两个向量所在平面的法线,外积,叉积,行列式

偶尔在一个数学题里面看到求两向量所在平面的法线,常规方法可以通过法线与两向量垂直这一特点,列两个方程求解;另外一种方法可以通过求解两个向量的叉积,用矩阵行列式 (determinant) 的方式,之前还没见过,在这篇博客里记录下。

两个向量的叉积(cross product),又称作外积,表达式为:

a × b = ∥ a ∥ ∥ b ∥ sin ⁡ θ \mathbf{a}\times\mathbf{b}=\|a\|\|b\|\sin\theta a×b=a∥∥bsinθ

它的几何意义就是这两个向量所在平面的法线,其中 θ \theta θ 为两向量的夹角,法线的长度为这两个向量形成的平行四边形的面积。(两个向量点积的表达式为: a ⋅ b = ∥ a ∥ ∥ b ∥ cos ⁡ θ \mathbf{a}\cdot\mathbf{b}=\|a\|\|b\|\cos\theta ab=a∥∥bcosθ

  • 叉积本质上是一个几何运算,用来构造一个垂直于两个给定向量的向量,并且其长度为两个向量所构成的平行四边形的面积
    在这里插入图片描述
    向量叉积的方向根据右手定则确定。

具体在求解上,求解矩阵行列式非常方便,假如为三维向量,
a × b = ∣ i j k a 1 a 2 a 3 b 1 b 2 b 3 ∣ = ( a 2 b 3 − a 3 b 2 ) i + ( a 3 b 1 − a 1 b 3 ) k + ( a 1 b 2 − a 2 b 1 ) k \mathbf{a}\times\mathbf{b}= \begin{vmatrix} i&j&k\\ a_1&a_2&a_3\\ b_1&b_2&b_3\\ \end{vmatrix}=(a_2b_3-a_3b_2)i+(a_3b_1-a_1b_3)k+(a_1b_2-a_2b_1)k a×b= ia1b1ja2b2ka3b3 =(a2b3a3b2)i+(a3b1a1b3)k+(a1b2a2b1)k

其中, i , j , k i,j,k i,j,k 为叉积所在坐标系各个坐标轴的单位向量。因此,根据上面的计算,叉积向量可以表示为:

( a 2 b 3 − a 3 b 2 , a 3 b 1 − a 1 b 3 , a 1 b 2 − a 2 b 1 ) \big(a_2b_3-a_3b_2,~~ a_3b_1-a_1b_3, ~~a_1b_2-a_2b_1\big) (a2b3a3b2,  a3b1a1b3,  a1b2a2b1)

为什么可以这样求?这跟叉积,点积以及行列式,余子式的几何意义有关。(其实有点复杂)

  • 三个向量行列式的几何意义是这三个向量形成的平行六面体的体积,

在这里插入图片描述

  • 两个向量行列式的几何意义是这两个向量形成的平行四边形的面积
  • 计算行列式的展开就是把整个三维体积拆解为不同的二维平行四边形的面积和相应方向上的高度的加权和

∣ i j k a 1 a 2 a 3 b 1 b 2 b 3 ∣ = ∣ a 2 a 3 b 2 b 3 ∣ i + ∣ a 1 a 3 b 1 b 3 ∣ j + ∣ a 1 a 2 b 1 b 2 ∣ k (1) \begin{vmatrix} i&j&k\\ a_1&a_2&a_3\\ b_1&b_2&b_3\\ \end{vmatrix}=\begin{vmatrix}a_2&a_3\\b_2&b_3\end{vmatrix}i+\begin{vmatrix}a_1&a_3\\b_1&b_3\end{vmatrix}j+\begin{vmatrix}a_1&a_2\\b_1&b_2\end{vmatrix}k\tag{1} ia1b1ja2b2ka3b3 = a2b2a3b3 i+ a1b1a3b3 j+ a1b1a2b2 k(1)

  • 三个向量组成的平行多面体有一个体积公式
    V = ∣ c ⋅ ( a × b ) ∣ V=|\mathbf{c}\cdot(\mathbf{a}\times \mathbf{b})| V=c(a×b)

将向量 c \mathbf{c} c 看成 ( i , j , k ) (i,j,k) (i,j,k)

