解析几何@平面上点到直线的距离@点到平面的距离@空间中点到直线的距离

文章目录

    • 平面上点到直线的距离
    • 点到平面的距离
        • 小结
      • 角平分面问题
    • 点到直线的距离

平面上点到直线的距离

  • 设坐标平面上有点 P ( x 1 , y 1 ) P(x_1,y_1) P(x1,y1)和直线 l : A x + B y + C = 0 l:Ax+By+C=0 l:Ax+By+C=0, A , B A,B A,B不全为0
  • P P P到直线 l l l的的距离的算法推导如下
    • 作直线 m m m通过点 P ( x 1 , y 1 ) P(x_1,y_1) P(x1,y1),并且和直线 l l l垂直,设垂足为 P 0 ( x 0 , y 0 ) P_0(x_0,y_0) P0(x0,y0)
    • 令: d 2 = ∣ P 0 P 1 ∣ 2 = ( x 1 − x 0 ) 2 + ( y 1 − y 0 ) 2 d^2=|P_0P_1|^2=(x_1-x_0)^2+(y_1-y_0)^2 d2=P0P12=(x1x0)2+(y1y0)2(0),所求的就是 d d d
    • 由直线垂直对应的方程关系可设直线 P P 0 PP_0 PP0的方程为 B x − A y + D = 0 B{x}-Ay+D=0 BxAy+D=0(1)
      • 因为 P P P P P 0 PP_0 PP0上,从而 B x 0 − A y 0 + D = 0 Bx_0-Ay_0+D=0 Bx0Ay0+D=0(1-1)
      • 两式相减,得 B ( x − x 0 ) − A ( y − y 0 ) = 0 B(x-x_0)-A(y-y_0)=0 B(xx0)A(yy0)=0(1-2)
      • P 0 P_0 P0代入到(1-2),得 B ( x 0 − x 1 ) − A ( y 0 − y 1 ) B(x_0-x_1)-A(y_0-y_1) B(x0x1)A(y0y1)=0(1-3)
    • 又因为 P 0 P_0 P0还在 l l l上,从而 A x 0 + B y 0 + C = 0 Ax_0+By_0+C=0 Ax0+By0+C=0,从而 C = − A x 0 − B y 0 C=-Ax_0-By_0 C=Ax0By0(1-4),
    • 构造 t = A x 1 + B y 1 + C t=Ax_1+By_1+C t=Ax1+By1+C,由(1-4),得 t = A x 1 + B y 1 − A x 0 − B y 0 t=Ax_1+By_1-Ax_0-By_0 t=Ax1+By1Ax0By0= A ( x 1 − x 0 ) + B ( y 1 − y 0 ) A(x_1-x_0)+B(y_1-y_0) A(x1x0)+B(y1y0)(1-5),即 A ( x 1 − x 0 ) + B ( y 1 − y 0 ) = t A(x_1-x_0)+B(y_1-y_0)=t A(x1x0)+B(y1y0)=t(1-6)
      • 将(1-3)两边平方加上(1-6)两边平方,整理得
      • ( A 2 + B 2 ) [ ( x 1 − x 0 ) 2 + ( y − y 0 ) 2 ] (A^2+B^2)[(x_1-x_0)^2+(y-y_0)^2] (A2+B2)[(x1x0)2+(yy0)2]= t 2 t^2 t2(1-7);代入(0),得 ( A 2 + B 2 ) d 2 (A^2+B^2)d^2 (A2+B2)d2= t 2 t^2 t2
      • 所以 d 2 d^2 d2= t 2 ( A 2 + B 2 ) \frac{t^2}{(A^2+B^2)} (A2+B2)t2
      • d d d= ∣ t ∣ A 2 + B 2 \frac{|t|}{\sqrt{A^2+B^2}} A2+B2 t= ∣ A x 1 + B y 1 + C ∣ A 2 + B 2 \frac{|Ax_1+By_1+C|}{\sqrt{A^2+B^2}} A2+B2 Ax1+By1+C(1-8)

