精华内容
下载资源
问答
  • 矩阵向量手写表示

    千次阅读 2020-09-30 09:05:56
    手写体 向量矩阵

    手写体

    向量:
    在这里插入图片描述
    矩阵:
    在这里插入图片描述

    展开全文
  • 向量向量就是在3D笛卡尔坐标中的一个顶点。单位向量就是长度为1的向量、标量:标量是一个只有数值大小 没有方向,部分有征服之分。通俗来说标量只有大小没有方向的量。向量和标量的区别就是 向量是有方向的。标量...

    向量:向量就是在3D笛卡尔坐标中的一个顶点。单位向量就是长度为1的向量、

    标量:标量是一个只有数值大小 没有方向,部分有征服之分。通俗来说标量只有大小没有方向的量。

    向量和标量的区别就是 向量是有方向的。标量是没有方向的。

    向量的点乘叉乘:点乘又叫向量的内积,叉乘又叫向量的外积。点乘计算得到的结果是一个标量;叉乘得到的结果是一个垂直于原向量构成平面的向量。

    点乘:只能存在于2个向量之间的相乘。2个三维单元向量 之间进行点乘得到的是一个标量。 这个标量就表示为这两个向量之间的夹角。在我们开发中我们不需要进行向量之间的相乘。我们只需要去调用math3D库里面提供的点乘的API就可以了。方法有 1.float m3ddDotProduct3(const M3DVector3f u, const M3DVector3f v),这个方法我们得到的是两个向量点乘的结果。如果我们需要获取两个向量之间的角度。还需要对获得的数据进行转化。当然 API还提供了另外一个方法 可以直接获取到两个向量夹角的弧度方法2. float m3dGetAngleBetweenVector3(const M3DVector3f u , const M3DVector3d v),用这个方法我们可以直接获取到两个向量夹角的弧度。

    叉乘:向量的叉乘获得到是另外一个新的向量。而这个向量是垂直于原来2个向量定义的平面垂直。叉乘和点乘不同。可以使用普通的向量相乘。如图所示

    当然 叉乘API也提供了相应的方法 void m3dCrossProduct3(M3DVector3f result,const M3DVector3f u,const M3DVector3f v);

    矩阵:在空间中有一个点。使用xyz来描述它。如果我们要对这个点进行移动的,我们要知道这个点新的位置。那么我们就需要通过矩阵计算来获取新的位置。矩阵不仅仅3*3或者是4*4 的这种,如果这个矩阵 只有一行或者只有一列 也可以成为矩阵。我们也可以叫他为向量。

    矩阵的叉乘:矩阵的叉乘是有一个规则。这个规则定义了什么样的2个矩阵可以进行叉乘。什么样2个矩阵不能进行叉乘。如图所示:下面的图片中有框框标记的数字如果相等那么这个两个矩阵就可以相乘。如果不相等那么这两个矩阵就不能相乘。

    在我们OPenGL的角度里。因为在OPenGL的约定里更多的是倾向使用一维数组。这样的原因是:OPenGL使用的是Column-Major(以列为主)矩阵排序的约定,所以在我们获取变化顶点向量的时候 使用的是矩阵左乘。

    OPenGL的几种变换:

    1.视图变换,即指定观察者的位置。视图变换是我们再应用场景中使用的第一种变化。简单来说 就是我们再观察一个物体的时候首先要确定观察的角度和观察的位置。只有先定义了观察者的位置 我们再对物体进行移动的时候才能观察到。

    2.模型变换,就是用来操作物体通过某一种规律将物体移动到某一个位置,来进行旋转 缩放 平移,

    3. 投影变换:分为正投影和透视投影。我们可以通过下面的图来感受一下这两种投影的区别:

    展开全文
  • 向量矩阵的基本意义

    千次阅读 2019-09-27 22:05:56
    1.0 矩阵可以看做向量变换的一种表示("动词")——矩阵M乘以向量a表示向量a施加向量变换M,使向量a变换成一个新的向量b,二者是同一坐标系下的不同客观向量 1.1 矩阵可以看做向量“垂直投影+缩放”的一种表示——...

