0802数量积向量积混合积-向量代数与空间解析几何

这篇具有很好参考价值的文章主要介绍了0802数量积向量积混合积-向量代数与空间解析几何。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。

1 两向量的数量积

1.1 引例

0802数量积向量积混合积-向量代数与空间解析几何

  • 引例如上图所示恒力F沿直线做功
    W = ∣ F ⃗ ∣ ∣ v e c s ∣ cos ⁡ θ W = |\vec F||vec s|\cos \theta W=F ∣∣vecscosθ

1.2 定义

设有两个向量 a ⃗ , b ⃗ , 两向量夹角为 θ \vec a,\vec b,两向量夹角为\theta a ,b ,两向量夹角为θ,称数

∣ a ⃗ ∣ ∣ b ⃗ ∣ cos ⁡ θ |\vec a||\vec b|\cos \theta a ∣∣b cosθ

叫做向量 a ⃗ , b ⃗ \vec a,\vec b a ,b 的数量积,记作 a ⃗ ⋅ b ⃗ \vec a\cdot\vec b a b ,即

a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ cos ⁡ θ \vec a\cdot\vec b=|\vec a||\vec b|\cos\theta a b =a ∣∣b cosθ

说明:

  • F ⃗ 沿直线位移 s ⃗ \vec F沿直线位移\vec s F 沿直线位移s 所做的功为: W = F ⃗ ⋅ s ⃗ W = \vec F\cdot\vec s W=F s

  • a ⃗ ⋅ 0 ⃗ = 0 \vec a \cdot \vec0=0 a 0 =0

  • 投影的数量积表示
    a ⃗ ⋅ b ⃗ = ∣ a ⃗ ∣ ⋅ ∣ b ⃗ ∣ ⋅ cos ⁡ θ = ∣ a ⃗ ∣ ⋅ P i j a ⃗ b ⃗ ∴ P i j a ⃗ b ⃗ = a ⃗ ⋅ b ⃗ ∣ a ⃗ ∣ = e ⃗ a ⃗ ⋅ ⃗ b \vec a \cdot\vec b=|\vec a|\cdot|\vec b|\cdot\cos\theta\\ =|\vec a|\cdot Pij_{\vec a}\vec b \\ \therefore Pij_{\vec a}\vec b = \frac{\vec a\cdot\vec b}{|\vec a|}=\vec e_{\vec a}\vec\cdot b a b =a b cosθ=a Pija b Pija b =a a b =e a b

1.3 推论

两个重要的推论:

  1. a ⃗ ⋅ a ⃗ = ∣ a ⃗ ∣ 2 \vec a\cdot\vec a =|\vec a|^2 a a =a 2
  2. 两个非零向量$\vec a,\vec b| $,则 a ⃗ ⊥ b ⃗ ⇔ a ⃗ ⋅ b ⃗ = 0 \vec a\perp\vec b\Leftrightarrow \vec a\cdot\vec b=0 a b a b =0

1.4 运算规律

  • 交换律: a ⃗ ⋅ b ⃗ = b ⃗ ⋅ a ⃗ \vec a\cdot\vec b=\vec b\cdot \vec a a b =b a
  • 分配律: ( a ⃗ + b ⃗ ) ⋅ c ⃗ = a ⃗ ⋅ c ⃗ + b ⃗ ⋅ c ⃗ (\vec a + \vec b)\cdot\vec c=\vec a\cdot\vec c+\vec b\cdot\vec c (a +b )c =a c +b c
  • 结合律: ( λ a ⃗ ) ⋅ b ⃗ = λ ( a ⃗ ⋅ b ⃗ ) (\lambda\vec a)\cdot\vec b=\lambda(\vec a\cdot\vec b) (λa )b =λ(a b )

注:

  1. ( a ⃗ + b ⃗ ) 2 = a ⃗ 2 + 2 a ⃗ ⋅ b ⃗ + b ⃗ 2 (\vec a+\vec b)^2=\vec a^2+2\vec a\cdot\vec b+ \vec b^2 (a +b )2=a 2+2a b +b 2,即 ∣ a ⃗ + b ⃗ ∣ 2 = ∣ a ⃗ ∣ 2 + 2 ∣ a ⃗ ∣ ∣ b ⃗ ∣ cos ⁡ θ + ∣ b ⃗ ∣ 2 |\vec a+\vec b|^2=|\vec a|^2+2|\vec a||\vec b|\cos\theta+|\vec b|^2 a +b 2=a 2+2∣a ∣∣b cosθ+b 2为余弦定理。

1.4 数量积的坐标表示

a ⃗ = ( x 1 , y 1 , z 1 ) , b ⃗ = ( x 2 , y 2 , z 2 ) \vec a=(x_1,y_1,z_1),\vec b=(x_2,y_2,z_2) a =(x1,y1,z1),b =(x2,y2,z2),则

  • a ⃗ ⋅ b ⃗ = ( x 1 x 2 , y 1 y 2 , z 1 z 2 ) \vec a\cdot\vec b=(x_1x_2,y_1y_2,z_1z_2) a b =(x1x2,y1y2,z1z2)
  • cos ⁡ θ = a ⃗ ⋅ b ⃗ ∣ a ⃗ ∣ ∣ b ⃗ ∣ = x 1 x 2 + y 1 y 2 + z 1 z 2 x 1 2 + y 1 2 + z 1 I 2 x 2 2 + y 2 2 + z 2 I 2 \cos\theta = \frac{\vec a\cdot\vec b}{|\vec a||\vec b|}=\frac{x_1x_2+y_1y_2+z_1z_2}{\sqrt{x1^2+y_1^2+z_1I^2}\sqrt{x_2^2+y_2^2+z_2^I2}} cosθ=a ∣∣b a b =x12+y12+z1I2 x22+y22+z2I2 x1x2+y1y2+z1z2

例1 已知三点 M ( 1 , 1 , 1 ) , A ( 2 , 2 , 1 ) , B ( 2 , 1 , 2 ) ,求 ∠ A M B M(1,1,1),A(2,2,1),B(2,1,2),求\angle{AMB} M(1,1,1),A(2,2,1),B(2,1,2),求AMB
解: M A ⃗ = ( 1 , 1 , 0 ) , M B ⃗ = ( 1 , 0 , 1 ) ∠ A M B = M A ⃗ ⋅ M B ⃗ ∣ M A ⃗ ∣ ∣ M B ⃗ ∣ = 1 2 ⋅ 2 = 1 2 ∴ ∠ A M B = π 3 解:\vec{MA}=(1,1,0),\vec{MB}=(1,0,1)\\ \angle{AMB}=\frac{\vec{MA}\cdot\vec{MB}}{|\vec{MA}||\vec{MB}|}\\ =\frac{1}{\sqrt2\cdot\sqrt2}=\frac{1}{2}\\ \therefore \angle{AMB}=\frac{\pi}{3} 解:MA =(1,1,0),MB =(1,0,1)AMB=MA ∣∣MB MA MB =2 2 1=21AMB=3π

例2 已知 a ⃗ = ( 2 , 2 , 1 ) , b ⃗ = ( 3 , 4 , − 2 ) ,求 P i j a ⃗ b ⃗ \vec a=(2,2,1),\vec b=(3,4,-2),求Pij_{\vec a}\vec b a =(2,2,1),b =(3,4,2),求Pija b
解: ∣ a ⃗ ∣ = 3 , e ⃗ a ⃗ = ( 2 3 , 2 3 , 1 3 ) ∴ P i j a ⃗ b ⃗ = e ⃗ a ⃗ ⋅ b ⃗ = 2 + 8 3 − 2 3 = 4 解:|\vec a|=3,\vec e_{\vec a}=(\frac{2}{3},\frac{2}{3},\frac{1}{3})\\ \therefore Pij_{\vec a}\vec b=\vec e_{\vec a}\cdot \vec b=2+\frac{8}{3}-\frac{2}{3}=4 解:a =3,e a =(32,32,31)Pija b =e a b =2+3832=4

