QR分解

QR分解法是一種将矩阵分解的方式。這種方式，把矩阵分解成一个正交矩阵与一个上三角矩阵的积。QR分解经常用来解线性最小二乘法问题。QR分解也是特定特征值算法即QR算法的基础。

线性代数
${\displaystyle \mathbf {A} ={\begin{bmatrix}1&2\\3&4\end{bmatrix}}}$
向量 · 向量空间 · 基底  · 行列式  · 矩阵
向量 标量 · 向量 · 向量空间 · 向量投影 · 外积（向量积 · 七维向量积） · 内积（数量积） · 二重向量 矩阵与行列式 矩阵 · 行列式 · 线性方程组 · 秩 · 核 · 跡 · 單位矩陣 · 初等矩阵 · 方块矩阵 · 分块矩阵 · 三角矩阵 · 非奇异方阵 · 转置矩阵 · 逆矩阵 · 对角矩阵 · 可对角化矩阵 · 对称矩阵 · 反對稱矩陣 · 正交矩阵 · 幺正矩阵 · 埃尔米特矩阵 · 反埃尔米特矩阵 · 正规矩阵 · 伴随矩阵 · 余因子矩阵 · 共轭转置 · 正定矩阵 · 幂零矩阵 · 矩阵分解 （LU分解 · 奇异值分解 · QR分解 · 极分解 · 特征分解） · 子式和余子式 · 拉普拉斯展開 · 克罗内克积 线性空间与线性变换 线性空间 · 线性变换 · 线性子空间 · 线性生成空间 · 基 · 线性映射 · 线性投影 · 線性無關 · 线性组合 · 线性泛函 · 行空间与列空间 · 对偶空间 · 正交 · 特征向量 · 最小二乘法 · 格拉姆-施密特正交化
查 论 编

類別及定义

方陣

任何方块矩阵A都可以分解為

${\displaystyle A=QR}$ 

其中Q是正交矩阵（意味着Q^TQ = I）而R是上三角矩阵。如果A是非奇异的，且限定R 的对角线元素为正，则这个因数分解是唯一的。

更一般的说，我们可以因数分解复数${\displaystyle m}$ ×${\displaystyle n}$ 矩阵（有着m ≥ n）为${\displaystyle m}$ ×${\displaystyle n}$  幺正矩阵（在Q ^∗Q = I 的意义上，不需要是方阵）和${\displaystyle n}$ ×${\displaystyle n}$ 上三角矩阵的乘积。对m<n的情况，在Q是${\displaystyle m}$ ×${\displaystyle m}$  方阵，而R 则是${\displaystyle m}$ ×${\displaystyle n}$  矩阵。

長方形矩陣

更一般地，我們可以將m×n的A矩陣 , 其中m ≥ n，分解成m×m酉矩阵Q 和m×n 三角矩陣R的成積。由於m×n上三角矩陣的底部(m−n)行完全由零組成，因此對R或R和Q進行分解通常很有用：

${\displaystyle A=QR=Q{\begin{bmatrix}R_{1}\\0\end{bmatrix}}={\begin{bmatrix}Q_{1}&Q_{2}\end{bmatrix}}{\begin{bmatrix}R_{1}\\0\end{bmatrix}}=Q_{1}R_{1},}$ 

其中 R₁是n×n上三角矩陣，0 是(m − n)×n零矩陣，Q₁ 是m×n，Q₂是m×(m − n)，且Q₁和Q₂都是有正交列。

已隱藏部分未翻譯内容，歡迎參與翻譯。

Golub & Van Loan (1996，§5.2) call Q₁R₁ the thin QR factorization of A; Trefethen and Bau call this the reduced QR factorization.^[1] If A is of full rank n and we require that the diagonal elements of R₁ are positive then R₁ and Q₁ are unique, but in general Q₂ is not. R₁ is then equal to the upper triangular factor of the Cholesky decomposition of A* A (= A^TA if A is real).

