{
  "id": "hyperplane",
  "title": "超平面",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "超平面是余维数为一的平直子空间，是平面中的直线和三维空间中的平面的推广。",
  "category": "mathematics",
  "subcategory": "geometry",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/hyperplane/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/hyperplane/",
      "json": "https://aiwiki.page/en/hyperplane.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "超平面是一个平直子空间，其维数（向量空间）比所在空间的维数小一。在二维空间中，它是一条直线；在三维空间中，它是一个平面；在一维空间中，它是一个点。其精确定义取决于所在空间是向量空间、仿射空间还是射影空间。超平面为线性方程、几何分离和分类问题提供了统一的表述方式。(ee263.stanford.edu)"
    },
    {
      "heading": "定义与坐标表示",
      "text": "在实坐标空间 \\(\\mathbb{R}^n\\) 中，仿射超平面的形式为\n\n\\[H=\\{x\\in\\mathbb{R}^n:a^\\mathsf{T}x=b\\}, \\qquad a\\ne0,\\]\n\n其中，\\(a=(a_1,\\ldots,a_n)\\) 是系数向量，\\(b\\) 是标量。等价地，定义它的方程为\n\n\\[a_1x_1+\\cdots+a_nx_n=b.\\]\n\n系数向量非零这一条件至关重要：若 \\(a=0\\)，该方程定义的集合要么是整个空间，要么是空集，而不是超平面。将 \\(a\\) 和 \\(b\\) 同时乘以同一个非零标量，所定义的集合保持不变。因此，超平面的定义方程并不唯一。(ee263.stanford.edu)\n\n当 \\(b=0\\) 时，超平面包含原点，是一个线性子空间，通常称为线性超平面或向量超平面。对于任意 \\(b\\)，选取任意一点 \\(x_0\\in H\\)，便有\n\n\\[H=x_0+\\{v:a^\\mathsf{T}v=0\\}.\\]\n\n因此，仿射超平面是线性超平面经平移得到的集合。它不一定对向量加法或标量乘法封闭。这两类超平面都是仿射集，也都是凸集。(stanford.edu)"
    },
    {
      "heading": "代数刻画",
      "text": "不依赖坐标的定义使用非零线性映射 \\(f:V\\to K\\)，其中 \\(K\\) 是底域（数学）。这种取值为标量的映射称为线性泛函。线性超平面恰好是形如\n\n\\[H=\\ker f=\\{v\\in V:f(v)=0\\}\\]\n\n的集合。\n\n反过来，每个余维数为一的线性子空间都是某个非零线性泛函的核。定义同一超平面的泛函之间只相差一个非零标量因子。(people.clas.ufl.edu)\n\n当 \\(V\\) 为有限维空间时，秩—零化度定理说明了超平面的维数：非零泛函的像是一维的，因此其核的维数为 \\(\\dim V-1\\)。更一般地，余维数为一意味着商向量空间 \\(V/H\\) 的维数为一。这种表述也适用于无限维向量空间。相关泛函属于对偶空间 \\(V^*\\)。(people.clas.ufl.edu)\n\n超平面还可以描述线性方程组中的单个约束。对于有解的方程组 \\(Ax=c\\)，若未知数有 \\(n\\) 个，且矩阵的秩为 \\(r\\)，则解集是维数为 \\(n-r\\) 的仿射子空间。因此，多个超平面约束共同确定的集合不一定仍是超平面：相互独立的约束会进一步降低维数。(ee263.stanford.edu)"
    },
    {
      "heading": "法向量、距离与投影",
      "text": "在实欧几里得空间中，\\(a\\) 垂直于 \\(H\\) 内的每个方向，称为法向量。事实上，\\(H\\) 上任意两点之差满足 \\(a^\\mathsf{T}(x-y)=0\\)。这种解释用到了欧几里得内积；代数定义本身并不需要垂直这一概念。(ee263.stanford.edu)\n\n点 \\(p\\) 到 \\(H\\) 的欧几里得距离为\n\n\\[d(p,H)=\\frac{|a^\\mathsf{T}p-b|}{\\|a\\|_2}.\\]\n\n去掉绝对值便得到有向的带符号距离。选定定向后，其符号表示 \\(p\\) 位于超平面的哪一侧。离 \\(p\\) 最近的点，即 \\(p\\) 在 \\(H\\) 上的正交投影，为\n\n\\[\\operatorname{proj}_H(p) =p-\\frac{a^\\mathsf{T}p-b}{\\|a\\|_2^2}a.\\]\n\n例如，平面 \\(x+2y+2z=3\\) 的法向量为 \\((1,2,2)\\)；代入距离公式可知，该平面到原点的距离为 \\(1\\)。(cs.cmu.edu)"
    },
    {
      "heading": "半空间与凸几何",
      "text": "实仿射超平面将 \\(\\mathbb{R}^n\\) 分成两个开半空间，分别由 \\(a^\\mathsf{T}x<b\\) 和 \\(a^\\mathsf{T}x>b\\) 确定。将严格不等式换成非严格不等式，便得到两个以 \\(H\\) 为共同边界的闭半空间。这种描述依赖于实数的序关系，并非任意域上的超平面都自然具有的性质。(stanford.edu)\n\n支撑超平面与一个凸集相交，并使整个凸集位于同一个闭半空间内。分离超平面将两个集合置于相对的两侧，有时允许集合与边界接触。超平面分离定理保证，有限维实空间中两个非空、不相交的凸集可以被弱分离；严格分离则需要额外的条件。(stanford.edu)\n\n在线性规划中，仿射不等式定义半空间，这些半空间的交集构成可行集。非常值线性目标函数的等值集是一族平行超平面。当最优值能够取到时，相应的等值超平面就是可行集的支撑超平面，从而为优化提供了几何解释。(web.stanford.edu)"
