向量
向量性质
n n n维向量表示为 V = ⟨ V 1 , V 2 , ⋯   , V n ⟩ \mathbf{V}=\left\langle V_{1}, V_{2}, \cdots, V_{n}\right\rangle V=⟨V1,V2,⋯,Vn⟩
向量
V
V
V也可表示成仅有一列
n
n
n行矩阵
v
=
[
V
1
V
2
⋮
V
n
]
\mathbf{v}=\left[\begin{array}{c}{V_{1}} \\ {V_{2}} \\ {\vdots} \\ {V_{n}}\end{array}\right]
v=⎣⎢⎢⎢⎡V1V2⋮Vn⎦⎥⎥⎥⎤
v
T
=
[
V
1
V
2
⋯
V
n
]
\mathbf{v}^{T}=\left[\begin{array}{llll}{V_{1}} & {V_{2}} & {\cdots} & {V_{n}}\end{array}\right]
vT=[V1V2⋯Vn]
n
n
n维向量的绝对值是标量
∥
V
∥
=
∑
i
=
1
n
V
i
2
\|\mathbf{V}\|={\sum_{i=1}^{n}V_i^2}
∥V∥=i=1∑nVi2
内积
两个
n
n
n维向量
P
P
P和
Q
Q
Q的内积是一个标量,定义:
P
⋅
Q
=
∑
i
=
1
n
P
i
Q
i
=
P
1
Q
1
+
P
2
Q
2
+
⋯
+
P
n
Q
n
\mathbf{P} \cdot \mathbf{Q}=\sum_{i=1}^{n} P_{i} Q_{i}=P_{1} Q_{1}+P_{2} Q_{2}+\cdots+P_{n} Q_{n}
P⋅Q=i=1∑nPiQi=P1Q1+P2Q2+⋯+PnQn
向量
P
P
P和
Q
Q
Q的内积
P
⋅
Q
\mathbf{P} \cdot \mathbf{Q}
P⋅Q的矩阵乘法:
P
T
⋅
Q
=
[
P
1
P
2
⋯
P
n
]
[
P
1
P
2
⋮
P
n
]
\mathbf{P}^{\mathrm{T}} \cdot \mathbf{Q}=\left[\begin{array}{llll}{P_{1}} & {P_{2}} & {\cdots} & {P_{n}}\end{array}\right]\left[\begin{array}{c}{P_{1}} \\ {P_{2}} \\ {\vdots} \\ {P_{n}}\end{array}\right]
PT⋅Q=[P1P2⋯Pn]⎣⎢⎢⎢⎡P1P2⋮Pn⎦⎥⎥⎥⎤
内积与向量
P
P
P和
Q
Q
Q的夹角有关
P
⋅
Q
=
∥
P
∥
∥
Q
∥
cos
α
\mathbf{P} \cdot \mathbf{Q}=\|\mathbf{P}\|\|\mathbf{Q}\| \cos \alpha
P⋅Q=∥P∥∥Q∥cosα
Cauchy-Schwarz不等式
∥ P ⋅ Q ∥ ≤ ∥ P ∥ ∥ Q ∥ \|\mathbf{P} \cdot \mathbf{Q}\| \leq \|\mathbf{P}\|\|\mathbf{Q}\| ∥P⋅Q∥≤∥P∥∥Q∥
向量投影
向量
P
P
P在向量
Q
Q
Q上的投影
proj
Q
P
\text{proj}_{Q} \mathbf{P}
projQP可表示为
proj
Q
P
=
P
⋅
Q
∥
Q
∥
2
Q
\text{proj}_{Q} \mathbf{P}=\frac{\mathbf{P} \cdot \mathbf{Q}}{\|\mathbf{Q}\|^{2}} \mathbf{Q}
projQP=∥Q∥2P⋅QQ
向量
P
P
P相对于向量
Q
Q
Q上的垂直分量
prep
Q
P
\text{prep}_{Q} \mathbf{P}
prepQP可表示为
perp
Q
P
=
P
−
proje
P
=
P
−
P
⋅
Q
∥
Q
∥
2
Q
\begin{aligned} \text{perp}_{\mathrm{Q}} \mathbf{P} &=\mathbf{P}-\text { proje } \mathbf{P} \\ &=\mathbf{P}-\frac{\mathbf{P} \cdot \mathbf{Q}}{\|\mathbf{Q}\|^{2}} \mathbf{Q} \end{aligned}
perpQP=P− proje P=P−∥Q∥2P⋅QQ
向量
P
P
P在向量
Q
Q
Q上的投影是向量
P
P
P的线性变换,可以表示成矩阵向量乘积。在三维情况下
proj
Q
\text{proj}_{Q}
projQ计算为
proj
Q
P
=
1
∥
Q
∥
2
[
Q
x
2
Q
x
Q
y
Q
x
Q
z
Q
x
Q
y
Q
y
2
Q
y
Q
z
Q
x
Q
z
Q
y
Q
z
Q
z
2
]
[
P
x
P
y
P
z
]
