一、内积
1.1、定义
内积(inner product)又称数量积( scalar product)、点积(dot product),是指接受在实数R上的两个向量并返回一个实数值标量的二元运算。
两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为:
a·b=a1_b1+a2_b2+……+an*bn。
使用矩阵乘法并把(纵列)向量当作n×1 矩阵,点积还可以写为:
以上定义方法为代数定义,表示向量a和b的点积等于a的转置矩阵和矩阵b的乘积。向量是将几何问题转化为代数问题的桥梁,向量点积的计算其实也可以使用几何方式计算。
设二维空间内有两个向量a 和b ,它们的夹角为 θ(区间为[0,π]),则内积定义为以下实数:
特别地,如果向量a和自己自乘,此时θ为0,cosθ=1,右边就变成了向量a的模的平方,左边变成了向量a的转置矩阵和a自身的乘积,所以才有上节的单位向量等式:
相关符号表示请参考《https://blog.csdn.net/LaoYuanPython/article/details/112410587 人工智能数学基础-线性代数1:向量的定义及向量加减法》的介绍。
注意:该定义只对二维和三维空间有效。
1.2、运算律
更多内容请参考百度文库关于点积的介绍
二、外积
2.1、外积定义
外积(outer product)又称为矢量积、叉积、矢积、叉乘、向量积,向量a和向量b的外积形成一个垂直于原来的向量a、b的向量c,c的长度等于a、b构成的平行四边形的面积。两个向量a、b的外积表示为:
向量a、b外积的模与向量a的模和向量b的模的关系如下:
其中θ为向量a和向量b的夹角。
2.2、右手定则及外积方向
在三维坐标系中x、y、z为三个坐标轴,右手定则为伸开右手手掌,四个手指从x轴正方向方向转到y轴正方面,则大拇指方向即为z正轴方向。
向量a、b的外积向量c垂直于向量a和向量b,方向符合右手定则。
2.3、外积的代数表示
假设三维坐标系中,向量a(x1,y1,z1)、向量b(x2,y2,z2)的外积坐标可以通过如下方式计算得出:
`a × b = (x1,y1,z1)×(x2,y2,z2)=(y1*z2-y2*z1,z1*x2-z2*x1,x1*y2-x2*y1)
`
* 1
2.4、外积相关公式
由于输入的问题,下面公式中的英文字母如非特别说明表示向量:
反对称性:a × b= - b× a
分配律:a × (b+c) = a ×b +a ×c
二重(双重)外积公式:
a × (b×c )= b(a · c) − c(a ·b) 或 a×(b×c)=-(b×c)×a=(a·c)b-(a·b)c
a × a= 0
(ka)× b = a × (kb) = k(a × b ),其中k为实数,a、b为向量
更多外积参考资料请参考百度百科关于外积的解释。
三、小结
本文介绍了向量的內积和外积的概念,以及相关的运算公式。
写博不易,敬请支持:
如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
更多人工智能数学基础的介绍请参考专栏《人工智能数学基础 》
本文转转自微信公众号老猿Python原创https://mp.weixin.qq.com/s/vt0fyAfQBVgPmjwyurjH8g,如有侵权,请联系删除。