QL、RQ 和 LQ 分解

类似的，我们可以定义A的QL，RQ和LQ分解。其中L是下三角矩陣。

QR分解的求法

QR分解的实际计算有很多方法，例如Givens旋转、Householder变换，以及Gram-Schmidt正交化等等。每一种方法都有其优点和不足。

参见：格拉姆-施密特正交化

使用Householder变换

Householder变换

Householder变换将一个向量关于某个平面或者超平面进行反射。我们可以利用这个操作对${\displaystyle m\times n(m\geqq n)}$ 的矩阵${\displaystyle A}$ 进行QR分解。

矩阵${\displaystyle Q}$ 可以被用于对一个向量以一种特定的方式进行反射变换，使得它除了一个维度以外的其他所有分量都化为0。

令${\displaystyle \mathbf {x} }$ 为矩阵${\displaystyle A}$ 的任一m维实列向量，且有${\displaystyle \|\mathbf {x} \|=|\alpha |}$ （其中${\displaystyle \alpha }$ 为标量）。若该算法是通过浮点数实现的，则${\displaystyle \alpha }$ 应当取和${\displaystyle \mathbf {x} }$ 的第${\displaystyle k}$ 维相反的符号（其中${\displaystyle x_{k}}$ 是要保留不为0的项），这样做可以避免精度缺失。对于复数的情况，令

${\displaystyle \alpha =-\mathrm {e} ^{\mathrm {i} \arg x_{k}}\|\mathbf {x} \|}$ 

（Stoer & Bulirsch 2002，p.225），并且在接下来矩阵${\displaystyle Q}$ 的构造中要将矩阵转置替换为共轭转置。

接下来，设${\displaystyle \mathbf {e} _{1}}$ 为单位向量${\displaystyle (1,0,\cdots ,0)^{T}}$ ，||·||为欧几里德范数，${\displaystyle I}$ 为${\displaystyle m\times m}$ 单位矩阵，令

${\displaystyle \mathbf {u} =\mathbf {x} -\alpha \mathbf {e} _{1}}$  ，

${\displaystyle \mathbf {v} ={\mathbf {u} \over \|\mathbf {u} \|}}$  ，

${\displaystyle Q=I-2\mathbf {v} \mathbf {v} ^{T}}$  。

或者，若${\displaystyle A}$ 为复矩阵，则

${\displaystyle Q=I-(1+w)\mathbf {v} \mathbf {v} ^{H}}$ ，其中${\displaystyle w=\mathbf {x} ^{H}\mathbf {v} \mathbf {/} \mathbf {v} ^{H}\mathbf {x} }$ 

式中${\displaystyle \mathbf {x} ^{H}}$ 是${\displaystyle x}$ 的共轭转置（亦称埃尔米特共轭或埃尔米特转置）。

则${\displaystyle Q}$ 为一个${\displaystyle m\times m}$ 的Householder矩阵，它满足

${\displaystyle Q\mathbf {x} =(\alpha ,0,\cdots ,0)^{T}\ }$ 

利用Householder矩阵，可以将一个${\displaystyle m\times n}$ 的矩阵${\displaystyle A'}$ 变换为上三角矩阵。 首先，我们将A左乘通过选取矩阵的第一列得到列向量${\displaystyle x}$ 的Householder矩阵${\displaystyle Q_{1}}$ 。这样，我们得到的矩阵${\displaystyle Q_{1}A}$ 的第一列将全部为0（第一行除外）：

${\displaystyle Q_{1}A={\begin{bmatrix}\alpha _{1}&\star &\dots &\star \\0&&&\\\vdots &&A'&\\0&&&\end{bmatrix}}}$ 

这个过程对于矩阵${\displaystyle A'}$ （即${\displaystyle Q_{1}A}$ 排除第一行和第一列之后剩下的方阵）还可以继续做下去，从而得到另一个Householder矩阵${\displaystyle Q_{2}}$ 。注意到${\displaystyle Q_{2}}$ 其实比${\displaystyle Q_{1}}$ 要小，因为它是在${\displaystyle Q_{1}A}$ 而非${\displaystyle A}$ 的基础上得到的。因此，我们需要在${\displaystyle Q_{2}}$ 的左上角补上1，或者，更一般地来说：

${\displaystyle Q_{k}={\begin{bmatrix}I_{k-1}&0\\0&Q_{k}'\end{bmatrix}}}$ 

将这个迭代过程进行${\displaystyle t}$ 次之后（${\displaystyle t=\min(m-1,n)}$ ）,将有

${\displaystyle R=Q_{t}\cdots Q_{2}Q_{1}A}$ 

其中R为一个上三角矩阵。因此，令

${\displaystyle Q=Q_{1}^{T}Q_{2}^{T}\cdots Q_{t}^{T},}$ 

则${\displaystyle A=QR}$ 为矩阵${\displaystyle A}$ 的一个QR分解。

相比与Gram-Schmidt正交化，使用Householder变换具有更好的数值稳定性。

例子

现在要用Householder变换求解矩阵${\displaystyle A}$ 的${\displaystyle QR}$  分解。

${\displaystyle A={\begin{bmatrix}0&3&1\\0&4&-2\\2&1&1\\\end{bmatrix}}}$ 

因为${\displaystyle \alpha _{1}=[0,\ 0,\ 2]^{T}}$ , 令${\displaystyle a_{1}=||\alpha _{1}||_{2}=2}$ ，则

