• 线性代数 --- 投影Projection 二(投影即分量)


    投影即分量

            在上一篇文章中,我总结了两种计算投影向量的方法。一是用三角函数中夹角的余弦来证明和一是用两个相互垂直向量的内积为零证明的。老实说,在学习投影的过程中,我有很长一段时间都把学习的重点简单的放在,如何计算一个向量到另一个向量的投影p本身上。但是,为什么要学习这个?为什么线性代数的老教授Gilbert strang会把投影看的这么重?投影究竟有什么用?求出投影向量又能怎么样?种种的问题,不仅在学习投影之前,在学习投影的过程中,包括现在学习了很多遍投影以后,依然有。

            知道就是知道,不知道就是不知道。光是靠背,没有用。希望我自己在后面的学习过程中,以及在整理和撰写投影这一系列的文章中,能找到答案。

            这里,我们就一起来看看,如何更加直观的去理解投影的几何意义。那就是:在空间R^{n}中,任意一个向量b在某个方向上的投影,即为b在该方向上的分量(A part of vector b)


    二维空间中,向量在直线上的投影

            在二维空间中,我们把x轴用向量x=[x 0]'表示,把y轴用向量y=[0 y]'表示。向量x与向量y线性无关,且相互正交,他们共同张成了整个二维x-y平面。

            在这个平面里的一个任意向量b=[x' y']'(注:方括号后的符号“ ' ”用于强调该向量为一个列向量,即行向量的转置),在x轴所在的向量x和y轴所在的向量y上的投影分别为p1=[x' 0]',p2=[0 y']'。利用之前求出的投影向量的计算公式:

    分别求出p1和p2:

    在x轴方向的投影为:

    \large p_{1}=\hat{x}x=\frac{x^{T}b}{x^{T}x}x=\begin{bmatrix} x'\\ 0 \end{bmatrix}

    在y轴方向的投影为:" role="presentation">

    \large p_{2}=\hat{x}y=\frac{y^{T}b}{y^{T}y}y=\begin{bmatrix} 0\\ y'\end{bmatrix}

    且有,p1([x' 0]')加p2([0 y']')正好等于b([x' y']'):

    \large p_{1}+p_{2}=\begin{bmatrix} x'\\0 \end{bmatrix}+\begin{bmatrix} 0\\y' \end{bmatrix}=\begin{bmatrix} x'\\y' \end{bmatrix}=b

           

    下面我们看一个实例,计算向量b=[1 1]'在二维x-y平面中,x轴和y轴上的投影:

            也就是说在二维空间x-y平面中,任意向量b在x轴和y轴上的分量,正好且刚好是他在这两个方向上的投影,反之亦然。即:

    \large b\begin{bmatrix} 1\\1 \end{bmatrix}=p1\begin{bmatrix} 1\\0 \end{bmatrix}(projection on X)+p2\begin{bmatrix} 0\\1 \end{bmatrix} (projection on Y)

    \large p1\begin{bmatrix} 1\\0 \end{bmatrix}(A \; part \; of \; b)+p2\begin{bmatrix} 0\\1 \end{bmatrix} (Another \; part \; of \; b)=b\begin{bmatrix} 1\\1 \end{bmatrix}


    三维空间中,向量在子空间上的投影:

            同理,在三维空间中的一个任意向量b在x,y,z各轴上的投影也相仿。用向量x=[x 0 0]',向量y=[0 y 0]'和向量z=[0 0 z]'分别表示x,y,z,他们彼此相互两两正交,张成了整个三维空间。

            在这个三维空间中的任意向量b=[x' y' z']',在x轴方向的投影/分量为[x' 0 0]',在y轴方向的投影/分量为[0 y' 0]',在z轴方向上的投影/分量为[0 0 z']'(上图中p1):

    \large p_{1}=\hat{x}z=\frac{z^{T}b}{z^{T}z}z=\begin{bmatrix} 0\\0\\z'\end{bmatrix}