    },
    {
      "heading": "机器学习",
      "text": "在机器学习中，分类器可以根据 \\(w^\\mathsf{T}x+\\beta\\) 的符号分配标签。当 \\(w\\ne0\\) 时，其决策边界是超平面。如果这样的边界能将两个带标签的样本集合严格置于相对的两侧，则这两个集合具有线性可分性。(cs229.stanford.edu)\n\n硬间隔支持向量机选择一个分离超平面，使其到训练数据的最小距离最大化。当标签为 \\(y_i\\in\\{-1,1\\}\\) 时，其标准约束为 \\(y_i(w^\\mathsf{T}x_i+\\beta)\\ge1\\)，并以最小化 \\(\\tfrac12\\|w\\|_2^2\\) 为目标。软间隔变体允许违反这些约束。使用核方法时，分离超平面位于变换后的特征空间中，而它在原始输入空间中对应的边界可能是非线性的。(cs229.stanford.edu)"
    },
    {
      "heading": "射影超平面",
      "text": "在射影几何中，\\(\\mathbb{P}^n(K)\\) 内的超平面具有射影维数 \\(n-1\\)。在齐次坐标中，它由方程\n\n\\[a_0x_0+\\cdots+a_nx_n=0\\]\n\n定义，其中系数不全为零。由于齐次坐标在相差一个非零倍数时表示同一个点，将某个代表坐标整体乘以非零标量不会改变该方程的成立与否。射影超平面与对偶向量空间所对应的射影空间中的点一一对应，这是射影对偶的一个基本实例。(cis.upenn.edu)"
    }
  ],
  "links": [
    "dimension-vector-space",
    "vector-space",
    "affine-space",
    "equation",
    "linear-subspace",
    "convex-set",
    "linear-map",
    "field-mathematics",
    "linear-functional",
    "rank-nullity-theorem",
    "quotient-vector-space",
    "dual-space",
    "system-of-linear-equations",
    "matrix-rank",
    "normal-vector",
    "inner-product",
    "euclidean-distance",
    "orthogonal-projection",
    "half-space",
    "linear-programming",
    "feasible-set",
    "objective-function",
    "machine-learning",
    "linear-separability",
    "support-vector-machine",
    "training-data",
    "kernel-method",
    "projective-geometry"
  ],
  "sources": [
    {
      "title": "ee263.stanford.edu/lectures/linalg.pdf",
      "url": "https://ee263.stanford.edu/lectures/linalg.pdf"
    },
    {
      "title": "stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf",
      "url": "https://www.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf"
    },
    {
      "title": "people.clas.ufl.edu/sam/files/notes-B-2025-03-14.pdf",
      "url": "https://people.clas.ufl.edu/sam/files/notes-B-2025-03-14.pdf"
    },
    {
      "title": "cs.cmu.edu/~hchai2/courses/10701/lectures/Lecture24.pdf",
      "url": "https://www.cs.cmu.edu/~hchai2/courses/10701/lectures/Lecture24.pdf"
    },
    {
      "title": "web.stanford.edu/~boyd/cvxbook//bv_cvxslides.pdf",
      "url": "https://web.stanford.edu/~boyd/cvxbook//bv_cvxslides.pdf"
    },
    {
      "title": "cs229.stanford.edu/notes_archive/cs229-notes3.pdf",
      "url": "https://cs229.stanford.edu/notes_archive/cs229-notes3.pdf"
    },
    {
      "title": "cis.upenn.edu/~jean/gma-v2-chap5.pdf",
      "url": "https://www.cis.upenn.edu/~jean/gma-v2-chap5.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}