\text{proj}_{Q} \mathbf{P}=\frac{1}{\|\mathbf{Q}\|^{2}} \left[\begin{array}{ccc}{Q_{x}^{2}} & {Q_{x} Q_{y}} & {Q_{x} Q_{z}} \\ {Q_{x} Q_{y}} & {Q_{y}^{2}} & {Q_{y} Q_{z}} \\ {Q_{x} Q_{z}} & {Q_{y} Q_{z}} & {Q_{z}^{2}}\end{array}\right]\left[\begin{array}{c}{P_{x}} \\ {P_{y}} \\ {P_{z}}\end{array}\right]
projQP=∥Q∥21⎣⎡Qx2QxQyQxQzQxQyQy2QyQzQxQzQyQzQz2⎦⎤⎣⎡PxPyPz⎦⎤
外积
两个三维向量
P
P
P和
Q
Q
Q的外积仍是一个三维向量,定义:
P
×
Q
=
⟨
P
y
Q
z
−
P
z
Q
y
,
P
z
Q
x
−
P
x
Q
z
,
P
x
Q
y
−
P
y
Q
x
)
\mathbf{P} \times \mathbf{Q}=\left\langle P_{y} Q_{z}-P_{z} Q_{y}, P_{z} Q_{x}-P_{x} Q_{z}, P_{x} Q_{y}-P_{y} Q_{x}\right)
P×Q=⟨PyQz−PzQy,PzQx−PxQz,PxQy−PyQx)
伪行列式计算向量外积:
P
×
Q
=
∣
i
j
k
P
x
P
y
P
z
Q
x
Q
y
Q
z
∣
=
i
(
P
y
Q
z
−
P
z
Q
y
)
−
j
(
P
x
Q
z
−
P
z
Q
x
)
+
k
(
P
x
Q
y
−
P
y
Q
x
)
\begin{aligned} \mathbf{P} \times \mathbf{Q}&=\left|\begin{array}{ccc}{\mathbf{i}} & {\mathbf{j}} & {\mathbf{k}} \\ {P_{x}} & {P_{y}} & {P_{z}} \\ {Q_{x}} & {Q_{y}} & {Q_{z}}\end{array}\right| \\&=\mathbf{i}\left(P_{y} Q_{z}-P_{z} Q_{y}\right)-\mathbf{j}\left(P_{x} Q_{z}-P_{z} Q_{x}\right)+\mathbf{k}\left(P_{x} Q_{y}-P_{y} Q_{x}\right) \end{aligned}
P×Q=∣∣∣∣∣∣iPxQxjPyQykPzQz∣∣∣∣∣∣=i(PyQz−PzQy)−j(PxQz−PzQx)+k(PxQy−PyQx)
外积
P
×
Q
\mathbf{P} \times \mathbf{Q}
P×Q也写成矩阵与向量乘积的形式:
P
×
Q
=
[
0
−
P
z
P
y
P
z
0
−
P
x
−
P
y
P
x
0
]
[
Q
x
Q
y
Q
z
]
\mathbf{P} \times \mathbf{Q}=\left[\begin{array}{ccc}{0} & {-P_{z}} & {P_{y}} \\ {P_{z}} & {0} & {-P_{x}} \\ {-P_{y}} & {P_{x}} & {0}\end{array}\right]\left[\begin{array}{l}{Q_{x}} \\ {Q_{y}} \\ {Q_{z}}\end{array}\right]
P×Q=⎣⎡0Pz−Py−Pz0PxPy−Px0⎦⎤⎣⎡QxQyQz⎦⎤
令两个向量
P
P
P和
Q
Q
Q为三维向量,则
(
P
×
Q
)
⋅
P
=
0
(\mathbf{P} \times \mathbf{Q}) \cdot \mathbf{P}=0
(P×Q)⋅P=0,而且
(
P
×
Q
)
⋅
Q
=
0
(\mathbf{P} \times \mathbf{Q}) \cdot \mathbf{Q}=0
(P×Q)⋅Q=0。
(
P
×
Q
)
⋅
R
(\mathbf{P} \times \mathbf{Q}) \cdot \mathbf{R}
(P×Q)⋅R的值计算方式:
(
P
×
Q
)
⋅
R
=
∣
P
x
P
y
P
z
Q
x
Q
y
Q
x
R
x
R
y
R
x
∣
(\mathbf{P} \times \mathbf{Q}) \cdot \mathbf{R}=\left|\begin{array}{lll}{P_{x}} & {P_{y}} & {P_{z}} \\ {Q_{x}} & {Q_{y}} & {Q_{x}} \\ {R_{x}} & {R_{y}} & {R_{x}}\end{array}\right|
(P×Q)⋅R=∣∣∣∣∣∣PxQxRxPyQyRyPzQxRx∣∣∣∣∣∣