${\displaystyle \omega _{1}={\frac {\alpha _{1}-a_{1}e_{1}}{||\alpha _{1}-a_{1}e_{1}||_{2}}}={\frac {1}{\sqrt {2}}}[-1,\ 0,\ 1]^{T}}$ 

则有

${\displaystyle H_{1}=I-2\omega _{1}\omega _{1}^{H}={\begin{bmatrix}0&0&1\\0&1&0\\1&0&0\\\end{bmatrix}}}$ 

从而，

${\displaystyle H_{1}A={\begin{bmatrix}2&1&1\\0&4&-2\\0&3&1\\\end{bmatrix}}}$ 

记${\displaystyle \beta =[4,\ 3]^{T}}$ , 则${\displaystyle b_{1}=||\beta _{2}||_{2}=5}$ 。令

${\displaystyle \omega _{2}={\frac {\beta _{2}-b_{1}e_{1}}{||\beta _{2}-b_{1}e_{1}||_{2}}}={\frac {1}{\sqrt {10}}}[-1,\ 3]^{T}}$ 

${\displaystyle {\hat {H_{2}}}=I-2\omega _{2}\omega ^{H}={\frac {1}{5}}{\begin{bmatrix}4&3\\3&-4\\\end{bmatrix}}}$ 

记，

${\displaystyle H_{2}={\begin{bmatrix}1&0^{T}\\0&{\hat {H_{2}}}\\\end{bmatrix}}={\begin{bmatrix}1&0&0\\0&{\frac {4}{5}}&{\frac {3}{5}}\\0&{\frac {3}{5}}&-{\frac {4}{5}}\\\end{bmatrix}}}$ 

则，

${\displaystyle R=H_{2}(H_{1}A)={\begin{bmatrix}2&1&1\\0&5&-1\\0&0&-2\\\end{bmatrix}}}$ 

那么

${\displaystyle Q=H_{1}H_{2}={\frac {1}{5}}{\begin{bmatrix}0&3&-4\\0&4&3\\5&0&0\\\end{bmatrix}}}$ 

使用吉文斯旋转

吉文斯旋转

吉文斯旋转表示为如下形式的矩阵

${\displaystyle G(i,j,\theta )={\begin{bmatrix}1&\cdots &0&\cdots &0&\cdots &0\\\vdots &\ddots &\vdots &&\vdots &&\vdots \\0&\cdots &c&\cdots &s&\cdots &0\\\vdots &&\vdots &\ddots &\vdots &&\vdots \\0&\cdots &-s&\cdots &c&\cdots &0\\\vdots &&\vdots &&\vdots &\ddots &\vdots \\0&\cdots &0&\cdots &0&\cdots &1\end{bmatrix}}}$ 

这里的 c = cos(θ) 和 s = sin(θ) 出现在第 i 行和第 j 行与第 i 列和第 j 列的交叉点上。就是说，吉文斯旋转矩阵的所有非零元定义如下：:

${\displaystyle {\begin{aligned}g_{k\,k}&{}=1\qquad {\text{for}}\ k\neq i,\,j\\g_{i\,i}&{}=c\\g_{j\,j}&{}=c\\g_{i\,j}&{}=s\\g_{j\,i}&{}=-s\end{aligned}}}$ 

乘积 G(i, j, θ)x 表示向量 x 在 (i,j)平面中的逆时针旋转 θ 弧度。

吉文斯旋转作用于QR分解

对于一个向量

${\displaystyle {\begin{array}{lcl}A&=&{\begin{bmatrix}a\\b\\\end{bmatrix}}\\\end{array}}}$ 

如果，${\displaystyle r={\sqrt {a^{2}+b^{2}}}}$  , ${\displaystyle c={\frac {a}{r}}}$  , ${\displaystyle s=-{\frac {b}{r}}}$  , 那么，就存在旋转矩阵G，使${\displaystyle A}$  底部转成0。

${\displaystyle A_{2\_Sub}={\begin{bmatrix}c&-s\\s&c\\\end{bmatrix}}{\begin{bmatrix}a\\b\\\end{bmatrix}}={\begin{bmatrix}r\\0\\\end{bmatrix}}}$ 