    1. 矩阵乘以向量:Ma=b

    1.0 矩阵可以看做向量变换的一种表示("动词")——矩阵M乘以向量a表示对向量a施加向量变换M,使向量a变换成一个新的向量b,二者是同一坐标系下的不同客观向量

    1.1 矩阵可以看做向量“垂直投影+缩放”的一种表示——矩阵M乘以向量a表示将向量垂直投影到坐标系M上(M的两行是两个投影轴)并缩放该投影轴长度倍,得到的结果为b。特殊的,当M每行都是单位向量时(比如M是正交矩阵),即相当于将a投影到坐标系M上,投影结果即为b(此时缩放倍数为1 ,相当于不缩放)。

    1.2 矩阵可以看做坐标系的一个声明("形容词”)——Ma表示向量a定义在坐标系M下(M的两列是两个坐标轴),即矩阵M相当于向量a的坐标系声明。(同理b=Ib表示b定义在坐标系I下,Ma=b的等号表示定义在坐标系M上的a和定义在坐标系I上的b在基准坐标系下表示同一客观向量)。

    1.3 矩阵可以看做向量形式不变下的基变换的一种表示——把Ma看成MIa,也可以说对基I施加变换M,变成了基M,向量形式还是a,但此时基M下的a,不再等价于基准坐标系(I)下的客观向量a,而是等价于基准坐标系下的b,即客观向量a和客观向量b只是在不同坐标系下具有相同表现形式——客观向量a在I坐标系下表现为a,客观向量b在M坐标系下也表现为a。

    1.4 矩阵可以看作客观向量不变下的基变换的一种表示——Ma=b,即a=M-1b,表示将客观向量a放到新的坐标系M-1中,得到的坐标是b,即M可以表示在客观向量不变的情况下进行基变换。变换后,M-1坐标系下的向量形式b只是基准坐标系下的客观向量a的在另一个坐标系下的另一种表示,二者本质是同一个客观向量。常见的M一般为正交基,此时基变换后,在以M的列向量为基的坐标系中,新坐标值相当于将客观向量投影到M的两个行向量上的投影值。

     

    2. 矩阵乘以矩阵:MN=P

    2.1 矩阵M、N都看做变换——矩阵M乘以矩阵N表示,将M和N表示的变换复合成一个新的变换P,即施加P的变换效果等价于先施加M变换,再施加N变换

    2.2 矩阵看作投影,矩阵N看作向量组(这里假设M是正交基,N的一列一个样本)——矩阵M乘以N表示将原始向量组从原始基I变换到M基(M的各行是基),即相应的将各样本N投影到M基上得到新的样本表示P

    2.3 矩阵M看做变换,矩阵N看做坐标系——矩阵M乘以矩阵N表示,对坐标系N施加变换,得到新的坐标系P,

    2.4 矩阵M、N都看作坐标系——矩阵M乘以矩阵N表示,在坐标系M下度量坐标系N,即矩阵M相当于坐标系N的度量(坐标系)声明

     

    解释:

    1.1:这里可以把M写成分块矩阵[m1;m2],而b=[b1;b2],则由Ma=b可得,b1=<m1,a>, b2=<m2,a>,尖括号表示内积。又b1=<m1,a>=|m1|*Proj_m1(a),即内积表示投影后再缩放,b2同理。所以说,矩阵可以表示对向量先投影再缩放。特殊的,当M每行,即m1和m2,都是单位向量时,由于a与单位向量的内积就 等于在其上面的投影,所以此时相当于只有投影。

    1.2:这里可以把M写成分块矩阵[m1,m2]; 而a=[a1,a2]T. 则Ma = a1*m1+a2*m2,回想一下我们解析几何里面的(x,y)=x*e_x+y*e_y, 是不是很类似呢?类比下也就是说,Ma就表示在m1和m2为基下空间里的一个向量,这个向量在两个轴上分别是a1个单位和a2个单位(即客观向量在M坐标系的m1和m2轴上的投影分别是a1和a2),我们可以直接用a作为M坐标系下客观向量的表示,但是需要声明是在M坐标系下,即写成Ma形式。所以说Ma表示定义在M坐标系下的向量a(他等于价于定义在I下的b,即二者在基准坐标系下都是同一个向量)

