MT【325】垂心的向量形式

设$H$为垂心,且$3\overrightarrow{HA}+4\overrightarrow {HB}+5\overrightarrow {HC}=\overrightarrow 0$,则$\cos\angle AHB=$____


分析:$\tan A\overrightarrow {HA}+\tan B\overrightarrow {HB}+\tan C\overrightarrow {HC}=\overrightarrow 0$,
故$tan A:tan B:tan C=3:4:5$ 又$\tan A\tan B\tan C=\tan A\tan B\tan C $
故$(\tan A,\tan B,\tan C)=(\dfrac{3}{\sqrt{5}},\dfrac{4}{\sqrt{5}},\sqrt{5})$, 
从而$\cos\angle{AHB}=-\cos C=-\dfrac{\sqrt{6}}{6}$

练习:$\Delta ABC $中$AB=4,AC=3,BC=2$,点$H$为三角形的垂心,
若$\overrightarrow {AH}=x\overrightarrow {AB}+y\overrightarrow {AC}$则$\dfrac{y}{x}=$_____
答案:$-\dfrac{11}{3}$
另外不常用的一个外心的结论$\sin 2A \overrightarrow {OA}+\sin2B\overrightarrow {OB}+\sin2C\overrightarrow {OC}=\overrightarrow 0$

原文地址:https://www.cnblogs.com/mathstudy/p/10674736.html

时间: 2024-11-15 06:06:21

MT【325】垂心的向量形式的相关文章

MT【328】向量里的最佳逼近

已知平面向量$\overrightarrow {a},\overrightarrow {b}$满足$|\overrightarrow {a}|=4,|\overrightarrow {b}|=2$.若对于任意共面的单位向量$\overrightarrow {e},$记$|\overrightarrow {a}\cdot\overrightarrow {e}|+|\overrightarrow {b}\cdot\overrightarrow {e}|$的最大值为$M$求$M$的最小值. 分析:$|

机器学习实战0:评论爬虫+贝叶斯模型标注恶意评论+分布式形式

一 引言 本程序是一个完整的机器学习过程,先编写基于python的爬虫脚本,爬取目标论坛网站的评论到本地存储,然后使用贝叶斯分类模型对评论进行分类,预测新 的评论是否为垃圾评论.如果遇到大数据量的问题,可以把贝叶斯算法写成mapreduce模式,map负责把数据集划分成键值对格式,类序号为key,属 性向量为value,reduce进行汇总每类的先验概率和条件概率,主server汇总所有类的统计量. 二 爬虫脚本 1 编写爬虫脚本,爬取目标论坛的评论.其中,headers是必须的,因为我们需要伪

word2vec词向量训练及中文文本相似度计算

本文是讲述如何使用word2vec的基础教程,文章比较基础,希望对你有所帮助! 官网C语言下载地址:http://word2vec.googlecode.com/svn/trunk/ 官网Python下载地址:http://radimrehurek.com/gensim/models/word2vec.html 1.简单介绍 参考:<Word2vec的核心架构及其应用 · 熊富林,邓怡豪,唐晓晟 · 北邮2015年> <Word2vec的工作原理及应用探究 · 周练 · 西安电子科技大学

mahout 形式转换

对于文本信息的向量化,Mahout 已经提供了工具类,它基于 Lucene 给出了对文本信息进行分析,然后创建文本向量.mahout提供下面两个命令来将文本转成向量形式(转化成向量后可以聚类):1.mahout seqdirectory:将文本文件转成SequenceFile文件,SequenceFile文件是一种二制制存储的key-value键值对,对应的源文件是org.apache.mahout.text.SequenceFilesFromDirectory.java 2.mahout se

【python gensim使用】word2vec词向量处理英文语料

word2vec介绍 word2vec官网:https://code.google.com/p/word2vec/ word2vec是google的一个开源工具,能够根据输入的词的集合计算出词与词之间的距离. 它将term转换成向量形式,可以把对文本内容的处理简化为向量空间中的向量运算,计算出向量空间上的相似度,来表示文本语义上的相似度. word2vec计算的是余弦值,距离范围为0-1之间,值越大代表两个词关联度越高. 词向量:用Distributed Representation表示词,通常

【python gensim使用】word2vec词向量处理中文语料

word2vec介绍 word2vec官网:https://code.google.com/p/word2vec/ word2vec是google的一个开源工具,能够根据输入的词的集合计算出词与词之间的距离. 它将term转换成向量形式,可以把对文本内容的处理简化为向量空间中的向量运算,计算出向量空间上的相似度,来表示文本语义上的相似度. word2vec计算的是余弦值,距离范围为0-1之间,值越大代表两个词关联度越高. 词向量:用Distributed Representation表示词,通常

word2vec词向量处理英文语料

word2vec介绍          word2vec官网:https://code.google.com/p/word2vec/ word2vec是google的一个开源工具,能够根据输入的词的集合计算出词与词之间的距离. 它将term转换成向量形式,可以把对文本内容的处理简化为向量空间中的向量运算,计算出向量空间上的相似度,来表示文本语义上的相似度. word2vec计算的是余弦值,距离范围为0-1之间,值越大代表两个词关联度越高. 词向量:用Distributed Representat

Python爬取CSDN博客文章

之前解析出问题,刚刚看到,这次仔细审查了 0 url :http://blog.csdn.net/youyou1543724847/article/details/52818339Redis一点基础的东西目录 1.基础底层数据结构 2.windows下环境搭建 3.java里连接redis数据库 4.关于认证 5.redis高级功能总结1.基础底层数据结构1.1.简单动态字符串SDS定义: ...47分钟前1 url :http://blog.csdn.net/youyou1543724847/

初学swift笔记 函数(六)

1 import Foundation 2 /* 3 func 函数名 (参数名:参数类型) { 4 5 } 6 func 函数名 (参数名:参数类型) ->Void{ 7 8 } 9 func 函数名 (参数名:参数类型) ->返回类型{ 10 11 } 12 */ 13 func show_Array(tempArray: [Int]){ 14 for a in tempArray { 15 println("\(a)") 16 } 17 18 } 19 func sh