向量积

 

向量积,也被称为叉积(即交叉乘积)、外积,是一种在向量空间向量二元运算。与点积不同,它的运算结果是一个伪向量而不是一个标量。并且两个向量的叉积与这两个向量都垂直

定义

两个向量 a 和 b 的叉积写作 a × b (有时也被写成 a ∧ b,避免和字母 x 混淆)。叉积可以被定义为:

/mathbf{a}/times/mathbf{b} = /mathbf/hat{n} /left| /mathbf{a} /right| /left| /mathbf{b} /right| /sin /theta

在这里 θ 表示 a 和 b 之间的角度(0° ≤ θ ≤ 180°),它位于这两个矢量所定义的平面上。而 n 是一个与 a 和 b 均垂直单位矢量

这个定义有一个问题,就是同时有两个单位向量都垂直于 a 和 b:若 n 满足垂直的条件,那么 -n 也满足。

“正确”的向量由向量空间的方向确定,即按照给定直角坐标系 (ijk) 的左右手定则。若 (ijk) 满足右手定则,则 (aba × b) 也满足右手定则;或者两者同时满足左手定则

一个简单的确定满足“右手定则”的结果向量的方向的方法是这样的:若坐标系是满足右手定则的,/mathbf{c} = /mathbf{a}/times/mathbf{b}当右手的四指从a以不超过180度的转角转向b时,竖起的大拇指指向是c的方向。由于向量的叉积由坐标系确定,所以其结果被称为伪向量

下图表示一个右手坐标系中的叉积:

Crossproduct.png

性质

几何意义

叉积的长度 |a × b| 可以解释成以 a 和 b 为边的平行四边形面积。进一步就是说,三重积可以得到以 abc 为边的平行六面体体积

代数性质

/mathbf{a}/times/mathbf{b}=/mathbf{-b}/times/mathbf{a}
a × ( b +  c) =  a ×  b +  a ×  c
  • 与标量乘法兼容:
( r a) ×  b =  a × ( r b) =  r( a ×  b)
a × ( b ×  c) +  b × ( c ×  a) +  c × ( a ×  b) =  0

分配律,线性性和雅可比恒等式别表明:具有向量加法和叉积的 R3 构成了一个李代数

  • 两个非零向量 a 和 b 平行,当且仅当 a × b = 0

拉格朗日公式

  • 这是一个著名的公式,而且非常有用:
a × ( b ×  c) =  b( a ·  c) −  c( a ·  b),

可以简单地记成“BAC - CAB”。这个公式在物理上简化向量运算非常有效。需要注意的是,这个公式对微分算子不成立。

这里给出一个和梯度相关的一个情形:

 /begin{matrix}
 /nabla /times (/nabla /times /mathbf{f}) 
&=& /nabla      (/nabla /cdot  /mathbf{f} ) 
 - (/nabla /cdot /nabla) /mathbf{f}  //
&=& /mbox{grad }(/mbox{div }   /mathbf{f} )
 - /mbox{laplacian }     /mathbf{f}.
/end{matrix}

这是一个霍奇拉普拉斯算子霍奇分解 /Delta = d /partial + /partial d 的特殊情形。

  • 另一个有用的拉格朗日恒等式是:
 |a /times b|^2 + |a /cdot b|^2 = |a|^2 |b|^2.

这是一个在四元数代数中范数乘法 vw | = | v | | w | 的特殊情形。

矩阵形式

给定直角坐标系的单位向量 ijk 满足下列等式:

i ×  j =  k            j ×  k =  i            k ×  i =  j

通过这些规则,两个向量的叉积的坐标可以方便地计算出来,不需要考虑任何角度:设

a =  a 1 i +  a 2 j +  a 3 k = [ a 1a 2a 3]
b =  b 1 i +  b 2 j +  b 3 k = [ b 1b 2b 3]

a ×  b = [a 2b 3 − a 3b 2, a 3b 1 − a 1b 3, a 1b 2 − a 2b 1]