    1.3:矩阵可以对向量施加变换,也可以对基施加变换,二者是相对的,结合1.2可以理解,对基I施加变换M后相当于对原有向量形式a指定了新的基MI=M,此时得到的Ma实际上对应基准坐标系下的b,而不是原来的基准坐标系下的a了,即通过改变基而不改变向量形式来使得客观向量发生变换。

    1.4:直观解释不太方便,我们反向来推。假设我们将一个P坐标系下的向量a,放在Q坐标系下表示,表示结果为向量b,由1.2可知,由于二者本质是同一客观向量,则应该满足Pa=Qb。若令P=I,Q=M-1则表示,我们要将基准坐标系I下的向量a表示为坐标系M-1下的向量形式b,对应a=M-1b,也就是Ma=b。另一方面,如果我们令P=M,Q=I,则表示我们要将坐标系M下的a表示为基准坐标系下I的b,同样对应Ma=b,即是相当于1.3的另一种解释。可见,这种以1.2为依据的解释方法是具有普适性的。

     

    辨析1.1,1.3和1.2,1.4:1.1中是坐标系不变,对a施加M变换,结果是a变成另一个向量b,即二者实际上是同一坐标系下的不同客观向量的不同表示。1.3而1.2(静态解释)中是对a声明处于坐标系M下,它对应于处于坐标系I下的b,即实际上二者在基准坐标系中是同一客观向量。1.3中,则是将a投影到新的坐标系M(单位基)得到新的向量b,即实际上原基准坐标系中的a和M坐标系中的b仍是同一客观向量在不同坐标系下的表示。(若M不是单位基,则投影后又有缩放,也就不是原客观向量了)

     

    辨析1.2-1.3:1.2和1.3是两个不同的理解思路。1.2是一种静态的观点,即分别看Ma和b,二者都是一个客观向量在某个坐标系下的一种表示形式,当二者所表示的向量对应的是(基准坐标系下的)同一个客观向量,它们就划上了等号。1.3是一种动态的观点,即整体看Ma=b,是表示对a执行某种操作得到了b,这里的操作就是投影。注意:1.2里面说的投影是指,a(a1和a2)是客观向量在M坐标系下的投影,所以可以用a作为客观向量在M坐标系下一种表示(但是要注明M,就有了Ma这种形式)。而1.3里面说的投影是指,b(b1和b2)是(客观)向量a在M投影系下的投影结果。虽然都有a,都是在M上的投影,但是1.2中的a是"客观向量x在M坐标系的投影结果",即a只是客观向量在M坐标系下一种表现形式(分身),投影的主体是客观向量,而1.3中的则a可以看作"客观向量本身",我们就是把a投影到M上,a就是投影主体,投影结果是b。

     

    辨析1.0-1.4:先给一个结论:向量在正交基上的垂直投影值即为该向量在该正交基下的坐标值。(因为确定坐标的本质方法是矢量加法——平行四边形法则,当基是正交基时,投影法刚好等同于矢量加法,二者都变成了“矩形法则”,这一结论可以扩展到基为相互垂直的向量,不需要是单位向量)。。令M=[m1;m2],b=[b1;b2],且M是正交基,则M-1=MT=[m1',m2']。由1.0,行向量m1'和m2’为单位向量的矩阵M乘以向量a等于b,表示将向量a投影到M的两个行向量上,结果为b。由上述结论——“向量在正交基上的投影,即为该向量在该正交基下的坐标”,此时也就是表示b为向量a在新的基m1'和m2’下的坐标。由1.4,矩阵M乘以向量a表示客观向量不变的条件下的基变换(或者说向量"分身"),即基由原始基I转化为M-1=[m1',m2'],相应的向量形式分身(变换)为b,也同样就是说此时向量a在新的基m1'和m2’下的坐标为b。所以,1.0和1.4两种解释在正交基M上得到统一。