    以上这些都是向量在直线上的投影,而向量b在x-y平面上的投影[x' y' 0]'(上图中p2),则被称之为向量在子空间上的投影,他是向量b在x轴上的投影与向量b在y轴上的投影之和,即:

    \large p_{2}=\hat{x_{1}}x+\hat{x_{2}}y=\frac{x^{T}b}{x^{T}x}x+\frac{y^{T}b}{y^{T}y}y=\begin{bmatrix} x'\\0\\0\end{bmatrix}+\begin{bmatrix} 0\\y'\\0\end{bmatrix}=\begin{bmatrix} x'\\y'\\0\end{bmatrix}

            小结:在上面的两个不同维度的空间中,我们并没有把向量b投影在空间中的另一个任意向量a上(虽然,一般的教科书在讲投影的时候都会这么开始)。而是,把b投影在了一些比较“special”的方向上,即,二维/三维空间中的坐标轴上。为的是,更加直观的感受到投影即分量我反复提及这一主题。又因为这些坐标轴彼此正交,所以,b向量在这些坐标轴上的投影也彼此正交。不仅如此,他们还互为正交补,也就是说,b的两个相互正交的投影的和正好等于b。


    投影向量与误差向量互为正交补:("正交"表示垂直,"补"表示他们的和为b)

            在前面的例子中,都是把向量b投影在相互垂直的两个方向上,例如,x-y坐标轴上。因此,b在他们上面的投影也正交。现在我们不再把b投影到这些指定的坐标轴上,而是投影到空间中的一个任意向量a上(这也是最初计算投影向量p的情形)。更准确的说,是把重点放在向量b在向量a上的投影向量p和垂直于p的误差向量e上。其中,误差向量e正是投影向量p到向量b的连线,是一个始于点p(向量p的端点)终于点b(向量b的端点)的向量。

    误差向量e投影向量p满足如下关系:

    \large e=b-p

    例: 在三维空间中,计算向量b=[1 1 1]'在向量a=[1 2 2]'上的投影向量p和误差向量e,并仔细考察他们二者的关系与联系。

          通过上面的例子,我们发现,只要找到了向量b在某个方向上的投影向量p,那么与之对应的误差向量e,正是向量b在(垂直于向量a的)向量c上的投影,也正是b在该空间中的另一个分量。且,向量b刚好被分解成这两个相互正交的分量/投影e和p,使得:

    p+e=b


    两个互相垂直的向量在彼此方向上的投影为0向量:


     (全文完)

    作者 --- 松下J27

    参考文献(鸣谢):

    1,《Introduction to Linear Algebra》,5th Edition - Gilbert Strang

     2,线性代数及其应用,侯自新,南开大学出版社,1990.

    古诗赏析:

    《小池》

    杨万里【宋】

    泉眼无声惜细流,树阴照水爱晴柔。
    小荷才露尖尖角,早有蜻蜓立上头。

    (配图与本文无关)

    版权声明:所有的笔记,可能来自很多不同的网站和说明,在此没法一一列出,如有侵权,请告知,立即删除。欢迎大家转载,但是,如果有人引用或者COPY我的文章,必须在你的文章中注明你所使用的图片或者文字来自于我的文章,否则,侵权必究。 ----松下J27 

  • 相关阅读:
    第四章. Pandas进阶—数据转换
    ESP8266-Arduino编程实例-MQ-4气体传感器驱动
    空调销售怎么做神秘顾客检测,违规猫腻怎么查?
    智慧农业系统 - 可视化大屏(Echarts)&管理系统(HTTP(S)协议)&物联网平台(MQTT协议)
    S11-斜线表头操作
    【工作记录】css3 grid布局笔记
    大数据ClickHouse进阶(十):ClickHouse的Array Join子句
    vue2源码分析-响应式原理
    EasyUI动态加载组件
    LeetCode75——Day5
  • 原文地址:https://blog.csdn.net/daduzimama/article/details/127746984