【3D数学】01 - 向量基础

最新推荐文章于 2024-06-21 16:37:04 发布

紫薯馒头卡

最新推荐文章于 2024-06-21 16:37:04 发布

阅读量302

点赞数

分类专栏： 3D数学基础文章标签：线性代数矩阵

本文链接：https://blog.csdn.net/weixin_44423708/article/details/116982864

版权

3D数学基础专栏收录该内容

4 篇文章 0 订阅

订阅专栏

1. 向量的属性

向量拥有两个属性：

方向
长度 - 向量的模： $\Vert {\vec a} \Vert$
单位向量： $\hat{a} = \cfrac {\vec a} {\Vert {\vec a} \Vert}$ （该方向上的单位向量）

2. 向量的表示方法

$\overrightarrow{AB} = B - A$

行向量
$\vec{a} = \begin{pmatrix} x_a , y_a , z_a \end{pmatrix}$
列向量
$\vec{a} = \begin{pmatrix} x_a \\ y_a \\ z_a \\ \end{pmatrix}$

NOTE:

行向量表示与列向量表示是有区别的：
尤其是在矩阵变换中，对于某一种变换来说，行向量表示的矩阵跟列向量表示的矩阵是不同的，二者互为转置
$\bold{M_{row}} = \begin{pmatrix} x_a & y_a & z_a \\ \hdashline x_b & y_b & z_b \\ \hdashline x_c & y_c & z_c \end{pmatrix} \longleftrightarrow \bold{M_{col}} = \begin{pmatrix} \begin{array}{c:c:c} x_a & x_b & x_c \\ y_a & y_b & y_c \\ z_a & z_b & z_c \\ \end{array} \end{pmatrix}$
在对向量进行矩阵变换时，行向量是右乘矩阵，而列向量是左乘矩阵
- 行向量：
  $\vec{a_{\sf{row}}} \cdot \bold{M_1} \cdot \bold{M_2} \cdots$
- 列向量：
  $\cdots \bold{M_2} \cdot \bold{M_1} \cdot \vec{a_{\sf{col}}}$

3. 位置与位移

位置：
- 表示的是一种静态的状态；
- 当用向量表示位置时，此时向量表示的是一个“点”，而该点的坐标就是原点进行向量表示的位移之后所在的地方。即描述位置实际上就是描述相对于给定参考点（通常是坐标系的原点）的位移。
位移：
- 表示的是一种动态的过程；
- 当用向量表示位移时，向量的方向即是位移的方向，向量的长度即是位移的距离。

4. 向量的加减

$\vec{a} + \vec{b}$

$\vec{b} - \vec{a}$

5. 点乘

5.1 计算方式

$\vec{a} \cdot \vec{b} = \begin{pmatrix} x_a \\ y_a \\ z_a \\ \end{pmatrix} \cdot \begin{pmatrix} x_b \\ y_b \\ z_b \\ \end{pmatrix} = x_a x_b + y_a y_b + z_a z_b$

5.2 几何意义

可知：
$\vec{a} \cdot \vec{b} = \vec{a} \cdot \vec{b_{\parallel}}$
$\vec{b_{\parallel}} = k \cdot \hat{a} = \Vert \vec{b_{\parallel}} \Vert \cdot \hat{a} = \Vert \vec{b} \Vert \cdot \cos{\theta} \cdot \hat{a}$
$\vec{a} \cdot \vec{b} = \Vert {\vec a} \Vert \Vert {\vec b} \Vert \cos{\theta}$

其中：
$\cos{\theta} = \cfrac{\vec{a} \cdot \vec{b}}{\Vert {\vec a} \Vert \Vert {\vec b} \Vert}$
$\cos{\theta} = \hat{a} \cdot \hat{b}$

特別地：
$\vec{b} = \vec{b_{\parallel}} + \vec{b_{\perp}}$

Note ：

二维空间下，点乘的计算结果是一个标量
$\vec{b_{\parallel}}$ 为向量 $\vec{b}$ 在另一个向量 $\vec{a}$ 上的投影，可以通过点乘计算出某个向量在另一个向量上的投影；
当向量 $\vec{b}$ 点乘的对象是某个单位基向量 $\vec{e}$ 时，其结果直接就是向量 $\vec{b}$ 在向量 $\vec{e}$ 上的投影；
$\vec{b_{\parallel}} = \vec{e} \cdot \vec{b}$
结果中的正负号可判断两条向量方向的 前后关系
可以用來评价 两个向量的方向是否接近，即是否趋于 1。

6. 叉乘

6.1 计算方式

$\vec{a} \times \vec{b} = \begin{pmatrix} x_a \\ y_a \\ z_a \\ \end{pmatrix} \times \begin{pmatrix} x_b \\ y_b \\ z_b \\ \end{pmatrix} = \begin{pmatrix} y_a z_b - y_b z_a \\ z_a x_b - z_b x_a \\ x_a y_b - x_b y_a \\ \end{pmatrix}$