矢量积与叉乘_向量积叉乘的几何意义

矢量积与叉乘_向量积叉乘的几何意义矢量叉乘,向量外积原创不易,路过的各位大佬请点个赞矢量叉乘,向量外积矢量叉乘,向量外积1.矢量叉乘定义2.模长3.方向4.坐标运算6.叉乘矩阵(斜对称矩阵)6.叉乘运算规则1.矢量叉乘定义定义两个向量a\mathbf{a}a和b\mathbf{b}b,他们的叉乘可以写为a×b\mathbf{a}\times\mathbf{b}a×b本质上向量叉乘为向量旋转,满足右手螺旋准则;叉乘结果是一个向量,向量模长是向量A,B组成平行四边形的面积;向量方向是垂直于向量A,B组成的平面;也

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46,售后保障稳定

矢量叉乘,向量外积

原创不易,路过的各位大佬请点个赞

在这里插入图片描述

1. 矢量叉乘定义

定义两个向量 a \mathbf{a} a b \mathbf{b} b,他们的叉乘可以写为
a × b \mathbf{a}\times\mathbf{b} a×b

本质上向量叉乘为向量旋转,满足右手螺旋准则;
叉乘结果是一个向量,向量模长是向量A,B组成平行四边形的面积;向量方向是垂直于向量A,B组成的平面;也叫向量积
在这里插入图片描述

与点乘不同之处是:点乘结果是一个数,表示两个向量的投影关系,也叫数量积
a ⋅ b = ∣ a ∣ ∣ b ∣ cos ⁡ θ \mathbf{a}\cdot\mathbf{b}=|\mathbf{a}||\mathbf{b}|\cos\theta ab=abcosθ

2. 模长

∣ c ∣ = ∣ a × b ∣ = ∣ a ∣ ∣ b ∣ sin ⁡ θ |\mathbf{c}|=|\mathbf{a}\times\mathbf{b}|=|\mathbf{a}||\mathbf{b}|\sin\theta c=a×b=absinθ
∣ c ∣ |\mathbf{c}| c长度在数值上等于以 a \mathbf{a} a b \mathbf{b} b,夹角为θ组成的平行四边形的面积。
而c的方向垂直于 a \mathbf{a} a b \mathbf{b} b所决定的平面, c \mathbf{c} c的指向按右手定则从a转向b来确定。

3. 方向

a \mathbf{a} a向量与 b \mathbf{b} b向量的向量积的方向与这两个向量所在平面垂直,且遵守右手定则。(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,当右手的四指从 a \mathbf{a} a以不超过180度的转角转向b时,竖起的大拇指指向是 c \mathbf{c} c的方向。)
在这里插入图片描述

4. 坐标运算

向量 a \mathbf{a} a的坐标表示
a = ( a x , a y , a z ) \mathbf{a}=(a_x, a_y, a_z) a=(ax,ay,az)
向量 a \mathbf{a} a的坐标轴矢量表示
a = a x i + a y j + a z k \mathbf{a}=a_xi+a_yj+ a_zk a=axi+ayj+azk

其中矢量的x轴、y轴、z轴的单位矢量i、j、k、满足以下关系

i × j = k = − j × i j × k = i = − k × j k × i = j = − i × k i × i = j × j = k × k = 0 i\times j=k=-j\times i\\j\times k=i=-k\times j\\k\times i=j=-i\times k\\ i\times i=j\times j=k\times k=0 i×j=k=j×ij×k=i=k×jk×i=j=i×ki×i=j×j=k×k=0
其中的0为零矢量。
附加点乘的运算规则
i ⋅ j = k = − j × i j ⋅ k = i = − k ⋅ j k ⋅ i = j = − i ⋅ k i ⋅ i = j ⋅ j = k ⋅ k = 1 i\cdot j=k=-j\times i\\j\cdot k=i=-k\cdot j\\k\cdot i=j=-i\cdot k\\ i\cdot i=j\cdot j=k\cdot k=1 ij=k=j×ijk=i=kjki=j=ikii=jj=kk=1

a × b = ∣ i j k a x a y a z b x b y b z ∣ = ∣ a y a z b y b z ∣ i − ∣ a x a z b x b z ∣ j + ∣ a x a y b x b y ∣ k = ( a y b z − a z b y ) i + ( a z b x − a x b z ) j + ( a x b y − a y b x ) k \begin{aligned} \mathbf{a}\times\mathbf{b}&=\begin{vmatrix} i&j&k\\ a_x&a_y&a_z\\b_x&b_y&b_z\end{vmatrix}\\ &=\begin{vmatrix}a_y&a_z\\b_y&b_z\end{vmatrix}i -\begin{vmatrix}a_x&a_z\\b_x&b_z\end{vmatrix}j + \begin{vmatrix}a_x&a_y\\b_x&b_y\end{vmatrix}k \\ &=(a_yb_z-a_zb_y)i + (a_zb_x-a_xb_z)j + (a_xb_y-a_yb_x)k \end{aligned} a×b=iaxbxjaybykazbz=aybyazbziaxbxazbzj+axbxaybyk=(aybzazby)i+(azbxaxbz)j+(axbyaybx)k

6. 叉乘矩阵(斜对称矩阵)