文章目录

    • 平面上点到直线的距离
    • 点到平面的距离
        • 小结
      • 角平分面问题
    • 点到直线的距离

点到平面的距离

  • 在这里插入图片描述

  • P 0 ( x 0 , y 0 , z 0 ) P_0(x_0,y_0,z_0) P0(x0,y0,z0)是平面 Π : A x + B y + C z + D = 0 \Pi:Ax+By+Cz+D=0 Π:Ax+By+Cz+D=0(1)外一点,求 P 0 P_0 P0 Π \Pi Π的距离 d d d

    • 设平面的法向量为 n = ( A , B , C ) \boldsymbol{n}=(A,B,C) n=(A,B,C)(1-1),其朝向记为 d 1 \boldsymbol{d_1} d1, − n -\boldsymbol{n} n也是 Π \Pi Π的法向量,其朝向记为 d 2 \boldsymbol{d_2} d2

    • 我们只需要讨论其中的一种情况,另一种情况由于条件的对称性,同理,具有相同的结论

  • 下面讨论点 P 0 P_0 P0分别位于 d 1 , d 2 \boldsymbol{d_1,d_2} d1,d2侧时的情形

    • 将位于 d 1 \boldsymbol{d_1} d1侧时的 P 0 P_0 P0,记为 P 01 P_{01} P01,位于 d 2 \boldsymbol{d_2} d2侧时记为 P 02 P_{02} P02
  • 分析可知,法向量 n \boldsymbol{n} n P 1 P 01 → \overrightarrow{P_{1}P_{01}} P1P01 的夹角 θ 1 ∈ ( 0 , π 2 ) \theta_1\in(0,\frac{\pi}{2}) θ1(0,2π), n \boldsymbol{n} n P 1 P 02 → \overrightarrow{P_1P_{02}} P1P02 的夹角为 θ 2 ∈ ( π 2 , π ) \theta_{2}\in(\frac{\pi}{2},\pi) θ2(2π,π)

    • 距离分别记为 h 1 = ∣ P 1 P 01 → ∣ cos ⁡ θ 1 h_1=|\overrightarrow{P_{1}P_{01}}|\cos{\theta_1} h1=P1P01 cosθ1(2) h 2 = ∣ P 1 P 02 → ∣ cos ⁡ ( π − θ 2 ) = ∣ P 1 P 02 → ∣ ( − cos ⁡ θ 2 ) h_2=|\overrightarrow{P_{1}P_{02}}|\cos{(\pi-\theta_2)}=|\overrightarrow{P_{1}P_{02}}|(-\cos{\theta_2)} h2=P1P02 cos(πθ2)=P1P02 (cosθ2)(3)
      • 其中 cos ⁡ θ 2 < 0 \cos\theta_{2}<0 cosθ2<0,即 − cos ⁡ θ 2 > 0 -\cos\theta_{2}>0 cosθ2>0,从而 h 2 = ∣ P 1 P 02 → ∣ ∣ cos ⁡ θ 2 ∣ h_2=|\overrightarrow{P_{1}P_{02}}||\cos{\theta_2|} h2=P1P02 ∣∣cosθ2(4)

      • 另一方面, cos ⁡ θ 1 > 0 \cos\theta_1>0 cosθ1>0,即 ∣ cos ⁡ θ 1 ∣ = cos ⁡ θ 1 |\cos\theta_1|=\cos\theta_1 cosθ1=cosθ1,从而 h 1 = ∣ P 1 P 01 → ∣ cos ⁡ θ 1 h_1=|\overrightarrow{P_{1}P_{01}}|\cos{\theta_1} h1=P1P01 cosθ1= ∣ P 1 P 01 → ∣ ∣ cos ⁡ θ 1 ∣ |\overrightarrow{P_{1}P_{01}}||\cos{\theta_1}| P1P01 ∣∣cosθ1(5)

