16.1 几何空间

article/2025/10/1 0:44:28

文章目录

  • 1 欧几里得范数
  • 2 距离
  • 3 标准内积
  • 5 夹角与正交
  • 6 叉乘
  • 7 平行四边形法则
  • 8 欧几里得运动

  几何空间是用线性代数解决几何问题的一类空间,这是线性代数学习绕不过去的槛。几何空间,学习起来我觉得吧,主要是三个点:内积、长度、夹角。首先,它的符号是 R n R^n Rn,比如三维空间符号就是 R 3 R^3 R3,但是几何空间不等同于欧几里得空间,因为多了很多东西,比如说叉乘、面积、体积等等。

1 欧几里得范数

  欧几里得空间里每个向量的模长,也就是向量的长度,有个高大上的名词,叫欧几里得范数,英文euclidean norm。这个范数是怎么定义的呢?
∣ ∣ x ∣ ∣ = ∑ i = 1 n x i 2 ||x||=\sqrt{\sum^n_{i=1}{x^2_i}} ∣∣x∣∣=i=1nxi2
  比如向量 ( 1 , 1 , 1 ) T (1,1,1)^T (1,1,1)T的欧几里得范数就是 1 2 + 1 2 + 1 2 = 3 \sqrt{1^2+1^2+1^2}=\sqrt{3} 12+12+12 =3 .欧几里得范数实际上是向量到 0 0 0点的距离.这个距离就是它的长度,也叫模长。当然这个比较好理解,就算不学线性代数,我们利用中学数学的勾股定理,也可以推出这个公式。

2 距离

  在中学数学里,我们知道两点之间的距离是 ( x 1 − x 2 ) 2 + ( y 1 − y 2 ) 2 \sqrt{(x_1-x_2)^2+(y_1-y_2)^2} (x1x2)2+(y1y2)2 ,欧几里得空间,无论多少维度,都是在这个基础之上的。把这个公式拓展到n维,欧几里得空间的距离公式就是:
∣ x − y ∣ = ∑ i = 1 n ( x i − y i ) 2 |x-y|=\sqrt{\sum^n_{i=1}{{(x_i-y_i})^2}} xy=i=1n(xiyi)2
  比如向量 ( 1 , 1 , 1 ) T (1,1,1)^T (1,1,1)T到向量 ( 2 , 2 , 3 ) T (2,2,3)^T (2,2,3)T的距离就是 ( 1 − 2 ) 2 + ( 1 − 2 ) 2 + ( 1 − 3 ) 2 = 6 \sqrt{(1-2)^2+(1-2)^2+(1-3)^2}=\sqrt{6} (12)2+(12)2+(13)2 =6 .

3 标准内积

  定义了内积的实线性空间就叫欧几里得空间。标准内积是用来计算向量夹角的。这个夹角公式如下:
x ⋅ y = ∣ x ∣ ∣ y ∣ cos ⁡ θ x\cdot y=|x||y|\cos \theta xy=x∣∣ycosθ
  而公式中的 x ⋅ y x\cdot y xy就是标准内积standard inner product,也叫点积dot product。公式如下:
x ⋅ y = ∑ i = 1 n x i y i x\cdot y=\sum^{n}_{i=1}x_iy_i xy=i=1nxiyi
  有了标准内积,就很容易计算两个向量之间的夹角了。在实际应用中,也用欧几里得空间的向量夹角来求两个事物之间的相关性。
  在矩阵理论里,对标准内积进行了扩展,所以欧几里得空间的内积也被称为标准内积,以同广义的内积区分开来。因为本文只讲欧几里得空间,所以就不过多讲内积了。

5 夹角与正交

  正交orthogonal,也就是垂直perpendicular,前者是代数的概念,后者是几何里的概念,意思是一样的。垂直的话,夹角就是 π 2 \frac{\pi}2 2π,而 cos ⁡ π 2 = 0 \cos \frac{\pi}2=0 cos2π=0,所以标准内积就是0,那么正交就很容易判断了。
( x , y ) = = 0 (x,y)==0 (x,y)==0

