07 ---- 向量的点积(数量积): 两向量垂直的条件、投影与投影向量、向量的正交分解、几个不等式、用坐标计算数量积

已于 2023-02-10 12:23:44 修改
阅读量655 收藏 1
点赞数 1
分类专栏： 深度学习数学理论 文章标签： 线性代数 数据挖掘 自然语言处理 深度学习
于 2021-05-29 11:29:08 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43940950/article/details/117381096
版权
深度学习数学理论 专栏收录该内容
233 篇文章 29 订阅 ¥129.90 ¥299.90
订阅专栏
本文介绍了向量的点积（数量积），包括两向量垂直的条件、投影与投影向量的概念，以及如何用坐标进行数量积的计算。讨论了数量积的性质，如交换律、分配律，并提供了计算向量夹角的公式。此外，还探讨了向量的正交分解和几个重要的不等式。
摘要由CSDN通过智能技术生成

💖💖感谢各位观看这篇文章，💖💖点赞💖💖、收藏💖💖、你的支持是我前进的动力！💖💖

💖💖感谢你的阅读💖，专栏文章💖持续更新！💖关注不迷路！!💖

文章目录

  1. 06向量及其坐标表示、向量的方向角与方向余弦、向量组共线与共面的条件、向量的加法与数乘运算、向量组的线性组合、二维向量的基向量分解、三维向量的基向量分解、用坐标做向量的数乘
  2. 07向量的点积、数量积、两向量垂直的条件、投影与投影向量、向量的正交分解、几个不等式、用坐标计算数量积
了解本专栏 订阅专栏 解锁全文
炫云云
关注
专栏目录
订阅专栏
线性代数 --- 投影Projection 一（投影向量p）
松下J27录放机
09-27 8090
线性代数中的投影矩阵p, p=xa
判断向量垂直_向量的数量积、向量积
weixin_35920379的博客
01-14 6142
引言本文讲向量的两种运算方法以及它们的区别。（文章中的a和b为a向量和b向量）数量积两向量的数量积:1.几何表示a·b=∣a∣∣b∣cosθ,其中θ是向量a与b的夹角。（结果为一个数）2.代数表示a=[a1​,a2​,a3​,…,an​]b=[b1​,b2​,b3​,…,bn​]则a·b=a1​b1​+a2​b2​+…+an​bn；3.运算规律a·b=b·a(a+b)·c=a·c+b·c(λa)·...
向量在法向量所垂直的平面上的投影
飞机火车巴雷特的博客
08-20 1万+
向量在法向量所垂直的平面上的投影过程
向量到一个平面的投影向量
lq
12-28 1万+
向量到一个平面的投影向量 求一个向量投影到一个平面上的投影向量，如下图 已知项： 向量 sq，平面法向量 n 设点 o 为点 q 到平面的垂点 则向量 oq 垂直于平面 则向量 so 即为 sq 在平面上的投影。 so = sq + qo so = sq + (n * -1) * |qo| so = sq + (n * -1) * |sq·n| 在上面的推理中对于 qo 的一步步转换是这样的 因为qo 平行于 n 但是方向相反，且 n 是单位向量 所以 qo = (n * -1) * |qo| 因为 |q
Unity Shader学习一：矢量的点积和叉积
qq_42720695的博客
04-19 3408
矢量的点积 点积的名称来源于这个运算的符号：a•b。中间这个圆点符号是不可省略的，在Unity Shader中，可以直接使用形如dot（a，b）的代码来对两个矢量进行点积 的运算。 点积的公式由两种形式 第一种：两个三维矢量的点积是把两个矢量对应分量相乘然后再取和，最后的结果是一个标量， 公式为：a•b = (ax, ay, az)•(bx, by, bz) = axbx + ayby + azbz 矢量的点积满足交换律，即a•b = b•a 点积的几何意义很重要，因为点积几乎应用到了图形学的各个
向量内积（点乘）和外积（叉乘）概念及几何意义
weixin_30401605的博客
05-26 6843
向量的内积（点乘） 定义 概括地说，向量的内积（点乘/数量积）。对两个向量执行点乘运算，就是对这两个向量对应位一一相乘之后求和的操作，如下所示，对于向量a和向量b： a和b的点积公式为： 这里要求一维向量a和向量b的行列数相同。注意：点乘的结果是一个标量(数量而不是向量) 定义：两个向量a与b的内积为 a·b = |a||b|cos∠(a, b)，特别地，0·a =...
线性代数 --- 投影Projection 六（向量在子空间上的投影）
松下J27录放机
01-10 6687
向量在多维子空间上的投影
高等数学课件-第七章 向量代数（第3节：数量积、向量积）.ppt
11-28
首先，我们来看两向量的数量积，也被称为点积或内积。数量积的结果是一个实数，它表示了两个向量之间的某种关联度。具体来说，两个向量 \(\mathbf{a}\) 和 \(\mathbf{b}\) 的数量积定义为 \(\mathbf{a} \cdot \...
选修2-1第三章3.1.4空间向量的正交分解.doc
09-29
