理论基础向量的内积和范数

Posted 超级无敌陈大佬的跟班

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了理论基础向量的内积和范数相关的知识,希望对你有一定的参考价值。

一、向量的数量积(内积):

已知两个非零向量a、b,那么|a||b|cosθ(θ是a与b的夹角)叫做a与b的数量积或内积。记作a·b;

两个向量的数量积等于它们对应坐标的乘积的和:

  • 数量积a·b等于 a的长度|a|b在a的方向上的投影|b|cosθ乘积
  • 向量\\vec{a}属于n维复向量空间,每个a_{i}表示向量在第i维空间中的坐标值。

向量\\vec{a}的模(即向量a的长度)为:

\\left \\| \\vec{a} \\right \\|= \\sqrt{a_{1}^{2}+a_{2}^{2}+...+a_{n}^{2}}

二、向量的范数理解:

向量的范数可以理解成距离。

向量的1-范数:

**向量的2-范数:

向量2范数可以理解为点到空间原点(可以是高维空间)的距离;

相当于:

范数的含义:

  • 范数表征了距离这个物理量,可以用于比较不同的向量。
  • 向量x的2-范数表示了x这个点与空间原点的距离,也相当于x这个向量的长度(模)。
  • 求一个向量的长度或者两点间的距离时,可以用2-范数

 

 

 

 参考链接:

关于向量范数的理解:https://www.jianshu.com/p/f0e41ebe5e4b

 

 

 

 

 

以上是关于理论基础向量的内积和范数的主要内容,如果未能解决你的问题,请参考以下文章

向量的表示及协方差矩阵

SVM支持向量机

机器学习|数学基础Mathematics for Machine Learning系列之矩阵理论(15):矩阵的范数

机器学习|数学基础Mathematics for Machine Learning系列之矩阵理论:欧氏空间

支持向量机优缺点?

支持向量机的理论基础