學完線性代數的這幾年間，漸漸褪去國中數學的直覺式幾何思考，的確，在處理幾何問題上，相較歐氏幾何的邏輯，線性代數的公理化思考很抽象，很不好傳達給其他人理解，也要三不五時複習一下，咬文嚼字規格間的邏輯關係與意義，不過倒是越嚼越有味（齁假
但也正是如此，線性代數作為以公理出發推演而生的一套思考系統，在運用時可以避免處理問題時陷入案例列舉，這個的思維性質，尤其在軟體系統裡要追求一致性高的實作時，乃至撰寫測試案例，採用線性代數的處理手法相較於直覺式幾何思考，目前我仍認為是比較強健的方法，可以避開許多誤區，不用透過案例窮舉來檢視演算法的可靠度，因為先賢先烈們已經用許許多多的數學證明完善了邏輯上的縝密性
----------------------------------------戰鬥開始
要求解的直線方程式形式如下，我們都知道兩點可以決定一直線，在已知兩點$(x_{1},y_{1}) (x_{2},y_{2}) $ 的前提下，如何求解係數$(a,b,c)$?
首先來列出方程式來觀察，由於我們要解出的直線方程式必定包含已知的兩點，所以會有這樣的關係：
$$ ax_{1}+by_{1}+c=0$$
$$ ax_{2}+by_{2}+c=0$$
把上式整理成矩陣形式來觀察一下：
$$\begin{bmatrix} 0\\0\end{bmatrix}=\begin{bmatrix} x_{1} & y_{1} & 1 \\ x_{2} & y_{2} & 1\end{bmatrix} \begin{bmatrix} a \\b \\c \end{bmatrix} = Ax$$
揉一下眼睛，盯著A矩陣，把他想成他是一個將$R^{3}$（三維空間）投射到$R^{2}$（二維空間）的變換，很明顯的A矩陣不是方陣，不是方陣必定不會是全秩（full rank），也就是說必定會有某些$R^{3}$向量經過A矩陣轉換後，對應至$R^{2}$的零向量，這些$R^{3}$向量構成的空間，在線代裡稱為零空間（Kernal space）
所以求解係數$x=(a,b,c)$這件事，可以進一步轉譯成：找出A矩陣的零空間；其中要表達一個空間的方式之一是，以列舉該空間的一組基底向量（basis）做為表示，若此組基底向量彼此正交，我們又說此組基底向量是該空間的正交基（orthogonal basis）。
而SVD這把瑞士刀，就是拿來剖開A矩陣，把它大卸八塊，取出它最深層的核心，裡面含有我們想知道的正交基構成（我此時在想像初號機痛揍完使徒準備捏爛核心的畫面；所以下一步就是把A矩陣拿來SVD分解：
$$A=UDV^{T}$$
這樣看待分解結果：$V^{T}$的三個列向量是$R^{3}$的一組正交基，所以任一組$R^{3}$向量必定可以化成以$V^{T}$的三個列向量表達的形式；中間的D是對角矩陣，對角線上的數值就是$V^{T}$的三個列向量轉到$R^{2}$的放大倍率，A矩陣最多會有3個放大倍率（全秩情況），如果放大倍率有缺，表示某幾支正交向量投射到$R^{2}$為0，後面就會運用到這個概念。
最左邊的U的行向量就是$R^{2}$的一組正交基，透過A矩陣轉換後的$R^{2}$向量都可以用U表達形式
所以我們再轉譯一次求解目標，以下三句話是等價的：
- 求解係數$(a,b,c)$
- 找出A矩陣的零空間
- 將A矩陣SVD分解後，找出$V^{T}$裡面對應D放大率為0的該組列向量
所以再重整一下上述問題，處理流程就清晰的出現：
- 將已知兩點座標整理成Ａ矩陣的形式
- 將Ａ矩陣SVD分解
- 搜尋D矩陣的對角線，找出放大率為0的元素對應的行列i，
- 行列i對應的$V^{T}$就是解向量
---------------------------------心法盡於此，用OpenCVSharp來實作一下（分篇）
使用矩陣運算函式庫+線代觀念只需要幾行解的輕鬆愉快，4不4~~~幾何（斜率/截距）~~~掰掰
後記：把$(a,b,c)$當成一個向量來看待，這問題其實又提示了一件事：$(a,b,c)$與$ (x,y,1)$正交，因為內積為0，所以求解係數$(a,b,c)$這件事，我們可以轉譯成，求解一向量，必須與$(x_{1},y_{1},1) (x_{2},y_{2},1)$正交，從幾何角度來看，不就是$(x_{1},y_{1},1) (x_{2},y_{2},1)$構成的平面的法向量！？這觀點引出了超平面（Hyperplane）的概念，將N維問題帶到了N+1維表述，彷彿偷偷窺探到了更大的宇宙？三言兩語說不清，還得再多讀點書
沒有留言:
張貼留言