Когда используется QR-разложение?

QR-разложение широко используется для решения задач наименьших квадратов, вычисления собственных значений с помощью QR-алгоритма, решения линейных систем более стабильно, чем LU-разложение, а также в таких областях, как обработка сигналов, машинное обучение и компьютерная графика.

В чем разница между QR и LU-разложением?

LU-разложение разлагает A на нижнюю и верхнюю треугольные матрицы; оно быстрее, но менее численно стабильно. QR-разложение создает ортогональный множитель Q, который сохраняет нормы векторов, что делает его более стабильным для задач наименьших квадратов и вычисления собственных значений.

Калькулятор QR-разложения

Разложите любую матрицу A на ортогональную матрицу Q и верхнюю треугольную матрицу R с помощью процесса Грама-Шмидта. Поддерживает матрицы от 2×2 до 5×5 с анимированной пошаговой ортогонализацией, проверкой ортогональности QᵀQ = I и интерактивной визуализацией.

Embed Калькулятор QR-разложения Widget

О Калькулятор QR-разложения

Калькулятор QR-разложения разлагает любую матрицу A на произведение ортогональной матрицы Q и верхней треугольной матрицы R так, что A = QR. Введите матрицу размером от 2×2 до 5×5 (включая неквадратные матрицы, где строк ≥ столбцов) и получите полную ортогонализацию Грама-Шмидта с пошаговыми решениями, интерактивной анимацией, проверкой ортогональности QᵀQ = I и подробными учебными пояснениями.

Что такое QR-разложение?

QR-разложение (также называемое QR-факторизацией) представляет матрицу A в виде:

$$A = QR$$

где Q — ортогональная матрица (ее столбцы являются ортонормированными векторами, удовлетворяющими условию QᵀQ = I), а R — верхняя треугольная матрица. Для матрицы m×n при m ≥ n и полном ранге столбцов экономичное QR-разложение дает Q размера m×n и R размера n×n.

Ортогональная матрица Q

Столбцы ортонормированы: имеют единичную длину и взаимно перпендикулярны. QᵀQ = I.

▲

Верхняя треугольная R

Все элементы ниже диагонали равны нулю. Диагональные элементы — это нормы из процесса Грама-Шмидта.

⊥

Процесс Грама-Шмидта

Итеративно ортогонализирует столбцы путем вычитания проекций, а затем нормализует их.

Численная устойчивость

QR более устойчиво, чем LU при решении Ax = b, так как Q сохраняет нормы векторов.

Объяснение процесса Грама-Шмидта

Для заданных векторов-столбцов a₁, a₂, …, aₙ матрицы A классический алгоритм Грама-Шмидта создает ортонормированные векторы e₁, e₂, …, eₙ:

Шаг 1. Принять u₁ = a₁, затем нормализовать: e₁ = u₁ / ‖u₁‖.

Шаг 2. Для каждого последующего столбца aⱼ вычесть его проекции на все предыдущие eₖ:

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

Затем нормализовать: eⱼ = uⱼ / ‖uⱼ‖.

Шаг 3. Матрица Q имеет столбцы e₁, …, eₙ. Матрица R является верхней треугольной с элементами rᵢⱼ = eᵢ · aⱼ.

Как пользоваться этим калькулятором

Шаг 1. Установите размерность матрицы (строки × столбцы). Количество строк должно быть ≥ количества столбцов для QR-разложения.

Шаг 2. Введите значения в сетку или нажмите на быстрый пример для загрузки предустановки. Используйте Tab или клавиши со стрелками для навигации.

Шаг 3. Нажмите Разложить A = QR. Калькулятор выполнит процесс Грама-Шмидта и выведет Q и R.

Шаг 4. Посмотрите анимацию Грама-Шмидта, чтобы увидеть, как ортогонализируется каждый столбец: исходный вектор → вычитание проекций → ненормированный результат → нормированный ортонормированный вектор.

