平面方程的几种形式

平面方程

一、一般方程

A ( x − x 0 ) + B ( y − y 0 ) + C ( z − z 0 ) + D = 0 A(x-x_0) + B(y-y_0) + C(z-z_0) + D = 0 A(x−x0)+B(y−y0)+C(z−z0)+D=0

法向量: n ^ = ( A , B , C ) \mathbf{\hat n} = (A, B, C) n^=(A,B,C)

二、点法式

n ^ ⋅ ( p − p 0 ) = 0 \mathbf{\hat n} \cdot (p-p_0) = 0 n^⋅(p−p0)=0

  • n ^ \mathbf{\hat n} n^ 是平面的法向量。
  • p p p 是平面上的任意一点。
  • p_0 是平面上的一个已知点。
三、距离和法线

已知沿法向量方向平面到原点的垂直距离为 h e i g h t height height, 法向量: n ^ = ( A , B , C ) \mathbf{\hat n} = (A, B, C) n^=(A,B,C)。

高度

height 是从原点到平面的垂直距离,即沿着法向量方向的距离

单位法向量

将法向量 n ^ \mathbf{\hat n} n^ 归一化为单位向量。单位向量是具有相同方向但长度为1的向量。计算方法为:
n ^ = n ∣ n ∣ = ( A A 2 + B 2 + C 2 , B A 2 + B 2 + C 2 , C A 2 + B 2 + C 2 ) \hat{\mathbf{n}} = \frac{\mathbf{n}}{|\mathbf{n}|} = \left( \frac{A}{\sqrt{A^2 + B^2 + C^2}}, \frac{B}{\sqrt{A^2 + B^2 + C^2}}, \frac{C}{\sqrt{A^2 + B^2 + C^2}} \right) n^=∣n∣n=(A2+B2+C2 A,A2+B2+C2 B,A2+B2+C2 C)

利用高度确定平面上的一点

沿着单位法向量方向移动这一距离以找到平面上的一点 ( x 0 , y 0 , z 0 ) (x_0,y_0,z_0) (x0,y0,z0)
( x 0 , y 0 , z 0 ) = h e i g h t ⋅ n ^ = ( h e i g h t ⋅ A A 2 + B 2 + C 2 , h e i g h t ⋅ B A 2 + B 2 + C 2 , h e i g h t ⋅ C A 2 + B 2 + C 2 ) (x_0,y_0,z_0) = height \cdot \mathbf{\hat n} = \left( height \cdot \frac{A}{\sqrt{A^2 + B^2 + C^2}}, height \cdot \frac{B}{\sqrt{A^2 + B^2 + C^2}}, height \cdot \frac{C}{\sqrt{A^2 + B^2 + C^2}} \right) (x0,y0,z0)=height⋅n^=(height⋅A2+B2+C2 A,height⋅A2+B2+C2 B,height⋅A2+B2+C2 C)

表示: 从原点沿着单位法向量方向移动了 height 的距离,达到了平面上的某一点。

代入点法式方程
A ( x − x 0 ) + B ( y − y 0 ) + C ( z − z 0 ) = 0 A(x-x_0) + B(y-y_0) + C(z-z_0) = 0 A(x−x0)+B(y−y0)+C(z−z0)=0

A ( x − h e i g h t ⋅ A A 2 + B 2 + C 2 ) + B ( y − h e i g h t ⋅ B A 2 + B 2 + C 2 ) + C ( z − h e i g h t ⋅ C A 2 + B 2 + C 2 ) = 0 A(x - height \cdot \frac{A}{\sqrt{A^2 + B^2 + C^2}}) + B(y - height \cdot \frac{B}{\sqrt{A^2 + B^2 + C^2}}) + C(z - height \cdot \frac{C}{\sqrt{A^2 + B^2 + C^2}}) = 0 A(x−height⋅A2+B2+C2 A)+B(y−height⋅A2+B2+C2 B)+C(z−height⋅A2+B2+C2 C)=0

简化方程

展开和简化得到:
A x − h e i g h t ⋅ A 2 A 2 + B 2 + C 2 + B x − h e i g h t ⋅ B 2 A 2 + B 2 + C 2 + C x − h e i g h t ⋅ C 2 A 2 + B 2 + C 2 = 0 Ax - \frac{height \cdot A^2}{\sqrt{A^2 + B^2 + C^2}} + Bx - \frac{height \cdot B^2}{\sqrt{A^2 + B^2 + C^2}} + Cx - \frac{height \cdot C^2}{\sqrt{A^2 + B^2 + C^2}} = 0 Ax−A2+B2+C2 height⋅A2+Bx−A2+B2+C2 height⋅B2+Cx−A2+B2+C2 height⋅C2=0

进一步整理:
A x + B x + C x = h e i g h t ⋅ ( A 2 + B 2 + C 2 ) A 2 + B 2 + C 2 Ax + Bx + Cx = height \cdot \frac{ (A^2 + B^2 + C^2)}{\sqrt{A^2 + B^2 + C^2}} Ax+Bx+Cx=height⋅A2+B2+C2 (A2+B2+C2)

因为:
( A 2 + B 2 + C 2 ) 1 ( A 2 + B 2 + C 2 ) 1 2 = A 2 + B 2 + C 2 \frac{ (A^2 + B^2 + C^2)^1}{(A^2 + B^2 + C^2)^{\frac{1}{2}}} = \sqrt{A^2 + B^2 + C^2} (A2+B2+C2)21(A2+B2+C2)1=A2+B2+C2

所以最后得到:
A x + B x + C x = h e i g h t Ax + Bx + Cx = height Ax+Bx+Cx=height

n ⋅ p = h e i g h t \bold{n} \cdot p = height n⋅p=height
p p p 是平面上的任意一点
h e i g h t height height 的正负取决于法向量的方向

相关推荐
passxgx6 小时前
12.3 多维高斯分布与加权最小二乘法
线性代数·算法·最小二乘法
永霖光电_UVLED7 小时前
SK keyfoundry 宣布推出平面碳化硅平台
平面
AI科技星9 小时前
基于v≡c空间光速螺旋量子几何归一化统一场论第一性原理的时间势差本源理论
人工智能·线性代数·算法·机器学习·平面
菜菜小狗的学习笔记9 小时前
剑指Offer算法题(一)数组与矩阵
线性代数·算法·矩阵
一粒马豆9 小时前
如何在二维平面内同时体现系列词汇的词频和相关性?
python·平面·数据可视化·词嵌入·降维·chromadb
所谓伊人,在水一方33311 小时前
【机器学习精通】第1章 | 机器学习数学基础:从线性代数到概率统计
人工智能·python·线性代数·机器学习·信息可视化
郑同学zxc11 小时前
机器学习17-tensorflow2 线性代数
线性代数·机器学习·tensorflow
AI科技星1 天前
基于双隐含量(角速度 +质量 )的全量变形公式体系-发现新公式
开发语言·人工智能·线性代数·算法·矩阵·数据挖掘
别或许1 天前
03线性代数之向量组(知识总结)
线性代数·算法·机器学习
Cathy Bryant2 天前
线性代数直觉(六):向量通过矩阵
人工智能·笔记·线性代数·机器学习·矩阵