2 两向量的向量积

2.1 定义

设向量 c ⃗ \vec c c 有两个向量 a ⃗ , b ⃗ ,夹角为 θ \vec a,\vec b,夹角为\theta a ,b ,夹角为θ按下列方式定出:

∣ c ⃗ ∣ = ∣ a ⃗ ∣ ∣ b ⃗ ∣ sin ⁡ θ |\vec c| = |\vec a||\vec b|\sin\theta c =a ∣∣b sinθ c ⃗ \vec c c 的方向垂直于 a ⃗ 于 b ⃗ \vec a于\vec b a b 所决定的平面,方向按右手规则从 a ⃗ \vec a a 转向 b ⃗ \vec b b 确定。向量 c ⃗ \vec c c 叫做向量 a ⃗ 与 b ⃗ \vec a与\vec b a b 的向量积,记作 a ⃗ × b ⃗ \vec a\times \vec b a ×b .

注:右手规则,如下图2.1-1所示:

0802数量积向量积混合积-向量代数与空间解析几何

四指握的方向为 a ⃗ 到 b ⃗ \vec a到\vec b a b 的转向,大拇指指的方向即为向量积的方向。

注:

  1. c ⃗ ⊥ a ⃗ , c ⃗ ⊥ b ⃗ \vec c \perp \vec a,\vec c\perp \vec b c a ,c b

2.2 重要结论

  1. a ⃗ × a ⃗ = 0 ⃗ \vec a\times \vec a=\vec0 a ×a =0

  2. 两非零向量 a ⃗ , b ⃗ \vec a,\vec b a ,b ,则 a ⃗ ∥ b ⃗ ⇔ a ⃗ × b ⃗ = 0 ⃗ \vec a\parallel \vec b\Leftrightarrow \vec a\times\vec b=\vec0 a b a ×b =0

2.3 几何意义(向量积模)

如下图2.3-1所示:

0802数量积向量积混合积-向量代数与空间解析几何

a ⃗ , b ⃗ \vec a,\vec b a ,b 为邻边做平行四边形,则 ∣ a ⃗ × b ⃗ ∣ = ∣ a ⃗ ∣ ⋅ ∣ b ⃗ ∣ sin ⁡ θ = S 平行四边形 |\vec a\times\vec b|=|\vec a|\cdot|\vec b|\sin\theta=S_{平行四边形} a ×b =a b sinθ=S平行四边形,即 ∣ a ⃗ × b ⃗ ∣ |\vec a\times\vec b| a ×b 表示以 a ⃗ , b ⃗ \vec a,\vec b a ,b 为邻边的平行四边形的面积。

2.4 向量积的运算规律

  1. a ⃗ × b ⃗ = − b ⃗ × a ⃗ \vec a\times\vec b=-\vec b\times\vec a a ×b =b ×a
  2. 分配律: ( a ⃗ + b ⃗ ) × c ⃗ = a ⃗ × c ⃗ + b ⃗ × c ⃗ (\vec a+\vec b)\times\vec c=\vec a\times \vec c+\vec b\times\vec c (a +b )×c =a ×c +b ×c
  3. 结合律: ( λ a ⃗ ) × b ⃗ = λ ( a ⃗ × b ⃗ ) (\lambda\vec a)\times\vec b=\lambda(\vec a\times\vec b) (λa )×b =λ(a ×b )

