三维点坐标求解最优平面（法向量）

根据一系列的三维空间点，求解该点集合的最优平面，确定该平面的法向量。

根据点的空间位置$(X_i,Y_i,Z_i)$，假设最优平面的方程为：
$$cos\alpha X+cos\beta Y+cos\gamma Z+p=0$$
式中 $cos\alpha ,cos\beta ,cos\gamma$为平面上点$(X,Y,Z)$处的法向量的方向余弦，$|p|$为原点到平面的距离。上式也可改写为：
$$ax+by+cz=d(d\ge 0),a^2+b^2+c^2=1$$
求参数 a b c d 即可求出空间点所对应的最优平面。
————————————————————————————————————
由空间点集合$(X_i,Y_i,Z_i),i\in 1,2,3\dots \dots n$，及平面方程$ax+by+cz=d(d\ge 0),a^2+b^2+c^2=1$，可得任意空间点到该平面的距离为：
$$d_i=|a{x}_i+b{y}_i+c{z}_i-d|$$
要获得最优的平面，即所有空间点到该平面的距离最小：
$$d=\min \sum _{n=0}^N{d}_n^2$$
前提条件为$a^2+b^2+c^2=1$。
因此构建误差函数：
$$f=\sum _{n=0}^N(d_n^2-\lambda (a^2+b^2+c^2)$$
————————————————————————————————————

求极值：
对参数a、b、c、d求偏导：
$$\frac{\partial f}{\partial d}=-2d_n=-2\ast \sum _{n=0}^N(a{x}_n+b{y}_n+c{z}_n-d)$$
所以当 $d=a\frac{{\sum }_{n=0}^N{X}_n}{n}+b\frac{{\sum }_{n=0}^N{Y}_n}{n}+c\frac{{\sum }_{n=0}^N{Z}_n}{n}$。
可以发现，$\frac{{\sum }_{n=0}^N{X}_n}{n}$就是均值！
此时，距离d可以改写为：
$$\begin{array}{rl}{d}_i& =|a{x}_i+b{y}_i+c{z}_i-d|\\ & =|a(X_i-\frac{{\sum }_{n=0}^N{X}_n}{n})+b(Y_i-\frac{{\sum }_{n=0}^N{Y}_n}{n})+c(Z_i-\frac{{\sum }_{n=0}^N{Z}_n}{n})|\\ & =|a（X_i-\bar{X})+b（Y_i-\bar{Y})+c（Z_i-\bar{Z})|\end{array}$$
继续对a求偏导可得：
$$\frac{\partial f}{\partial a}=2\sum _{n=0}^N(a（X_i-\bar{X})+b（Y_i-\bar{Y})+c（Z_i-\bar{Z}))（X_i-\bar{X})-2\lambda a$$
令 $△X_i=(X_i-\bar{X}),△Y_i=(Y_i-\bar{Y}),△Z_i=(Z_i-\bar{Z})$，则：
$$\frac{\partial f}{\partial a}=2\sum _{n=0}^N(a△X_i+b△Y_i+c△Z_i)△X_i-2\lambda a=0$$
同理可得：
$$\frac{\partial f}{\partial b}=2\sum _{n=0}^N(a△X_i+b△Y_i+c△Z_i)△Y_i-2\lambda b=0$$
$$\frac{\partial f}{\partial c}=2\sum _{n=0}^N(a△X_i+b△Y_i+c△Z_i)△Z_i-2\lambda c=0$$
将三式整理成矩阵形式：
$$\left[\begin{array}{ccccc}\sum △X_i△X_i& & \sum △X_i△Y_i& & \sum △X_i△Z_i\\ \sum △X_i△Y_i& & \sum △Y_i△Y_i& & \sum △Y_i△Z_i\\ \sum △X_i△Z_i& & \sum △Y_i△Z_i& & \sum △Z_i△Z_i\end{array}\right]\cdot \left[\begin{array}{c}a\\ b\\ c\end{array}\right]=\lambda \cdot \left[\begin{array}{c}a\\ b\\ c\end{array}\right]$$
这个式子就是矩阵的特征值与特征向量的定义式。最小特征值对应的特征向量即为满足条件$a^2+b^2+c^2=1$的解。

——————————————————
假设解为X = (a,b,c),$a^2+b^2+c^2=1$。可以得 |X| = 1 ，又因为$Ax=\lambda x$，因此
$$|(Ax,x)|=|(\lambda x,x)|=|\lambda (x,x)|=\lambda$$
$\lambda$即为（Ax,x）的模长，求模长为：
$$(Ax{)}^T\cdot x=x^T{A}^{T}x=x^{T}Ax$$
化简就可以得到：
$$\lambda =\sum _{n=0}^N(a△X_i+b△Y_i+c△Z_i{)}^2=\sum _{n=0}^N{d}_n^2$$
所以求距离最小就变成了$\lambda$最小，因此最小特征值对应的特征向量为平面的法向量。

其实我是这么理解的，矩阵中平面的法向量与平面上的所有向量的点乘积为0，也就是最不重要的那一部分。对应到特征值上，那就是最小特征值啦~~（个人见解）