每一个矢量都一个对应的斜对称矩阵, a \mathbf{a} a
[ a × ] = [ 0 − a y a z a y 0 − a x − a z a x 0 ] [\mathbf{a}\times]=\begin{bmatrix}0&-a_y&a_z\\a_y&0&-a_x\\ -a_z &a_x &0\end{bmatrix} [a×]=0ayazay0axazax0

则两个矢量的叉乘可以写为
a × b = [ a × ] b = [ 0 − a y a z a y 0 − a x − a z a x 0 ] [ b x b y b z ] \begin{aligned} \mathbf{a}\times\mathbf{b}&=[\mathbf{a}\times]\mathbf{b}\\ &=\begin{bmatrix}0&-a_y&a_z\\a_y&0&-a_x\\ -a_z &a_x &0\end{bmatrix}\begin{bmatrix}b_x\\b_y\\ b_z\end{bmatrix} \end{aligned} a×b=[a×]b=0ayazay0axazax0bxbybz

性质:( A = [ a × ] A=[\mathbf{a}\times] A=[a×]
1- A T = − A A^T=-A AT=A
2- A A A B B B为斜对称矩阵,则 A + B A+B A+B为斜对称矩阵
3- k k k为偶数, A k A^k Ak为对称矩阵; k k k为奇数, A k A^k Ak为斜对称矩阵;

6. 叉乘运算规则

1、交换律: a × b = − b × a a\times b=-b\times a a×b=b×a

2、分配律: a × ( b + c ) = a × b + a × c a\times (b+c)=a\times b +a\times c a×b+c)=a×b+a×c

3、与标量r相乘: r a × b = r ( a × b ) ra\times b=r(a\times b ) ra×b=r(a×b)

4、不满足结合律,但满足雅可比恒等式:: a × ( b × c ) + b × ( c × a ) + c × ( a × b ) = 0 a×(b×c)+b×(c×a)+c×(a×b)=0 a×b×c+b×c×a+c×a×b=0

5 、 两个非零向量a和b平行,当且仅当 a × b = 0 a×b=0 a×b=0

6、 拉格朗日公式
( a × b ) × c = b ( a ⋅ c ) − a ( b ⋅ c ) (a×b)×c=b(a·c)-a(b·c) a×b×c=bacabc
a × ( b × c ) = b ( a ⋅ c ) − c ( a ⋅ b ) a×(b×c)=b(a·c)-c(a·b) a×b×c=baccab
证明如下图
在这里插入图片描述
原创不易,路过的各位大佬请点个赞

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容, 请联系我们举报,一经查实,本站将立刻删除。

发布者:全栈程序员-站长,转载请注明出处:https://javaforall.net/210055.html原文链接:https://javaforall.net

(0)
全栈程序员-站长的头像全栈程序员-站长


相关推荐

  • Image.open()_image.open函数

    Image.open()_image.open函数文章目录1导入库2图像读取3读入图片类型4通道5显示方法6相互转换Image.open()和ci2.imread()都是用来读取的图像,但在使用过程中存在一些差别。具体,可以从以下几个角度进行分析:1导入库导入的包不同。img=cv2.imread(path),这是opencv中的处理图片的函数,使用时需importcv2img=Image.open(path),这是PIL中的一个处理图片的函数,使用时需fromPILimportImage#opencv-py

    2022年10月14日
    3
  • 《哈佛大学公开课:幸福课》学习笔记(3)「建议收藏」

    《哈佛大学公开课:幸福课》学习笔记(3)「建议收藏」关键词/句:Howcanwegetbeyondthat”comfortablynumb”?Howcanwegetbeyondthat”queitdesperation”?focusedonthehealthandcultivatedit,watereditandshedalighttoit,realizedit.optimism,…

    2022年7月18日
    18
  • 图像数字化的两种方式是_图像是如何数字化的

    图像数字化的两种方式是_图像是如何数字化的将图片存储为数据有两种方案。其一为位图,也被称为光栅图。即是以自然的光学的眼光将图片看成在平面上密集排布的点的集合。每个点发出的光有独立的频率和强度,反映在视觉上,就是颜色和亮度。这些信息有不同的

    2022年8月1日
    5
  • c#键盘钩子全解

    c#键盘钩子全解usingSystem;usingSystem.Collections.Generic;usingSystem.Text;usingSystem.Runtime.InteropServices;//调用操作系统动态链接库usingSystem.Reflection;usingSystem.Diagnostics;usingMicrosoft.Win32;usingSys

    2022年4月29日
    54
  • 每天一道算法_8_DNA Sorting

    DescriptionOne measure of “unsortedness” in a sequence is the number of pairs of entries that are out of order with respect to each other. For instance, in the letter sequence “DAABEC”, this mea

    2022年3月10日
    43
  • NetFlow流量分析

    NetFlow流量分析NetFlow是基于流的流量分析技术,其中每条流主要包含以下字段:源IP地址、目的IP地址、源端口号、目的端口号、IP协议号、服务类型、TCP标记、字节数、接口号等。NetFlow是一个轻量级的分析工具,他只读取了报文中的一些重要字段不包含原始数据,并不属于全流量分析。NetFlow网络异常流量分析NetFlow流记录的主要信息和功能:who:源IP地址when:开始时间、结束时间where:源IP地址、源端口号、目标IP地址、目标端口号(访问路径)what:协议类型、目标IP地址、目标.

    2022年5月6日
    39

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注全栈程序员社区公众号