例如，两个向量平行意味着它们的坐标之间存在线性关系，而垂直则意味着它们的点积为零。向量的长度（模）可以用坐标直接计算，同时，两个向量之间的夹角也可以通过它们的坐标和点积来确定。 此外，空间中的距离计算...
向量的投影_6
Tom的专栏
03-02 2万+
目录 什么是投影? 计算投影 什么是投影? 正交性 这一概念非常有用。从根本上来说，它使我们能够结构性地将对象 分解成 更简单的对象组合。 我们先来看看第一个正交性现象： 假设 b 是常向量 ，或者可以将 b 看做单词 basis，它就是基向量： 可以将b看做从原点出发，穿过原点线条l ： 我们将开始学习 向量v 投影到 基向量b 的过程。如图： 投影的初入理解： ...
向量投影与向量投影矩阵
热门推荐
Wlk1229
12-03 3万+
向量投影与向量投影矩阵 向量投影 以下是向量a在向量b上的投影，θ 为两向量的夹角。 其中a = a||+a⊥，a||则是a在b上的投影。 所以投影公式如下： 向量投影矩阵 将以上投影公式写成矩阵形式，这里使用的是列优先的矩阵，即向量写成一列多行。 因为矩阵相乘符和结合律，所以： 是一个矩阵，如果是二维向量则是2*2的矩阵，如果是三...
线性代数笔记3：向量投影
crazy_scott的博客
03-21 1万+
向量投影是线性代数中很重要的应用，用于找到向量到目标投影空间的投影向量。这是下一节线性回归的基础。 Ax=bAx=bAx=b有解时 当计算线性方程组Ax=bAx=bAx=b 有解时， bbb就在C(A)C(A)C(A)的子空间中，则Ax=bAx=bAx= b 在C(AT)C(AT)C(A^T)中有唯一解。我们考虑xxx的投影。 设α∈Rnα∈Rn\alpha \in \mathbb ...
矢量的叉积和点积计算
weixin_30345055的博客
03-31 1581
标量（Scalar，标量是只有模没有方向的量，即距离）。 矢量（Vector，也称为向量，矢量是有模和方向但没有位置的量，即方向加速度）。 点（点是没有大小之分的位置）。 1.标量k和矢量v的乘除： 　　相乘：kv=(k*vx, k*vy, k*vz); 　　相除：v/k=(vx/k, vy/k, vz/k); 只有矢量可以被标量除，标量不能被矢量除，那样是没有意...
Unity Vector3类的介绍（反射，投影，垂直向量，夹角）
奋斗的菇凉的博客
10-30 9148
1. Angle ：计算两个向量的夹角 Vector3.Angle(trans1.position,trans2.position); 2. SqrMagnitude: 向量的模长平方，比较向量的长度的大小时比magnitude更省性能，因为少个内部开方。 3. ClampMagnitude： 返回向量，长度不会大于设定的length，如果原向量模长小于length，返回向量不变化，但是如...
向量投影的实现原理
程序人生
12-22 1932
给定两个向量v和n，能将v分解成两个向量：和。他们分别平行于和垂直于n，并满足v=+。一般称平行分量为v在n上的投影。 下面我们先求。观察到平行于n，所以可以得到和n的单位向量是相同的，所以可以得到： 因此只要能够求出的模，就能够计算出该投影向量的值了。由三角函数可得到： 将代入上式得到： 又有公式，最终可以得到 至此，就求出了v在n上的投影向量。 又因为V=+，所以可以得到垂直向量为： ...
矢量的点成（标量积）和矢量积
gtkknd的专栏
05-21 4986
线性代数之QR分解和SVD分解
最新发布
保持分享欲
09-17 696
设A是m×n实矩阵,且其n个列向量线性无关,则A有分解A=QR,其中Q是m×n实矩阵,且满足QHTQ=E,R是n阶实非奇异上三角矩阵该分解除去相差一个对角元素的绝对值（模）全等于1的对角矩阵因子外是唯一的.用Schmidt正交化分解方法对矩阵进行QR分解时，所论矩阵必须是列满秩矩阵。还是看上面的式子，再结合第三部分的图，也很容易看出，经过SVD分解以后，要表示原来的大矩阵AA，我们只需要存U，Σ，V三个较小的矩阵的即可。非奇异矩阵的对比：非奇异矩阵（可逆矩阵）行列式不为零，满秩，有唯一逆矩阵和零解。
大数据新视界 --大数据大厂之数据挖掘入门：用 R 语言开启数据宝藏的探索之旅
青云交的博客
09-14 2280
踏入大数据新视界，R 语言如璀璨魔法钥匙，开启数据宝藏之门。本文深入剖析 R 语言在数据挖掘中的非凡魅力与优势，涵盖丰富包与函数库、强大可扩展性及惊艳的数据可视化。详述常见数据挖掘算法及生动案例，从决策树到随机森林等。深度洞察数据挖掘技术未来趋势，包括自动化智能化、深度学习广泛应用等。呈现 R 语言多元应用场景，给出实用学习建议。诚邀读者分享经验，一同开启精彩的数据宝藏探索之旅。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

炫云云

你的鼓励是我创作最大的动力！

¥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

实付元
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