  • 从而 h 1 , h 2 h_1,h_2 h1,h2的计算公式形式一致,因此点 P 0 P_0 P0 Π \Pi Π的距离公式为: h = ∣ P 1 P 0 → ∣ ∣ cos ⁡ θ ∣ h=|\overrightarrow{P_{1}P_{0}}||\cos{\theta}| h=P1P0 ∣∣cosθ(6)

小结
  • P 1 P 0 → = ( x 0 − x 1 , y 0 − y 1 , z 0 − z 1 ) \overrightarrow{P_1P_0}=(x_0-x_1,y_0-y_1,z_0-z_1) P1P0 =(x0x1,y0y1,z0z1)(7)

  • h h h= ∣ P 1 P 0 → ∣ ∣ cos ⁡ θ ∣ |\overrightarrow{P_1P_0}||\cos\theta| P1P0 ∣∣cosθ= ∣ P 1 P 0 → ∣ ∣ P 1 P 0 → ⋅ n ∣ ∣ P 1 P 0 → ∣ ∣ n ∣ |\overrightarrow{P_1P_0}| \frac{|\overrightarrow{P_1P_0}\cdot{\boldsymbol{n}}|}{|\overrightarrow{P_1P_0}||\boldsymbol{n|}} P1P0 P1P0 ∣∣nP1P0 n= ∣ P 1 P 0 → ⋅ n ∣ ∣ n ∣ \frac{|\overrightarrow{P_1P_0}\cdot{\boldsymbol{n}}|}{|\boldsymbol{n}|} nP1P0 n(8)

  • 将(1-1),(7)带入(8):得式(9)

    • h = ∣ ( x 0 − x 1 , y 0 − y 1 , z 0 − z 1 ) ⋅ ( A , B , C ) ∣ A 2 + B 2 + C 2 = ∣ A ( x 0 − x 1 ) + B ( y 0 − y 1 ) + C ( z 0 − z 1 ) ∣ A 2 + B 2 + C 2 = ∣ A x 0 − A x 1 + B y 0 − B y 1 + C z 0 − C z 1 ∣ A 2 + B 2 + C 2 = ∣ A x 0 + B y 0 + C z 0 − ( A x 1 + B y 1 + C z 1 ) ∣ A 2 + B 2 + C 2 h=\frac{|(x_0-x_1,y_0-y_1,z_0-z_1)\cdot(A,B,C)|} {\sqrt{A^2+B^2+C^2}} \\ =\frac{|A(x_0-x_1)+B(y_0-y_1)+C(z_0-z_1)|} {\sqrt{A^2+B^2+C^2}} \\ =\frac{|Ax_0-Ax_1+By_0-By_1+Cz_0-Cz_1|} {\sqrt{A^2+B^2+C^2}} \\ =\frac{|Ax_0+By_0+Cz_0-(Ax_1+By_1+Cz_1)|} {\sqrt{A^2+B^2+C^2}} h=A2+B2+C2 (x0x1,y0y1,z0z1)(A,B,C)=A2+B2+C2 A(x0x1)+B(y0y1)+C(z0z1)=A2+B2+C2 Ax0Ax1+By0By1+Cz0Cz1=A2+B2+C2 Ax0+By0+Cz0(Ax1+By1+Cz1)
  • 由于 P 1 ∈ Π P_1\in\Pi P1Π,所以 A x 1 + B y 1 + C z 1 + D = 0 Ax_1+By_1+Cz_1+D=0 Ax1+By1+Cz1+D=0(10),即 − ( A x 1 + B y 1 + C z ) = D -(Ax_1+By_1+C_z)=D (Ax1+By1+Cz)=D(10-1)

  • 所以有(11)

    • h = ∣ A x 0 + B y 0 + C z 0 + D ∣ A 2 + B 2 + C 2 h=\frac{|Ax_0+By_0+Cz_0+D|} {\sqrt{A^2+B^2+C^2}} h=A2+B2+C2 Ax0+By0+Cz0+D

角平分面问题

  • 平面 Π 1 , Π 2 \Pi_1,\Pi_2 Π1,Π2的角平分上的点到两平面的距离相等(点线距问题),来建立方程
  • P ( 2 , 1 , 1 ) P(2,1,1) P(2,1,1) Π : x + y − z + 1 = 0 \Pi:x+y-z+1=0 Π:x+yz+1=0的距离:

    • h = ∣ 2 + 1 − 1 + 1 ∣ 1 + 1 + 1 = 3 h=\frac{|2+1-1+1|}{\sqrt{1+1+1}}=\sqrt{3} h=1+1+1 ∣2+11+1∣=3

点到直线的距离

  • M 0 ( x 0 , y 0 , z 0 ) M_0(x_0,y_0,z_0) M0(x0,y0,z0)是直线外的一点
  • M ( x , y , z ) M(x,y,z) M(x,y,z)是直线 l l l: x − x 1 m = y − y 1 n = z − z 1 p \frac{x-x_1}{m}=\frac{y-y_1}{n}=\frac{z-z_1}{p} mxx1=nyy1=pzz1上的一点,求点 M 0 M_0 M0到直线 l l l的距离 d d d
    • 直线的方向向量为 s = ( m , n , p ) \bold{s}=(m,n,p) s=(m,n,p)(1),因此可以在直线 l l l上截取两点构造和 s \bold{s} s相等的向量
    • 不妨取 M 1 ( x + m , y + n , z + p ) M_1(x+m,y+n,z+p) M1(x+m,y+n,z+p),则 M M 1 → \overrightarrow{MM_1} MM1 = s \bold{s} s
    • M 0 M → \overrightarrow{M_0M} M0M = ( x − x 0 , y − y 0 , z − z 0 ) (x-x_0,y-y_0,z-z_0) (xx0,yy0,zz0)(2),记为 m \bold{m} m= M 0 M → \overrightarrow{M_0M} M0M
    • 由向量积的几何意义可知, S = ∣ s × m ∣ S=|\bold{s\times{m}}| S=s×m为以 s , m \bold{s,m} s,m为邻边的平行四边形的面积
    • S = ∣ M M 1 ∣ d S=|MM_1|d S=MM1d= ∣ s ∣ d |\bold{s}|d sd,所以 d = S ∣ s ∣ d=\frac{S}{|\bold{s}|} d=sS= ∣ s × m ∣ ∣ s ∣ \frac{|\bold{s\times{m}}|}{|\bold{s}|} ss×m(3),再找到直线 l l l上的一点,例如 ( x 1 , y 1 , z 1 ) (x_1,y_1,z_1) (x1,y1,z1)代入点 M M M,可以算出具体的 m \bold{m} m向量 ( x 1 − x 0 , y 1 − y 0 , z 1 − z 0 ) (x_1-x_0,y_1-y_0,z_1-z_0) (x1x0,y1y0,z1z0)
      • ∣ s ∣ |\bold{s}| s= m 2 + n 2 + p 2 \sqrt{m^2+n^2+p^2} m2+n2+p2
      • ∣ s × m ∣ |\bold{s\times{m}}| s×m= ∣ ( x 1 − x 0 , y 1 − y 0 , z 1 − z 0 ) × ( m , n , p ) ∣ |(x_1-x_0,y_1-y_0,z_1-z_0)\times{(m,n,p)}| (x1x0,y1y0,z1z0)×(m,n,p)
    • d d d= ∣ ( x 1 − x 0 , y 1 − y 0 , z 1 − z 0 ) × ( m , n , p ) ∣ m 2 + n 2 + p 2 \Large\frac{|(x_1-x_0,y_1-y_0,z_1-z_0)\times{(m,n,p)}|}{\sqrt{m^2+n^2+p^2}} m2+n2+p2 (x1x0,y1y0,z1z0)×(m,n,p)

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。如若转载,请注明出处:/a/122052.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

最新AI系统ChatGPT源码+AI绘画系统源码+支持GPT4.0+Midjourney绘画+搭建部署教程+附源码

一、AI创作系统 SparkAi创作系统是基于OpenAI很火的ChatGPT进行开发的Ai智能问答系统和Midjourney绘画系统&#xff0c;支持OpenAI-GPT全模型国内AI全模型。本期针对源码系统整体测试下来非常完美&#xff0c;可以说SparkAi是目前国内一款的ChatGPT对接OpenAI软件系统。那么如…

