线性代数的本质-08第二部分-以线性代数的眼光看叉积

叉积究竟应该如何理解呢?如何从多维空间压缩到一维空间呢?如何解读他们的坐标呢?

对偶性的思想在于:当观察到多维空间向数轴的线性变换时,它均与空间中的唯一一个向量所对应,应用线性变换和这个向量点乘等价。

数值上说:这是因为这类线性变换可以用一个只有一行的矩阵描述,而它的每一列给出了基向量变换后的位置

  • 叉积
  1. 根据向量v和向量w定义一个三维到一维的线性变换
  2. 找到它的对偶向量
  3. 说明这个对偶向量就是向量v和向量w的叉积
  • 三维向量的叉积

三维向量的叉积,并非是三个三维向量的行列式(解决了上一节内容的疑惑!)真正的三维向量的叉积接收两个向量并且输出一个向量。

  • 何为三维向量的叉积

三维向量的叉积,接收两个向量并且接收一个向量(那么等价的行列式计算应该如何描述)。

  1. 将第一个向量u看作是可变向量,比如x,y,z,而向量v和w保持不变。
  2. 此时,拥有一个三维空间到数轴的函数。
  3. 输入一个向量,通过矩阵的行列式得到一个数。

几何意义是,对于任意一个输入的向量(x,y,z),均考虑为由它和v和w确定的平行六面体。得到其体积,然后确定符号。

  • 若承认是线性的,那么矩阵的乘法可以描述这个函数了

具体描述,这个函数从三维空间到一维空间,会存在一个1×3的矩阵代表这个变换。

对偶性的角度考虑,从多维空间到一维空间的变换的特别之处在于,可以将整个矩阵树立起来,将整个过程看作与这个特定向量的点积。

~~~~~~~~~~~~~~~~~~~~~~~以上思考过程是核心的理解过程~~~~~~~~~~~~~~~~~~~~~~~~~~~~

在此,我们拥有一个从三维空间到数轴的函数了。

输入一个向量(x,y,z),然后通过矩阵的行列式得到一个数。

函数的几何意义是,对于任意输入向量(x,y,z),均考虑为由它和v与w确定的平行六面体,得到其体积然后根据取向确定符号。

  • 几何理解

前言考虑:将向量p与向量(x,y,z)点乘时,所得结果等于一个由(x,y,z)和v与w向量确定的平行六面体的有向体积,那么什么样的向量p可以满足这一特殊性质。

  1. 按照几何角度分析,如果最后结果是平行六面体的体积,那么向量p的模长应该等于v与w向量张成平面的面积。
  2. 其次,向量p的方向应该与平行四边形所在的面垂直,以此保证向量p与向量(x,y,z)点乘时,向量(x,y,z)恰好映射到向量p为高。(棒!画个图一目了然)

~~~~~~~~~~~~~~~~~~~~~~~下面听解答~~~~~~~~~~~~~~~~~~~~~~~~~~~

  1. 思考方式,是这样应该无误了,并且以此说明向量p应该是唯一确定的(前提是必须垂直于平面,并且垂直平面是认为设定的)。
  • 有趣的弹幕
  1. 当u取原点时,这一变换会使之缩到原点,因为平行六面体已经没有高了。
  2. 根据相似原理,当u在一条直线上运动时,这个平行六面体的体积与u的长度呈正比。
  3. 所以在这条直线上等距离取u时,这一变换会使得这些点在数轴上等距离分布。
  4. 根据前面点积的介绍,这是一个线性变换
  • 有趣的评论区
  1. 其实向量积并不是线性空间内禀的东西,不像内积,总是可以良好的定义的。如果追根究底的话,会涉及的“外代数”这种非交换代数(因为非交换,所以才要有右手定则)。向量积只有在三维向量空间才能定义,理由也只不过是Λ^2(R^3)恰巧同构于R^3而已。
  2. 对于某些【x y z】,使得这个等式成立的p可能不需要垂直于vw平面,但是考虑对于所有任意的【xi yi zi】,如果p使得这个等式成立,那么p一定是垂直于vw平面的。不知道这么说你能理解不……(某位同学回答一位纠结于P可以不垂直平面而得到无数个P的同学)
  3. 评论区好多内容,说的大体相同,我就粘帖一个话最少的吧。点积与叉积有一个相似之处就是能够将原本三维的向量转化为一个常数(constant),尽管叉积和点积所产生的常数意义是不一样的(叉积出的数是面积,点积出的数是一个向量的投影长度与另一个向量长度之积),但是这两种积(product)是否存在某种联系呢?作者引入了这样一个模型来探究点积与叉积的关系:在三维空间中一个任意向量(x y z)与一个待求向量P相点乘时,若其结果,与该任意向量(x y z)与两个已知向量(v1 v2 v3)(w1 w2 w3)相叉乘的结果相等时,试问:待求向量P与已知的两个已知向量(v1 v2 v3)(w1 w2 w3)有什么关系?这个问题的答案是:向量P的大小(长度)在数值上等于两个已知向量(v1 v2 v3)(w1 w2 w3)所围成的平行四边形的面积,向量P的方向垂直于两个已知向量(v1 v2 v3)(w1 w2 w3)所在的平面。综上:一个三维向量与两个已知三维向量的叉积,等效于这个三维向量点乘一个这样的向量:它的大小(长度)等于前两个已知向量所谓乘图形的面积,它的方向垂直于两个已知向量所在平面的向量;这就是点积与叉积的相关联之处。OK,完。