每一次的旋转，吉文斯旋转都可以将一个元素化成0，直到将原始矩阵转成一个上三角矩阵，则完成分解。

${\displaystyle A=QR}$ 

${\displaystyle Q=G_{1}^{T}G_{2}^{T}\cdots G_{k}^{T}}$ 

例子

${\displaystyle A_{1}={\begin{bmatrix}6&5&0\\5&1&4\\0&4&3\\\end{bmatrix}}}$ 

${\displaystyle r={\sqrt {6^{2}+5^{2}}}\approx 7.8102}$ 

${\displaystyle c=6/r\approx 0.7682}$ 

${\displaystyle s=-5/r\approx -0.6402}$ 

${\displaystyle A_{2}=G_{1}A_{1}={\begin{bmatrix}c&-s&0\\s&c&0\\0&0&1\\\end{bmatrix}}{\begin{bmatrix}6&5&0\\5&1&4\\0&4&3\\\end{bmatrix}}\approx {\begin{bmatrix}7.8102&4.4813&2.5607\\0&-2.4327&3.0729\\0&4&3\\\end{bmatrix}}}$ 

对于:${\displaystyle A_{2}}$ 子矩阵 :${\displaystyle A_{2\_Sub}}$ 

${\displaystyle A_{2\_Sub}={\begin{bmatrix}-2.4327&3.0729\\4&3\\\end{bmatrix}}}$ 

${\displaystyle r={\sqrt {(-2.4327)^{2}+4^{2}}}\approx 4.6817}$ 

${\displaystyle c=-2.4327/r\approx -0.5196}$ 

${\displaystyle s=-5/r\approx -0.8544}$ 

${\displaystyle G_{2}A_{2}={\begin{bmatrix}1&0&0\\0&c&-s\\0&s&c\\\end{bmatrix}}{\begin{bmatrix}7.8102&4.4813&2.5607\\0&-2.4327&3.0729\\0&4&3\\\end{bmatrix}}\approx {\begin{bmatrix}7.8102&4.4813&2.5607\\0&4.6817&0.9664\\0&0&-4.1843\\\end{bmatrix}}}$ 

${\displaystyle R=G_{2}A_{2}=G_{2}G_{1}A_{1}}$ 

${\displaystyle Q=G_{1}^{T}G_{2}^{T}={\begin{bmatrix}0.7682&0.3327&0.5470\\0.6402&-0.3992&-0.6564\\0&0.8544&-0.5196\\\end{bmatrix}}}$ 

使用格拉姆-施密特正交化方法

基本思想

 

图1 ${\displaystyle {\boldsymbol {v}}}$ 在${\displaystyle {\boldsymbol {V}}^{2}}$ 上投影，构造${\displaystyle {\boldsymbol {V}}^{3}}$ 上的正交基${\displaystyle {\boldsymbol {\beta }}}$ 

格拉姆-施密特正交化的基本想法，是利用投影原理在已有正交基的基础上构造一个新的正交基。

设${\displaystyle {\boldsymbol {v}}\in {\boldsymbol {V^{n}}}}$ 。${\displaystyle {\boldsymbol {V}}^{k}}$ 是${\displaystyle {\boldsymbol {V}}^{n}}$ 上的${\displaystyle k}$ 维子空间，其标准正交基为${\displaystyle \{{\boldsymbol {\eta }}_{1},\ldots ,{\boldsymbol {\eta }}_{k}\}}$ ，且${\displaystyle {\boldsymbol {v}}}$ 不在${\displaystyle {\boldsymbol {V}}^{k}}$ 上。由投影原理知，${\displaystyle {\boldsymbol {v}}}$ 与其在${\displaystyle {\boldsymbol {V}}^{k}}$ 上的投影${\displaystyle \mathrm {proj} _{\boldsymbol {V^{k}}}{\boldsymbol {v}}}$ 之差

${\displaystyle {\boldsymbol {\beta }}={\boldsymbol {v}}-\sum _{i=1}^{k}\mathrm {proj} _{{\boldsymbol {\eta }}_{i}}\,{\boldsymbol {v}}={\boldsymbol {v}}-\sum _{i=1}^{k}\langle {\boldsymbol {v}},{\boldsymbol {\eta }}_{i}\rangle {\boldsymbol {\eta }}_{i}}$ 

