叉积的意义

2023-11-17

我们知道,向量的叉积可以帮助我们求出一个和已知两个向量构成的平面相互垂直的另一个向量(例如求法向量)。而且一般来说,都是求三维空间的向量的叉积。下面我们要讨论的就是各种“为什么如此”。

考虑两个相互不平行的三维向量,

        

        

它们的叉积,以行列式形式来表示为,

其中i,j,k是三个维数上的单位向量。如果不用这些单位向量,则写成:

这样可以避免将i,j,k视作虚数单位,或者形成四元数的数基(1,i,j,k),当然反过来说,这也可以被认为是四元数数基得以创造的原因。

三维向量叉积可以如此计算,那么二维的呢?很简单,我们将Z轴置零即可,

由于只有z轴分量,而没有其它分量,我们可以认为它是z轴上的向量或者一个标量。

为什么要讨论二维的情况呢?因为实际上,并没有维数,只有复数。我们知道,构成几何上的相继两个维数,是因为两者数量上具有巨大的差异,比如一个维数上的长度单位为1,那么和它垂直的方向,可以构造出另一个维数,另一个维数的单位长度要小于或者等于,也就是某种虚数单位大小的倒数;或者另一个维数的单位长度要大于或者等于i也就是某种虚数单位的大小本身。这就可以在当前维数的基础上,上推或者下推一个维数出来。当然,如果考虑上推和下推出来的两个维数,他们两个之间就具有了的关系,而其中的显然小于1,所以可以被替换为1,由此出现的关系;或者说,其中的i相对于而言显然也大于1,这就又导致了的关系,也就是说,的关系仍然意味着正交。由此当前维数以及上推和下推得到的两个维数,三者之间总可以构成两两互相正交的关系,这其实就可以构造三维空间了。

我的意思是,用复数来构造三维空间的想法是完全可以实现的,或者说,现实正是如此。

那么复数又是什么呢?复数就是形如,

的数。要知道,它是一个数,而不是两个数。只是i到底是多大在此并不重要,但它在现实中一定有一个确定的大小,这一点是和a,b都一样的。比如,若有i=5,a=1,b=2则有,

通常是因为i或者它的倒数特别的大或者特别的小,而且又不影响计算的结果,我们就把它的具体数值刻意的忽略掉了:结果是我们想要的即可。

可计数性的可观测性必然对应了周期性,所以实际上任何一个数,都是复数;只是那个周期到底有多大,以及它是否体现出了周期性的效果。以整数虚数单位而言,如果一个整数的大小,尚未达到一个周期,那么就不用带上bi的部分,只写a就是了;而如果这个整数总是周期的倍数,那么就只写bi就对了,因为此时a=0。严格来说,i并不完全对应周期的大小。这是因为它来自于如下定义,

而通常我们选择,

此时它是方程

的解,可见i越大,它的倒数就越小,它就越接近N,达到某个程度之后,就可以将其认为就是N本身。

以上我们简述了虚数单位i的由来。

那么向量呢?有了周期性,向量其实就是数量在周期性前提下的体现。周期性其实不属于这个数,而是属于观察者。考虑到一个有限能力的观察者,它的能力体现为i=5,那么如果它观察11,就只能得到

的结果,也就是说,它是看不到11的,因为11超过了它的观察能力。但若有一个超越视角,我们仍然可以把11,用观察能力只有5的观察者的视角表达出来,这个时候,这个数就可以写成,

m=1+2×5=11=a+bi

其中,

a=1

b=2

i=5

情况就是这样。所以说,一个复数,就是一个数而已,而它变得复杂,只是因为观察者自身存在限制。而这种限制,使得观察者看到的不再是一个数,而是一个复平面上的点或者它和原点构成的向量。换句话说,是观察者和所观之物,共同创造了复平面,也就是平面直角坐标系。

既然如此,我们用一个复数来表达平面上的点或者它和原点构成的向量,就再合适不过了:

要记得,AB本质上并不是什么平面直角坐标系上面具有坐标数值的点,而是两个不同的数(一维的或者说标量),之所以出现了平面直角坐标系,是因为观察者具有的观察能力的上限为i,这就和1+2×5=11是一样的。

现在让我们考虑两者的“相乘”。

如果是点积,那就有

如果用复数对应实部虚部相乘,则有,

我们知道虚数单位代表周期性,所以可以认为在模结果中不必存在,所以

虽然是负数,但也并不影响其表达为

的形式,事实上只需要把结果的算法换为,

即可。若考虑闵式(闵可夫斯基)几何将时间的平方表达为负数,这就不难理解了。

所以说,点积实际上就是复数乘法,去掉虚部(被周期性屏蔽),以及反转负数项之后的结果。其实就算是不反转,也无所谓,只是两种定义的方式不同,导致计算方法不同而已。相比较而言,不反转反而更为自然一些。

那么二维向量或者复数的“叉积”如何计算呢?