6 叉乘

  叉乘只在三维欧几里得空间有定义,等于是一维、二维、四维或其他维度是没有外积的。三维比较特殊哈,外积的定义如下:
x × y = ( x 2 y 3 − x 3 y 2 x 3 y 1 − x 1 y 3 x 1 y 2 − x 2 y 1 ) x\times y=\begin{pmatrix}x_2y_3-x_3y_2\\x_3y_1-x_1y_3\\x_1y_2-x_2y_1\end{pmatrix} x×y= x2y3x3y2x3y1x1y3x1y2x2y1
  两个向量围成的平行四边形parallelogram的面积,就是两个向量叉乘后的模长,公式如下:
a = ∣ x × y ∣ a=|x\times y| a=x×y
  我举个例子,虽然是个二维的例子,但是二维可以表示为第三维为0.
在这里插入图片描述
  很容易看出,这个平行四边形的面积是5,那我们验证下:
x = ( 1 3 0 ) , y = ( 2 1 0 ) x × y = ( 3 × 0 − 0 × 1 0 × 2 − 1 × 0 1 × 1 − 3 × 2 ) = ( 0 0 − 5 ) ∣ x × y ∣ = 5 x=\begin{pmatrix}1\\3\\0\end{pmatrix}, y=\begin{pmatrix}2\\1\\0\end{pmatrix}\\ x\times y = \begin{pmatrix}3\times 0-0\times 1\\0\times 2-1\times 0\\1\times 1-3\times 2\end{pmatrix}= \begin{pmatrix}0\\0\\-5\end{pmatrix}\\ |x\times y|=5 x= 130 ,y= 210 x×y= 3×00×10×21×01×13×2 = 005 x×y=5
  验证无误啊。当然二维的面积其实用两个向量拼成一个矩阵,求它的行列式的绝对值就可以了。

7 平行四边形法则

  欧几里得空间里的向量加法,满足平行四边形法则,这个我们小时候在做物理题,力的合成,就是平行四边形法则。举个例子:
在这里插入图片描述
  上图就是向量的加法:
x = ( 1 2 ) , y = ( 2 1 ) x + y = ( 3 3 ) x=\begin{pmatrix}1\\2\end{pmatrix}, y=\begin{pmatrix}2\\1\end{pmatrix}\\ x+y=\begin{pmatrix}3\\3\end{pmatrix}\\ x=(12),y=(21)x+y=(33)

8 欧几里得运动

  欧几里得运动Euclidean motion,实际上是一个映射,等价为先线性变换再做加法。也就是说有一个欧几里得运动T,它作用于一个向量的效果是 T ( x ) T(x) T(x)等价于 A x + b Ax+b Ax+b。这就是著名的欧几里得运动公式:
T ( x ) = A x + b T(x)=Ax+b T(x)=Ax+b
  仅仅这样还不算一个欧几里得运动,欧几里得运动必须保证变换后距离不变,也就是:
∣ T ( x ) − T ( y ) ∣ = ∣ x − y ∣ |T(x)-T(y)|=|x-y| T(x)T(y)=xy
  什么意思呢?也就是先做旋转拉伸变换再平移。我们知道平移是不会改变两个点变换后的距离的,所以公式中的 A x + b Ax+b Ax+b b b b不需要考虑。唯一考虑的就是 A A A,事实上,数学家们早就证明了,一个变换是欧几里得运动的充分必要条件是 A A A为正交矩阵。需要注意的是欧几里得运动不是线性变换,不是所有映射都是线性变换的。举个例子,下面的变换就是欧几里得运动:
T ( x ) = x + b T(x)=x+b T(x)=x+b
  正交阵的条件是 A T A = A A T = E A^TA=AA^T=E ATA=AAT=E, E E E是单位矩阵。其实欧几里得运动就是说线性变换A如果是正交矩阵则不会改变向量之间的距离。


http://chatgpt.dhexx.cn/article/b8f9CZZQ.shtml

相关文章

常见向量范数和矩阵范数及其MATLAB实现

参考 常见向量范数和矩阵范数及其MATLAB实现 - 云社区 - 腾讯云 1、向量范数 1-范数:,即向量元素绝对值之和,matlab调用函数norm(x, 1) 。 2-范数:,Euclid范数(欧几里得范数,常用计算向量长度…

MATLAB 欧几里得算法

MATLAB 欧几里得算法以及扩展欧几里得算法 前言一、Euclid算法二、Code1.引入库2.读入数据 前言 提示:在线性代数或高等代数中以熟悉求两个多项式最大公因子 一、Euclid算法 输入两个多项式 g(x) , h(x) ∈ F(x),满足 deg g(x) ≥ deg h(x) , 且 g(x) ≠ 0, 二、…

【 MATLAB 】norm ( Vector and matrix norms )(向量范数以及矩阵范数)

norm Vector and matrix norms Syntax n norm(v) n norm(v,p) n norm(X) n norm(X,p) n norm(X,fro) Description n norm(v)返回向量v的欧几里德范数。该范数也称为2范数,向量幅度或欧几里德长度。 n norm(v&#…

