线性代数基础--向量

这篇具有很好参考价值的文章主要介绍了线性代数基础--向量。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。

目录

向量的概念

基本概念

抽象概念

向量的意义 

几何意义

物理意义

欧式空间

特点和性质

 行向量与列向量

行向量

列向量

两者的关系

向量的基本运算与范数

向量的基本运算

向量的加法

数乘运算(实数与向量相乘)

转置

向量的范数

向量的模与内积

向量的模

向量的内积(点乘) 

向量的应用——余弦相似度 


向量的概念

线性代数基础--向量

 

基本概念

向量是线性代数里面最基本的概念,表示的是一组有序的数,它可以表示大小和方向

X = (X~1~,X~2~,...X~n~)

和向量相对应,⼀个数字,称为标量

抽象概念

除了在几何中的直观表示,向量也可以被抽象地定义为具有一定代数性质的数学对象。向量可以用一组有序的实数或复数分量表示,具有加法和数乘等运算规则。

向量的意义 

几何意义

向量可以用来表示具有大小和方向的物理量,例如位移、速度、加速度、力等。在几何上,向量可以表示为从一个点到另一个点的有向线段,起点和终点分别代表向量的位置。

线性代数基础--向量

物理意义

  1. 位移向量:位移向量用于描述物体从一个位置到另一个位置的位移,包括大小和方向。它可以表示为从起始点到终点的有向线段,描述物体在空间中的移动。

  2. 速度向量:速度向量表示物体在某一时刻的速度,包括大小和方向。它是位移向量关于时间的导数,描述物体的位置变化率。

  3. 加速度向量:加速度向量表示物体在某一时刻的加速度,包括大小和方向。它是速度向量关于时间的导数,描述物体速度的变化率。

  4. 力向量:力向量表示作用在物体上的力,包括大小和方向。根据牛顿第二定律,物体的加速度与作用在物体上的力成正比,方向与力的方向一致。力向量可以用于计算物体的运动和相互作用。

  5. 磁场和电场向量:在电磁学中,磁场和电场都可以用向量来表示。磁场向量和电场向量描述了磁场和电场的强度和方向,在电磁相互作用和电磁波传播等现象中起着重要作用。

  6. 力矩向量:力矩向量表示施加在物体上的力矩,包括大小和方向。力矩描述了物体绕某一轴旋转的趋势,与施加力的位置和方向有关。

  7. 矢量场:矢量场是指在空间中每一点都有一个关联的向量。例如,速度场和电场就是矢量场的示例,它们在空间中的每一点都有一个速度向量或电场向量。

欧式空间

n 维向量集合的全体就构成了 n 维欧式空间,R^n^

例如,所有二维向量构成了二维欧氏空间;所有三维向量构成了三维欧氏空间。

特点和性质

  1. 维度:欧氏空间可以是任意维度的,包括一维、二维、三维,甚至更高维度。在二维空间中,我们通常使用平面几何来描述,而在三维空间中,我们使用立体几何来描述。

  2. 度量:欧氏空间具有欧几里得度量,即通过距离来度量空间中点之间的间隔。在二维和三维空间中,欧几里得距离可以使用勾股定理计算,即两点之间的直线距离。在n维欧氏空间中,欧几里得距离可以表示为点之间坐标差的平方和的平方根。

  3. 坐标系:欧氏空间可以使用坐标系来表示点的位置。在二维空间中,常用笛卡尔坐标系,其中通过两个垂直的坐标轴来确定点的位置。在三维空间中,使用三个相互垂直的坐标轴来表示点的位置。

  4. 向量:欧氏空间中的向量具有大小和方向,用于表示物理量和几何对象。向量的加法、减法和数乘操作可以在欧氏空间中定义,使得向量成为对空间中点之间关系的有效描述工具。

  5. 内积:欧氏空间中的向量可以进行内积运算。内积是两个向量之间的一种运算,可以用于度量向量之间的夹角和长度。在二维空间中,内积可以通过向量的坐标乘积求和来计算。

 行向量与列向量

线性代数基础--向量

行向量

行向量是指由一组有序的数按水平排列而成的向量,其形状为 1 × n。行向量中的元素按从左到右的顺序排列。例如,行向量 [a₁, a₂, ..., aₙ] 可以表示为:

[ a₁ a₂ ... aₙ ]

行向量可以通过将元素按顺序排列在方括号内表示。

列向量

列向量是指由一组有序的数按垂直排列而成的向量,其形状为 n × 1。列向量中的元素按从上到下的顺序排列。例如,列向量 [a₁, a₂, ..., aₙ] 可以表示为:

[ a₁ ] [ a₂ ] [ ... ] [ aₙ ]

列向量可以通过将元素按顺序排列在方括号内,并以换行符分隔表示。


两者的关系

行向量与列向量没有本质的区别 只是表现形式不同

行向量是按行把向量排开,列向量是按列把向量排开

 在数学中我们更多的把数据写成列向量

向量的基本运算与范数

向量的基本运算

  • 向量的加法

    就是它们的分量分别相加,显然两个向量的长度得是相等的

线性代数基础--向量

同理,向量的减法就是它们的分量分别相减

  • 数乘运算(实数与向量相乘)

    使用实数和这个向量的每个数据分别相乘

    线性代数基础--向量

  • 转置

    把列向量变成行向量,把行向量变成列向量

向量的范数

范数的公式是向量每个分量绝对值p次方求和,再用幂函数计算p分之一

向量的范数就是把向量变成一个标量,范数的表示就是两个竖线来表示,然后右下角写上p

  • 范数公式:

线性代数基础--向量

  • 1范数L1

    线性代数基础--向量

  • 2范数L2

    线性代数基础--向量

向量的模与内积

向量的模

向量的长度叫做向量的模,用两个竖线包起来的向量就代表向量的模,例如:||a||

对于一个n维向量,它的模为:

线性代数基础--向量

向量的内积(点乘) 

两个向量的内积(点乘)等于对应位置相乘再相加

线性代数基础--向量

两个向量的内积的本质是变成一个标量

向量的应用——余弦相似度 

使用两向量夹角θ的余弦值cosθ来表示两个向量的相似度,称为余弦相似度。余弦相似

度的范围是:[-1,1],夹角越小,余弦值越接近于1,两个向量越靠近,两者越相似。两个向

量有相同的指向时,余弦相似度的值为1;两个向量夹角为90°时,余弦相似度的值为0;两

个向量指向完全相反的方向时,余弦相似度的值为-1。

线性代数基础--向量

余弦相似度公式为:

线性代数基础--向量 

其中,<a,b>表示的是向量a和向量b的内积,||a||和||b||分别表示向量a和向量b的模(长度)。

例如,向量a=(X~1~,Y~1~),向量b=(X~2~,Y~2~),代入余弦相似度公式可以得到:

线性代数基础--向量

可以将其推广至n维向量空间:

若向量a=(X~1~,X~2~,X~3~,...,X~n~),向量b=(Y1,Y2,Y3,...,Yn),其夹角的余弦值(余弦相似度)可

以表示为:

线性代数基础--向量文章来源地址https://www.toymoban.com/news/detail-515092.html

到了这里,关于线性代数基础--向量的文章就介绍完了。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

  • 线性代数基础 | 特征值和特征向量

    一、特征值和特征向量的定义 A. 特征值的定义和性质 特征值(eigenvalue)是线性代数中一个重要的概念,用于描述线性变换对于某个向量的伸缩效应。在本文中,我们将深入讨论特征值的定义和性质。 首先,我们考虑一个线性变换(或者说一个方阵)A。对于一个非零向量v,

    2024年02月16日
    浏览(31)
  • 线性代数基础【5】特征值和特征向量

    一、特征值和特征向量的理论背景 在一个多项式中,未知数的个数为任意多个,且每一项次数都是2的多项式称为二次型,二次型分为两种类型:即非标准二次型及标准二次型 注意: ①二次型X^T AX为非标准二次型的充分必要条件是A^T=A 但A为非对角矩阵;二次型 X^TAX为标准二次型的充

    2024年01月20日
    浏览(39)
  • 线性代数基础概念和在AI中的应用

    线性代数是数学的一个分支,专注于向量、向量空间(也称为线性空间)、线性变换和矩阵的研究。这些概念在数据科学、人工智能、工程学和物理学等多个领域都有广泛应用。以下是这些基本概念的详细解释和它们在数据处理和AI中的应用。 向量 基本概念 :向量是具有大

    2024年04月26日
    浏览(29)
  • 信号与系统的一些基本问题之信号分解完备正交基[1]—线性代数向量空间与向量基的基础

      由于一些前后概念是嵌套在一起,密切相关的,但是它们的认知深度的层次又有先后差异,所以为循序渐进,这里在讲解时会存在部分的后面的概念往前提以帮助当前概念的理解以确保大家每一步都能看得懂,并为后续概念作铺垫,文中所有存在这种概念嵌套的情况都有

    2024年04月26日
    浏览(37)
  • 线性代数本质系列(一)向量,线性组合,线性相关,矩阵

    本系列文章将从下面不同角度解析线性代数的本质,本文是本系列第一篇 向量究竟是什么? 向量的线性组合,基与线性相关 矩阵与线性相关 矩阵乘法与线性变换 三维空间中的线性变换 行列式 逆矩阵,列空间,秩与零空间 克莱姆法则 非方阵 点积与对偶性 叉积 以线性变换

    2024年02月04日
    浏览(40)
  • 线性代数(三) 线性方程组&向量空间

    如何利用行列式,矩阵求解线性方程组。 用矩阵方程表示 齐次线性方程组:Ax=0; 非齐次线性方程组:Ax=b. 可以理解 齐次线性方程组 是特殊的 非齐次线性方程组 如何判断线性方程组的解 其中R(A)表示矩阵A的秩 B表示A的增广矩阵 n表示末知数个数 增广矩阵 矩阵的秩 秩r= 未知

    2024年02月13日
    浏览(31)
  • 线性代数之向量组

    文章目录 前言 一、定义与定理 1、定义 1.1、n维向量 1.2、线性组合 1.3、线性表示(出)   1.4、线性相关 1.5、线性无关 2、判别线性相关的七大定理 2.1、定理一: 2.2、定理二: 2.3、定理三: 2.4、定理四: 2.5、定理五: 2.6、定理六: 2.7、定理七: 二、具体型向量关系 1.与

    2024年03月26日
    浏览(38)
  • 线性代数 --- 向量的长度

    从代数的角度定义向量的长度 :       正如我在另外一篇文章中(见本文底部的推荐链接)提到的,两个向量(这是默认是两个列向量)的内积,可以表示为也可以表示为。现在我们考虑一种特殊情形,现在我们有一个向量v=(1,2,3),那么这个向量自己和自己的内积是多少呢

    2024年02月02日
    浏览(29)
  • 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(46)
  • 【线性代数】向量组的线性相关性

    目录 一、图解向量组的线性相关性 1. 向量组线性相关的定义  2.三维空间中向量组线性相关的几何意义 3.向量组线性相关与齐次线性方程组 二、向量组线性相关的基本结论 三、向量组线性相关性总结 做出向量组A与向量组B的图如下: 旋转图形得到:  旋转后发现,向量组

    2024年02月04日
    浏览(33)

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