对数螺旋线(等角螺旋线)数学公式推导

这篇具有很好参考价值的文章主要介绍了对数螺旋线(等角螺旋线)数学公式推导。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

在某些论文或文章里看到对数(等角)螺旋线的公式:对数螺旋线(等角螺旋线)数学公式推导 。但是搜索了一下,通常都是一些讲解对数等角螺旋线的性质的结果以及公式结果,并没有详细的公式推导。当然对于大多数人只要知道上述公式就好了,当作一个结论公式使用。

当然也有像我这样的想知道公式怎么推出了的,因此我写下这篇文章,希望能够帮助到大家。因本人才疏学浅,文章定有不足,希望大家能够在评论区讨论以及指正。

废话不多说,开启正文!

一、图形引入

下面是对数(等角)螺旋线的图片,可以清晰看出它的性质:图中曲线的在一任意点P处的切线与圆心O到这一点的连线所成角度α不变,也就是α是一个定值

对数螺旋线(等角螺旋线)数学公式推导

二、数学公式推导

  • 若在极坐标系中,对数(等角)螺旋线的极坐标方程为:对数螺旋线(等角螺旋线)数学公式推导,其中θ表示任意一点P的角度,因此该点极坐标为对数螺旋线(等角螺旋线)数学公式推导。由推导可知该点的切向量对数螺旋线(等角螺旋线)数学公式推导


切向量推导过程如下:

  1. 点P的极坐标为对数螺旋线(等角螺旋线)数学公式推导,因此在直角坐标系中的坐标为对数螺旋线(等角螺旋线)数学公式推导

  1. 再分别对x,y轴坐标进行求导,对数螺旋线(等角螺旋线)数学公式推导对数螺旋线(等角螺旋线)数学公式推导

因此可得该点的切向量为:对数螺旋线(等角螺旋线)数学公式推导


  • 因为α为该点的切向量与圆心连线的夹角,并且α是一个定值,这个角的大小永远不变,那么接下来就是要求出对数螺旋线(等角螺旋线)数学公式推导这个定值,推导过程如下:


对数螺旋线(等角螺旋线)数学公式推导求解过程如下:

  1. 已知两向量的夹角公式为:对数螺旋线(等角螺旋线)数学公式推导

所以

对数螺旋线(等角螺旋线)数学公式推导对数螺旋线(等角螺旋线)数学公式推导

  1. 对上式化简:

对数螺旋线(等角螺旋线)数学公式推导

对数螺旋线(等角螺旋线)数学公式推导

对数螺旋线(等角螺旋线)数学公式推导


  • 得到对数螺旋线(等角螺旋线)数学公式推导的值后,继续求得对数螺旋线(等角螺旋线)数学公式推导的值


对数螺旋线(等角螺旋线)数学公式推导求解过程如下:

  1. 已知对数螺旋线(等角螺旋线)数学公式推导可求得对数螺旋线(等角螺旋线)数学公式推导,因为对数螺旋线(等角螺旋线)数学公式推导

所以,对数螺旋线(等角螺旋线)数学公式推导

  1. 已知对数螺旋线(等角螺旋线)数学公式推导可得对数螺旋线(等角螺旋线)数学公式推导,因为对数螺旋线(等角螺旋线)数学公式推导

所以,对数螺旋线(等角螺旋线)数学公式推导


  • 继续求得最终对数(等角)螺旋线的极坐标方程


极坐标方程推导如下:

  1. 已知对数螺旋线(等角螺旋线)数学公式推导

对上述式子两端积分可得,对数螺旋线(等角螺旋线)数学公式推导,其中对数螺旋线(等角螺旋线)数学公式推导为常数

  1. 化简上式,得到对数螺旋线(等角螺旋线)数学公式推导

  1. 所以,对数(等角)螺旋线的极坐标方程为对数螺旋线(等角螺旋线)数学公式推导,a为常数


三、性质

以上便是对数(等角)螺旋线极坐标方程的推导,根据公式:对数螺旋线(等角螺旋线)数学公式推导,可以得到一些性质。

对于每一个θ,都有一个r值相对应;当θ=0时,r=a,因此a可以影响螺旋线距离圆心的距离。其他的性质就不说那么多了,百度上很多讲性质的。

总结:打公式不易,如有错误欢迎指正!麻烦点赞收藏给个鼓励,谢谢~

最后再补充一张MATLAB实现的图吧!文章来源地址https://www.toymoban.com/news/detail-421992.html

对数螺旋线(等角螺旋线)数学公式推导

到了这里,关于对数螺旋线(等角螺旋线)数学公式推导的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 线性回归基本原理和公式推导

    回复我们公众号“1号程序员”的“E001”可以获取《BAT机器学习面试1000题》下载链接。[关注并回复:【E001】] 线性回归是一种监督式机器学习算法,它计算因变量与一个或多个独立特征之间的线性关系。当独立特征的数量为1时,被称为单变量线性回归;在存在多于一个特征

