向量的基本概念
向量是一个具有大小(长度)和方向的数学对象,通常用于表示空间中的位置、速度、力等物理量。向量的基本概念包括:
向量的表示
- 图形表示:向量用箭头表示,箭头的长度代表大小,方向代表方向。
- 坐标表示:
- 在二维空间中,向量 v \mathbf{v} v 表示为 ( v x , v y ) (v_x, v_y) (vx,vy)。
- 在三维空间中,向量 v \mathbf{v} v 表示为 ( v x , v y , v z ) (v_x, v_y, v_z) (vx,vy,vz)。
向量的运算
- 加法: c = a + b \mathbf{c} = \mathbf{a} + \mathbf{b} c=a+b,其中 c \mathbf{c} c 的分量是 ( a x + b x , a y + b y , a z + b z ) (a_x + b_x, a_y + b_y, a_z + b_z) (ax+bx,ay+by,az+bz)。
- 减法: c = a − b \mathbf{c} = \mathbf{a} - \mathbf{b} c=a−b,其中 c \mathbf{c} c 的分量是 ( a x − b x , a y − b y , a z − b z ) (a_x - b_x, a_y - b_y, a_z - b_z) (ax−bx,ay−by,az−bz)。
- 标量乘法: k a k \mathbf{a} ka 的分量是 ( k a x , k a y , k a z ) (k a_x, k a_y, k a_z) (kax,kay,kaz)。
- 点积(内积): a ⋅ b = a x b x + a y b y + a z b z \mathbf{a} \cdot \mathbf{b} = a_x b_x + a_y b_y + a_z b_z a⋅b=axbx+ayby+azbz。
- 叉积(外积):在三维空间中, a × b \mathbf{a} \times \mathbf{b} a×b 是一个垂直于 a \mathbf{a} a 和 b \mathbf{b} b 的向量,其大小为 ∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin ( θ ) | \mathbf{a} \times \mathbf{b} | = | \mathbf{a} | | \mathbf{b} | \sin(\theta) ∣a×b∣=∣a∣∣b∣sin(θ)。
向量的性质
- 大小(模): ∥ v ∥ = v x 2 + v y 2 + v z 2 \| \mathbf{v} \| = \sqrt{v_x^2 + v_y^2 + v_z^2} ∥v∥=vx2+vy2+vz2。
- 单位向量:长度为1的向量, u = v ∥ v ∥ \mathbf{u} = \frac{\mathbf{v}}{\|\mathbf{v}\|} u=∥v∥v。
- 零向量:所有分量均为零的向量。
向量的应用
- 物理:描述力、速度、加速度等。
- 计算机图形学:表示图像中点的位置、光线的方向等。
- 工程:描述力学系统、结构分析等。
范数与内积
范数(Norm)
范数是一个函数,将向量映射到非负实数,表示向量的“大小”或“长度”。常见的范数包括:
-
欧几里得范数(L2范数):
∥ v ∥ 2 = v x 2 + v y 2 + v z 2 \| \mathbf{v} \|_2 = \sqrt{v_x^2 + v_y^2 + v_z^2} ∥v∥2=vx2+vy2+vz2
在二维空间中:
∥ v ∥ 2 = v x 2 + v y 2 \| \mathbf{v} \|_2 = \sqrt{v_x^2 + v_y^2} ∥v∥2=vx2+vy2 -
曼哈顿范数(L1范数):
∥ v ∥ 1 = ∣ v x ∣ + ∣ v y ∣ + ∣ v z ∣ \| \mathbf{v} \|_1 = |v_x| + |v_y| + |v_z| ∥v∥1=∣vx∣+∣vy∣+∣vz∣
在二维空间中:
∥ v ∥ 1 = ∣ v x ∣ + ∣ v y ∣ \| \mathbf{v} \|_1 = |v_x| + |v_y| ∥v∥1=∣vx∣+∣vy∣ -
无穷范数(L∞范数):
∥ v ∥ ∞ = max ( ∣ v x ∣ , ∣ v y ∣ , ∣ v z ∣ ) \| \mathbf{v} \|_\infty = \max(|v_x|, |v_y|, |v_z|) ∥v∥∞=max(∣vx∣,∣vy∣,∣vz∣)
在二维空间中:
∥ v ∥ ∞ = max ( ∣ v x ∣ , ∣ v y ∣ ) \| \mathbf{v} \|_\infty = \max(|v_x|, |v_y|) ∥v∥∞=max(∣vx∣,∣vy∣)
内积(Dot Product)
内积是两个向量之间的代数运算,结果是一个标量,表示两个向量的相似度或投影。
-
定义:
a ⋅ b = a x b x + a y b y + a z b z \mathbf{a} \cdot \mathbf{b} = a_x b_x + a_y b_y + a_z b_z a⋅b=axbx+ayby+azbz
在二维空间中:
a ⋅ b = a x b x + a y b y \mathbf{a} \cdot \mathbf{b} = a_x b_x + a_y b_y a⋅b=axbx+ayby -
几何解释:
a ⋅ b = ∥ a ∥ ∥ b ∥ cos ( θ ) \mathbf{a} \cdot \mathbf{b} = \| \mathbf{a} \| \| \mathbf{b} \| \cos(\theta) a⋅b=∥a∥∥b∥cos(θ)
其中 θ \theta θ 是两个向量之间的夹角。 -
正交性:如果 a ⋅ b = 0 \mathbf{a} \cdot \mathbf{b} = 0 a⋅b=0,则 a \mathbf{a} a 和 b \mathbf{b} b 正交。
范数与内积的关系
- 欧几里得范数:
∥ v ∥ 2 = v ⋅ v \| \mathbf{v} \|_2 = \sqrt{\mathbf{v} \cdot \mathbf{v}} ∥v∥2=v⋅v
子空间上的投影
子空间上的投影是线性代数中的一个重要概念,用于将一个向量在一个子空间上进行“投影”,即找到该向量在子空间中的最佳逼近。
正交投影
如果子空间 U U U 是正交的(即 U U U 的所有向量彼此正交),则:
- 正交基:找到子空间 U U U 的正交基 { u 1 , u 2 , … , u k } \{\mathbf{u}_1, \mathbf{u}_2, \ldots, \mathbf{u}_k\} {u1,u2,…,uk}。
- 投影公式:
p = ∑ i = 1 k v ⋅ u i u i ⋅ u i u i \mathbf{p} = \sum_{i=1}^k \frac{\mathbf{v} \cdot \mathbf{u}_i}{\mathbf{u}_i \cdot \mathbf{u}_i} \mathbf{u}_i p=i=1∑kui⋅uiv⋅uiui
投影矩阵
给定子空间
U
U
U 的基向量矩阵
A
A
A,投影矩阵
P
P
P 为:
P
=
A
(
A
T
A
)
−
1
A
T
P = A (A^T A)^{-1} A^T
P=A(ATA)−1AT
投影结果为:
Proj
U
(
v
)
=
P
v
\text{Proj}_U(\mathbf{v}) = P \mathbf{v}
ProjU(v)=Pv
投影性质
- 最小距离:投影向量使得原向量与子空间的距离最小。
- 正交: v − Proj U ( v ) \mathbf{v} - \text{Proj}_U(\mathbf{v}) v−ProjU(v) 与子空间正交。
- 线性:投影操作是线性的。
应用
- 数据降维:例如主成分分析(PCA)。
- 计算机图形学:将三维场景投影到二维视图平面。