上也很容易搜尋得到。

也許我可以大概說說這東西是什麽,技術細節就請自行查閱了。其實,在數學物理中有很多特殊函數,在電動力學、量子力學都會大量應用到,而且我們喜歡把這些函數化成向量,使我們可以利用線性代數的方法去處理。

當我們用向量表示三維空間時,我們會用mathbf{i}mathbf{j}mathbf{k}作為base vector,他們的norm是1,而且互相垂直,所以用起來很方便。但在數學物理中,可能有無限個特殊函數,而他們可不一定互相垂直和normalized,所以我們才有Gram-Schmidt orthogonalization。這東西可以說是一個process,或一個algorithm。隨便找了找,歐氏空間向量的例子可參https://www.math.hmc.edu/calculus/tutorials/gramschmidt/gramschmidt.pdf。 如果是數學物理中的特殊函數,你要首先定義dot product才可開始這個過程。

==========

補充:

好吧,讓我用題主給的做一個例子。題主說的p_n(x) = x^n,想正交化。首先是定義dot product,這個要看問題/題目,讓我大膽假設langle u, v 
angle = int_0^1 dx cdot u(x) v(x)。按照Gram-Schmidt的方法,

v_0(x) = p_0(x) = 1

v_1(x) = p_1(x) - frac{langle p_1, v_0 
angle}{langle v_0, v_0 
angle} v_0(x) = x-frac{1}{2}

v_2(x) = p_2(x) - frac{langle p_2, v_1
angle}{langle v_1, v_1
angle} v_1(x)=x^2-x+frac{1}{2}

然後繼續算下去。。。我不知道我又算錯了沒


題主應該是想問 Gram-Schmidt 正交化延伸到一般內積空間下的情況。

以題主的問題為例,在left[-1,1
ight]的區間上,多項式向量空間里的內積可以定義為:

left<P>=int^{1}_{-1}pleft(x<br />
ight)qleft(x<br />
ight)dx<br />

此時對元素1,x,x^{2},x^{3},x^{4},dots採用 Gram-Schmidt 正交化,可以獲得一個無窮數列:p_{0}(x),p_{1}(x),p_{2}(x),p_{3}(x),dots

舉幾個例子:

p_{0}(x)=1\p_{1}(x)=x-frac{langle x,p_{0}(x)
angle}{langle p_{0}(x),p_{0}(x)
angle}p_{0}(x)=x-frac{int_{-1}^{1}xdx}{int_{-1}^{1}dx}=x\p_{2}(x)=x^{2}-frac{langle x^{2},p_{0}(x)
angle}{langle p_{0}(x),p_{0}(x)
angle}p_{0}(x)-frac{langle x^{2},p_{1}(x)
angle}{langle p_{1}(x),p_{1}(x)
angle}p_{1}(x)\=x^{2}-frac{int_{-1}^{1}x^{2}dx}{int_{-1}^{1}dx}x=x^{2}-frac{frac{2}{3}}{2}=x^{2}-frac{1}{3}\p_{3}(x)=x^{3}-frac{langle x^{3},p_{0}(x)
angle}{langle p_{0}(x),p_{0}(x)
angle}p_{0}(x)-frac{langle x^{3},p_{1}(x)
angle}{langle p_{1}(x),p_{1}(x)
angle}p_{1}(x)-frac{langle x^{3},p_{2}(x)
angle}{langle p_{2}(x),p_{2}(x)
angle}p_{2}(x)\=x^{3}-frac{int_{-1}^{1}x^{4}dx}{int_{-1}^{1}x^{2}dx}x=x^{3}-frac{frac{2}{5}}{frac{2}{3}}x=x^{3}-frac{3}{5}x\p_{4}(x)=dots


函數正交類似於向量正交,關於函數正交可以參考如何理解函數正交的數學或物理含義?

多項式的施密特正交化也可以類比向量的正交化

若首項係數an ≠ 0的n次多項式 ?_{n} (x) ,滿足

(varphi_{j},varphi_{k} )=int^{b}_{a}
ho(x)varphi_{j}(x)varphi_{k} dx=left{egin{matrix} 0,j
e k \ A_{k}>0,j=k\ end{matrix}<br />
ight. \ \ j,k=0,1,2,...., \

就稱多項式序列 varphi_{0},varphi_{1},varphi_{2},varphi_{3},..., ,在[a,b]上帶權ρ(x)正交,並稱 varphi_{n} 是[a,b]上帶權ρ (x)

的n 次正交多項式

構造正交多項式的格拉姆-施密特(Gram-Schmidt)方法

按以下方式定義的多項式集合 { left{ varphi_{0},varphi_{1},varphi_{2},...,varphi_{n} 
ight}} 是區間[a,b]上關於權函數ρ (x) ≥ 0的

正交函數族。

varphi_{0}(x)=1 \ varphi_{1}(x)=x-alpha_{1} \varphi_{k}(x)=(x-alpha_{k})varphi_{k-1}(x)-eta_{k}varphi_{k-2}(x) ,\(k=2,3,,...,n) \

其中

alpha_{k}=frac{(xvarphi_{k-1},varphi_{k-1})}{(varphi_{k-1},varphi_{k-1})}=frac{int^b_{a}
ho(x)xvarphi^2_{k-1}(x)dx}{int^b_{a}
ho(x)varphi^2_{k-1}(x)dx}\ \ \ \ (k=1,2,3,,...,n)

eta_{k}=frac{(varphi_{k-1},varphi_{k-1})}{(varphi_{k-2},varphi_{k-2})}=frac{int^b_{a}
ho(x)varphi^2_{k-1}(x)dx}{int^b_{a}
ho(x)varphi^2_{k-2}(x)dx}\ \ \ \ (k=2,3,,...,n)

證明可用歸納法,略。


wiki上已經講的很明白了

Gram

你把這個鏈接上右邊的圖仔細看幾遍,就會清楚這個演算法了。

這個過程的本質就是要構建norm為1的坐標系。


新生們開始學量子力學/線性代數了吧?

正交化的思想很簡單,就是把需要處理的向量在其他已經處理過的向量方向上的投影去掉,然後歸一化。

其他的就看wiki吧


Hope you can understand my demonstration.

As we know,Garm-Schmidt is a procedure that can be used to generate an othogonal basis from any.particularly Gran-Schmide process starts with a basis {u1,u2,u3.....,un} and generate a new basis {w1,w2,...,wn}according to the parrern

w1=u1

w2=u2+au1

w3=u3+ba2+ca1

.......

So,to determine the scalar a in the definition of w2,we use the condition u2(u1T)=0(u1T is the transpose of u1)

Thus,

(u1T)w2=0=(u1T)(u2+au1)

So a=-[(u1T)u2][(u1T)(u1)]

(Hope you can write the process on the paper and calculate the condintion w3,w4,....wi)

Put a =-[(u1T)u2][(u1T)u1] into the equation,then we can get

w2=u2-[(u1T)u2][(u1T)(u1)]u1

And this is th same to Gram-Schmide formula.More calculation,please acompilish by yourself.


推薦閱讀:

可以找一個和已知正交矩陣乘法可交換的正交矩陣嗎?
向量空間的維數是不是就是對應矩陣的秩?向量空間的基是不是就是對應列向量組的最大線性無關向量組?
初學線性代數的人可以看哪些完全採用向量觀點的書?
你覺得比較好的線性代數學習路徑是什麼?
如何直觀地理解 西爾維斯特「慣性定律」?

TAG:數學 | 微積分 | 線性代數 |