上述等式可以写成矩阵行列式的形式:

/mathbf{a}/times/mathbf{b}=/det /begin{bmatrix} 
/mathbf{i} & /mathbf{j} & /mathbf{k} //
a_1 & a_2 & a_3 //
b_1 & b_2 & b_3 //
/end{bmatrix}

叉积也可以用四元数来表示。注意到上述 ijk 之间的叉积满足四元数的乘法。一般而言,若将向量 [a1a2a3] 表示成四元数 a1i + a2j + a3k,两个向量的叉积可以这样计算:计算两个四元数的乘积得到一个四元数,并将这个四元数的实部去掉,即为结果。更多关于四元数乘法,向量运算及其几何意义请参见四元数与空间旋转

高维情形

七维向量的叉积可以通过八元数得到,与上述的四元数方法相同。

七维叉积具有与三维叉积相似的性质:

x × (a y + b z) = a x ×  y + b x ×  z
(a y + b z) ×  x = a y ×  x + b z ×  x.
  • 反交换律:
x ×  y +  y ×  x =  0
  • 同时与 x 和 y 垂直:
x · ( x ×  y) =  y · ( x ×  y) = 0
  • 拉格朗日恒等式
| x ×  y| 2 = | x| 2 | y| 2 − ( x ·  y) 2.
  • 不同于三维情形,它并不满足雅可比恒等式:
x × ( y ×  z) +  y × ( z ×  x) +  z × ( x ×  y) ≠  0

应用

在物理学光学计算机图形学中,叉积被用于求物体光照相关问题。

求解光照的核心在于求出物体表面法线,而叉积运算保证了只要已知物体表面的两个非平行矢量(或者不在同一直线的三个点),就可依靠叉积求得法线

 

 

