贡献者： Giacomo; addis
未完成：目前写的是有限维度版本，需要调整成一般的内积空间
1. 正交归一基底
我们已经知道了向量基底的概念，如果内积空间中一组向量基底中的每个向量模长都为 $1$ 且每两个向量都正交，则我们把这组基底称为正交归一基底（orthonormal bases），也叫单位正交基。若把这组正交归一基底记为 $x_1, x_2 \dots x_N$，则正交归一可以用内积表示为
\begin{equation}
\langle x_i, x_j \rangle = \delta_{ij} ~,\qquad i,j = 1,\dots, N~.
\end{equation}
其中 $\delta_{ij}$ 是克罗内克 delta 函数
。简单来说就是任意两个不同的基底内积为零，以及任意基底与自身的内积为 1。
单位正交基是某个空间的基底，所以该空间中任意向量 $v$ 在单位正交基上的展开
\begin{equation}
v = \sum_{i = 1}^N c_i \, x_i ~,\qquad i = 1, \dots, N~.
\end{equation}
其中 $c_i$ 就是 $v$ 的各个坐标。由正交归一性可以证明（见下文）
\begin{equation}
c_i = \langle v, x_i \rangle ~,\qquad i = 1, \dots, N~.
\end{equation}
或者把
式 2 记为
\begin{equation}
v = \sum_{i = 1}^N (\langle v, x_i \rangle) \, x_i~, \qquad i = 1, \dots, N~.
\end{equation}
最常见的例子就是几何向量在直角坐标系的 $x, y, z$ 三个单位正交向量上的展开：
\begin{equation}
v = (\langle v, x \rangle)\, x + (\langle v, y \rangle)\, y + (\langle v, z \rangle)\, z = x \, x + y \, y + z \, z~.
\end{equation}
证明
我们来证明式 3 ：用 $x_k$ 同时乘以式 2 两边，得
\begin{equation}
\langle v, x_k \rangle = \sum_{i = 1}^N c_i \langle x_i, x_k \rangle = \sum_{i = 1}^N c_i \delta_{ik} = c_k ~,\qquad k = 1, \dots, N~.
\end{equation}
最后一步使用了
式 2 。证毕。
式 6 的过程可以看作是用 “与 $x_k$ 内积” 的操作把式 6 求和中需要的一项筛选出来。注意只有使用正交归一基底才可以进行这样的筛选。一个反例是斜坐标系（例 2 ）不能使用式 2 计算坐标，因为它的基底不正交。
2. 施密特正交归一化
未完成：目前写的是有限维度版本，需要增加无限维度的情况
若在 $M$ 维向量空间中任意给出 $N \leqslant M$ 个线性无关的向量，如何得到一组正交归一化的基底呢？我们可以用施密特正交归一化（Schmidt orthonormalization）。先看一个二维的例子
例 1 二维空间中的几何向量
已知两个几何向量 $v_1, v_2$ 坐标分别为 $(2, 1)$，$(1, 2)$。这两个向量不共线，说明它们线性无关。但容易看出它们既不归一也不正交，下面来进行施密特正交归一化。
先把 $v_1$ 归一化，并记为 $u_1$
\begin{equation}
u_1 = \frac{v_1}{ \left\lVert v_1 \right\rVert } = \frac{1}{\sqrt{5}} (2, 1)~.
\end{equation}
然后，用内积来计算 $v_2$ 在 $v_1$ 方向的投影长度
\begin{equation}
\langle v_2, u_1 \rangle = \frac{4}{\sqrt{5}}~,
\end{equation}
所以 $v_2$ 在平行于 $v_1$ 方向的分量为
\begin{equation}
v_2^\parallel = (\langle v_2, u_1 \rangle)u_1 = \frac{4}{5} (2, 1)~.
\end{equation}
将 $v_2$ 减去和 $v_1$ 平行的分量，就是和 $v_1$ 垂直的分量
\begin{equation}
v_2^\bot = v_2 - v_2^\parallel = \left(-\frac35, \frac65 \right) ~,
\end{equation}
归一化并记为
\begin{equation}
u_2 = \frac{v_2^\bot}{ \left\lVert v_2^\bot \right\rVert } = \frac{1}{3\sqrt{5}} (-3, 6)~.
\end{equation}
现在可以验证，基底 $u_1$ 和 $u_2$ 是正交归一的，即 $ \left\lVert u_1 \right\rVert = \left\lVert u_2 \right\rVert = 1$，且 $\langle u_1, u_2 \rangle = 0$。
若给出 $M$ 维向量空间中的 $N$ 个（$N \leqslant M$）线性无关向量
- 将第 1 个向量归一化得到第 1 个基底
- 将第 2 个向量分解为与第 1 个向量平行和垂直的两个分量，并将垂直分量归一化得到第 2 个基底
- 将第 3 个向量分解为三个部分，即分别平行于前两个基底的分量和一个垂直分量，并将垂直分量归一化得到第 3 个基底
- 对第 $n = 4, \dots , N$ 个基底重复该步骤，得到第 $n$ 个基底
用公式来表示这个过程，就是：
\begin{equation}
v_1^\bot = v_1~.
\end{equation}
\begin{equation}
u_i = \frac{v_i^\bot}{ \left\lVert v_i^\bot \right\rVert } \qquad i = 1, \dots ,N~,
\end{equation}
\begin{equation}
v_i^\parallel = \sum _{j=1}^{i-1} (\langle v_i, u_j \rangle) u_j \qquad (i = 2, \dots N)~,
\end{equation}
\begin{equation}
v_i^\bot = v_i - v_i^\parallel \qquad i = 2, \dots N~.
\end{equation}
习题 1
对三维空间中的向量 $(2, 1, 1)$，$(1, 2, 1)$ 和 $(1, 1, 2)$ 进行施密特正交归一化。
推导
这里来解释式 14 和式 15 。我们假设已经知道 $i-1$ 个正交归一的向量，由于 $N$ 维空间中必然存在 $N$ 个正交归一基底，我们可以设剩下 $u_i$ 的也已经知道（或者可以任意取）。于是 $v_i$ 可以用基底展开为
\begin{equation}
v_i = \sum _{j=1}^N c_j u_j~.
\end{equation}
得到前 $i-1$ 项之和
\begin{equation}
v_i^\parallel = \sum _{j=1}^{i-1} c_ju_j~,
\end{equation}
所以
式 15 就是第 $i$ 项到第 $N$ 项之和
\begin{equation}
v_i^\bot = \sum _{j=i}^{N} c_ju_j~.
\end{equation}
所以对 $j = 1, \dots , i-1$，都有 $\langle v_i^\bot, u_j \rangle = 0$。也就是说和已有的 $i-1$ 个基底都正交。
致读者： 小时百科一直以来坚持所有内容免费，这导致我们处于严重的亏损状态。 长此以往很可能会最终导致我们不得不选择大量广告以及内容付费等。 因此，我们请求广大读者
热心打赏 ，使网站得以健康发展。 如果看到这条信息的每位读者能慷慨打赏 10 元，我们一个星期内就能脱离亏损， 并保证在接下来的一整年里向所有读者继续免费提供优质内容。 但遗憾的是只有不到 1% 的读者愿意捐款， 他们的付出帮助了 99% 的读者免费获取知识， 我们在此表示感谢。