前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
圈层
工具
发布
首页
学习
活动
专区
圈层
工具
MCP广场
社区首页 >专栏 >雅可比矩阵和行列式_雅可比行列式的意义

雅可比矩阵和行列式_雅可比行列式的意义

作者头像
全栈程序员站长
发布于 2022-11-17 02:15:40
发布于 2022-11-17 02:15:40
3.1K0
举报

大家好,又见面了,我是你们的朋友全栈君。

1,Jacobian matrix and determinant

在向量微积分学中,雅可比矩阵是向量对应的函数(就是多变量函数,多个变量可以理解为一个向量,因此多变量函数就是向量函数)的一阶偏微分以一定方式排列形成的矩阵。

如果这个矩阵为方阵,那么这个方阵的行列式叫雅可比行列式。

2,雅可比矩阵数学定义

假设函数f可以将一个n维向量 x ⃗ \vec{x} x ( x ⃗ ∈ R n \vec{x}\in R^n x ∈Rn)变成一个m维向量f( x ⃗ \vec{x} x ), f ( x ⃗ ) ∈ R m f(\vec{x})\in R^m f(x )∈Rm, (显然f是由m个实函数组成的函数) 则函数f的雅可比矩阵 J f J_f Jf​可以定义如下: J f = [ ∂ f ∂ x 1 . . . ∂ f ∂ x n ] = [ ∂ f 1 ∂ x 1 . . . ∂ f 1 ∂ x n ⋮ ⋱ ⋮ ∂ f m ∂ x 1 . . . ∂ f m ∂ x n ] J_f= \left[ \begin{matrix} \frac{\partial f}{\partial x_1} & … & \frac{\partial f}{\partial x_n} \end{matrix} \right]= \left[ \begin{matrix} \frac{\partial f_1}{\partial x_1} & … & \frac{\partial f_1}{\partial x_n} \\ \vdots & \ddots & \vdots\\ \frac{\partial f_m}{\partial x_1} & … & \frac{\partial f_m}{\partial x_n} \\ \end{matrix} \right] Jf​=[∂x1​∂f​​...​∂xn​∂f​​]=⎣⎢⎡​∂x1​∂f1​​⋮∂x1​∂fm​​​...⋱...​∂xn​∂f1​​⋮∂xn​∂fm​​​⎦⎥⎤​

对于单个元素而言,可以定义如下: J i j = ∂ f i ∂ x j J_{ij}=\frac{\partial f_i}{\partial x_j} Jij​=∂xj​∂fi​​

函数f的雅可比矩阵的其它标记方法为 ∂ ( f 1 , . . . , f m ) ∂ ( x 1 , . . . , x n \frac{\partial (f_1, …, f_m)}{\partial (x_1, …, x_n} ∂(x1​,...,xn​∂(f1​,...,fm​)​

3,例子

3.1 设函数f为二维空间到二维空间的变换

3.2 极坐标到笛卡尔坐标的变换

3.3 球坐标到笛卡尔坐标的变换

3.4 三维空间到四维空间的变换

3.5 三维空间到三维空间的变换

4,雅可比矩阵意义

雅可比矩阵 J f ( p ) J_f(p) Jf​(p)就是函数f在n维空间某点p处的导数,它是一个线性映射(因为它是一个矩阵,矩阵本身代表着线性变换),它代表着函数f在点p处的最优线性逼近,也就是当x足够靠近点p时,我们有 f ( x ) ≈ f ( p ) + J f ( p ) ∗ ( x − p ) f(x)\thickapprox f(p)+J_f(p)*(x-p) f(x)≈f(p)+Jf​(p)∗(x−p)

这跟2维空间中在某点附近线性逼近一段曲线很类似,如果雅可比矩阵只有一个元素,它就等于2维空间中曲线在某点处的导数。

Note: 微分的本质就是线性化,在局部用线性变化代替非线性变化。

5,雅可比行列式意义

代表经过变换后的空间与原空间的面积(2维)、体积(3维)等等的比例,也有人称缩放因子。

Reference

https://en.wikipedia.org/wiki/Jacobian_matrix_and_determinant

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员栈长,转载请注明出处:https://javaforall.cn/209955.html原文链接:https://javaforall.cn

