本来想做绕轴旋转，绕轴旋转是在垂直于轴向量的空间里旋转，但是n维空间里与某个向量垂直的空间为n-1维，而旋转只在二维空间里有定义。所以这里就改成了，向任意方向旋转。

计算单位向量 X = ( x 1 , x 2 , ⋯ , x n ) X=(x_1,x_2,\cdots,x_n) X=(x1,x2,⋯,xn)旋转到单位向量 V = ( v 1 , v 2 , ⋯ , v n ) V=(v_1,v_2,\cdots,v_n) V=(v1,v2,⋯,vn)的旋转矩阵 R R R。

旋转坐标系

任意的旋转都可以看作绕着一个轴，在某个平面上的旋转。
不失一般性，假定向量 V = ( v 1 , v 2 , ⋯ , v n ) V=(v_1,v_2,\cdots,v_n) V=(v1,v2,⋯,vn)在 v 1 × v 2 v_1\times v_2 v1×v2张成的平面上旋转，用矩阵乘法可表示为： V ′ = R 1 V V'=R_1V V′=R1V其中旋转矩阵 R 1 R_1 R1定义为
R 1 = ( cos ⁡ α − sin ⁡ α sin ⁡ α cos ⁡ α 1 ⋱ 1 ) R_1=\left( \begin{array}{ccc} \cos\alpha& -\sin\alpha& & & \\ \sin\alpha& \cos\alpha& & & \\ & &1 & & \\ & & & \ddots & \\ & & & & 1 \\ \end{array} \right) R1=⎝⎜⎜⎜⎜⎛cosαsinα−sinαcosα1⋱1⎠⎟⎟⎟⎟⎞
其中 cos ⁡ α = v 2 v 1 2 + v 2 2 \cos\alpha=\frac{v_2}{\sqrt{v_1^2+v_2^2}} cosα=v12+v22 v2， sin ⁡ α = v 1 v 1 2 + v 2 2 \sin\alpha=\frac{v_1}{\sqrt{v_1^2+v_2^2}} sinα=v12+v22 v1。
由此我们将向量 V V V旋转到与 ( v 1 , 0 , ⋯ , 0 ) (v_1,0,\cdots,0) (v1,0,⋯,0)正交。得 V ′ = ( 0 , v 1 2 + v 2 2 , v 3 , v 4 , ⋯ , v n ) V'=(0,\sqrt{v_1^2+v_2^2}, v_3,v_4,\cdots,v_n) V′=(0,v12+v22 ,v3,v4,⋯,vn)。
以此类推，将 V V V旋转到 ( 0 , ⋯ , 0 , 1 ) (0,\cdots,0,1) (0,⋯,0,1)需要 n − 1 n-1 n−1次旋转。将这些旋转变换组合为一个旋转矩阵 R 0 = R n − 1 R n − 2 ⋯ R 1 R_0=R_{n-1}R_{n-2}\cdots R_1 R0=Rn−1Rn−2⋯R1（注意，乘法不满足交换律，顺序不能颠倒）。顺便我们可以计算出这个旋转的逆矩阵 R 0 − 1 = R 1 ⊤ ⋯ R n − 2 ⊤ R n − 1 ⊤ R_0^{-1}=R_1^\top\cdots R_{n-2}^\top R_{n-1}^\top R0−1=R1⊤⋯Rn−2⊤Rn−1⊤。

旋转向量

现在我们要做的是将 R 0 X R_0X R0X旋转到坐标轴 ( 0 , ⋯ , 0 , 1 ) (0,\cdots,0,1) (0,⋯,0,1)，并求旋转矩阵。做法与上面相同。最后可以求得，在旋转后的坐标系下，旋转矩阵为 R X R_X RX: R 0 V = R X R 0 X R_0V=R_XR_0X R0V=RXR0X

虽然 R R R和 R X R_X RX表示的旋转角度相同，但是这两个旋转所在的坐标系是不同的，还需要将 R X R_X RX的坐标轴旋转回去：
R = R 0 − 1 R X R 0 R=R_0^{-1}R_XR_0 R=R0−1RXR0