2.5 向量积的坐标表示

a ⃗ = ( x 1 , y 1 , z 1 ) , b ⃗ = ( x 2 , y 2 , z 2 ) \vec a=(x_1,y_1,z_1),\vec b=(x_2,y_2,z_2) a =(x1,y1,z1),b =(x2,y2,z2),则
a ⃗ × b ⃗ = ( x 1 i ⃗ + y 1 j ⃗ + z 1 k ⃗ ) × ( x 2 i ⃗ + y 2 j ⃗ + z 2 k ⃗ ) = ( y 1 z 2 − z 1 y 2 ) i ⃗ + ( x 1 z 2 − z 1 x 2 ) j ⃗ + ( x 1 y 2 − y 1 x 2 ) k ⃗ \vec a\times\vec b=(x_1\vec i+y_1\vec j+z_1\vec k)\times(x_2\vec i+y_2\vec j+z_2\vec k)\\ =(y_1z_2-z_1y_2)\vec i+(x_1z_2-z_1x_2)\vec j+(x_1y_2-y_1x_2)\vec k a ×b =(x1i +y1j +z1k )×(x2i +y2j +z2k )=(y1z2z1y2)i +(x1z2z1x2)j +(x1y2y1x2)k
用三阶行列式表示为:

a ⃗ × b ⃗ = ∣ i ⃗ j ⃗ k ⃗ x 1 y 1 z 1 x 2 y 2 z 2 ∣ = i ⃗ ⋅ ∣ y 1 z 1 y 2 z 2 ∣ − j ⃗ ∣ x 1 z 1 x 2 z 2 ∣ + k ⃗ ⋅ ∣ x 1 y 1 x 2 y 2 ∣ = ( y 1 z 2 − z 1 y 2 ) ⋅ i ⃗ − ( x 1 z 2 − z 1 x 2 ) ⋅ j ⃗ + ( x 1 y 2 − y 1 x 2 ) ⋅ k \vec a\times\vec b= \begin{vmatrix} \vec i&\vec j&\vec k\\ x_1&y_1&z_1\\ x_2&y_2&z_2 \end{vmatrix}\\ =\vec i\cdot \begin{vmatrix} y_1&z_1\\ y_2&z_2\\ \end{vmatrix} - \vec j \begin{vmatrix} x_1&z_1\\ x_2&z_2 \end{vmatrix}+\vec k\cdot \begin{vmatrix} x_1&y_1\\ x_2&y_2 \end{vmatrix}\\ =(y_1z_2-z_1y_2)\cdot\vec i-(x_1z_2-z_1x_2)\cdot\vec j+(x_1y_2-y_1x_2)\cdot k a ×b = i x1x2j y1y2k z1z2 =i y1y2z1z2 j x1x2z1z2 +k x1x2y1y2 =(y1z2z1y2)i (x1z2z1x2)j +(x1y2y1x2)k

例4 已知 c ⃗ ⊥ a ⃗ , 且 c ⃗ ⊥ b ⃗ . ∣ c ⃗ ∣ = 3 ,求 c ⃗ \vec c \perp \vec a,且\vec c \perp \vec b. |\vec c|=3,求\vec c c a ,c b .∣c =3,求c .其中, a ⃗ = ( 2 , 1 , − 1 ) , b ⃗ = ( 1 , − 1 , 2 ) \vec a=(2,1,-1),\vec b=(1,-1,2) a =(2,1,1),b =(1,1,2)
解: a ⃗ × b ⃗ = ∣ i ⃗ j ⃗ k ⃗ 2 1 − 1 1 − 1 2 ∣ = i ⃗ − 5 j ⃗ + ( − 3 ) k ⃗ e a ⃗ × b ⃗ = ( 1 35 , − 5 35 , − 3 35 ) ∴ c ⃗ = ± 3 e a ⃗ × b ⃗ = ( ± 3 35 , ± 15 35 , ± 9 35 ) 解:\vec a\times\vec b= \begin{vmatrix} \vec i&\vec j&\vec k\\ 2&1&-1\\ 1&-1&2\\ \end{vmatrix}\\ =\vec i-5\vec j+(-3)\vec k\\ e_{\vec a\times\vec b}=(\frac{1}{\sqrt{35}},\frac{-5}{\sqrt{35}},\frac{-3}{\sqrt{35}})\\ \therefore \vec c=\pm3e_{\vec a\times \vec b}=(\pm\frac{3}{\sqrt{35}},\pm\frac{15}{\sqrt{35}},\pm\frac{9}{\sqrt{35}}) 解:a ×b = i 21j 11k 12 =i 5j +(3)k ea ×b =(35 1,35 5,35 3)c =±3ea ×b =(±35 3,±35 15,±35 9)
例5 已知 A ( 1 , 2 , 3 ) , B ( 3 , 4 , 5 ) , C ( 2 , 4 , 7 ) , 求 S △ A B C A(1,2,3),B(3,4,5),C(2,4,7),求S_{\triangle{ABC}} A(1,2,3),B(3,4,5),C(2,4,7),SABC
S △ A B C = 1 2 ∣ A B ⃗ × A C ⃗ ∣ = 1 2 ∥ i ⃗ j ⃗ k ⃗ 2 2 2 1 2 4 ∥ = 1 2 4 2 + ( − 6 ) 2 + 2 2 = 14 S_{\triangle{ABC}}=\frac{1}{2}|\vec{AB}\times\vec{AC}|\\ =\frac{1}{2} \begin{Vmatrix} \vec i&\vec j&\vec k\\ 2&2&2\\ 1&2&4\\ \end{Vmatrix}\\ =\frac{1}{2}\sqrt{4^2+(-6)^2+2^2}=\sqrt{14} SABC=21AB ×AC =21 i 21j 22k 24 =2142+(6)2+22 =14

