向量的内、外积及其几何含义

一、向量的内积(点乘)

定义

概括地说,向量的内积(点乘/数量积)。对两个向量执行点乘运算,就是对这两个向量对应位一一相乘之后求和的操作,如下所示,对于向量a和向量b:

 

a和b的点积公式为:

这里要求一维向量a和向量b的行列数相同。注意:点乘的结果是一个标量(数量而不是向量)

定义:两个向量ab的内积为 a·b = |a||b|cos∠(a, b),特别地,0·a =a·0 = 0;若ab是非零向量,则ab****正交的充要条件是a·b = 0。

向量内积的性质:

  1. a^2 ≥ 0;当a^2 = 0时,必有a = 0. (正定性)
  2. a·b = b·a. (对称性)
  3. a + μbc = λa·c + μb·c,对任意实数λ, μ成立. (线性)
  4. cos∠(a,b) =a·b/(|a||b|).
  5. |a·b| ≤ |a||b|,等号只在ab共线时成立.

向量内积的几何意义

内积(点乘)的几何意义包括:

  1. 表征或计算两个向量之间的夹角
  2. b向量在a向量方向上的投影

有公式:

推导过程如下,首先看一下向量组成:

定义向量c

根据三角形余弦定理(这里a、b、c均为向量,下同)有:

根据关系c=a-b有:

即:

a∙b=|a||b|cos⁡(θ)

向量a,b的长度都是可以计算的已知量,从而有a和b间的夹角θ:

θ=arccos⁡(a∙b|a||b|)

进而可以进一步判断两个向量是否同一方向或正交(即垂直)等方向关系,具体对应关系为:

a∙b>0→方向基本相同,夹角在0°到90°之间 
a∙b=0→ 正交,相互垂直 
a∙b<0→ 方向基本相反,夹角在90°到180°之间

二、向量的外积(叉乘)

定义

概括地说,两个向量的外积,又叫叉乘、叉积向量积,其运算结果是一个向量而不是一个标量。并且两个向量的外积与这两个向量组成的坐标平面垂直。

定义:向量ab的外积a×b是一个向量,其长度等于|a×b| = |a||b|sin∠(a,b),其方向正交于ab。并且,(a,b,a×b)构成右手系。 
特别地,0×a = a×0 = 0.此外,对任意向量aa×a=0

对于向量a和向量b:

a和b的外积公式为:

其中:

根据i、j、k间关系,有:

向量外积的性质

  1. a × b = -b × a. (反称性)
  2. a + μb) × c = λ(a ×c) + μ(b ×c). (线性)

向量外积的几何意义

在三维几何中,向量a和向量b的外积结果是一个向量,有个更通俗易懂的叫法是法向量,该向量垂直于a和b向量构成的平面。

在3D图像学中,外积的概念非常有用,可以通过两个向量的外积,生成第三个垂直于a,b的法向量,从而构建X、Y、Z坐标系。如下图所示:

在二维空间中,外积还有另外一个几何意义就是:|a×b|在数值上等于由向量a和向量b构成的平行四边形的面积。

 

### 向量点积的几何意义 向量点积不仅是一种代数运算,还具有深刻的几何含义。其几何意义主要体现在以下几个方面: #### 1. 表征两个向量之间的投影关系 从几何角度来看,向量 **a** 和 **b** 的点积可以表示为: \[ a \cdot b = \|a\| \|b\| \cos{\theta} \] 其中,\(\|a\|\) 是向量 \(a\) 的模,\(\|b\|\) 是向量 \(b\) 的模,而 \(\theta\) 则是两向量之间的夹角[^1]。 这意味着点积的结果反映了其中一个向量在另一个向量上的投影长度以及它们的方向一致性。如果两向量方向一致,则点积最大;反之,当两者垂直时,点积为零[^2]。 #### 2. 计算向量夹角的余弦值 通过上述公式可得: \[ \cos{\theta} = \frac{a \cdot b}{\|a\| \|b\|} \] 因此,利用点积可以直接计算出两向量间的夹角大小,这对于判断向量间的角度关系非常有用。 --- ### 向量点积的应用场景 由于点积能够反映向量之间角度的关系及其相互作用强度,它被广泛应用于多个领域中: #### 1. 物理学中的力与功 在物理学里,做功的概念可以通过点积来描述。假设施加了一个恒定力量 F 并沿位移 s 移动物体,则所做的总功 W 可由下述方程给出: \[ W = F \cdot s = |F||s|\cos{\phi} \] 这里 φ 即代表力矢量和路径矢量所形成之锐角。 #### 2. 图像处理与计算机图形学 图像特征提取过程中常需衡量不同像素区域间的相似程度,此时便可借助于点积完成这一任务。另外,在渲染技术当中也需要频繁运用到该方法来进行光照效果模拟等操作[^3]。 #### 3. 数据挖掘与机器学习 特别是在高维数据空间分析时,比如聚类算法或者分类模型构建阶段都会涉及到样本点距离测量等问题解决办法之一就是采用基于欧氏范式的最近邻准则——而这本质上也是建立在两点差值构成的新向量与其自身作内积基础之上得出结论的过程[^4]。 ```python import numpy as np # Example of calculating dot product and angle between two vectors v1 = np.array([1, 2]) v2 = np.array([3, 4]) dot_product = np.dot(v1, v2) magnitude_v1 = np.linalg.norm(v1) magnitude_v2 = np.linalg.norm(v2) cos_theta = dot_product / (magnitude_v1 * magnitude_v2) angle_rad = np.arccos(cos_theta) angle_deg = np.degrees(angle_rad) print(f"Dot Product: {dot_product}") print(f"Cosine Value: {cos_theta:.4f}, Angle in Degrees: {angle_deg:.2f}") ``` ---
评论 3
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