而叉积向量 a × b \mathbf{a}\times \mathbf{b} a×b 看成 ( ∣ a 2 a 3 b 2 b 3 ∣ , ∣ a 1 a 3 b 1 b 3 ∣ , ∣ a 1 a 2 b 1 b 2 ∣ ) (\begin{vmatrix}a_2&a_3\\b_2&b_3\end{vmatrix},~~\begin{vmatrix}a_1&a_3\\b_1&b_3\end{vmatrix},~~\begin{vmatrix}a_1&a_2\\b_1&b_2\end{vmatrix}) ( a2b2a3b3 ,   a1b1a3b3 ,   a1b1a2b2 ), 可以得到公式 (1),因此可以使用行列式来计算叉积!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/437974.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

【计算机网络】传输层UDP和TCP协议

目录 再谈端口号端口号范围划分认识知名端口号查看知名端口号两个问题 UDP协议UDP特点UDP的缓冲区基于UDP的应用层协议 TCP协议TCP协议格式确认应答机制超时重传机制连接管理机制(三次握手与四次挥手)理解TIME_WAIT状态理解CLOSE_WAIT状态滑动窗口快重传…

【C++】迭代器失效问题解析

✨ Blog’s 主页: 白乐天_ξ( ✿>◡❛) 🌈 个人Motto:他强任他强,清风拂山冈! 🔥 所属专栏:C深入学习笔记 💫 欢迎来到我的学习笔记! 一、迭代器失效的概念 迭代器的作用…

【PyTorch】生成对抗网络

生成对抗网络是什么 概念 Generative Adversarial Nets,简称GAN GAN:生成对抗网络 —— 一种可以生成特定分布数据的模型 《Generative Adversarial Nets》 Ian J Goodfellow-2014 GAN网络结构 Recent Progress on Generative Adversarial Networks …

Python | Leetcode Python题解之第450题删除二叉搜索树中的节点

题目: 题解: class Solution:def deleteNode(self, root: Optional[TreeNode], key: int) -> Optional[TreeNode]:cur, curParent root, Nonewhile cur and cur.val ! key:curParent curcur cur.left if cur.val > key else cur.rightif cur i…

解决Excel时出现“被保护单元格不支持此功能“的解决办法,详细喂饭级教程

今天有个朋友发过来一个excel文件,本来想修改表格的内容,但是提示,被保护单元格不支持此功能,对于这个问题,找到一个解决方法,现记录下来,分享给有需要的朋友。 表格文件名为aaa.xls,以WPS为例。…

什么是转义字符

1.什么是转义字符 转义字符是一组特殊的字符&#xff0c;转义字符顾名思义就是&#xff1a;转变原来的意思。 比如&#xff1a;我们有一组字符&#xff0c;其中的n能完整的打印出来&#xff0c;如下&#xff1a; #include <stdio.h> int main() { printf("asnfd&…

Typora解决图片复制到其他博客平台,解决图片显示转存失败(CSDN除外)

目录 一、Typora这个Markdown编辑器的确好用1.1 安装 二、 问题“图片转存失败”2.1 问题具体显示如下&#xff1a;2.2 问题分析&#xff1a;其实就是图片在typora里面是使用的本地路径&#xff0c;因此不显示&#xff0c; 三、解决方案3.1打开Typora&#xff0c;按下述图片显示…

【Verilog学习日常】—牛客网刷题—Verilog企业真题—VL74

异步复位同步释放 描述 题目描述&#xff1a; 请使用异步复位同步释放来将输入数据a存储到寄存器中&#xff0c;并画图说明异步复位同步释放的机制原理 信号示意图&#xff1a; clk为时钟 rst_n为低电平复位 d信号输入 dout信号输出 波形示意图&#xff1a; 输入描…

网络原理-数据链路层

在这一层中和程序员距离比较遥远&#xff0c;除非是做交换机开发&#xff0c;否则不需要了解数据链路层 由AI可知&#xff1a; 数据链路层&#xff08;Data Link Layer&#xff09;是OSI&#xff08;Open Systems Interconnection&#xff09;七层网络模型中的第二层&#xff0…

Elasticsearch 开放推理 API 增加了对 Google AI Studio 的支持

作者&#xff1a;来自 Elastic Jeff Vestal 我们很高兴地宣布 Elasticsearch 的开放推理 API 支持 Gemini 开发者 API。使用 Google AI Studio 时&#xff0c;开发者现在可以与 Elasticsearch 索引中的数据进行聊天、运行实验并使用 Google Cloud 的模型&#xff08;例如 Gemin…

