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:$|\overrightarrow {a}\cdot\overrightarrow {e}|+|\overrightarrow {b}\cdot\overrightarrow {e}|=\max\{|(\overrightarrow {a}+\overrightarrow {b})\cdot\overrightarrow {e}|,|(\overrightarrow {a}-\overrightarrow {b})\cdot\overrightarrow {e}|\}$
故对于任意$\overrightarrow {e}$,$M=max\{|\overrightarrow {a}+\overrightarrow {b}|,|\overrightarrow {a}-\overrightarrow {b}|\}$,即
$M^2\ge|\overrightarrow {a}+\overrightarrow {b}|^2$ ; $M^2\ge|\overrightarrow {a}-\overrightarrow {b}|^2$
故$2M^2\ge|\overrightarrow {a}+\overrightarrow {b}|^2+|\overrightarrow {a}-\overrightarrow {b}|^2=2(a^2+b^2)=40$
即$M\ge 2\sqrt{5}$,当$\overrightarrow {a}\perp \overrightarrow {b}$时取到.

原文地址:https://www.cnblogs.com/mathstudy/p/10710914.html

时间: 2024-11-02 01:51:33

MT【328】向量里的最佳逼近的相关文章

R语言编程艺术# 数据类型向量(vector)

R语言最基本的数据类型-向量(vector) 1.插入向量元素,同一向量中的所有的元素必须是相同的模式(数据类型),如整型.数值型(浮点数).字符型(字符串).逻辑型.复数型等.查看变量的类型可以用typeof(x)函数查询. > #插入向量元素 > x <- c(88,5,12,13) > x [1] 88 5 12 13 > x <- c(x[1:3],168,x[4]) #插入168数字在13之前 > x [1] 88 5 12 168 13 > 2.

统计信息内幕:直方图和密度向量

有个问题:在执行计划里运算符的估计行数是42,但是你知道查询的正确行数不是42.你也听说了SQL Server使用统计信息来作此估计的?但我们怎么看懂统计信息,来理解这里的估计是怎么来的? 今天我想谈下SQL Server里的统计信息,在直方图(histogram)和密度向量(density vector)里,SQL Server内部是如何保存这些值的并用此来估计行数的. 直方图(Histogram) 首先我们来看下直方图.直方图的用途是用高效.压缩的方式存储列数据分布情况.每次当你在表上创建索

第4章:缓冲区、着色器、GLSL

原文链接: http://www.rastertek.com/gl40tut04.html Tutorial 4: Buffers, Shaders, and GLSL This tutorial will be the introduction to writing vertex and pixel shaders in OpenGL 4.0. It will also be the introduction to using vertex and index buffers in OpenG

[读书笔记]机器学习:实用案例解析(7)

第7章  优化:密码破译 优化简介:最优点(optimum),优化(optimization) 本章研究的问题:构建一个简单的密码破译系统,把解密一串密文当做一个优化问题. 优化方法:网格搜索(grid search),主要问题是1.步长的选择:2.维度灾难(Curse of Dimensionality):问题规模过大 optim函数:比网格搜索更快,可以通过已经计算出的信息推断出下一步的方向,同时对所有变量一起优化.(根据书中后文,可能的原理是根据导数得出下一步的进行方向,因为该函数对于不可

Combination Sum

一遇到这种回溯递归的,感觉脑子就成了浆糊~~ 第一点:对于不合格的元素直接返回,不在结果向量里添加任何东西,有了返回便继续下面的循环 第二点:对于某些元素可以重复无数次--采用办法下次递归的元素仍从接着上个元素. for(int j=index[n];j<candidates.size()&&(target>=candidates[j]);j++) { index[n+1]=j; class Solution { private: vector<vector<int

deep learning 自编码算法详细理解与代码实现(超详细)

在有监督学习中,训练样本是有类别标签的.现在假设我们只有一个没有带类别标签的训练样本集合 ,其中 .自编码神经网络是一种无监督学习算法,它使用了反向传播算法,并让目标值等于输入值,比如 .下图是一个自编码神经网络的示例.通过训练,我们使输出 接近于输入 .当我们为自编码神经网络加入某些限制,比如限定隐藏神经元的数量,我们就可以从输入数据中发现一些有趣的结构.举例来说,假设某个自编码神经网络的输入 是一张 张8*8 图像(共64个像素)的像素灰度值,于是 n=64,其隐藏层 中有25个隐藏神经元.

使用Python来编写一个简单的感知机

https://blog.dbrgn.ch/2013/3/26/perceptrons-in-python/ 目前,我在HSR上参加了一个神经网络和机器学习的课程,其中学习到一个最简单的神经网络模型,就是感知机(perceptronperceptronperceptron). 背景资料 最简单的神经网络的模型就是感知机分类器,它有不同的输入(x1, x2,......xn),然后有不同的权重值(w1, w2,......Wn),如下式计算: 每个对应的权重值与输入值进行相乘,再相加在一起,然后通

正则表达式及R字符串处理之终结版

转载于: 正则表达式及R字符串处理之终结版 0.动机:为什么学习字符串处理 传统的统计学教育几乎没有告诉过我们,如何进行文本的统计建模分析.然而,我们日常生活中接触到的大部分数据都是以文本的形式存在.文本分析与挖掘在业界中也有着非常广泛的应用. 由于文本数据大多属于非结构化的数据,要想对文本数据进行传统的统计模型分析,必须要经过层层的数据清洗与整理. 今天我们要介绍的『正则表达式及R字符串处理』就是用来干这一种脏活累活的. 与建立酷炫的模型比起来,数据的清洗与整理似乎是一种低档次的工作.如果把建

机器学习技法(1)--Linear Support Vector Machine

线性支持向量机. 在这种分类问题中,我们需要选一条最“胖”的线,而这条最胖的线就是margin largest的线. 我们的优化目标就是最大化这个margin.也就是在最小化每一个点到这条线的距离.这个距离怎么计算呢? 为了以后不会混淆,w0就不整合成向量w了,另外取一个新名字b.同样地,x0=1也就不用塞进x向量里了. 所以得出:h(x)=sign(wTx+b),而距离distance(x,b,w)满足wTx'+b=0 x'和x''是平面上的两个点,(x''–x')是平面上的向量,如果这个平面