Linux学习之vim跳转到特定行数

参考的博客&#xff1a;《Vim跳到最后一行的方法》 《oeasy教您玩转vim - 14 - # 行头行尾》 《Linux&#xff1a;vim 中跳到首行和最后一行》 想要跳到特定行的话&#xff0c;可以在命令模式和正常模式进行跳转。要是对于vim的四种模式不太熟的话&#xff0c;可以到博客《Linu…

It Is All About Data: A Survey on the Efects of Data on Adversarial Robustness

It Is All About Data: A Survey on the Effects of Data on Adversarial Robustness----《这一切都关乎数据&#xff1a;关于数据对对抗性鲁棒性影响的调查》 摘要 对抗性示例是攻击者故意设计的机器学习模型的输入&#xff0c;目的是迷惑模型&#xff0c;使其犯错误。这些例…

RxJava/RxAndroid的操作符使用(二)

文章目录 一、创建操作1、基本创建2、快速创建2.1 empty2.2 never2.3 error2.4 from2.5 just 3、定时与延时创建操作3.1 defer3.2 timer3.3 interval3.4 intervalRange3.5 range3.6 repeat 二、过滤操作1、skip/skipLast2、debounce3、distinct——去重4、elementAt——获取指定…

Leetcode-LCR 021 删除链表的倒数第 N 个结点

快慢指针&#xff0c;快指针先移动n-1个节点后&#xff0c;慢指针从虚拟头结点出发&#xff08;相当于快慢指针相隔n个节点&#xff09;&#xff0c;快慢指针一起向链表尾依次移动一个结点&#xff0c;当快指针移动到表位时&#xff0c;慢指针正好移到被删除元素的前一个结点&a…

采用springboot 2.7.10来操作clickhouse

1、采用springboot与clickhouse结合&#xff0c;其实和操作mysql&#xff0c;oracle区别不大。直接上代码开干 2、所采用的环境 jdk1.8 springboot 2.7.10 clickhouse 22.8.3.13 clickhouse 0.5.0 3、项目的pom.xml文件 <dependency><groupId>com.clickhous…

使用matlab实现图像信号的色彩空间转换

利用matlab对图像信号进行读取&#xff0c;并对RGB空间进行转换&#xff0c;如转换到HSI空间等。 下面的这个代码是在使用了rgb2hsi()方法失败后&#xff0c;进行修改的。 rgb2hsi(img)这个方法可以将RGB图像转换为HIS图像&#xff1b;但是爆出了 Untitled5(line 5)hsi rgb2h…

解决IDEA使用卡顿的问题

*问题&#xff1a;使用IDEA的时候卡顿 原因&#xff1a;IDEA默认分配的内存有上限 **可以查看内存分配情况及使用情况__ 解决&#xff1a; 设置JVM的启动参数&#xff1a; 进入idea的安装目录的bin文件夹 -Xms1024m -Xmx2048m -XX:ReservedCodeCacheSize1024m -XX:UseG1G…

【Java】IntelliJ IDEA使用JDBC连接MySQL数据库并写入数据

目录 0 准备工作1 创建Java项目2 添加JDBC 驱动程序3 创建数据库连接配置文件4 创建一个 Java 类来连接和操作数据库5 运行应用程序 在 IntelliJ IDEA 中连接 MySQL 数据库并将数据存储在数据表中&#xff0c;使用 Java 和 JDBC&#xff08;Java Database Connectivity&#xf…

抓包工具fiddler的基础知识详解

一、简介 fiddler是位于客户端和服务端之间的http代理 1、作用 监控浏览器所有的http/https流量查看、分析请求内容细节伪造客户端请求和服务器请求测试网站的性能解密https的web会话全局、局部断电功能第三方插件 2、使用场景 接口调试、接口测试、线上环境调试、web性能分…