向量范数

向量范数的定义如下: 若实值函数(n维向量空间向一维向量空间的映射):满足下列条件: (1),;当且仅当; (2),,&…

向量和矩阵的各种范数

向量和矩阵的各种范数 一、向量的范数 首先定义一个向量为:a[-5,6,8, -10] 1.1 向量的1范数 向量的1范数即:向量的各个元素的绝对值之和,上述向量a的1范数结果就是:29,MATLAB代码实现为&…

欧几里得范数

原文链接 点击打开链接 1 范数 向量的范数可以简单形象的理解为向量的长度,或者向量到零点的距离,或者相应的两个点之间的距离。 2 距离 欧式距离(对应L2范数):最常见的两点之间或多点之间的距离表示法,…

p-范数(2-范数 即 欧几里得范数)

规范化矩阵 p-范数定义vecnorm和normvecnorm应用 废了废了,2016版本用不起vecnormnormnorm规范化矩阵 p-范数定义 常见 1-范数、2-范数(欧几里得范数) vecnorm和norm vecnorm 应用 计算欧式距离别再傻憨憨地去背两点之间的距离公式了&am…

L2范数-欧几里得范数

L1范数 L1范数是指向量中各个元素绝对值之和 L2范数 L2范数、欧几里得范数一些概念。 首先,明确一点,常用到的几个概念,含义相同。 欧几里得范数(Euclidean norm) 欧式长度 L2 范数 L2距离 Euclidean norm Eucl…

欧几里得范数(L2范数)

L1范数和L2范数我们应该经常接触,但是欧几里得范数可能有些人听着会有些陌生,乍一看以为是多么难的东西,其实欧几里得范数就是L2范数,只是叫法不同而已。 L1范数 L1范数是指向量中各个元素绝对值之和。 L2范数(欧几…

SVM算法的介绍

一、SVM算法的介绍 1.什么是SVM算法? SVM(Support Vector Machine)是一种常见的监督学习算法,用于进行二分类或多分类任务。它的主要思想是找到一个最优的超平面,将不同类别的样本分隔开。 超平面最大间隔介绍&#…

SVM原理及代码实现(学习笔记)

1.概念 支持向量机(Support Vector Machine, SVM)是一类按监督学习(supervised learning)方式对数据进行二元分类的广义线性分类器(generalized linear classifier),其决策边界是对学习样本求解…

SVM原理详解

SVM 原理详解 转自:http://www.blogjava.net/zhenandaci/category/31868.html (一)SVM的简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的…

SVM算法原理解读

-----------------------------------------------------需要死记硬背的部分--------------------------------------------- 超平面划分正负数据 支持向量上对应的公式: 转换为: 转换为: 正样例yi1,此时 负样例yi-1&#xff…

最容易理解的SVM算法原理

基于最大间隔分隔数据 1.1支持向量与超平面 SVM(Support Vector Mac)又称为支持向量机,是一种二分类的模型。当然如果进行修改之后也是可以用于多类别问题的分类。支持向量机可以分为线性核和非线性两大类。其主要思想为找到空间中的一个更够将所有数据样本划开的…

SVM介绍

SVM 概念 支持向量机(support vector machines,SVM)是一种二分类模型。基本原理是求解能够正确划分训练数据集并且几何间隔最大的分离超平面。 作用 svm不仅可以支持这种简单的线性可分离的数据,还可以 借助“软间隔(soft margi…

SVM理论

SVM入门(一)至(三)Refresh 按:之前的文章重新汇编一下,修改了一些错误和不当的说法,一起复习,然后继续SVM之旅. (一)SVM的简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年…

SVM的理解

1.SVM的概念 SVM,英文全称为 Support Vector Machine,中文名为支持向量机,由数学家Vapnik等人早在1963年提出。在深度学习兴起之前,SVM一度风光无限,是机器学习近几十年来最为经典的,也是最受欢迎的分类方法…

SVM算法原理

简介 支持向量机(support vector machines)是一个二分类的分类模型(或者叫做分类器)。如图: 它分类的思想是,给定给一个包含正例和反例的样本集合,svm的目的是寻找一个超平面来对样本根据正例和…

svm原理详解,看完就懂(一)

(一)SVM的八股简介 支持向量机(Support Vector Machine)是Cortes和Vapnik于1995年首先提出的,它在解决小样本、非线性及高维模式识别中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中[10]。 支持向量机方法…

SVM算法—原理讲解

原文作者:奔跑的前浪 原文地址:svm算法 最通俗易懂讲解 最近在学习svm算法,借此文章记录自己的学习过程,在学习时很多处借鉴了z老师的讲义和李航的统计,若有不足的地方,请海涵;svm算法通俗的理解…