代码实现

import numpy as npdef Rot_map(V):assert len(V.shape) == 1assert np.linalg.norm(V) - 1 < 1e-8n_dim = V.shape[0]Rot = np.eye(n_dim)Rot_inv = np.eye(n_dim)for rotate in range(n_dim-1):rot_mat = np.eye(n_dim)rot_norm = np.sqrt(V[rotate]**2 + V[rotate+1]**2)cos_theta = V[rotate+1]/rot_normsin_theta = V[rotate]/rot_normrot_mat[rotate,rotate] = cos_thetarot_mat[rotate,rotate+1] = - sin_thetarot_mat[rotate+1,rotate] = sin_thetarot_mat[rotate+1,rotate+1] = cos_thetaV = np.dot(rot_mat, V)Rot = np.dot(rot_mat, Rot)Rot_inv = np.dot(Rot_inv,rot_mat.transpose())return Rot, Rot_invn_dim = 512X = np.random.rand(n_dim)
X = X / np.linalg.norm(X)
V = np.random.rand(n_dim)
V = V / np.linalg.norm(V)R_0, R_0_inv = Rot_map(V)
R_X, _ = Rot_map(np.dot(R_0, X))R = np.dot(np.dot(R_0_inv, R_X), R_0)assert np.linalg.norm(np.dot(R,X) - V) < 1e-8

扩展

这个方法可以用来在正交于某个向量的空间中随机采样。例如，在 n n n维空间中，采样与 V = ( v 1 , v 2 , ⋯ , v n ) V=(v_1,v_2,\cdots,v_n) V=(v1,v2,⋯,vn)正交的向量，则代码如下：

import numpy as npdef Rot_map(V):assert len(V.shape) == 1assert np.linalg.norm(V) - 1 < 1e-8z_dim = V.shape[0]Rot = np.eye(z_dim)Rot_inv = np.eye(z_dim)for rotate in range(z_dim-1):rot_mat = np.eye(z_dim)rot_norm = np.sqrt(V[rotate]**2 + V[rotate+1]**2)cos_theta = V[rotate+1]/rot_normsin_theta = V[rotate]/rot_normrot_mat[rotate,rotate] = cos_thetarot_mat[rotate,rotate+1] = - sin_thetarot_mat[rotate+1,rotate] = sin_thetarot_mat[rotate+1,rotate+1] = cos_thetaV = np.dot(rot_mat, V)Rot = np.dot(rot_mat, Rot)Rot_inv = np.dot(Rot_inv,rot_mat.transpose())return Rot, Rot_invz_dim = 512
n_samples = 10000V = np.random.rand(z_dim)
V = V / np.linalg.norm(V)R_0, R_0_inv = Rot_map(V)samples = np.random.rand(z_dim-1, n_samples)
samples = np.concatenate((samples, np.zeros((1, n_samples))))
samples = np.dot(R_0_inv, samples)assert np.mean(np.abs(np.dot(V, samples))) < 1e-8

进一步，我们采样与一组向量 V s Vs Vs正交的向量：

import numpy as npdef gs(X, row_vecs=True, norm = True):'''https://gist.github.com/iizukak/1287876/edad3c337844fac34f7e56ec09f9cb27d4907cc7'''if not row_vecs:X = X.TY = X[0:1,:].copy()for i in range(1, X.shape[0]):proj = np.diag((X[i,:].dot(Y.T)/np.linalg.norm(Y,axis=1)**2).flat).dot(Y)Y = np.vstack((Y, X[i,:] - proj.sum(0)))if norm:Y = np.diag(1/np.linalg.norm(Y,axis=1)).dot(Y)if row_vecs:return Yelse:return Y.Tdef Rot_map(V):assert len(V.shape) == 1assert np.linalg.norm(V) - 1 < 1e-8z_dim = V.shape[0]Rot = np.eye(z_dim)Rot_inv = np.eye(z_dim)for rotate in range(z_dim-1):rot_mat = np.eye(z_dim)rot_norm = np.sqrt(V[rotate]**2 + V[rotate+1]**2)cos_theta = V[rotate+1]/rot_normsin_theta = V[rotate]/rot_normrot_mat[rotate,rotate] = cos_thetarot_mat[rotate,rotate+1] = - sin_thetarot_mat[rotate+1,rotate] = sin_thetarot_mat[rotate+1,rotate+1] = cos_thetaV = np.dot(rot_mat, V)Rot = np.dot(rot_mat, Rot)Rot_inv = np.dot(Rot_inv,rot_mat.transpose())return Rot, Rot_invz_dim = 10 # number of dimensions
n_vectors= 2 # number of Vs
assert n_vectors < z_dim
n_samples = 10 # number of samples to orthogonal VsVs = np.random.rand(n_vectors, z_dim)
# Gram-Schmidt Orthogonization
orth_Vs = gs(Vs)
orth_Vs = orth_Vs.TRots = np.eye(z_dim)
Rot_invs = np.eye(z_dim)
for idx in range(n_vectors):V = orth_Vs[:, idx]R_0 = np.eye(z_dim)R_0_inv = np.eye(z_dim)R_0[0:z_dim-idx,0:z_dim-idx], R_0_inv[0:z_dim-idx,0:z_dim-idx] = Rot_map(V[range(z_dim-idx)])orth_Vs = R_0.dot(orth_Vs)Rots = np.dot(R_0, Rots)Rot_invs = np.dot(Rot_invs, R_0_inv)samples = np.random.rand(z_dim-n_vectors, n_samples)
samples = np.concatenate((samples, np.zeros((n_vectors, n_samples))))
samples = np.dot(Rot_invs, samples)assert np.mean(np.abs(np.dot(Vs, samples))) < 1e-8

