向量正交是指两个向量之间的夹角为90度，即它们的点积为零。 在数学中，向量正交是线性代数与几何学的基础概念，它描述了两个向量在空间中的垂直关系。例如，在二维平面中，向量(1,0)与(0,1)正交，因为它们的点积1×0+0×1=0。正交性不仅适用于几何向量，还推广到函数、信号处理等领域，是构建正交坐标系、最小二乘法、傅里叶变换等理论的基石。理解向量正交有助于解决向量投影、线性无关性判断以及特征分解等实际问题。
向量正交的判断方法简单直接：给定两个n维向量a和b，若a·b=0，则它们正交。在三维空间中，正交向量还满足叉积性质，但核心仍是点积为零。值得注意的是，零向量与任何向量正交，因为零向量点积任何向量均为0。正交向量组在机器学习中用于特征降维（如PCA），在信号处理中用于正交频分复用（OFDM），在量子力学中表示正交态。掌握向量正交，能更高效地处理高维数据与几何关系。
【常见问题】
问题1：向量正交与向量垂直有什么区别？
回答1：向量正交和向量垂直在几何直观上含义相同，均指夹角90度。但正交是更广义的数学概念，可用于抽象空间（如函数空间），而垂直通常仅用于直观几何空间。在数学中，正交强调点积为零，垂直则多用于描述物理或几何中的方向关系。
问题2：如何证明两个向量正交？
回答2：要证明两个向量正交，只需计算它们的点积（内积）。若点积结果为0，则两向量正交。例如，向量u=(2,3)与v=(3,-2)的点积为2×3+3×(-2)=6-6=0，因此u与v正交。注意，零向量与任何向量正交，但通常考虑非零向量。
问题3：向量正交在机器学习中有什么应用？
回答3：向量正交在机器学习中应用广泛，如主成分分析（PCA）中通过正交变换将数据投影到正交基上，实现降维与去相关；在支持向量机（SVM）中，正交向量用于构造最优分类超平面；在神经网络中，正交初始化权重有助于缓解梯度消失和爆炸问题。正交性保证了特征之间的独立性，提升模型效率。
