《初中数学》专刊

本文档展示了如何运用勾股定理解决初中数学问题,包括等腰直角三角形的两个习题。第一题证明AE²+AD²=2AC²,第二题利用第一题的结论计算C点到F点的距离。通过构造直角三角形和全等三角形证明,适合学习者理解勾股定理的实际应用。
摘要由CSDN通过智能技术生成

摘要

本专栏收录初中数学个别习题的个人解答(不定期更新)

1. 勾股定理

[人教版, P 29 , 14 P_{29},14 P29,14改编] 如图 1 1 1 △ A C B \triangle ACB ACB △ E C D \triangle ECD ECD都是等腰直角三角形, C A = C B , C E = C D CA=CB,CE=CD CA=CBCE=CD △ A C B \triangle ACB ACB的顶点 A A A △ E C D \triangle ECD ECD的斜边 D E DE DE上。
(1) 求证: A E 2 + A D 2 = 2 A C 2 AE^2 + AD^2 = 2AC^2 AE2+AD2=2AC2
(2) 如图 2 2 2,若 A E = 2 , A C = 2 5 AE=2,AC=2\sqrt{5} AE=2,AC=25 ,点 F F F A D AD AD的中点,请直接写出 C F CF CF的长。

图1
图2

解答(1)
[解题思路]: 构造直角三角形,利用勾股定理证明。
[证明]:
STEP 1: 构造同时包含边 A E 、 A D AE、AD AEAD A C AC AC的三角形
首先, 如图 3 3 3所示,原图可视为 R t △ E C D Rt\triangle ECD RtECD逆时针旋转得到,根据旋转不变性,有 ∠ E C A = ∠ D C B \angle ECA = \angle DCB ECA=DCB;
其次,连接 D B DB DB,根据题干条件 C A = C B , C E = C D CA=CB,CE=CD CA=CBCE=CD, 则 △ E A C ≅ △ D B C \triangle EAC \cong \triangle DBC EACDBC,故 A E = D B AE = DB AE=DB
再次,因为 △ A C B \triangle ACB ACB是等腰直角三角形,所以 A B = 2 A C AB = \sqrt2 AC AB=2 AC
那么,式 1 1 1等价于:
D B 2 + A D 2 = A B 2 (2) DB^2 + AD^2 = AB^2 \tag{2} DB2+AD2=AB2(2)
要使式 2 2 2成立,只需证明 ∠ B D A = 9 0 ∘ \angle BDA=90^{\circ} BDA=90
STEP 2: 证明 R t △ B D A Rt\triangle BDA RtBDA
[方法一]:全等三角形
∵ △ E C D \because \triangle ECD ECD是等腰直角三角形,
∴ ∠ A D C = 4 5 ∘ \therefore \angle ADC = 45^{\circ} ADC=45
∵ △ C E A ≅ △ C B D \because \triangle CEA \cong \triangle CBD CEACBD
∴ ∠ C B D = ∠ E = 4 5 ∘ \therefore \angle CBD = \angle E = 45^{\circ} CBD=E=45
∠ A D B = ∠ C B D + ∠ A D C = 9 0 ∘ \angle ADB = \angle CBD + \angle ADC = 90^{\circ} ADB=CBD+ADC=90,即 R t △ B D A Rt \triangle BDA RtBDA得证。
[方法二]:四边形内角和定理
∵ △ A C B \because \triangle ACB ACB的顶点 A A A △ E C D \triangle ECD ECD的斜边 D E DE DE上,
∴ \therefore E 、 A E、A EA D D D在同一直线上,即: ∠ E A C + ∠ C A D = 18 0 ∘ \angle EAC + \angle CAD=180^{\circ} EAC+CAD=180
∵ ∠ E A C = ∠ D B C \because \angle EAC = \angle DBC EAC=DBC ∴ ∠ D B C + ∠ C A D = 18 0 ∘ \therefore \angle DBC + \angle CAD=180^{\circ} DBC+CAD=180
∵ △ A C B \because \triangle ACB ACB是等腰直角三角形, ∴ ∠ A C B = 9 0 ∘ \therefore \angle ACB=90^{\circ} ACB=90
在四边形 A C B D ACBD ACBD中,根据内角和定理,可得 ∠ B D A = 36 0 ∘ − ∠ D B C − ∠ C A D − ∠ A C B = 9 0 ∘ \angle BDA = 360^{\circ} - \angle DBC - \angle CAD - \angle ACB=90^{\circ} BDA=360DBCCADACB=90
那么,在 R t △ B D A Rt\triangle BDA RtBDA中,根据勾股定理可知式 2 2 2成立,原式 1 1 1得证。
备注:
多边形内角和公式: θ = 18 0 ∘ ⋅ ( n − 2 ) \theta = 180^{\circ} \cdot(n-2) θ=180(n2),其中, θ \theta θ为内角和, n n n为多边形的边数。
此外,也可由

图3 逆时针旋转示意图
图4 全等三角形
图5 直角三角形

解答(2)
[解题思路]: 利用(1)题结论,证明 △ C F E ≅ △ C A D \triangle CFE \cong \triangle CAD CFECAD
[证明]:
利用(1)结论: A E 2 + A D 2 = 2 A C 2 AE^2 + AD^2 = 2AC^2 AE2+AD2=2AC2,可得 A D = 2 × ( 2 5 ) 2 − 2 2 = 4 AD=\sqrt{2 \times (2\sqrt{5})^2 - 2^2}=4 AD=2×(25 )222 =4
∵ △ E C D \because \triangle ECD ECD是等腰直角三角形
∴ ∠ E = ∠ C D A \therefore \angle E = \angle CDA E=CDA
∵ \because F F F A D AD AD的中点
∴ A F = D F = A D / 2 = 2 = A E \therefore AF = DF = AD/2 = 2 = AE AF=DF=AD/2=2=AE
∴ E F = D A \therefore EF=DA EF=DA
△ C E F \triangle CEF CEF △ C D A \triangle CDA CDA中:
{ C E = C D ∠ E = ∠ C D A E F = D A \left \{ \begin{aligned} CE &= CD \\ \angle E & = \angle CDA \\ EF &= DA \\ \end{aligned} \right. CEEEF=CD=CDA=DA
∴ △ C E F ≅ △ C D A ( S A S ) \therefore \triangle CEF \cong \triangle CDA \quad(SAS) CEFCDA(SAS)
∴ C F = C A = 2 5 \therefore CF=CA=2\sqrt{5} CF=CA=25

图6 (2)全等三角形
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

阿呆591

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值