3 向量的混合积

3.1 混合积的定义

设已知三个向量 a ⃗ , b ⃗ , c ⃗ \vec a,\vec b,\vec c a ,b ,c ,先做向量 a ⃗ 和 b ⃗ 的向量积 a ⃗ × b ⃗ \vec a和\vec b的向量积\vec a\times\vec b a b 的向量积a ×b ,把得到的向量与 c ⃗ 做数量积 ( a ⃗ × b ⃗ ) ⋅ c ⃗ \vec c做数量积(\vec a\times\vec b)\cdot\vec c c 做数量积(a ×b )c ,这样得到的数量叫做三向量的混合积,记作 [ a ⃗ b ⃗ c ⃗ ] [\vec a\vec b\vec c] [a b c ]

3.2 混合积的坐标表示

a ⃗ = ( x 1 , y 1 , z 1 ) , b ⃗ = ( x 2 , y 2 , z 2 ) , c ⃗ = ( x 3 , y 3 , z 3 ) \vec a=(x_1,y_1,z_1),\vec b=(x_2,y_2,z_2),\vec c=(x_3,y_3,z_3) a =(x1,y1,z1),b =(x2,y2,z2),c =(x3,y3,z3),则


[ a ⃗ b ⃗ c ⃗ ] = ( a ⃗ × b ⃗ ) ⋅ c ⃗ = ∣ x 1 y 1 z 1 x 2 y 2 z 2 x 3 y 3 z 3 ∣ [\vec a\vec b\vec c]=(\vec a\times\vec b)\cdot\vec c=\\ \begin{vmatrix} x_1&y_1&z_1\\ x_2&y_2&z_2\\ x_3&y_3&z_3\\ \end{vmatrix} [a b c ]=(a ×b )c = x1x2x3y1y2y3z1z2z3

3.3 混合积的几何意义

0802数量积向量积混合积-向量代数与空间解析几何

如上图所示向量积的混合积绝对值表示以 a ⃗ , b ⃗ , c ⃗ \vec a,\vec b,\vec c a ,b ,c 为棱的平行六面体的体积。

3.4 运算规则

  • [ a ⃗ b ⃗ c ⃗ ] = [ b ⃗ c ⃗ a ⃗ ] = [ c ⃗ a ⃗ b ⃗ ] = − [ a ⃗ c ⃗ b ⃗ ] = − [ c ⃗ b ⃗ a ⃗ ] = − [ b ⃗ a ⃗ c ⃗ ] [\vec a\vec b\vec c]=[\vec b\vec c\vec a]=[\vec c\vec a\vec b]=-[\vec a\vec c\vec b]=-[\vec c\vec b\vec a]=-[\vec b\vec a\vec c] [a b c ]=[b c a ]=[c a b ]=[a c b ]=[c b a ]=[b a c ]

