ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization)

Q: What are common mistakes with the ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) formula?

बाद के प्रक्षेपणों के लिए मूल सदिशों के बजाय नए मिले ऑर्थोगोनल सदिशों का उपयोग करना। अदिश प्रक्षेपणों (scalar projections) के लिए उपयोग किए जाने वाले डॉट उत्पादों में गणना त्रुटियाँ।

Q: What are some study tips for the ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) formula?

यह सुनिश्चित करने के लिए कि नया सदिश और कोई भी पिछला सदिश का डॉट उत्पाद शून्य है, यह जांच कर प्रत्येक चरण में ऑर्थोगोनैलिटी (orthogonality) को हमेशा सत्यापित करें। यदि ऑर्थोनॉर्मल आधार आवश्यक है तो प्रत्येक परिणामी सदिश को तुरंत सामान्य करें। फैलाए गए उप-स्थानों (spanned subspaces) की नेस्टेड पदानुक्रम (nested hierarchy) को बनाए रखने के लिए सदिशों को उनके मूल क्रम में संसाधित करें।

Core idea

Overview

ग्राम-श्मिट प्रक्रिया एक आंतरिक उत्पाद स्थान में रैखिक रूप से स्वतंत्र सदिशों (linearly independent vectors) के एक सेट से एक ऑर्थोगोनल या ऑर्थोनॉर्मल आधार (orthogonal or orthonormal basis) उत्पन्न करने की एक व्यवस्थित विधि है। यह सुनिश्चित करने के लिए कि नया सदिश पिछले सभी सदिशों के लंबवत (perpendicular) है, किसी सदिश के प्रक्षेपणों (projections) को पहले से निर्मित ऑर्थोगोनल सदिशों पर पुनरावृत्ति (iteratively) से घटाकर काम करता है।

When to use: जब आपको एक उप-स्थान (subspace) के लिए एक ऑर्थोगोनल आधार का निर्माण करने की आवश्यकता हो, जो सदिश प्रक्षेपणों को सरल बनाने और क्यूआर विघटन (QR decompositions) करने के लिए आवश्यक है, तो इस एल्गोरिथम को लागू करें। यह मानता है कि सदिशों का इनपुट सेट रैखिक रूप से स्वतंत्र है और एक आंतरिक उत्पाद (जैसे डॉट उत्पाद) परिभाषित है।

Why it matters: ऑर्थोगोनल आधार कम्प्यूटेशनल रूप से कुशल होते हैं क्योंकि वे मैट्रिक्स संचालन (matrix operations) में क्रॉस-टर्म इंटरैक्शन को समाप्त करते हैं। यह प्रक्रिया कंप्यूटर ग्राफिक्स में समन्वय परिवर्तनों (coordinate transformations) के लिए, सिग्नल प्रोसेसिंग (signal processing) में शोर कम करने (noise reduction) के लिए, और न्यूनतम-वर्ग समाधानों (least-squares solutions) की स्थिरता में सुधार के लिए संख्यात्मक विश्लेषण (numerical analysis) में महत्वपूर्ण है।

Symbols

Variables

$u_{k}$ = Resulting Orthogonal Magnitude, $v_{k}$ = Input Vector Magnitude, $\sum$ $p_{j}$ = Sum of Projections

u_{k}

Resulting Orthogonal Magnitude

Variable

v_{k}

Input Vector Magnitude

Variable

\sum p_{j}

Sum of Projections

Variable

Walkthrough

Derivation

ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization)

यह व्युत्पत्ति बताती है कि प्रक्षेप्यों को क्रमिक रूप से घटाकर एक दिए गए रैखिक रूप से स्वतंत्र सेट से एक लंबकोणीय सदिशों का सेट कैसे बनाया जाए।

हम एक आंतरिक उत्पाद स्थान (जैसे, यूक्लिडियन स्थान $R$ ^n डॉट उत्पाद के साथ) में काम कर रहे हैं।
प्रारंभिक सदिशों का सेट \{ $v_{1}$ , $v_{2}$ , $\dots$ , $v_{n}$ \} रैखिक रूप से स्वतंत्र है।

1

पहले लंबकोणीय सदिश को इनिशियलाइज़ करें:

एक दिए गए रैखिक रूप से स्वतंत्र सेट \{ $v_{1}$ , $v_{2}$ , $\dots$ , $v_{n}$ \} से एक लंबकोणीय सेट \{ $u_{1}$ , $u_{2}$ , $\dots$ , $u_{n}$ \} का निर्माण शुरू करने के लिए, हम बस पहले सदिश $u_{1}$ को $v_{1}$ के बराबर चुनते हैं।

u_{1} = v_{1}

2

दूसरे सदिश को लंबकोणीय बनाएं:

यह सुनिश्चित करने के लिए कि $u_{2}$ $u_{1}$ के लंबवत है, हम $v_{2}$ लेते हैं और इसके उस घटक को घटाते हैं जो $u_{1}$ की दिशा में है। यह घटक ठीक $v_{2}$ का $u_{1}$ पर प्रक्षेप है।

u_{2} = v_{2} - proj_{u_{1}} (v_{2})