还是考虑,

两者的叉积,显然也只能是复数相乘。但是观察者的视角却不同。在求点积的时候,观察者认为AB的度量方式是一样的,也并未考虑周期性带来的维数提升。但是正如不考虑,就一定还有考虑的情况:周期性带来了维数的提升,那么从不同的维数看两个数值,结果是怎样的呢?从较低的维数观察A,同时从较高的维数观察B,我们就可以得到,

这就使得B变成了B',而它的“分量”上的虚数单位就彼此交换了。由此,

如果也去掉周期性的影响,则有,

我们用正交的视角重新观察B而得到了B'B'关于A的复数乘法再对虚数单位取模,就得到了一种计算向量乘积的新方法。我们可以干脆就认为,B一开始就是从正交方向观察的结果,则

那么这种新的乘法,就可以写成

这就是复数或者平面直角坐标系中向量叉乘的含义和由来。大小如此,那么方向呢?回顾,

它显然也是一个复数,只是它的虚数单位不是负-1的平方根,而是-1本身,或者说,1经过两次正交之后的结果,

所以显然,结果向量不会在A或者B的方向上,而是在和它们都垂直的方向上,也就是第三个维数上了。至于三维向量,两两之间的关系已经在上面说明了。

那么四维以及更高维数呢?我们只能认为,就像总是被认为是(它被认为是分界点,因为比这个数值小的都被认为是0),因为

那么事实上所有

都成立。也就是说,下推一次之后,两次或者更多次维数,都被视作是一次维数扩展的体现;而上推也是一样的,

由此来说,观察者最多同时观察三个维数,也就是这三个维数,倘若观察者的单位长度是1的话。若要观察更多的维数,则至少要移动到或者的层次,这样才能在那个层次上观察上下推出的两个维数。也就是说,世界可以是无限维数,但观察者(不管是谁,只要它具有i上限和下限)只能同时观察到三个维数,这就是为什么说世界总是三维的。

至此叉积的数量以及方向等运算方法的由来,就说清楚了。还有就是,更高的维数在更大的地方,更低的维数在更小的地方。

本质上就是复数,就是观察者和所观之物的数量关系。

由此扩展来说,在几何前提下讨论四维以及四维以上的问题,其实是没有什么意义的。这不是说维数本身被限制,而是说,对于观察者来说,四维以及以上的几何空间总是体现为三维中的某种形式,因为观察者自身没有观察连续四个维数的能力(若包括观察点的能力,则至多具有观察四个维数的能力)。

所以,叉积到底是什么呢?二维或者复平面来说,就是两个数相乘。三维复杂一点,但是可以分成三组,各自都是两个数相乘。既然如此,一个三维的向量是什么样的呢?

上面已经讨论过,我们可以直接构造一个三维的向量:

我们确实知道,,但是前提是 而不是

也就是说,对于后者而言,并不成立,所以三个分量是不能彼此化简的。

那么一个四维的向量,可以类比写出,

虽然说也不能简单的和1进行化简,得到,但是整个向量的跨度已经超越了中心和上下极限的范围(也就是3),无论在 上还是上都不可能看到四个分量正交出现,必定有某两个分量出现遮盖的情况,也就是说或者写成,

其中,

或者写成,

其中,

无论如何,还是三个分量而不是四个,更高维数的表达方式是类似的。这就是对于观察者而言,更多的维数也只能体现为三维,所以说对于观察者而言,世界总是三维的。

那么在物理现实中,或者说在物理时空中,一个物体总是具有三维空间中的坐标,它总是可以在三维空间中平移缩放(狭义相对论)或者旋转(广义相对论),那么能够实现这一点的最基本的条件,就是至少存在,或者说,这种长度单位之间的关系。由此我们又得到了一个关于物理实相的理解:至少有三种不同频率的振动,定义了三种不同的单位长度,进而才能形成一个三维的世界:两种是不够的,三种以及三种以上都行,三种以上的概率更大,而两种以上的维数或者卷曲在较低的维数中,如,或者展开在较高的维数里,如。那么当前时空可见的最大维数范围是怎样的呢?我们可以写出这样的向量,

