先取的两个点把这条边的直线方程写出来,则高所在直线与它垂直，这时可得所在高的直线方程斜率b再设高的方程式是y=kx+b,其中k已知把另一点代入直线方程，可求出b,这时高的直线方程就出来了空间直角坐标系中平面方程为Ax+By+Cz+D=0空间

首先讲下方向导数。正如偏导一样，方向导数也是在特定方向上函数的变化率，只不过偏导是在x和y轴方向上罢了，特殊一点而已。方向导数在各个方向上的变化一般是不一样的，那到底沿哪个方向最大呢？沿哪个方向最小呢？为了研究方便，就有了梯度的定义。很明显

曲面法向量与z轴夹角看法就是：选一个垂直于曲面的一个平面与z轴正半轴的夹角，若为钝角，就是在选取面的外侧，如果夹角为锐角，就是在选取面的内侧。曲面由方程F（x,y,z）=0决定，相应的某一点M的法向量，只需要对应的求偏导数就可以了。如果曲面

这两个公式都是由P=UI推导出来的，具体要怎么用，要看具体情况，比如在电阻知道的情况下，如果电流容易求的话就用P=I^2R如果电压容易求的话就用P=U^2R就本人经验来看，一般并联电路用P=U^2R，较为方便，因为并联等压，而串联电路一

©作者 | 小欣 CNN广泛应用于计算机视觉的各种任务中，比如分类，检测，分割，CNN通过共享卷积核提取特征，减少网络参数数量，提高模型效率，另一方面CNN具有平移不变性，即无论特征被移动到图像的哪个位置，网络都能检测到这些特征。 尽管CN

向量a与向量b的夹角公式是：cos=(ab的内积）(|a||b|)。其中设a，b是两个不为0的向量。而向量的夹角就是向量两条向量所成角，而且需要注意的是向量是具有方向性的。也就是说，两个向量夹角的取值范围是：0到90度。向量的表示方法：1

运算结果只能是矩阵或向量，绝对没有得到实数的时候，还是写“零矩阵”！“两个矩阵相乘是得到0”，这句话本身就不结果只能是矩阵或向量，绝对没有得到实数的情况矩阵的行列规范，的不能，两个非零矩阵A,B相乘可以等于零矩阵，例如A=1-1-11B=2

P1(x1,y1)、P2(x2,y2)、P3(x3,y3)三点共线的条件为：(y2-y1)(x2-x1)=(y3-y1)(x3-x1)——这是充要条件，由此派生出：(y2-y1)(x2-x1)=(y3-y2)(x3-x2)或(y1-

行阶梯形矩阵的秩是用初等行变换。这个有很大的作用，（当矩阵是二三阶的时候，行阶梯形矩阵可以求矩阵的值）还可以求矩阵的秩，求齐次方程组的解和非齐次方程组的解，还有求方程组的最大无关组等等都需要行阶梯形，求矩阵的秩一定的化成行阶梯形而且还是行最

方法步骤分步阅读（1）在求矩阵的范数之前，我们首先要清楚我们要求得是那一类矩阵范数，通常我们常用的矩阵范数可以分为：1范数，2范数，无穷范数，和Frobenius范数。（2）上面介绍了几种常用的范数表示形式了，那么下面来看下怎么求具体的范

谱聚类(Spectral Clustering, SC) ,是一种基于图论的聚类方法——将带权无向图划分为两个或两个以上的最优子图，使子图内部尽量相似，而子图间距离尽量距离较远 换句话说， 当遇到比较复杂的聚类问题时，k-m

由特征值与行列式的关系知：|A|=λ1λ2λ3=（-1）2-4其中公式中λi是矩阵A的特征值。（2）设f(x)=x^2+3x-1则B=f(A)由特征值的性质知：若λ是矩阵A的特征值，则f(λ)就是多项式矩阵f(A)的特征值，所以B=f(A)

考虑方程组Ax=b，其中A属于nn维的矩阵空间，b和x属于n维向量空间，一般来说我们需要从这个隐式的方程组转变成显示的等价方程，一般具有形式,这样的方程为不动点方程，我们可以通过不断迭代，计算出等式右端然后赋值给变量x 对于Ax=

多元非线性回归要大致化成多元线性回归，比如是ax^2就化成对于x^2的线性回归作分析，你要先确定元是哪些，一种很流行的方法就是画图看形状大致猜一下（直线就是一次，以此类推），再用[b,bint,r,rint,stats] = regress

clc;clear X=[0 2 5 6 8 9]; Y=[3 577 9 11 118]; pcoef=polyfit(X,Y,1)%3次多项式拟合，系数为pcoef xx=0:01:9; yy=polyval(pcoef,xx);

matlab拟合工具箱cftool%拟合数据曲线；线性最小二乘法是解决曲线拟合的最常用的方法，%1、多项式拟合函数；p=polyfit(x,y,n);求p拟合函数在xi处的近似值pi=polyval(p,xi)；%2、利用常用矩阵的除法解决

一、特征点（角点）匹配图像匹配能够应用的场合非常多，如目标跟踪，检测，识别，图像拼接等，而角点匹配最核心的技术就要属角点匹配了，所谓角点匹配是指寻找两幅图像之间的特征像素点的对应关系，从而确定两幅图像的位置关系。角点匹配可以分为以下四个步骤

多元线性回归——用最小二乘估计法B = REGRESS(Y,X) ,返回值为线性模型Y = XB的回归系数向量X ,n-by-p 矩阵,行对应于观测值,列对应于预测变量Y ,n-by-1 向量,观测值的响应（即因变量,译者注）[B,BINT

题目错了吧,A为行向量1行4列；B也为1行4列,XA=B则X为一个数值,设为x则 由1x=1,得x=1,带入其他的各个此等式不成立!应该 A 与 B都是列向量吧!这样X为4×4的矩阵此时X有16个未知数,只能列4个方程也解不出来哦