3

k-वें सदिश तक सामान्यीकृत करें:

यह मानते हुए कि हमने पहले ही एक लंबकोणीय सेट \{ $u_{1}$ , $\dots$ , $u_{k - 1}$ \} का निर्माण कर लिया है, $u_{k}$ को खोजने के लिए, हम $v_{k}$ से शुरू करते हैं और पिछले लंबकोणीय सदिशों $u_{1}, \dots, u_{k - 1}$ पर इसके प्रक्षेप को घटाते हैं। यह प्रक्रिया $v_{k}$ के उन सभी घटकों को हटा देती है जो \{ $u_{1}$ , $\dots$ , $u_{k - 1}$ \} द्वारा फैलाए गए उप-स्थान में स्थित हैं।

u_{k} = v_{k} - proj_{u_{1}} (v_{k}) - proj_{u_{2}} (v_{k}) - \dots - proj_{u_{k - 1}} (v_{k})

4

योग संकेतन का उपयोग करके व्यक्त करें:

प्रक्षेपों के योग को योग संकेतन का उपयोग करके संक्षिप्त रूप से लिखा जा सकता है। यह सूत्र $u_{k}$ को परिभाषित करता है ताकि यह सभी $u_{j}$ के लंबवत हो, $j < k$ के लिए, इस प्रकार पुनरावृत्त रूप से एक लंबकोणीय सेट का निर्माण किया जा सके।

u_{k} = v_{k} - j = 1 \sum k - 1 proj_{u_{j}} (v_{k})

Result

u_{k} = v_{k} - j = 1 \sum k - 1 proj_{u_{j}} (v_{k})

Source: Lay, D. C., Lay, S. R., & McDonald, J. J. (2016). Linear Algebra and Its Applications (5th ed.). Pearson.

Why it behaves this way

Intuition

प्रत्येक नए सदिश को लेते हुए, इसे सभी पिछले लंबकोणीय सदिशों पर प्रक्षेप करते हुए, और फिर इन प्रक्षेपों को घटाकर नए सदिश के उस हिस्से को अलग करते हुए कल्पना करें जो दूसरों से पूरी तरह लंबवत है।

Term

नए निर्मित लंबकोणीय सेट में k-वाँ सदिश।

यह

v_{k}

का 'साफ' किया गया संस्करण है, जिसे सभी पिछले

u_{j}

सदिशों से लंबवत बनाया गया है।

Term

गैर-लंबकोणीय सेट से k-वाँ मूल इनपुट सदिश।

यह वह सदिश है जिस पर वर्तमान में दूसरों से लंबवत बनाने के लिए काम किया जा रहा है।

Term

सदिश v_k का वह घटक जो पहले से निर्मित लंबकोणीय सदिश u_j की दिशा में स्थित है।

यह

v_{k}

का 'ओवरलैप' या 'छाया' है जो

u_{j}

पर है, गैर-लंबवत भाग का प्रतिनिधित्व करता है।

Term

v_k के उन सभी घटकों का योग जो u_1, ..., u_{k-1} द्वारा फैलाए गए उप-स्थान के लंबवत नहीं हैं।

यह पहले से लंबकोणीय सदिशों के संबंध में

v_{k}

के कुल 'गैर-लंबवत भाग' का प्रतिनिधित्व करता है।

Signs and relationships

- \sum_{j=1}^{k-1} \text{proj}_{u_j}(v_k): घटाव $v_{k}$ के उन घटकों को हटा देता है जो पहले से निर्मित लंबकोणीय सदिश $u_{j}$ के समानांतर हैं, यह सुनिश्चित करते हुए कि परिणामी $u_{k}$ उन सभी के लंबवत है।

Free study cues

Insight

Canonical usage

The Gram-Schmidt process operates on vectors, preserving their units. If input vectors represent physical quantities with units (e.g., meters, Newtons), the resulting orthogonal vectors will have those same units.

One free problem

Practice Problem

रैखिक बीजगणित अभ्यास में, एक छात्र एक सेट के दूसरे सदिश को संसाधित कर रहा है। यदि इनपुट सदिश vk का एक घटक मान 12 है और पहले ऑर्थोगोनल सदिश (projSum) पर इसके प्रक्षेपणों का योग 4.5 के रूप में गणना की जाती है, तो परिणामी ऑर्थोगोनल सदिश परिणाम के संगत घटक को ज्ञात कीजिए।

Hint: मूल सदिश घटक से प्रक्षेपणों के योग को घटाएं।

The full worked solution stays in the interactive walkthrough.

