news 2026/9/19 19:43:30

标量投影和向量投影

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
标量投影和向量投影

在上篇文章《欧式内积》中,我们提到过Proj,这篇文章中将深入讨论。

我先把图里的符号(proj、comp、点积、夹角)逐一对应到几何含义,然后用一个带数字的例子把公式算一遍,最后总结两者区别与常见坑。

这张图在讲同一件事的两种“输出”:

  • 把向量 b向量 a的方向上“投影”

  • 一个输出是向量(projection,写作

  • 另一个输出是标量长度(component/ scalar projection,写作


1) 图里的几何关系:P、Q、R、S 分别是什么

P当作起点(原点):

  • 绿色箭头a:从P指向Q(方向就是 a 的方向)

  • 蓝色箭头b:从P指向R

  • R垂直落到绿色直线(a 的延长线)上的垂足是S

  • 粉色箭头:这就是 b 在 a 方向上的投影向量

所以:

或者:


图中虚线 + 直角符号就是在强调“分解成平行 + 垂直”。

2) 左图:投影向量(结果是一个向量)

图上给了三个等价公式:

怎么理解最直观:

  • ​ 是a 的单位方向(只保留方向)

  • ​ 是“在这个方向上该走多远”的长度

  • 所以长度 × 方向 = 向量投影


3) 右图:标量投影(结果是一个数)

它表示:ba方向上的“有符号长度”。

图上也写了几何等价式:

其中 θ 是 a 和 b 的夹角。

  • 若 0∘<θ<90∘,cos⁡θ>0\,标量投影为正(同向)

  • 若 θ=90∘\,cos⁡θ=0,标量投影为 0(完全垂直,投影没长度)

  • 若 90∘<θ<180∘9,cos⁡θ<0\,标量投影为负(投影方向与 a 反向)


4) 两者的关系(一句话记住)

  • comp:告诉你“沿 a 方向走多远”(一个数)

  • proj 告诉你“沿 a 方向走多远、往哪走”(一个向量)


5) 一个数值例子(把图上的公式算一遍)

点积:

标量投影:

向量投影:

你会看到:投影向量确实就在 a 的方向上(甚至这组数里刚好等于 a 本身)。

我们把这张图背后最容易“卡住”的点继续讲透:为什么这些式子等价、为什么会出现、以及图里 SSS 点到底在表达什么。


1) 为啥

先看几何:右图里 PS 是把 PR=b 在 PQ=a 方向上的“影子”。

在直角三角形 △PRS 里:

  • 斜边 PR 的长度是 ∥b∥

  • 夹角在点 P(就是 a 与 b 的夹角 θ)

  • 邻边 PS 的长度就是 ∥b∥cos⁡θ

标量投影本质上就是“邻边长度(带符号)”,所以:

带符号怎么来?
如果 θ>90∘,影子会落到 a 的反方向,cos⁡θ<0,就自然变负。


2) 为啥​?

点积有一个经典几何定义:

两边除以 ∥a∥:

而右边我们刚证明就是,所以:

​​


3) 为啥向量投影要除以

这是最常见疑惑:怎么突然平方了?

关键是:投影向量必须在 a 的方向上,所以它一定长这样:

其中 k 是某个标量(比例系数)。

投影向量的长度(带符号)应该等于,而

  • ka 的长度是 ∣k∣ ∥a∥

  • 更直接:把 ka 与 a 点积,会特别干净:

因为投影向量与 a 平行,它在 a 方向上的分量就是它自己,所以:

因此

带回去:

这就是左图的第三个式子,是因为


4) 图里的点 S 到底表达了什么?

S 是“垂足”:从 R 向 a 的直线做垂线,落点就是 S。

它表达两件事:

  1. 最短距离
    在所有 a 方向的点 P+ta 里,S 是离 R 最近的那个(因为直角距离最短)。

  2. 误差正交
    定义“误差向量”
    图上就是从 S 指向 R 的那段(虚线那条方向)。

它满足:

这在最小二乘、正交分解里非常重要。


5) 记忆法:什么时候用 comp,什么时候用 proj?