只看的情况,以为中心维数,上推可到;以为中心维数,上推可到;以为中心维数,上推可到;以为中心维数,上推可到。四次上推就构成了的完整循环。换句话说,在维上已经完全看不到的投影了。所以如果认为应当包括,那就是说也应当包括,那么当前可见时空的最大维数就是9个维数;若不应当包括,则是7个维数;后一种说法的可信度更好,毕竟看不到,也同样意味着看不到。更大的维数当然存在,更小的维数也当然存在,只是对当前的核心维数的范围来说是可以认为都是不存在的。所以,当前时空可见的最大维数范围是7个维数。当然若有能力更改当前维数或者忽视虚数单位的周期性而将其还原为mod N的形式,则可见范围是无限的。

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

叉积的意义 的相关文章

  • 【每日一题】1572. 矩阵对角线元素的和

    每日一题 1572 矩阵对角线元素的和 1572 矩阵对角线元素的和 题目描述 解题思路 1572 矩阵对角线元素的和 题目描述 给你一个正方形矩阵 mat 请你返回矩阵对角线元素的和 请你返回在矩阵主对角线上的元素和副对角线上且不在主对角
  • 第一章----行列式知识点汇总

    目录 线性代数 1 来自b站网课截屏 本人亲自截屏作为笔记 在这里供大家学习分享 需要线性代数全部内容请通过传送门自行下载 第一章 行列式 1 1行列式的定义 二阶行列式的定义 排列与逆序 排列 逆序 定理1 1 1 一个对换 奇偶排列改变
  • 宋浩线性代数笔记(二)矩阵及其性质

    更新线性代数第二章 矩阵 本章为线代学科最核心的一章 知识点多而杂碎 务必仔细学习 重难点在于 1 矩阵的乘法运算 2 逆矩阵 伴随矩阵的求解 3 矩阵的初等变换 4 矩阵的秩 去年写的字 属实有点ugly 大家尽量看
  • 矩阵求导网站

    https www matrixcalculus org
  • 刚体动力学

    文章目录 刚体状态 将某个物体从局部坐标系变化到全局坐标系 对时间求导 对矩阵求导 惯性 刚体属性 1 质心 计算方法 体素法 直接计算法 四面体体积 四面体的中心 2 惯性张量 世界坐标系中的惯性变量 刚体运动 力矩 刚体的固定属性 当前
  • 线性代数 【基础1】

    文章目录 行列式 方阵的行列式公式 矩阵 矩阵的逆 矩阵的秩 伴随矩阵 初等变换与初等矩阵 分块矩阵 向量 正交矩阵 正交化 线性表示 线性无关与线性相关 极大无关组与向量组的秩 线性方程组 解的性质与判定 齐次线性方程组 非齐次线性方程组
  • 18. 线性代数 - 线性变换

    文章目录 线性空间 线性变换 线性变换的几何意义 特征值与特征向量 NumPy的矩阵操作 Hi 你好 我是茶桁 经历了几节线性代数课程之后 终于咱们到了最后一节课了 本节课的内容说多不多 说少也不少 我们先是要理解一下线性空间和线性变换 并
  • 线性代数——二次型

    一 通过矩阵研究二次方程 二次型的定义 把含有n个变量的二次齐次函数或方程称为二次型 例如 二次型可以用矩阵来表示 可以表示为 更一般的情况 可以表示为 令 则上式表示为 这就是我们常见的二次型表示方式 在 Linear Algebra a
  • 抖音seo矩阵系统源码搭建开发详解

    抖音SEO矩阵系统是一个用于提高抖音视频在搜索引擎排名的工具 如果你想开发自己的抖音SEO矩阵系统 以下是详细的步骤 开发步骤详解 确定你需要的功能和算法 抖音SEO矩阵系统包含很多功能 比如关键词研究 内容优化 链接建设 社交媒体营销等
  • 计算机二级python经典真题

    计算机二级python经典考题 1 键盘输入正整数n 按要求把n输出到屏幕 格式要求 宽度为20个字符 减号字符 右填充 右对齐 带千位分隔符 如果输入正整数超过20位 则按照真实长度输出 例如 键盘输入正整数n为1234 屏幕输出 1 2
  • Java编程练习题:Demo96 - Demo105(多维数组)

    目录 Demo96 代数方面 两个矩阵相乘 编写两个矩阵相乘的方法 Demo97 距离最近的两个点 程序清单8 3给出找到二维空间中距离最近的两个点的程序 修改该程序 让程序能够找出在三维空间上距离最近的两个点 Demo98 最大的行和列
  • 提取任务相关成分的TRCA算法