    2024年02月11日
    浏览(33)
  • 华里士公式的推导及其推广

    华里士公式 I n = ∫ 0 π 2 sin ⁡ n x d x = ∫ 0 π 2 cos ⁡ n x d x = { n − 1 n n − 3 n − 2 ⋯ 2 3 n   i s   o d d , n − 1 n n − 3 n − 2 ⋯ 1 2 π 2 n   i s   e v e n Large begin{aligned} I_n = int_{0}^{frac{pi}{2}} sin^n{x} mathrm{d}x = int_{0}^{frac{pi}{2}} cos^n{x} mathrm{d}x = begin{cases} frac{n-1}{n} frac{n-3}

    2023年04月15日
    浏览(43)
  • 支持向量机(公式推导+举例应用)

    引言 在机器学习领域,支持向量机(Support Vector Machine,简称SVM)是一种强大而广泛应用的监督学习算法。其独特的优势在于在高维空间中进行准确分类,并在处理复杂数据集时表现出色。支持向量机的核心思想是在数据点间找到一个最优的超平面,以最大化不同类别之间的

    2024年01月16日
    浏览(30)
  • NW小世界网络公式推导

    假设网络中度数为 k k k 的节点有 N k N_k N k ​ 个,总共有 N N N 个节点,则度数为 k k k 的节点出现的概率可以表示为: P ( k ) = N k N P(k) = frac{N_k}{N} P ( k ) = N N k ​ ​ 在NW小世界网络中,每个节点有 k k k 条边,其中 k k k 是一个偶数, k / 2 k/2 k /2 条边与相邻节点相连,另外 k

    2024年02月05日
    浏览(69)
  • PnP算法详解(超详细公式推导)

    博主缺粉丝希望大家能给个关注!!! PnP(Perspective-n-Point)是求解3D到2D点的对应方法。它描述了当知道n个3D空间点及其位置,如何估计相机的位姿。如果两张图像中的一张特征点3D位置已知,那么至少需要3个点对(以及至少一个额外验证点验证结果)就可以计算相机的运动。 P

    2024年02月03日
    浏览(27)
  • 贝叶斯分类器(公式推导+举例应用)

    引言 在机器学习的世界中,有一类强大而受欢迎的算法——贝叶斯分类器,它倚仗着贝叶斯定理和朴素的独立性假设,成为解决分类问题的得力工具。这种算法的独特之处在于其对概率的建模,使得它在面对不确定性和大规模特征空间时表现卓越。 本文将深入探讨贝叶斯分

    2024年01月21日
    浏览(36)
  • 西瓜书公式(10.24)的推导

    在西瓜书 10.4 节 “核化线性降维” 中,引入了一个映射函数 ϕ phi ϕ ,其作用是将样本点 x i x_i x i ​ 映射到高维特征空间中,即 z i = ϕ ( x i ) z_i=phi(x_i) z i ​ = ϕ ( x i ​ ) 由前文中的推导可以得到 式(10.21) 和 式(10.22) ( ∑ i = 1 m ϕ ( x i ) ϕ ( x i ) T ) w j = λ j w j (10.21) left(s

    2024年02月09日
    浏览(24)
  • 【数据结构-矩阵】矩阵的相关公式推导

    设数组元素长度为 L。 1.1 一维数组 数组下标从 0 开始( A[0]–A[n] ,一共 n+1 个),假设当前下标为 A[i] : 第几个 = i + 1 存储地址 = 首地址 + (第几个-1) * L = A[0] 地址 + i * L 数组下标从 1 开始( A[1]–A[n] ,一共 n 个),假设当前下标为 A[i] : 第几个 = i 存储地址 = 首地址 + (第

    2023年04月22日
    浏览(33)
  • 线性回归python实现详解(附公式推导)

    1.1简单线性回归 在简单线性回归中,输入x只有一个特征,通过调整a和b的参数值,来拟合从x到y的线性关系。下图为进行拟合所需要优化的目标,也即是MES(Mean Squared Error),只不过省略了平均的部分(除以m)。 对于简单线性回归,只有两个参数a和b,通过对MSE优化目标求导

    2023年04月11日
    浏览(25)
  • Minimum Snap闭式求解相关公式推导

    可以看看我的这几篇Blog1,Blog2,Blog3。 闭式法中的 Q Q Q 矩阵计算和之前 M i n i m u m Minimum M inim u m S n a p Snap S na p 当中的一样,但约束的形式与之前略为不同,在之前的方法中, 等式约束只要构造成 [ … ] p = b [ldots] p=b [ … ] p = b 的形式就可以了,而闭式法中,每段轨迹都构

    2024年02月15日
    浏览(21)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包