     

    关于"客观向量"和“向量形式”这一说法:我们知道,客观物体的存在不依赖于坐标系,我们生活的三维空间里没有画坐标轴,但是物体还是客观存在的。坐标轴的作用只是可以让我们将客观存在的物体表示出来,而且不同坐标系下物体一般具有不同表示,我们一般将这些表示称为向量。可以说,客观向量就是客观存在的物体,坐标系就是"放在某个角度的照相机",而该坐标系下的向量形式(简称向量)就是"某个角度的照片"(客观物体的一种像)。没有照相机,你还是你,而有了照相机就可以把你照(表示)出来,而且不同角度的照相机一般照出来的(表示出来的)结果还一般不一样,但是可以相互转换(比如不同视角的照片通过仿射变换可以互相转换)。那么我们想要去研究比较这些照片(物体的一种表现形式)和照相机(坐标系)的时候(比如需要确定两张照片是不是来自同一个物体——客观向量),因为照片(向量)来自不同角度的照相机(坐标系),不能直接比较出来,所以我们需要转换到一个共同的角度(参考系)下比较,而我们一般习惯选择的角度就是正面(基准参考系I)。所以比较两个不太角度照片是不是来自同一个物体(两个向量是不是来自同一个客观向量)时,我们只需要拿起两张照片观察一下,我们的大脑会通过想象将它们都转换到正面的样子(基准坐标系)下,此时在相同参考系下,相等就是说明为同一物体(同一客观向量)。需要注意的是,我们要将物体(客观向量)量化描述为它的一个表现形式(向量)时必须需要一个坐标系,我们默认选择的坐标系就是标准正交基(因为它符合我们对抽象的1的概念),也就是说我们平时单独写的向量或者矩阵,除非像1.2那样"声明",向量或者矩阵里面的数字都默认是以标准正交基为单位长度的度量结果,一般我们把标准正交基作为我们心里的标尺,所以一般也把它的度量结果当做"实际长度"。

    2.2:

    2.3:

     

    1也可以结合2来解释,即将Ma写成MIa

    用2.1解释:矩阵I施加的变换是”不变“,复合上M的变换,结果就是相当于只施加M变换

    用2.3解释:a原来的坐标系是I,对其坐标系进行变换,得到新的坐标系MI=M,即现在Ma不再是坐标系I下的向量表示,而是坐标系M下的向量表示,而且它等价于基准坐标系(I)中的b(比如a=[1;1], 原来是I坐标系下的向量表示,乘以了M=[2,0 ;0,2]后,a变成M坐标系下的表示Ma,虽然在两个轴上仍然是1个单位长度,但是因为这个单位长度的度量变了(变为2倍),所以它实际是等于基准坐标系下的[2;2],就是b)。

    用2.4解释:a原本是在坐标系I下的度量结果,乘以M后,MI表示坐标系又I是在在坐标系M下的度量结果,所以就说a是在MI=M下的度量结果

     

    展开全文
  • 向量内积的矩阵表示

    千次阅读 2018-11-02 15:17:37
    设x,y 是两个相同个数分量的向量,则 表示x和y的内积。 比如这页书就是这个意思:

    设x,y 是两个相同个数分量的向量,则  表示x和y的内积。

    比如这页书就是这个意思:

    展开全文
  • 矩阵行列式的向量表示

    千次阅读 2014-11-03 22:07:10
    矩阵行列式的向量表示
  • 协方差矩阵向量表示推导

    千次阅读 2017-09-19 15:50:10
    多维随机变量的协方差矩阵 对多维随机变量X=[X1,X2,…,Xn]TX=[X_1,X_2,\dots,X_n]^T,我们往往需要计算各维度之间的协方差,这样协方差就组成了一个n×nn\times n的矩阵,称为协方差矩阵。协方差矩阵是一个对角矩阵...
  • 特征向量矩阵S,由矩阵A的所有线性无关的特征向量按列排列组成的矩阵。 特征值矩阵,有矩阵A的所有特征值放在对角线位置组成的对角矩阵。   矩阵对角化:AS = S(讲AS展开可以推导出这个公式) 上式两边的左边...
  • 4 向量矩阵(线性代数复习)