    提取任务相关成分的TRCA算法 1 TRCA算法简介 2 TRCA算法原理与推导 3 Ensemble TRCA算法原理简介 1 TRCA算法简介 虽然基于CCA的方法在识别SSVEP信号方面具有不错的表现 但这类方法的性能仍旧易受到自发脑
  • C++ 代码实现定义法计算行列式的值

    一 前言 最近在捣鼓C 学到线代的行列式之后就想着来捣鼓一下求行列式的值 主要原因是当时群里有人在捣鼓着用上下三角来求值 所以我最后就去玩定义法求值了 二 n阶行列式的定义 从定义中我们可以看出值计算公式由三个部分组成 分别是逆序数r 行列
  • Gauss_Seidel method with python

    Gauss Seidel method with python from wikipedia https en wikipedia org wiki Gauss E2 80 93Seidel method import numpy as n
  • 变分模态分解(VMD)运算步骤及源码解读

    1 简述 VMD的目标是将实值输入信号 f f f分解为离散数量的子信号 模态 u k u k uk 我们先假设每个模态在一个中心频率
  • lyapunov直接法

    文章目录 定义6 6 Lyapunov第一定理 Lyapunov第二定理 用于刻画渐进稳定 内积分析 定义6 6 Lyapunov第一定理 假设 A C A subset C A C是闭的 如果存在A的邻域D和满足下面两条件的连续函数
  • 机器学习入门——线性代数简单回顾

    本节课程回顾了一些简单但常用的线性代数知识 很基础的 我会直接跳过 并对矩阵的一些运算进行编程实现 3 1 矩阵的加法和标量乘法 矩阵加法 要求行列数要相等 然后 每个元素对应相加 exp 矩阵的标量乘法 每个元素都要乘 exp 3 2 矩
  • 《VirtualLab Fusion物理光学实验教程》好书分享

    目录 第一章 物理光学概念介绍 6 1 1 几何光学和光线追迹 6 1 2 物理光学和光场追迹 6 1 3 电场 磁场以及坡印廷矢量 8 1 4 振幅 相位及实部和虚部 9 1 5 振幅 相位与偏振 10 1 6菲涅尔公式 11 1 7 全
  • 短视频账号矩阵系统3年技术独立源头正规开发搭建

    短视频账号矩阵3年技术独立开发打造是一个非常有挑战性和前景的项目 以下是一些建议 帮助你成功打造一个成功的短视频账号矩阵 1 确定目标受众 首先需要明确你的目标受众是谁 了解他们的兴趣爱好 年龄 性别等 以便为他们提供他们感兴趣的内容 2
  • 矩阵基本操作

    问题描述 已知一个n n的矩阵 方阵n lt 100 把矩阵主副对角线上的元素值加上x 然后输出这个新矩阵 输入格式 一行两个变量 用空格隔开 代表n和x 接下来的n行每行n列 表示矩阵的数值 用空格隔开 输出格式 输出新矩阵 每个数字5个

随机推荐

  • citespace数据处理:用python对Ref文档进行去重

    首先将txt文档提取到Excel表格中筛选出重复项 并且整理到txt中 需要去重的目标txt也准备好 接下来运行代码 注意代码中的路径需要自己按实际情况修改 coding utf 8 author pig 实现去重功能 import re
  • xampp安装

    常见报错 1 apache启动出错 ServerRoot must be a valid directory 解决方法 安装时 直接安装在D盘下 而不是子文件夹下 2 XAMPP与VMware端口443占用问题 Port 443 in us
  • LaTeX新人教程,30分钟从完全陌生到基本入门

    1 LaTeX软件的安装和使用 方法A 自助 在MikTeX的官网下载免费的MikTeX编译包并安装 下载WinEdt 收费 或TexMaker 免费 等编辑界面软件并安装 方法B 打包 在ctex org下载ctex套装 含MikTeX及
  • C++,函数的分文件编写,进行封装。

    1 创建后缀名为 h的头文件 例如test h 右键头文件 新建项 下方文件命名为为 h的头文件 2 然后在头文件里面 对函数声明 其中 include
  • 160道Shell企业面试题整理汇总

    1 Shell脚本是什么 它是必需的吗 答 一个Shell脚本是一个文本文件 包含一个或多个命令 作为系统管理员 我们经常需要使用多个命令来完成一项任务 我们可以添加这些所有命令在一个文本文件 Shell脚本 来完成这些日常工作任务 2 什
  • 领扣算法:234 回文链表

