向量的正交分解和标准正交基
本篇算是前面《Gram-Schmidt 正交化过程简介》，《正交投影和正交拒绝》，《标量投影和向量投影》的一个补充或强化学习。
一､概述
向量的正交分解
向量的正交分解（orthogonal decomposition）是指：在内积空间中，将一个向量唯一地表示为两个相互正交的向量的和，其中一个属于给定的子空间，另一个属于该子空间的正交补 (orthogonal rejection）或 正交拒绝。
在图片的情景中：
- 取子空间 W = span{α₁}（即 α₁ 张成的直线）。
- 对于任意向量 β₂ ∈ ℝ²，有唯一分解：
其中：- 投影分量（沿 W 方向）：
。
- 如果 α₁ 是单位向量（||α₁|| = 1，常在正交化过程中如此），则简化为
，这正是图片中标注的平行分量。
- 如果 α₁ 是单位向量（||α₁|| = 1，常在正交化过程中如此），则简化为
- 正交分量（垂直于 W）：
，它与 α₁ 正交（内积为 0），对应图片中的红色垂直段。
- 投影分量（沿 W 方向）：
这两个分量相互正交：
这正是“正交分解”的含义。图片用几何（角度 θ、垂直线）直观表现了这一过程，常出现在 Gram-Schmidt 正交化或最小二乘投影的教学中。
更一般地，正交分解定理说明：若 W 是有限维内积空间的子空间，则 ℝⁿ = W ⊕ W⊥，任意向量都有唯一的正交分解。
标准正交基（Standard Orthonormal Basis）
标准正交基（standard orthonormal basis）是 ℝⁿ 中最简单的正交规范基：
- 在 ℝ² 中：{e1=(1,0),e2=(0,1)}
- 在 ℝ³ 中：{e1=(1,0,0),e2=(0,1,0),e3=(0,0,1)}
- 一般：第 i 个向量只有第 i 个分量为 1，其余为 0。
其特点：
- 正交：ei⋅ej=0 （i ≠ j）
- 规范（单位长度）：
- 因此是正交规范基（orthonormal basis）。
在标准正交基下，向量的正交分解特别简单：
- 任意向量
可分解为：
- 其中系数
（正是通常的坐标分量）。
这正是我们日常使用的笛卡尔坐标系的数学基础。图片中的 α₁ 可以看作类似于 e₁（沿 x 轴），如果再引入一个与 α₁ 正交的单位向量（如图片暗示的垂直方向），就构成了一个正交规范基，此时 β₂ 的坐标就是它的两个正交分量的长度（带方向）。
二､详述
我先把图里的几何关系“读”出来（投影长度、垂直分量、夹角），再用它解释正交分解公式，最后把结论推广到标准正交基（standard basis）下的坐标表示与计算方法。
这张图画的就是**“把一个向量沿着某个方向拆成：平行分量 + 垂直分量”——也就是正交分解**。
1) 先读懂图：β₂ 在 α₁ 方向上的“影子” + “竖起来那段”
黑色斜箭头是向量 β2。
水平轴方向是 α1（图里把它当成“基向量/方向”）。
夹角是 θ。
红色水平虚线表示 β2 在 α1 方向上的投影（影子）：
红色竖虚线表示剩下那一段，它与 α1正交（垂直），也叫正交分量/残差：
图中的小直角符号就是在强调：这两段互相垂直。
2) 一维方向上的正交分解公式（和图完全对应）
对任意非零向量 a 和向量 b，总能写成：
投影的通用公式是：
是“沿着 a 的缩放系数”
如果 a 是单位向量（∥a∥=1），就简化为：
而图里写的那种形式：
本质上也是“长度 × cos(夹角)”给出投影长度，再乘回方向 α1（当 α1 不是单位长度时就会出现 ∥α1∥ 这样的比例因子）。
推导：和点积公式完全等价
点积公式（最通用）：
代入点积定义 β₂ · α₁ = ||β₂|| ||α₁|| cos θ：
完全一样！所以图中标注这个形式，是为了强调几何意义（cos θ 的投影长度），而点积形式更适合计算。
如果图中 α₁ 被画成单位向量（常见简化），就会省掉除以 ||α₁||，直接写 ||β₂|| cos θ α₁。
3) “标准正交基（standard basis）”下，分解就变成“按坐标拆开”
在里，标准正交基就是：
它们满足：
两两正交：
单位长度：
因此，对任意向量 x，你可以把它正交分解为：
而每个系数（坐标）直接就是投影（点积）：
因为在正交单位基下：
所以“把向量拆成各轴方向的分量” = “分别投影到每个 上再相加”。
4) 用二维直觉对上图（最像你看到的那张）
在 ℝ² 里：
α1 就像 e1（x 轴）
垂直方向就像 e2（y 轴）
若 x=(x1,x2)，那么：
其中 x1 是“落在水平轴上的影子”，x2 是“竖起来那段”。
我们接着把“图里的正交分解”讲得更可计算、可推广，并顺手连到standard basis / 正交标准基 / Gram–Schmidt。
1) 先用一个 2D 数值，把“红色水平段 + 红色竖段”算出来
情况 A：α1 就是标准基 e1=(1,0)
取
投影：
先算点积：
所以
正交残差（竖起来那段）：
你看，水平段就是 (3,0)，竖段就是 (0,4)，完全就是图里那种“落到轴上 + 竖起来”的直角三角形。
而且能量（平方长度）满足勾股：
这就是正交分解最核心的“能量可加”。
情况 B：α1 不是单位向量（更贴近图里那种 ∥α1∥ 出现的写法）
取
注意 α1 方向还是 x 轴，但长度是 2。
通用投影公式：
计算：
所以系数是 6/4=1.5，投影为：
你会发现结果仍然是 (3,0)：因为方向相同，最终“影子”还是落在 x 轴上 3 的位置。
2) 为什么剩下那段一定“垂直”？（一句话证明）
令
看 r 和 a 的点积：
点积为 0 就表示正交。所以“投影 + 残差”必然构成直角。
3) 推广到 standard basis：坐标就是“对每个轴做一次投影”
在里标准正交基
满足：
于是对任意向量 x：
因为
直接取出 x 的第i个坐标
所以就是
这就是“坐标分解”其实就是“在一组正交单位方向上的投影相加”。
4) 更一般：任意标准正交基（orthonormal basis）都一样好用
如果你有一组正交单位基（不一定是坐标轴方向）：
那么分解同样成立：
这里就是x 在方向
的“坐标/影子长度”。
矩阵写法（非常常用）
把基向量按列放进矩阵：
则，并且：
是把 x “投影到每个基向量上”，得到坐标
Q(⋅) 再把坐标“合成回去”
这就是很多线代/机器学习里“换基/旋转坐标系”的核心操作。
5) 连到 Gram–Schmidt：它就是“重复做正交分解”，把一堆向量变成正交基
给你两条不正交的向量 v1,v2：
先设 u1=v1，再单位化：
把 v2 在 q1 上的成分“剔除”（这一步就是正交分解的“残差”）：
得到的 u2 一定与 q1 正交。
再单位化：
多维就是把“剔除”扩展为对前面所有 的投影之和：
你看，这完全是“投影 + 残差”的反复应用。
这里动态变化角度 θ，实时显示投影长度（||β|| cos θ），以及正交剩余部分如何与投影方向垂直。
总结：图片通过具体例子展示了正交分解的几何意义，而标准正交基则是这种分解最“自然”、计算最简便的特例，在线性代数、傅里叶分析、量子力学等领域都有核心作用。