from:http://zh.wikipedia.org/wiki/向量积

<think>嗯,用户现在问的是点向量,我之前已经帮他们解答了关于Pandas的iloc用法。现在需要看看他们的新问题具体需要什么。首先,点向量都是向量运算,但应用场景和数学定义不同。用户可能是在学习线性代数或者机器学习,需要区分这两个概念。 用户可能是学生,或者在准备考试,或者在处理工程或物理中的问题。需要确定他们是否了解向量的基本概念,比如向量的表示、维数等。点的结果是标量,而向量的结果是向量,这点很重要。要解释清楚两者的计算方式、几何意义以及应用场景。 要注意用户可能混淆点向量,尤其是在三维空间中,向量的方向由右手定则确定,而点则涉及夹角的余弦。可能需要用例子来帮助理解,比如物理中的做功和力矩。同时,用户可能想知道在编程中如何实现这两种运算,比如在NumPy中的函数。 要确保回答结构清晰,分步骤解释,每个部分都有数学公式和实际例子。检查是否需要用LaTeX正确表示公式,比如点的公式$ \mathbf{a} \cdot \mathbf{b} = |\mathbf{a}||\mathbf{b}| \cos\theta $,以及向量的公式$ \mathbf{a} \times \mathbf{b} = |\mathbf{a}||\mathbf{b}| \sin\theta \, \mathbf{n} $。还要注意向量的维度,点适用于任意维度,而向量通常只在三维空间定义。 另外,用户可能想知道两者的区别和联系,所以在总结部分要对比它们的关键点。是否需要提供更多应用实例,比如计算机图形学中的使用,或者机器学习中的特征相似度计算?可能用户需要这些例子来加深理解。 最后,确认回答是否符合之前的系统级指令,特别是LaTeX格式是否正确,独立公式用$$...$$,行内公式用$...$。结构是否清晰,分步骤讲解,是否有注意事项或常见错误。可能需要提醒用户注意向量的方向,以及点的交换律和向量的反交换律。</think>让我们逐步理解**点(Dot Product)**和**向量(Cross Product)**的核心区别与应用: --- ### 一、点(Dot Product) **定义**:两个向量的对应分量相乘后求和,结果为**标量** **公式**: $$ \mathbf{a} \cdot \mathbf{b} = a_1b_1 + a_2b_2 + \cdots + a_nb_n $$ 或等价于几何形式: $$ \mathbf{a} \cdot \mathbf{b} = \|\mathbf{a}\| \|\mathbf{b}\| \cos\theta $$ 其中 $\theta$ 为两向量夹角 **特性**: 1. **交换律**:$\mathbf{a} \cdot \mathbf{b} = \mathbf{b} \cdot \mathbf{a}$ 2. **分配律**:$\mathbf{a} \cdot (\mathbf{b} + \mathbf{c}) = \mathbf{a} \cdot \mathbf{b} + \mathbf{a} \cdot \mathbf{c}$ 3. **正交性**:若 $\mathbf{a} \cdot \mathbf{b} = 0$,则两向量垂直 **应用场景**: - 计算向量间的夹角(通过 $\cos\theta = \frac{\mathbf{a} \cdot \mathbf{b}}{\|\mathbf{a}\| \|\mathbf{b}\|}$) - 物理中计算功($W = \mathbf{F} \cdot \mathbf{d}$) - 机器学习中的特征相似度(如余弦相似度) --- ### 二、向量(Cross Product) **定义**:仅适用于**三维向量**,生成一个与两原始向量均垂直的新向量,结果为**向量** **公式**: $$ \mathbf{a} \times \mathbf{b} = \|\mathbf{a}\| \|\mathbf{b}\| \sin\theta \, \mathbf{n} $$ 其中 $\mathbf{n}$ 为右手定则确定的单位法向量 **分量计算**(三维向量 $\mathbf{a} = (a_1,a_2,a_3),\ \mathbf{b}=(b_1,b_2,b_3)$): $$ \mathbf{a} \times \mathbf{b} = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ a_1 & a_2 & a_3 \\ b_1 & b_2 & b_3 \end{vmatrix} $$ **特性**: 1. **反交换律**:$\mathbf{a} \times \mathbf{b} = -\mathbf{b} \times \mathbf{a}$ 2. **方向性**:结果向量方向由右手定则确定 3. **正交性**:结果向量与 $\mathbf{a}$、$\mathbf{b}$ 均垂直 **应用场景**: - 计算力矩($\boldsymbol{\tau} = \mathbf{r} \times \mathbf{F}$) - 电磁学中的洛伦兹力方向判断 - 计算机图形学中求表面法向量 --- ### 三、对比总结 | **属性** | **点** | **向量** | |----------------|--------------------------|---------------------------| | **结果类型** | 标量 | 向量 | | **维度限制** | 任意维度 | 仅三维空间 | | **几何意义** | 投影长度与模长的乘 | 平行四边形的面与方向 | | **正交性判断** | 结果为0时向量垂直 | 结果为0时向量平行 | | **交换律** | 成立 | 不成立(符号相反) | --- ### 四、示例演示 **点**: $\mathbf{a} = (1, 2, 3),\ \mathbf{b} = (4, 5, 6)$ 计算:$1 \times 4 + 2 \times 5 + 3 \times 6 = 32$ **向量**: $\mathbf{a} = (1, 0, 0),\ \mathbf{b} = (0, 1, 0)$ 计算: $$ \mathbf{a} \times \mathbf{b} = \begin{vmatrix} \mathbf{i} & \mathbf{j} & \mathbf{k} \\ 1 & 0 & 0 \\ 0 & 1 & 0 \end{vmatrix} = (0, 0, 1) $$ --- ### 五、注意事项 1. **向量的方向**需严格遵循右手定则 2. 点在编程中常用`np.dot(a, b)`(NumPy),向量用`np.cross(a, b)` 3. 高维空间中向量需通过其他方式扩展(如外) 是否需要进一步解释物理意义或编程实现? 😊
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值