论文速览 | TRS 2023: 使用合成微多普勒频谱进行城市鸟类和无人机分类

注1:本文系“最新论文速览”系列之一,致力于简洁清晰地介绍、解读最新的顶会/顶刊论文 论文速览 | TRS 2023: Urban Bird-Drone Classification with Synthetic Micro-Doppler Spectrograms 原始论文:D. White, M. Jahangir, C. J. Baker and M. Antoniou, “Urban Bird-Drone…

IBM Qiskit量子机器学习速成(一)

声明&#xff1a;本篇笔记基于IBM Qiskit量子机器学习教程的第一节&#xff0c;中文版译文详见&#xff1a;https://blog.csdn.net/qq_33943772/article/details/129860346?spm1001.2014.3001.5501 概述 首先导入关键的包 from qiskit import QuantumCircuit from qiskit.u…

文心一言 VS 讯飞星火 VS chatgpt (131)-- 算法导论11.2 3题

三、用go语言&#xff0c;Marley 教授做了这样一个假设&#xff0c;即如果将链模式改动一下&#xff0c;使得每个链表都能保持已排好序的顺序&#xff0c;散列的性能就可以有较大的提高。Marley 教授的改动对成功查找、不成功查找、插入和删除操作的运行时间有何影响? 文心一…

助力青少年学习,亚马逊云科技2024年全球人工智能和机器学习奖学金计划正式启动

云未来将以何种方式发展&#xff1f;方向握在意气风发的少年们手中。近日&#xff0c;亚马逊云科技全球人工智能和机器学习&#xff08;AI和ML&#xff09;奖学金计划在中国区的首次颁奖以及2024年启动仪式在北京中学正式举行&#xff0c;有45名学子凭借杰出的学业成绩、对人工…

打开pr提示找不到vcomp100.dll无法继续执行代码怎么办?5种dll问题解决方案全解析

vcomp100.dll是一个由Microsoft开发的动态链接库&#xff08;DLL&#xff09;文件&#xff0c;它对于许多基于图形的应用程序&#xff08;如Photoshop&#xff09;和多个游戏&#xff08;如《巫师3》&#xff09;至关重要。以下是关于vcomp100.dll的属性介绍以及找不到vcomp100…

Qt工程打包工具 windeployqt 的用法

1.复制工程下的“Debug”或者“Release”文件夹到你喜欢的路径&#xff0c;例如&#xff1a;D:\QT_out\ 2.在操作系统“开始”选项找到“Qt”文件夹&#xff0c;打开“Qt 5.15.2&#xff08;MSVC 2019 64-bit&#xff09;” 重点&#xff1a; 这里要注意的是&#xff0c;一定…

TSINGSEE智慧冶金工厂可视化AI视频智能监管方案,助力安全生产

一、背景与需求 有色金属冶炼工艺复杂&#xff0c;推进互联网、大数据、人工智能、5G、边缘计算、虚拟现实等前沿技术在有色冶炼工厂的应用&#xff0c;建成全流程综合集成信息管控平台、实现全要素数据可视化在线监控&#xff0c;已经成为当前冶金企业升级转型的主要建设目标…

2023年亚太杯APMCM数学建模大赛ABC题辅导及组队

2023年亚太杯APMCM数学建模大赛 ABC题 一元线性回归分析类 回归分析&#xff08;Regression Analysis)是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法。   – 按涉及变量个数划分   • 一元回归分析   • 多元回归分析   – 按自变量和因变量之间关…

BSP-STM32移植FreeRTOS

在stm32裸机工程中的Middlewares目录添加freeRtos源码 在裸机工程中的main中调用freertos接口

什么是数据库?数据库有哪些基本分类和主要特点?

数据库是以某种有组织的方式存储的数据集合。本文从数据库的基本概念出发&#xff0c;详细解读了数据库的主要类别和基本特点&#xff0c;并就大模型时代备受瞩目的数据库类型——向量数据库进行了深度剖析&#xff0c;供大家在了解数据库领域的基本概念时起到一点参考作用。 …