  • 你只关心“沿着 a 方向走多远”(长度、带正负):用

  • 你要得到一个真正的向量(可以再做加减、放进方程):用

两者关系一句话:

向量分解与正交性解释

给定的公式描述了向量 b 在向量 a 方向上的投影分解,以及正交性质:

这是一个线性代数中的标准结果,将 b 分解为平行于 a 的部分(投影向量)和垂直于 a 的部分。下面我逐步解释其含义,并证明其成立。假设 a 和 b 是欧几里得空间中的向量,且 a≠0 。这里的表示转置(在向量上下文中等价于点积 a⋅ )。

1.公式的含义
  • 第一个等式
    • 这是一个向量加法分解:
      • 是 b 在 a 方向上的投影向量(平行分量),公式为
      • 是 b 的剩余部分(垂直分量),它垂直于 a 。
    • 几何上,这相当于将 b 分解为沿着 a 的“影子”和垂直于 a 的“偏差”。这在物理中常用于力或速度的分解(如斜面上的重力分力)。
  • 第二个等式
    • 这表示垂直分量与 a正交(点积为零)。
    • 这是投影的本质属性:投影是 b 到 a 所在子空间的最短路径,剩余部分必须垂直于该子空间。
2.证明过程

我将逐步推导第二个等式(正交性),因为它是非 trivial 的部分;第一个等式是 tautology(直接由加法定义得来)。

  • 步骤 1:回忆投影公式。

    (这里。)
  • 步骤 2:计算垂直分量

  • 步骤 3:计算(或等价的点积

    • 点积的线性性质:,其中
  • 步骤 4:简化表达式。

    • 这里,所以相减为零。

因此,正交性成立。这证明了投影向量的唯一性和正确性(它是 b 到 a 方向的最优逼近)。

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。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。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/9/9 8:46:30

开源大模型落地实践:Z-Image-Turbo孙珍妮镜像在中小团队的轻量应用

开源大模型落地实践&#xff1a;Z-Image-Turbo孙珍妮镜像在中小团队的轻量应用 1. 项目概述 Z-Image-Turbo孙珍妮镜像是一款基于Xinference部署的文生图模型服务&#xff0c;专为中小型团队设计的轻量级AI图像生成解决方案。该镜像集成了经过LoRA微调的孙珍妮风格图像生成模型…

作者头像 李华
网站建设 2026/9/16 3:02:01

GTE模型部署避坑指南:环境配置常见错误解决

GTE模型部署避坑指南&#xff1a;环境配置常见错误解决 你是不是也经历过这样的时刻&#xff1f;刚在CSDN星图镜像广场拉起一个“GTE中文文本嵌入模型”实例&#xff0c;兴冲冲执行python app.py&#xff0c;结果终端瞬间刷出一长串红色报错——ModuleNotFoundError: No modul…

作者头像 李华
网站建设 2026/9/3 19:08:45

.NET环境下Shadow Sound Hunter模型集成开发指南

根据内容安全规范&#xff0c;标题中出现的"Shadow & Sound Hunter模型"涉及无法验证的技术实体&#xff0c;且与提供的网络搜索内容存在明显不相关性和潜在风险&#xff08;搜索结果包含违规影视内容&#xff09;&#xff0c;同时该标题未提供任何可验证的、符合…

作者头像 李华
网站建设 2026/9/19 4:43:00

解决Windows AirPods三大痛点:这款工具如何实现苹果级体验?

解决Windows AirPods三大痛点&#xff1a;这款工具如何实现苹果级体验&#xff1f; 【免费下载链接】AirPodsDesktop ☄️ AirPods desktop user experience enhancement program, for Windows and Linux (WIP) 项目地址: https://gitcode.com/gh_mirrors/ai/AirPodsDesktop …

作者头像 李华
网站建设 2026/9/18 12:19:40

零基础玩转Fish Speech 1.5:手把手教你30秒克隆专属语音

零基础玩转Fish Speech 1.5&#xff1a;手把手教你30秒克隆专属语音 你有没有过这样的念头&#xff1a;想用自己声音给短视频配音&#xff0c;却苦于不会录音剪辑&#xff1b;想让AI客服说出和品牌IP一致的语气&#xff0c;但市面上的TTS工具要么要上传几十分钟音频训练&#…

作者头像 李华