用网络分析仪测试功分器驻波的5个步骤

在射频系统中&#xff0c;功分器的驻波比直接关系到信号的稳定性和传输效率。本文将带您深入了解驻波比的测试方法和影响其结果的因素。 一、功分器驻波比 驻波(Voltage Standing Wave Ratio)&#xff0c;简称SWR或VSWR&#xff0c;是指频率相同、传输方向相反的两种波&#xf…

TCN模型实现电力数据预测

关于深度实战社区 我们是一个深度学习领域的独立工作室。团队成员有&#xff1a;中科大硕士、纽约大学硕士、浙江大学硕士、华东理工博士等&#xff0c;曾在腾讯、百度、德勤等担任算法工程师/产品经理。全网20多万粉丝&#xff0c;拥有2篇国家级人工智能发明专利。 社区特色&a…

macOS 开发环境配置与应用开发

✅作者简介&#xff1a;2022年博客新星 第八。热爱国学的Java后端开发者&#xff0c;修心和技术同步精进。 &#x1f34e;个人主页&#xff1a;Java Fans的博客 &#x1f34a;个人信条&#xff1a;不迁怒&#xff0c;不贰过。小知识&#xff0c;大智慧。 &#x1f49e;当前专栏…

mfc140u.dll缺失?快速解决方法全解析,解决mfc140u.dll错误

当你的电脑出现找不到mfc140u.dll的问题&#xff0c;不少用户在使用电脑时陷入了困扰。这个错误提示就像一道屏障&#xff0c;阻挡了用户正常使用某些软件。无论是办公软件、游戏还是专业的设计工具&#xff0c;一旦出现这个问题&#xff0c;都会导致软件无法正常运行。如果您也…

【AIGC】内容创作——AI文字、图像、音频和视频的创作流程

我的主页&#xff1a;2的n次方_ 近年来&#xff0c;生成式人工智能&#xff08;AIGC&#xff0c;Artificial Intelligence Generated Content&#xff09;技术迅速发展&#xff0c;彻底改变了内容创作的各个领域。无论是文字、图像、音频&#xff0c;还是视频&#xff0c;A…

【分布式微服务云原生】windows+docker+mysql5.7.44一主一从主从复制

目录 1. 主库设置2. 从库设置3. 验证主从复制内容汇总表格 摘要&#xff1a; 在Windows系统上通过Docker部署MySQL主从复制&#xff0c;以下是详细的步骤和命令&#xff0c;帮助你设置一主一从的MySQL复制环境。 1. 主库设置 步骤1&#xff1a;运行MySQL主库容器 docker run …

如何在 DAX 中计算多个周期的移动平均线

在 DAX 中计算移动聚合很容易。但是&#xff0c;计算一段时间内的移动平均值时会有一些陷阱。由于其中一些陷阱是定义问题&#xff0c;因此我们必须小心&#xff0c;不要选择错误的方法。让我们看看细节。欢迎来到雲闪世界。 添加图片注释&#xff0c;不超过 140 字&#xff08…

一种路径敏感的数据依赖分析算法

Falcon 1.方法1.1.Basic Rule1.2.改进算法1.3.跨函数分析 2.Evaluation2.1.设置2.2.value-flow分析2.3.Thin Slicing2.4.Bug Detection 参考文献 这篇工作发表于PLDI 24&#xff0c;提出了一种context- 以semi-path-sensitive的数据依赖分析算法&#xff0c;解决path-sensitive…

css中背景色、背景图的使用

1、同时使用背景色、背景图片 参考链接&#xff1a;链接 以下样式&#xff0c;背景色在图片下方(缺点&#xff1a;图片不透明时&#xff0c;背景色会被完全遮挡。) .header {height: 100%;width: 100%;background-color: #000;background-image: url(/static/images/back.pn…

thinkphp6开发的通用网站系统源码

thinkphp6开发的通用网站系统源码。 基于ThinkPHP6框架开发的通用后台权限管理系统&#xff0c;底层采用国内最流行的ThinkPHP6框架&#xff0c; 支持内容管理、文章管理、用户管理、权限管理、角色管理等功能。 代码下载百度网盘