是正交于子空间${\displaystyle {\boldsymbol {V}}^{k}}$ 的，亦即${\displaystyle {\boldsymbol {\beta }}}$ 正交于${\displaystyle {\boldsymbol {V}}^{k}}$ 的正交基${\displaystyle {\boldsymbol {\eta }}_{i}}$ 。因此只要将${\displaystyle {\boldsymbol {\beta }}}$ 单位化，即

${\displaystyle {\boldsymbol {\eta }}_{k+1}={\frac {\boldsymbol {\beta }}{\|{\boldsymbol {\beta }}\|}}={\frac {\boldsymbol {\beta }}{\sqrt {\langle {\boldsymbol {\beta }},{\boldsymbol {\beta }}\rangle }}}}$ 

那么${\displaystyle \{{\boldsymbol {\eta }}_{1},\ldots ,{\boldsymbol {\eta }}_{k},{\boldsymbol {\eta }}_{k+1}\}}$ 就是${\displaystyle {\boldsymbol {V}}^{k}}$ 在${\displaystyle {\boldsymbol {v}}}$ 上扩展的子空间${\displaystyle \mathrm {span} \{{\boldsymbol {v}},{\boldsymbol {\eta }}_{1},...,{\boldsymbol {\eta }}_{k}\}}$ 的标准正交基。

根据上述分析，对于向量组${\displaystyle \{{\boldsymbol {v}}_{1},\ldots ,{\boldsymbol {v}}_{m}\}}$ 张成的空间${\displaystyle {\boldsymbol {V}}^{m}}$  (${\displaystyle m<n}$ )，只要从其中一个向量（不妨设为${\displaystyle {\boldsymbol {v}}_{1}}$ ）所张成的一维子空间${\displaystyle \mathrm {span} \{{\boldsymbol {v}}_{1}\}}$ 开始（注意到${\displaystyle {\boldsymbol {v}}_{1}}$ 就是${\displaystyle \mathrm {span} \{{\boldsymbol {v}}_{1}\}}$ 的正交基），重复上述扩展构造正交基的过程，就能够得到${\displaystyle {\boldsymbol {V}}^{n}}$  的一组正交基。这就是格拉姆-施密特正交化。

格拉姆-施密特正交化算法

首先需要确定已有基底向量的顺序，不妨设为${\displaystyle \{{\boldsymbol {v}}_{1},\ldots ,{\boldsymbol {v}}_{n}\}}$ 。Gram-Schmidt正交化的过程如下：

	${\displaystyle {\boldsymbol {\beta }}_{1}={\boldsymbol {v}}_{1},}$		${\displaystyle {\boldsymbol {\eta }}_{1}={{\boldsymbol {\beta }}_{1} \over \|{\boldsymbol {\beta }}_{1}\|}}$
	${\displaystyle {\boldsymbol {\beta }}_{2}={\boldsymbol {v}}_{2}-\langle {\boldsymbol {v}}_{2},{\boldsymbol {\eta }}_{1}\rangle {\boldsymbol {\eta }}_{1},}$		${\displaystyle {\boldsymbol {\eta }}_{2}={{\boldsymbol {\beta }}_{2} \over \|{\boldsymbol {\beta }}_{2}\|}}$
	${\displaystyle {\boldsymbol {\beta }}_{3}={\boldsymbol {v}}_{3}-\langle {\boldsymbol {v}}_{3},{\boldsymbol {\eta }}_{1}\rangle {\boldsymbol {\eta }}_{1}-\langle {\boldsymbol {v}}_{3},{\boldsymbol {\eta }}_{2}\rangle {\boldsymbol {\eta }}_{2},}$		${\displaystyle {\boldsymbol {\eta }}_{3}={{\boldsymbol {\beta }}_{3} \over \|{\boldsymbol {\beta }}_{3}\|}}$
	${\displaystyle \vdots }$		${\displaystyle \vdots }$
	${\displaystyle {\boldsymbol {\beta }}_{n}={\boldsymbol {v}}_{n}-\sum _{i=1}^{n-1}\langle {\boldsymbol {v}}_{n},{\boldsymbol {\eta }}_{i}\rangle {\boldsymbol {\eta }}_{i},}$		${\displaystyle {\boldsymbol {\eta }}_{n}={{\boldsymbol {\beta }}_{n} \over \|{\boldsymbol {\beta }}_{n}\|}}$