3.5 三向量共面

a ⃗ , b ⃗ , c ⃗ 共面 ⇔ [ a ⃗ b ⃗ c ⃗ ] = 0 \vec a,\vec b,\vec c共面\Leftrightarrow [\vec a\vec b\vec c]=0 a ,b c 共面[a b c ]=0

例i6 已知 ( a ⃗ × b ⃗ ) ⋅ c ⃗ = 2 , 则 [ ( a ⃗ + b ⃗ ) × ( b ⃗ + c ⃗ ) ] ⋅ ( c ⃗ + a ⃗ ) = ? (\vec a\times\vec b)\cdot\vec c=2,则[(\vec a+\vec b)\times(\vec b+\vec c)]\cdot(\vec c+\vec a)=? (a ×b )c =2,[(a +b )×(b +c )](c +a )=?
解: [ ( a ⃗ + b ⃗ ) × ( b ⃗ + c ⃗ ) ] ⋅ ( c ⃗ + a ⃗ ) = ( a ⃗ × b ⃗ + a ⃗ × c ⃗ + b ⃗ × b ⃗ + b ⃗ × c ⃗ ) ⋅ ( c ⃗ + a ⃗ ) = [ a ⃗ b ⃗ c ⃗ ] + [ a ⃗ b ⃗ a ⃗ ] + [ a ⃗ c ⃗ c ⃗ ] + [ a ⃗ c ⃗ a ⃗ ] + [ b ⃗ c ⃗ c ⃗ ] + [ b ⃗ c ⃗ a ⃗ ] = 2 [ a ⃗ b ⃗ c ⃗ ] = 4 解:\\ [(\vec a+\vec b)\times(\vec b+\vec c)]\cdot(\vec c+\vec a)=\\ (\vec a\times\vec b+\vec a\times\vec c+\vec b\times\vec b+\vec b\times\vec c)\cdot(\vec c+\vec a)\\ =[\vec a\vec b\vec c]+[\vec a\vec b\vec a]+[\vec a\vec c\vec c]+[\vec a\vec c\vec a]+[\vec b\vec c\vec c]+[\vec b\vec c\vec a]=2[\vec a\vec b\vec c]=4 解:[(a +b )×(b +c )](c +a )=(a ×b +a ×c +b ×b +b ×c )(c +a )=[a b c ]+[a b a ]+[a c c ]+[a c a ]+[b c c ]+[b c a ]=2[a b c ]=4

结语

❓QQ:806797785

⭐️文档笔记地址:https://gitee.com/gaogzhen/math

参考:

[1]同济大学数学系.高等数学 第七版 下册[M].北京:高等教育出版社,2014.7.p14-22.

[2]同济七版《高等数学》全程教学视频[CP/OL].2020-04-16.p52.文章来源地址https://www.toymoban.com/news/detail-472955.html

到了这里,关于0802数量积向量积混合积-向量代数与空间解析几何的文章就介绍完了。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

  • 线性代数与解析几何——Part4 欧式空间 & 酉空间

    线性代数与解析几何——Part4 欧式空间 酉空间 1. 欧氏空间 1. 定义 性质 2. 内积表示与标准正交基 3. 欧氏空间的同构 4. 欧氏空间的线性变换 5. 欧氏空间的子空间 2. 酉空间 1. 定义 性质 2. 酉变换 3. Hermite变换 4. 规范变换 1. 定义 性质 定义7.1.1 设 V V V 是实数域 R bold{R} R 上的线

    2024年02月09日
    浏览(45)
  • 人工智能中数学基础:线性代数,解析几何和微积分

    在人工智能领域,线性代数、解析几何和微积分是最基础的数学知识。这些数学知识不仅在人工智能领域中被广泛应用,也是其他领域的重要基础。本文将介绍人工智能中的线性代数、解析几何和微积分的基础知识和应用。