向量的外积不满足交换律 P × Q = − ( Q × P ) \mathbf{P} \times \mathbf{Q}=-(\mathbf{Q} \times \mathbf{P}) P×Q=−(Q×P)
外积
P
×
Q
\mathbf{P} \times \mathbf{Q}
P×Q的大小与向量
P
P
P和
Q
Q
Q的夹角
α
\alpha
α之间的关系如下:
∥
P
×
Q
∥
=
∥
P
∥
∥
Q
∥
sin
α
\|\mathbf{P} \times \mathbf{Q}\|=\|\mathbf{P}\|\|\mathbf{Q}\| \sin \alpha
∥P×Q∥=∥P∥∥Q∥sinα
向量空间
向量属于一个被称为向量空间的集合。
定义 向量空间是一个集合
V
V
V,该集合的元素都是向量,定义了加法和标量乘法,则以下性质成立。
- 集合 V V V对加法运算封闭,即集合 V V V中的任意向量 P P P和 Q Q Q,他们的和 P + Q P+Q P+Q也是集合 V V V的向量。
- 集合 V V V对标量乘法运算封闭,即对于任意实数 a a a和集合 V V V中的任意向量 P P P,他们的积 a P aP aP也是集合 V V V的向量。
- 集合 V V V中存在 0 0 0向量,对于集合 V V V中的任意向量 P P P, P + 0 = 0 + P = P P+0=0+P=P P+0=0+P=P成立。
- 对于集合 V V V中的任意向量 P P P,在集合 V V V中存在向量 Q Q Q,使 P + Q = 0 P+Q=0 P+Q=0成立。
- 集合 V V V中的向量满足结合律,即对于集合 V V V中的任意向量 P P P、 Q Q Q和 R R R, ( P + Q ) + R = P + ( Q + R ) (P+Q)+R=P+(Q+R) (P+Q)+R=P+(Q+R)。
- 标量乘法满足结合律,即对于任意实数 a a a和 b b b,以及集合 V V V中的任意向量 P P P, ( a b ) P = a ( b P ) (ab)P=a(bP) (ab)P=a(bP)成立。
- 标量与向量和的乘法满足分配律,即对于任意实数 a a a,以及集合 V V V中的任意向量 P P P和 Q Q Q, a ( P + Q ) = a P + a Q a(P+Q)=aP+aQ a(P+Q)=aP+aQ成立。
- 标量与向量的乘法满足分配律,即对于任意实数 a a a和 b b b,以及集合 V V V中的任意向量 P P P, ( a + b ) P = a P + b P (a+b)P=aP+bP (a+b)P=aP+bP成立。
由实数组成的 n n n元组形式的向量都满足这些性质。包含全部 n n n元组形式的向量的向量空间表示为 R n \mathbb{R}^n Rn,例如,包含所有三维向量的向量空间可表示为 R 3 \mathbb{R}^3 R3。
Gram-Schmidt 正交化
n n n维向量空间的基 B = { e 1 , e 2 , ⋯   , e n } \mathcal{B}=\left\{\mathbf{e}_{1}, \mathbf{e}_{2}, \cdots, \mathbf{e}_{n}\right\} B={e1,e2,⋯,en}通过以下等式可构造一个新的正交向量集合 B ′ = { e 1 ′ , e 2 ′ , ⋯   , e n ′ } \mathcal{B}'=\left\{\mathbf{e}_{1}', \mathbf{e}_{2}', \cdots, \mathbf{e}_{n}'\right\} B′={e1′,e2′,⋯,en′}而正交化。
- 令 e 1 ′ = e 1 \mathbf{e}_{1}^{\prime}=\mathbf{e}_{1} e1′=e1
- 令 i = 2 i=2 i=2
- 从向量
e
i
\mathbf{e}_{i}
ei中减去
e
i
\mathbf{e}_{i}
ei在向量
e
1
′
,
e
2
′
,
⋯
 
,
e
i
−
1
′
\mathbf{e}_{1}', \mathbf{e}_{2}', \cdots, \mathbf{e}_{i-1}'
e1′,e2′,⋯,ei−1′上的投影,结果保存在
e
i
′
\mathbf{e}_{i}^{\prime}
ei′中,即
e i ′ = e i − ∑ k = 1 i − 1 e i ⋅ e k ′ e k ′ 2 e k ′ \mathbf{e}_{i}^{\prime}=\mathbf{e}_{i}-\sum_{k=1}^{i-1} \frac{\mathbf{e}_{i} \cdot \mathbf{e}_{k}^{\prime}}{\mathbf{e}_{k}^{\prime 2}} \mathbf{e}_{k}^{\prime} ei′=ei−k=1∑i−1ek′2ei⋅ek′ek′ - 如果 i < n i < n i<n, i i i加一,转到步骤(3)。