这样就得到${\displaystyle \mathrm {span} \{{\boldsymbol {v}}_{1},\ldots ,{\boldsymbol {v}}_{n}\}}$ 上的一组正交基${\displaystyle \{{\boldsymbol {\beta }}_{1},\ldots ,{\boldsymbol {\beta }}_{n}\}}$ ，以及相应的标准正交基${\displaystyle \{{\boldsymbol {\eta }}_{1},\ldots ,{\boldsymbol {\eta }}_{n}\}}$ 。

例子

现在要用格拉姆-施密特变换求解矩阵${\displaystyle A}$ 的${\displaystyle QR}$  分解。

${\displaystyle A={\begin{bmatrix}1&2&4\\0&0&5\\0&3&6\\\end{bmatrix}}}$ 

令， ${\displaystyle a=[1,0,0]}$ 

${\displaystyle q_{1}={\frac {a}{||a||}}={\begin{bmatrix}1\\0\\0\\\end{bmatrix}}}$ 

${\displaystyle {\hat {q_{2}}}=b-(b*q_{1})q_{1}={\begin{bmatrix}2\\0\\3\\\end{bmatrix}}-2{\begin{bmatrix}1\\0\\0\\\end{bmatrix}}={\begin{bmatrix}0\\0\\3\\\end{bmatrix}}}$ 

${\displaystyle q_{2}={\frac {\hat {q_{2}}}{||{\hat {q_{2}}}||}}={\begin{bmatrix}0\\0\\1\\\end{bmatrix}}}$ 

${\displaystyle {\hat {q_{3}}}=c-(c*q_{1})q_{1}-(c*q_{2})q_{2}={\begin{bmatrix}4\\5\\6\\\end{bmatrix}}-4{\begin{bmatrix}1\\0\\0\\\end{bmatrix}}-6{\begin{bmatrix}0\\0\\1\\\end{bmatrix}}={\begin{bmatrix}0\\5\\0\\\end{bmatrix}}}$ 

${\displaystyle q_{3}={\frac {\hat {q_{3}}}{||{\hat {q_{3}}}||}}={\begin{bmatrix}0\\1\\0\\\end{bmatrix}}}$ 

那么可知，

${\displaystyle Q={\begin{bmatrix}1&0&0\\0&0&1\\0&1&0\\\end{bmatrix}}}$ 

由${\displaystyle A=QR}$ ，可知，

${\displaystyle R={\begin{bmatrix}1&2&4\\0&3&6\\0&0&5\\\end{bmatrix}}}$ 

Matlab

MATLAB以qr函数来执行QR分解法，其语法为

${\displaystyle [Q,R]=qr(A)}$ 

其中Q代表正规正交矩阵，

而R代表上三角形矩阵。

此外，原矩阵A不必为正方矩阵； 如果矩阵A大小为${\displaystyle m\times n}$ ，则矩阵Q大小为${\displaystyle m\times m}$ ，矩阵R大小为${\displaystyle m\times n}$ 。

用途

解线性方程组

对于直接求解线性方程组的逆，用QR分解的方法求解会更具有数据的稳定性。 对于求解一个线性系统${\displaystyle Ax=b}$ , 这里${\displaystyle A}$ 的维度是${\displaystyle m\times n}$ 。

如果${\displaystyle m\leq n}$ , 那么${\displaystyle A^{T}=QR}$ ,这里${\displaystyle Q^{T}=Q^{-1}}$ )。

${\displaystyle R}$  的形式是 ${\displaystyle R={\begin{bmatrix}R_{1}\\0\end{bmatrix}}}$ ，${\displaystyle R_{1}}$ 是${\displaystyle R}$ 上不为0的部分。 那么对于

${\displaystyle x=Q{\begin{bmatrix}\left(R_{1}^{\textsf {T}}\right)^{-1}b\\0\end{bmatrix}}}$ 

如果${\displaystyle m>n}$ , 那么${\displaystyle A=QR}$ ,这里${\displaystyle Q^{T}=Q^{-1}}$ )。本质是最小化${\displaystyle ||A{\hat {x}}-b||}$ 

${\displaystyle {\hat {x}}=R_{1}^{-1}\left(Q_{1}^{\textsf {T}}b\right)}$ 

參考文獻

1. Trefethen, Lloyd N.; Bau, David III. Numerical linear algebra. Philadelphia, PA: Society for Industrial and Applied Mathematics. 1997. ISBN 978-0-898713-61-9. 

外部連結

• MIT. QR Decomposition. Youtube. [2020-07-01]. （原始内容于2020-07-27）. 
• Poujh. QR Decomposition Givens旋转. Youtube. [2020-07-01]. （原始内容于2020-09-01）.