    请判断一个链表是否为回文链表 示例 1 输入 1 gt 2 输出 false 示例 2 输入 1 gt 2 gt 2 gt 1 输出 true 输入参数 public boolean isPalindrome ListNode head 解
  • 软件设计七大原则

    文章目录 一 开闭原则 定义 实现方法 二 里氏替换原则 定义 实现方法 三 依赖倒置原则 定义 实现方法 四 单一职责原则 定义 实现方法 五 接口隔离原则 定义 实现方法 六 迪米特法则 定义 实现方法 七 合成复用原则 定义 实现方法
  • 图像处理——基本知识

    数字图像处理的一些基本知识 一 什么是灰度直方图 二 什么是局部处理 哪些算法属于局部处理 三 什么是点处理 哪些算法属于点处理 四 图像增强常用的方法 五 锐化和平滑 六 膨胀和腐蚀 七 无监督算法 一 什么是灰度直方图 灰度直方图反映的
  • liunx卸载磁盘后重新挂载

    umount dev sdb1 root localhost mkdir data1 在根目录下新建挂载硬盘所需文件夹 root localhost parted dev sdb 使用parted来对GPT磁盘操作 进入交互式模式 part
  • ReactNative系列之十二图标组件react-native-vector-icons的使用

    1 前言 第三方网站提供了丰富的矢量图icon 这些图可以在我们的应用中被引入使用 这时介绍react native vector icons控件的使用 2 安装 请移步至https github com oblador react nat
  • Jenkins构建Maven多模块项目时,单独编译子模块,并且不触发构建其它模块

    通过下面两个步骤 可以实现对个别模块的编译 一 Jenkins构建Maven多模块项目时 单独编译子模块 配置 1 Root POM指向父pom xml 2 Goals and options指定构建模块的参数 mvn pl jsoft w
  • 一条自由游动的鲸鱼

    先看效果 再看代码 div div
  • R语言画图的实例分析,坐标轴,图例等设置

    通过一个具体的案例对R语言的画图进行分析 主要包括辅助线的添加 plot 函数的基本参数设置 以及图例坐标轴的设置 案例分析 数据的输入 dose lt c 20 30 40 45 60 drugA lt c 16 20 27 40 60
  • 关于docker和podman

    docker daemon 存在问题 单点故障问题 docker daemon一旦死亡 所有容器都将死亡 docker daemon 拥有运行中的容器的所有子进程 所有docker操作都需由具有跟root相同权限的用户执行 构建容器时 可能
  • 【华为OD机试】按身高和体重排队(C++ Python Java)2023 B卷

    时间限制 C C 1秒 其他语言 2秒 空间限制 C C 262144K 其他语言524288K 64bit IO Format lld 语言限定 C clang11 C clang 11 Pascal fpc 3 0 2 Java jav
  • Thread.Sleep(0)的妙用

    https www cnblogs com JianGuoWan p 9139698 html Thread Sleep 0 表示挂起0毫秒 你可能觉得没作用 你要写Thread Sleep 1000 就有感觉了 似乎毫无意义 MSDN的说
  • VS2010配色方案

    找了很久的配色方案 绝对是精挑细选的 现在分享一下地址 http www hanselman com blog VisualStudioProgrammerThemesGallery aspx 个人喜欢的配色方案 Ragnarok 附图 忘
  • 添加数据设置某个列自增_流量物联卡这样设置,网速立马变快

    物联卡是什么 简单而言 物联卡跟手机卡的区别就是 不能打电话和发短信 物联卡有自己的流量池 共享流量 比如下图就是某个物联卡的套餐 移动APN设置 移动设置APN 安卓手机需要把设备的接入点改成CMIOT 具体步骤如下 A 找到设置移动网络
  • 本地主机连接阿里云数据库(自建数据库)排雷

    最近在阿里云上开了一台云主机 自己搭建了数据库作为数据库使用 正当我本地去连接云上mysql时 发现死活连接不上 我这边阿里云上安全组端口已经放开了 出方向和入方向都开了歪 但是依然连接不上 是不是数据库做了限制 此时的我恍然大悟 欻欻欻欻
  • 叉积的意义

    我们知道 向量的叉积可以帮助我们求出一个和已知两个向量构成的平面相互垂直的另一个向量 例如求法向量 而且一般来说 都是求三维空间的向量的叉积 下面我们要讨论的就是各种 为什么如此 考虑两个相互不平行的三维向量 它们的叉积 以行列式形式来表示