Where it shows up

Real-World Context

ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) के संदर्भ में, ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) मापों को ऐसी मान में बदलने के लिए इस्तेमाल होता है जिसे समझा जा सके। परिणाम इसलिए महत्वपूर्ण है क्योंकि यह गणना को मॉडल के आकार, परिवर्तन दर, प्रायिकता या प्रतिबंध से जोड़ने में मदद करता है।

Study smarter

Tips

यह सुनिश्चित करने के लिए कि नया सदिश और कोई भी पिछला सदिश का डॉट उत्पाद शून्य है, यह जांच कर प्रत्येक चरण में ऑर्थोगोनैलिटी (orthogonality) को हमेशा सत्यापित करें।
यदि ऑर्थोनॉर्मल आधार आवश्यक है तो प्रत्येक परिणामी सदिश को तुरंत सामान्य करें।
फैलाए गए उप-स्थानों (spanned subspaces) की नेस्टेड पदानुक्रम (nested hierarchy) को बनाए रखने के लिए सदिशों को उनके मूल क्रम में संसाधित करें।

Avoid these traps

Common Mistakes

बाद के प्रक्षेपणों के लिए मूल सदिशों के बजाय नए मिले ऑर्थोगोनल सदिशों का उपयोग करना।
अदिश प्रक्षेपणों (scalar projections) के लिए उपयोग किए जाने वाले डॉट उत्पादों में गणना त्रुटियाँ।

Keep going

Related Formulas

Common questions

Frequently Asked Questions

यह व्युत्पत्ति बताती है कि प्रक्षेप्यों को क्रमिक रूप से घटाकर एक दिए गए रैखिक रूप से स्वतंत्र सेट से एक लंबकोणीय सदिशों का सेट कैसे बनाया जाए।

जब आपको एक उप-स्थान (subspace) के लिए एक ऑर्थोगोनल आधार का निर्माण करने की आवश्यकता हो, जो सदिश प्रक्षेपणों को सरल बनाने और क्यूआर विघटन (QR decompositions) करने के लिए आवश्यक है, तो इस एल्गोरिथम को लागू करें। यह मानता है कि सदिशों का इनपुट सेट रैखिक रूप से स्वतंत्र है और एक आंतरिक उत्पाद (जैसे डॉट उत्पाद) परिभाषित है।

ऑर्थोगोनल आधार कम्प्यूटेशनल रूप से कुशल होते हैं क्योंकि वे मैट्रिक्स संचालन (matrix operations) में क्रॉस-टर्म इंटरैक्शन को समाप्त करते हैं। यह प्रक्रिया कंप्यूटर ग्राफिक्स में समन्वय परिवर्तनों (coordinate transformations) के लिए, सिग्नल प्रोसेसिंग (signal processing) में शोर कम करने (noise reduction) के लिए, और न्यूनतम-वर्ग समाधानों (least-squares solutions) की स्थिरता में सुधार के लिए संख्यात्मक विश्लेषण (numerical analysis) में महत्वपूर्ण है।

बाद के प्रक्षेपणों के लिए मूल सदिशों के बजाय नए मिले ऑर्थोगोनल सदिशों का उपयोग करना। अदिश प्रक्षेपणों (scalar projections) के लिए उपयोग किए जाने वाले डॉट उत्पादों में गणना त्रुटियाँ।

ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) के संदर्भ में, ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) मापों को ऐसी मान में बदलने के लिए इस्तेमाल होता है जिसे समझा जा सके। परिणाम इसलिए महत्वपूर्ण है क्योंकि यह गणना को मॉडल के आकार, परिवर्तन दर, प्रायिकता या प्रतिबंध से जोड़ने में मदद करता है।

यह सुनिश्चित करने के लिए कि नया सदिश और कोई भी पिछला सदिश का डॉट उत्पाद शून्य है, यह जांच कर प्रत्येक चरण में ऑर्थोगोनैलिटी (orthogonality) को हमेशा सत्यापित करें। यदि ऑर्थोनॉर्मल आधार आवश्यक है तो प्रत्येक परिणामी सदिश को तुरंत सामान्य करें। फैलाए गए उप-स्थानों (spanned subspaces) की नेस्टेड पदानुक्रम (nested hierarchy) को बनाए रखने के लिए सदिशों को उनके मूल क्रम में संसाधित करें।

References

Sources

Linear Algebra and Its Applications (5th ed.) by David C. Lay, Steven R. Lay, and Judi J. McDonald
Introduction to Linear Algebra (5th ed.) by Gilbert Strang
Wikipedia: Gram-Schmidt process
Linear Algebra and Its Applications by David C. Lay, 5th ed.
Introduction to Linear Algebra by Gilbert Strang, 5th ed.
Gram-Schmidt process (Wikipedia article title)
Linear Algebra and Its Applications by David C. Lay (5th Edition)
Numerical Linear Algebra by Lloyd N. Trefethen and David Bau III

Overview

Variables

Derivation

पहले लंबकोणीय सदिश को इनिशियलाइज़ करें:

दूसरे सदिश को लंबकोणीय बनाएं:

k-वें सदिश तक सामान्यीकृत करें:

योग संकेतन का उपयोग करके व्यक्त करें:

Intuition

Insight

Practice Problem

Real-World Context

Tips

Common Mistakes

Related Formulas

Orthogonal Projection

Rank-Nullity Theorem

Fourier Transform (Continuous)

Frequently Asked Questions

Sources