Шаг 5. Проверьте результат: убедитесь, что QR = A и QᵀQ = I (единичная матрица). Изучите полный вывод с помощью навигатора по шагам.

Применение QR-разложения

Применение	Как используется QR
Метод наименьших квадратов (Ax ≈ b)	Решение Rx = Qᵀb методом обратной подстановки — более стабильно, чем нормальные уравнения AᵀAx = Aᵀb
QR-алгоритм для собственных значений	Итеративное разложение Aₖ = QₖRₖ с последующей установкой Aₖ₊₁ = RₖQₖ — сходится к форме Шура
Линейные системы (Ax = b)	Разложение A = QR, затем решение Rx = Qᵀb. Численно более стабильно, чем LU для плохо обусловленных систем
Обработка сигналов	Адаптивное формирование луча и оценка каналов MIMO используют QR-обновления для обработки в реальном времени
Машинное обучение	Ортогонализация на основе QR при обучении нейронных сетей, процесс Грама-Шмидта в инженерии признаков

QR в сравнении с другими разложениями матриц

Разложение	Форма	Лучше всего для
QR (этот инструмент)	A = QR	Наименьшие квадраты, алгоритмы собственных значений, численно стабильные решения
LU	A = LU	Быстрое решение квадратных систем, вычисление определителя
Холецкого	A = LLᵀ	Симметричные положительно определенные системы (самый быстрый)
SVD	A = UΣVᵀ	Анализ ранга, псевдообратная матрица, PCA, сжатие изображений
Спектральное разложение	A = PDP⁻¹	Возведение матрицы в степень, дифференциальные уравнения, спектральный анализ

Часто задаваемые вопросы

Что такое QR-разложение?

QR-разложение разлагает матрицу A на произведение ортогональной матрицы Q (столбцы которой ортонормированы) и верхней треугольной матрицы R. Каждая вещественная матрица с линейно независимыми столбцами имеет единственное QR-разложение, если мы требуем, чтобы диагональные элементы R были положительными.

Что такое процесс Грама-Шмидта?

Процесс Грама-Шмидта — это алгоритм, который берет набор линейно независимых векторов и создает ортонормированный набор, порождающий то же подпространство. Он работает путем итеративного вычитания проекций на все ранее вычисленные ортонормированные векторы и последующей нормализации остатка.

Работает ли QR-разложение для неквадратных матриц?

Да. Для матрицы m×n, где m ≥ n, экономичное (или тонкое) QR-разложение дает Q размера m×n с ортонормированными столбцами и R размера n×n, являющуюся верхней треугольной. Это форма, наиболее часто используемая на практике, особенно для задач наименьших квадратов.

Когда следует использовать QR вместо LU-разложения?

Используйте QR, когда численная устойчивость важнее скорости — например, при работе с плохо обусловленными матрицами, задачами наименьших квадратов или вычислением собственных значений. LU быстрее (примерно в 2 раза для квадратных систем), но может усиливать ошибки округления. QR сохраняет нормы векторов, так как Q ортогональна.

В чем разница между QR и SVD?

Оба метода создают ортогональные множители, но SVD разлагает A на три матрицы (UΣVᵀ), выявляя сингулярные числа и ранг, в то время как QR дает две матрицы (QR) и вычисляется быстрее. SVD предпочтительнее для задач с неполным рангом и вычисления псевдообратных матриц; QR предпочтительнее для решения систем полного ранга и алгоритмов собственных значений.

Ссылайтесь на этот контент, страницу или инструмент так:

"Калькулятор QR-разложения" на сайте https://ru.miniWebtool.com/калькулятор-qr-разложения/ от MiniWebtool, https://MiniWebtool.com/

от команды miniwebtool. Обновлено: 2026-04-12

Вы также можете попробовать наш AI Решатель Математических Задач GPT, чтобы решить ваши математические проблемы с помощью вопросов и ответов на естественном языке.