    万次阅读 多人点赞 2018-01-15 21:19:58
    4 矩阵向量(线性代数复习) 4.1 什么是矩阵?什么是向量?  这一小节我们将介绍举证和向量的相关知识。  矩阵是指由数字组成的矩形阵列,并写在方括号中间。我们还需要知道的另一件事情是矩阵的维度应该是...
  • 定义: 设A为方阵,若,则称A为斜对称矩阵。 特征: 设A为斜对称矩阵,则A有如下形式: ... 观察矩阵可以看出,斜对称矩阵主对角线元素均为0,而位于主对角线两侧对称的元素反号。...向量的斜对称矩阵: ...
  • 向量表示及协方差矩阵

    万次阅读 多人点赞 2014-01-13 20:26:05
    面对的数据被抽象为一组向量,那么有必要研究一些向量的数学性质。而这些数学性质将成为PCA的理论基础。向量运算:内积。两个维数相同的向量的内积被定义为: (a1,a2,⋯,an)T⋅(b1,b2,⋯,bn)T=a1b1+a2b2+⋯+anbn 内...
  • 数学基础(向量矩阵

    千次阅读 2018-11-09 21:58:31
    我们把这种方法叫做一个向量的标准化(Normalizing)。单位向量头上有一个^样子的记号。通常单位向量会变得很有用,特别是在我们只关心方向不关心长度的时候(如果改变向量的长度,它的方向并不会改变)。 向量相乘...
  • 两种方式从列向量矩阵

    千次阅读 2017-07-20 18:48:22
    第一种向量本身客观存在,在变换的过程中,只是坐标系或说是空间发生变换,而向量本身并没有发生任何的变换。即同一个向量在不同的坐标系中进行不同的表达。 第二种 向量随着空间的变换发生客观上的变换,但始终与...
  • gensim生成词向量并获取词向量矩阵

    千次阅读 2020-07-07 17:16:55
    gensim生成词向量并获取词向量矩阵 word2vec是目前比较通用的训练词向量的工具,使用Gensim模块,可以使词向量的训练变的简单,但是调用gensim.models的word2vec模块使用skip-gram或CBOW完成词向量训练之后,如何...
  • 矩阵向量

    千次阅读 2019-06-01 22:54:11
    先写一个左括号,然后里面是一些数字,这些数字可能来自机器学习问题,也可能表示其他意思,不过现在不用管具体的数字, 然后用右方括号括起来,然后得到一个矩阵。 2.先写一个左括号,然后里面依次写下1、2、3...
  • 矩阵向量的求导法则

    千次阅读 多人点赞 2018-12-16 20:46:51
    在Machine Learning 和Deep Learning里面 经常涉及对矩阵向量的求导,本文介绍一下常用的求导法则。
  • python中运算符有哪些算术运算符比较(关系)运算符赋值运算符逻辑运算符位运算符成员运算符身份运算符运算符优先级如何使用python表示矩阵使python表示矩阵方法:使用“import numpy”语入numpy包。用numpy包的...
  • 标量,向量矩阵与张量

    千次阅读 2018-08-28 08:29:39
    标量,向量矩阵与张量 1、标量 一个标量就是一个单独的数,一般用小写的的变量名称表示。   2、向量 一个向量就是一列数,这些数是有序排列的。用过次序中的索引,我们可以确定每个单独的数。通常会赋予向量...
  • 向量矩阵点积

    千次阅读 2018-05-26 19:44:54
    w1 = np.array([1, 2, 3])w1表示向量[1, 2, 3]w2 = np.array([[1, 2, 3]])w2表示1行3列矩阵w3 = np.array([2, 2, 2])np.dot(w1, w3)表示向量的乘积w4 = np.array([[2], [2], [2]])w2 @ w4表示矩阵的乘积w = pd....
  • 向量矩阵