用矩阵旋转太慢了，上述采样操作可以用矩阵分解解决(在任意向量的正交空间中采样)：

import numpy as npz_dim = 10 # number of dimensions
n_vectors= 2 # number of Vs
assert n_vectors < z_dim
n_samples = 20 # number of samples to orthogonal VsVs = np.random.rand(n_vectors, z_dim)
Vs = np.concatenate((Vs,np.zeros((z_dim-n_vectors, z_dim))))U, s, V = np.linalg.svd(Vs)directions = np.eye(z_dim)
directions[range(n_vectors),range(n_vectors)] = 0
directions = np.dot(np.dot(U, directions), V)samples = np.random.rand(z_dim, n_samples)
samples = np.dot(directions.T, samples)assert np.mean(np.abs(np.dot(Vs, samples))) < 1e-8

python n维向量向任意方向旋转，求旋转矩阵相关推荐

python二维向量运算模拟_python二维向量运算_[VB.NET][C#]二维向量的基本运算
前言在数学中,几何向量是指具有大小和方向的几何对象. 在编程中,向量有着广泛的应用,其作用在图形编程和游戏物理引擎方面尤为突出. 第一节构造函数通过创建一个二维向量的类(或结构体),实现向量的表 ...
python二维向量公式坐标叉乘_Python 或 sage 有没有哪个函数可以求指定向量的模？进行点乘运算，叉乘运算。...
Hlianbobo:python 或 sage 有没有哪个函数可以求指定向量的模?进行点乘运算,叉乘运算?求相关的库名称已经代码示例,谢谢! zhzy:numpy Tony042:numpy,或者自己 ...
python多维向量聚类_机器学习：Python实现聚类算法(三)之总结
考虑到学习知识的顺序及效率问题,所以后续的几种聚类方法不再详细讲解原理,也不再写python实现的源代码,只介绍下算法的基本思路,使大家对每种算法有个直观的印象,从而可以更好的理解函数中参数的意义及作 ...
python二维向量运算模拟_Python数学基础之向量定义与向量运算（附代码）
患难与困苦是磨练人格的最高学府.--苏格拉底(公元前470年-公元前399年) Adversity and pinch are the highest institution of higher le ...
python二维向量运算模拟_【转载 Python】Numpy基础：数组和矢量运算
Numpy基础:数组和矢量运算目录: 尊重原创,转载出处:https://blog.csdn.net/sunyaowu315/article/details/82733249?utm_medium= ...
python二维向量运算_python中二维数组的Elementwise与or或运算
numpy有logical_or.logical_xor和{},它们有一个reduce方法>> np.logical_or.reduce(a, axis=0) array([ True, ...
python二维向量运算,二维数组python中的矢量化计数
像这样的东西呢,它是矢量化的,没有for循环:def moving_count(a, value, axis=0): """Return sequential count ...
python运维是做什么的_Python运维工程师主要干什么?
Python运维工程师主要干什么? 更新时间:2020年05月09日作者:spoto 广义运维工程师的职责介绍 Python运维工程师主要干什么?其实无论是做什么运维,运维工程师最基本的职责都是负责 ...
从某一点出发沿任意一方向旋转矩阵计算思考与实现
欢迎关注更多精彩关注我,学习常用算法与数据结构,一题多解,降维打击. 上期讲到绕任一向量旋转矩阵计算思考与实现点击前往点击前往问题提出之前讲到绕任一向量旋转矩阵实现,原来的向量都是从原点出 ...

python n维向量向任意方向旋转，求旋转矩阵

旋转坐标系

旋转向量

代码实现

扩展

python n维向量向任意方向旋转，求旋转矩阵相关推荐

最新文章

热门文章