    2024年02月16日
    浏览(52)
  • 空间解析几何 | 经典例题、李林880例题

    旋转曲面:绕哪个轴转 哪个分量不变,另外两个在题目无说明的情况下写成±另外两个分量和开平方。 本题即为反求。      直线L的方向向量可以由上下叉乘而来,或者化为对称式。                    仅参考。                

    2024年02月11日
    浏览(43)
  • 空间解析几何:圆柱面一般式方程的推导——已知中轴线和半径

            本文主要针对在已知 中轴线 和 半径 r的情况下(其中 为中轴线上的已知一点)如何来求解圆柱面方程做出详细解答。   1. 圆柱面模型 的 建立 :   Step 1 :假设点P 为待求圆柱面上的任意一点,由于点P到直线q的垂直距离PM为r,即 ,其中 ,点M为直线q上一点, 。

    2024年02月02日
    浏览(45)
  • 机器学习-线性代数-向量、基底及向量空间

    理解 直观理解 行向量:把数字排成一行A = [ 4   5 ] [4~ 5] [ 4   5 ] 列向量:把数字排成一列A =   [ 4 5 ] left [ begin{matrix} 4 \\\\ 5 \\\\ end{matrix} right ]   [ 4 5 ​ ] 几何意义 默认在基底条件下(直角坐标系)中的坐标表示的一个点,也可以理解以原点为起点,到目标终点A的有向线段

    2024年02月06日
    浏览(61)
  • 机器学习-线性代数-1-向量、基底及向量空间

    理解 直观理解 行向量:把数字排成一行A = [ 4   5 ] [4~ 5] [ 4   5 ] 列向量:把数字排成一列A =   [ 4 5 ] left [ begin{matrix} 4 \\\\ 5 \\\\ end{matrix} right ]   [ 4 5 ​ ] 几何意义 默认在基底条件下(直角坐标系)中的坐标表示的一个点,也可以理解以原点为起点,到目标终点A的有向线段

    2024年02月10日
    浏览(59)
  • 线性代数中的向量和向量空间的应用

    作者:禅与计算机程序设计艺术 作为一位人工智能专家,程序员和软件架构师,我深知线性代数在数据处理和机器学习中的重要性。本文旨在探讨线性代数中向量和向量空间的应用,帮助读者更好地理解和应用这些技术。 技术原理及概念 线性代数是数学的一个分支,主要研

    2024年02月14日
    浏览(53)
  • 向量空间模型的线性代数基础

    [toc] 线性代数是向量空间模型的基础,对于学习向量空间模型的朋友,理解线性代数基础知识是非常必要的。本文将介绍向量空间模型的线性代数基础,包括基本概念、技术原理、实现步骤、应用示例以及优化与改进等内容。 引言 线性代数是数学的一个分支,主要研究线性

    2024年02月16日
    浏览(44)
  • 线性代数3,什么是向量 向量空间(草稿,建设ing)

    目录 1 标量 scalar 2 向量 /矢量 vector 2.1 什么是向量(直观) 2.2 什么是向量(严格定义) 2.3 向量如何表示?在向量空间的表示方法 3 矩阵(matrix) 3.1 矩阵的定义 3.2 矩阵和向量的关系 3.3  方阵 4 ​张量(tensor):向量,矩阵都可以看成张量 4.1 张量的定义 4.2 更多维度的张量,举

    2024年02月12日
    浏览(36)
  • 线性代数 --- 向量空间(vector space)与子空间(subspace)

            向量空间就是由包含n个分量的列向量所组成的Rn的空间,其中R表示实数。例如,R2就代表了一般的x-y平面,其中包含两个分量的向量表示坐标系中的一个点(x,y)。同理,R3中的一个向量,包含三个分量,可以表示三维坐标系中的一个点(x,y,z)。 也就是说,向量空间,

    2024年02月05日
    浏览(77)

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