    千次阅读 2018-05-03 18:10:33
    向量点乘:两个向量a = [a1, a2,…, an]和b = [b1, b2,…, bn]的点积定义为:a·b=a1b1+a2b2+……...向量叉乘: a向量与b向量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 矩阵乘法:设A为 的矩阵,B...
  • 矩阵A的列向量组可以由矩阵B的列向量组线性表示时 一定存在C有A=BC,(你把每个表达式写出来,组合一下就可以得到这个式子) R(A)=R(BC) 又因为R(A)=R(BC)<= min{R(C),R(B)}<=R(B) ...
  • 特征值分解:特征值,特征向量,特征向量矩阵

    千次阅读 多人点赞 2019-01-19 09:57:26
    特征向量矩阵 特征向量矩阵S,由矩阵A的所有线性无关的特征向量按列排列组成的矩阵。 特征值矩阵,有矩阵A的所有特征值放在对角线位置组成的对角矩阵。 特征值分解的物理意义 矩阵的特征值分解目的就是...
  • 向量和行向量看待矩阵乘法

    万次阅读 多人点赞 2017-07-24 19:19:14
    结合上图,我们可以知道,结果矩阵C中的第 j 列完全可以表示矩阵A中列向量的线性组合,具体怎样的线性组合完全是参看矩阵B中相应的第 j 列,与矩阵B中的其他列无关。换言之,左侧矩阵提供基本的列向量,右侧的矩阵...
  • 向量矩阵、张量基础知识

    万次阅读 多人点赞 2018-07-31 19:05:43
    前言 学习并且做这篇笔记目的:学习张量,初步了解张量分解(tensor decomposition)领域。那么什么是张量分解呢?研究它具体的应用是...矩阵分解的另一个例子是根据矩阵中已有数据值去预测未知位置的值。比方说...
  • 矩阵向量的加法

    千次阅读 2020-03-17 19:36:15
    在Numpy中,矩阵向量相加时,首先要求即要求矩阵的列数与向量的维数相等。然后就是 矩阵的每一行与向量相加,得出结果。 过程如下图所示: import numpy as np x = np.array([[1, 2, 3], [4, 5, 6],[7,8,9]]) z ...
  • 二、Matlab中最基本的向量矩阵运算知识 1、对向量的操作 1)向量的基本运算: 定义一个向量 创建一个列向量,元素与元素之间用分号(;)隔开,如 a = [2; 1; 4]; 创建一个行向量,元素与元素之间用空格(space)或者...
  • 矩阵向量

    千次阅读 2021-06-28 09:51:24
    向量化即将一个矩阵重新排列,将它的每一列相连组成一个新的列向量,其中W与U之间的符号为克罗内克积。
  • 矩阵向量的关系

    千次阅读 2020-07-01 12:17:02
    矩阵是由m×n个数组成的一个m行n列的矩形...依上定义可以看出:向量可以用矩阵表示,且有时特殊矩阵就是向量. 简言之就是矩阵包含向量. https://www.zybang.com/question/a8906c4eeda3c66274310dbb3aa1aadb.html ...
  • matlab 将矩阵转化成向量的两个方法

    千次阅读 2021-03-02 16:17:19
    在进行图像处理时往往会遇到需要将矩阵表示的特征或者灰度值转化为向量形式,以下是使用的两套方案。 在此不区分行/列向量,可以用“ ’ ”转置就好 方案一: A = A(: ); clc; clear; A = [1 2 3;4 5 6 ;7 8 9]; ...
  • 以坐标表示的点(x,y)所对应的矩阵表示方法为P(x,y),这是两种表示方法。 对于580*680的图片imCpR [H,W]=size(imCpR); for i=1:H%i表示第i行 for j=1:w%j表示第j行 imCpR(i,j) ................... ...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 189,398
精华内容 75,759
关键字:

向量的矩阵表示方法