原文地址:https://www.cnblogs.com/sky-z/p/9494738.html

时间: 2024-10-01 05:06:40

线性代数的本质-08第二部分-以线性代数的眼光看叉积的相关文章

线性代数的本质

线性代数的本质 文/冯波 线性代数课程,无论你从行列式入手还是直接从矩阵入手,从一开始就充斥着莫名其妙. 比如说,在全国一般工科院系教学中应用最广泛的同济线性代数教材(现在到了第四版),一上来就介绍逆序数这个古怪概念,然后用逆序数给出行列式的一个极不直观的定义,接着是一些简直犯傻的行列式性质和习题——把这行乘一个系数加到另一行上,再把那一列减过来,折腾得那叫一个热闹,可就是压根看不出这个东西有嘛用. 大多数像我一样资质平庸的学生到这里就有点犯晕:连这是个什么东西都模模糊糊的,就开始钻火圈表演了,

线性代数的本质与几何意义 02. 线性组合、张成的空间、基(3blue1brown 咪博士 图文注解版)

1. 线性组合 接下来我们要换一个角度来看向量.以二维平面直角坐标系为例,i, j 分别是沿 2 个坐标轴方向的单位向量.那么坐标平面上的其他向量,例如 [ 3  -2 ] [3?与 i, j 是什么关系呢? 将向量 i 沿水平向右的方向拉升 3 倍,向量 j 沿竖直向下的方向拉升 2 倍 这样,我们可以将向量 [ 3  -2 ] [3?2] 看成是将向量 i, j 缩放后再相加的结果 向量 i, j 称为基向量,其他向量都可以通过对基向量缩放再相加的方法构造出来.基向量缩放的倍数对应向量的各个

线性代数的本质(0)

线性代数可以说是在机器学习最最重要的数学工具,也是最最重要的思考方式.学懂了线性代数,机器学习就会变得十分清晰明了.所以明白线性代数的本质是很有必要的,你会明白所有的操作是为了什么,所有变换是怎么进行的,这对我们学习机器学习是很有帮助的. 线性代数的本质(视频) 该系列视频我觉得非常值得推荐,它阐述了大学老师根本不会跟你讲的一些线性代数的理解,让你知道究竟行列式在算什么(很多人学完了只知道行列式怎么算,却不知道行列式有什么意义),还有矩阵乘法为什么是这样的法则,矩阵的秩到底是什么-- 看完之后,

【线性代数的本质】行列式、逆矩阵、列空间、秩、零空间

线性代数的本质,源视频 https://www.bilibili.com/video/BV1ys411472E 目录 行列式 逆矩阵 秩 列空间与零空间 非方阵 行列式 我们已经知道了矩阵的线性变换的意义,我们这节来学习行列式. 我们现在想象一些线性变换,有一些将空间向外拉伸,有些将空间向内挤压. 我们需要测量一个区域被拉伸或者被挤压的程度将会很有用,更具体一点,也就是测量一个给定的区域面积增大或者减小的比例. 比如下面这样的线性变换矩阵,将原来面积为 1 的区域变成了长度为 3 宽度为 2 的

数据结构第二讲:线性结构

参考:浙大数据结构(陈越.何钦铭)课件 1.线性表及其实现 有一个很好的问题可以方便的说明引入链表的好处,那就是一元多项式:f(x) = a0 + a1x + an-1xn-1 + anxn 的表示及运算(两个多项式相加/相减/相乘等),显然我们可以利用数组来解决这个问题,两个多项式相加就是两个数组对应分量相加.但是这引入了一个很严重的问题,如何表示多项式x + 3x2000呢?开这么大的数组明显会造成空间浪费. 解决上面遗留的问题的一个方法是用结构数组按指数大小有序存储,每一个数组元素维护两个

数据结构读书笔记----------第二章 线性表

2.1 线性表的定义 线性结构的特点是数据元素之间是一种线性关系,在一个线性表中,数据元素的类型是相同的,或者说线性表是由同一类型的数据元素构成的线性结构.综上所诉:线性表是具有相同数据类型的n(n>=0)个数据元素的有限序列. 2.2 线性表的顺序存储以及运算实现 //线性顺序存储的定义 #define Maxsize 100 typedef int DataType; typedef struct { DataType data[Maxsize]; int last; //用来记录线性表中最

线性代数的本质-07-点积与对偶性

这两天学习状态不佳,苦恼!~点积所发挥的作用只能够从线性变换的角度去完成. 向量w,v的点积 相当于向量w朝着过原点的向量v在直线上的投影,而后将投影的长度与向量v的长度相乘. 向量方向相同时,点积为正;向量方向相反时,点积为负;当它们互相垂直时,一个向量在另一个向量上的投影为零向量. 点积与计算顺序无关,对偶性 点积相乘与计算顺序无关,即互相投影不影响计算结果. 原因在于:按照对称性的角度出发,看两个向量.无论谁映射向谁,当发生伸缩变换时,要么投影改变伸缩大小比例,要么被映射向量改变伸缩大小比

线性代数的本质-04补充-三维空间中的线性变换

二维空间向三维空间中扩展,暂且没有感觉有哪些难度,听听视频中是怎么说的? 弹幕刚刚开始,已经有同学理解了矩阵的逆求法的原理,虎躯一震! 按下暂停键思考了一会儿,逆的求法暂且不懂如何变换得来,但是逆的概念应该是反方向变换过程,逆和本身相乘应该是一个没有变换的过程(矩阵考虑成为线性变换),也就是回到最初的初始状态E. 三维矩阵相乘 三维矩阵相乘,同样理解成为线性变换的复合变换,但是并不如二维直观. 原文地址:https://www.cnblogs.com/sky-z/p/9463721.html

【线性代数的本质】序言

·几何水平有助于判断解决特定问题需要用什么样的工具,感受到他们为何有用,如何解读最终结果.数值水平则是顺利应用工具. ·目录 原文地址:https://www.cnblogs.com/vincent1997/p/10295796.html