本文参与 腾讯云自媒体同步曝光计划,分享自作者个人站点/博客。
原始发表:2022年10月25日,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
暂无评论
推荐阅读
编辑精选文章
换一批
Jacobian矩阵和Hessian矩阵简析
在向量分析中,雅可比(Jacobian)矩阵是一阶偏导数以一定方式排列成的矩阵,其行列式成为雅可比行列式。
红色石头
2019/05/25
1.3K0
常用矩阵
如果函数 在点 可微,则在点 的 Jacobian 矩阵即为该函数在该点的最佳线性逼近,也被称为向量值多变数函数 在点 处的微分或导数。
hotarugali
2022/03/09
5100
扩展卡尔曼滤波(EKF)理论讲解与实例(matlab、python和C++代码)「建议收藏」
我们上篇提到的 卡尔曼滤波(参见我的另一篇文章: 卡尔曼滤波理论讲解与应用(matlab和python))是用于线性系统,预测(运动)模型和观测模型是在假设高斯和线性情况下进行的。简单的卡尔曼滤波必须应用在符合高斯分布的系统中,但是现实中并不是所有的系统都符合这样 。另外高斯分布在非线性系统中的传递结果将不再是高斯分布。那如何解决这个问题呢?扩展卡尔曼滤波就是干这个事的。
全栈程序员站长
2022/07/04
1.9K0
扩展卡尔曼滤波(EKF)理论讲解与实例(matlab、python和C++代码)「建议收藏」
【机器学习基础】机器学习的数学基础
  作为一门以数据及其模型为研究对象的学科,优化模型、分析模型性能等都需要数学手段的帮助。和其他学科一样,数学可以帮我们更清晰地描述和理解机器学习算法,也可以从理论上证明算法的有效性,是机器学习中必不可少的一环。本文将会介绍机器学习中常用的数学工具,为后面的学习打下基础。
Francek Chen
2025/01/23
1900
【机器学习基础】机器学习的数学基础
Jacobian矩阵和Hessian矩阵
还记得被Jacobian矩阵和Hessian矩阵统治的恐惧吗?本文清晰易懂的介绍了Jacobian矩阵和Hessian矩阵的概念,并循序渐进的推导了牛顿法的最优化算法。希望看过此文后,你对这两类矩阵有一个更深刻的理解。
小白学视觉
2022/02/12
9700
Jacobian矩阵和Hessian矩阵
深度学习利器之自动微分(2)
本文和上文以 Automatic Differentiation in Machine Learning: a Survey为基础,逐步分析自动微分这个机器学习的基础利器。
罗西的思考
2021/10/18
1.8K0
深度学习利器之自动微分(2)
「 矩阵求导」学习笔记
导数的定义:假设有一个函数f:\mathbb{R} \rightarrow \mathbb{R},其输入输出都是标量。如果f的导数存在,那么这个极限被定义为:
曼亚灿
2023/05/18
3950
「 矩阵求导」学习笔记
Levenberg-Marquardt算法浅谈
在讲Levenberg-Marquardt算法之前我想先谈下牛顿法和高斯牛顿法。
用户1148525
2019/05/26
5.7K0
【机器学习数学基础】线性代数基础
线性代数 一、基本知识 本书中所有的向量都是列向量的形式: \[\mathbf{\vec x}=(x_1,x_2,\cdots,x_n)^T=\begin{bmatrix}x_1\\x_2\\ \vdots \\x_n\end{bmatrix}\] 本书中所有的矩 \(\mathbf X\in \mathbb R^{m\times n}\) 都表示为: \[\mathbf X = \begin{bmatrix} x_{1,1}&x_{1,2}&\cdots&x_{1,n}\\ x_{2,1}&x_{2
10JQKA
2018/12/11
6420
【机器学习数学基础】线性代数基础
行列式及其运算和性质
特别注意,行列式虽然表达为一系列数字的数表,但是其本质式一个数,这个跟矩阵有本质的区别.
全栈程序员站长
2022/11/15
4210
矩阵微分
假定实值函数的向量变元 或者矩阵变元 本身无任何特殊结构,即向量或矩阵变元的元素之间是各自独立的。用数学公式表达如下:
hotarugali
2022/03/13
1.2K0
矩阵微分
线性代数整理(三)行列式特征值和特征向量
比方说在二维平面中,这里有三组二维向量,每组都有两个向量,那么每组向量的面积就可以表示它们的不同。当然这里说面积是针对二维平面来说的,在三维空间中,就是体积;在更高维度中,可能就是一个体,但这个体比较抽象
算法之名
2021/03/04
2.7K0
啊!再见吧!我的行列式~
当你听完线性代数中矩阵各种厉害,各种应用,然后提了提裤子冲入线性代数的世界,会发现出现了行列式,代数余子式,等等的东西,和你想象的那个变换,映射的世界相差甚远。
云深无际
2024/08/21
1570
啊!再见吧!我的行列式~
一文读懂矩阵的秩和行列式的意义
AI 研习社按:张量是神经网络模型中最基本的运算单元,模型内部绝大部分的数据处理都需要依靠张量为载体,进行一系列的数学运算,然后得到结果。就像张量是矩阵在高维度下的推广一样,本文将深入探讨秩和行列式这
AI研习社
2018/03/19
1.7K0
一文读懂矩阵的秩和行列式的意义
行列式的几何意义,计算公式_n阶行列式几何意义
每一个线性变换都对应着一个变换矩阵,被变换后的空间,相对之前来说也发生了一定的形变,而行列式的意义则是线性变换前后,空间形变的倍数。
全栈程序员站长
2022/11/17
7520
行列式的几何意义,计算公式_n阶行列式几何意义
一文搞定BP神经网络——从原理到应用(原理篇)「建议收藏」
本文着重讲述经典BP神经网络的数学推导过程,并辅助一个小例子。本文不会介绍机器学习库(比如sklearn, TensorFlow等)的使用。 欲了解卷积神经网络的内容,请参见我的另一篇博客一文搞定卷积神经网络——从原理到应用。
全栈程序员站长
2022/09/09
4.7K1
一文搞定BP神经网络——从原理到应用(原理篇)「建议收藏」
机器学习概念:梯度下降
机器学习中大部分都是优化问题,大多数的优化问题都可以使用梯度下降/上升法处理,所以,搞清楚梯度算法就非常重要
YingJoy_
2018/03/24
1.8K2
机器学习概念:梯度下降
【AI系统】微分计算模式
上一篇文章简单了解计算机中常用几种微分方式。本文将深入介绍 AI 框架离不开的核心功能:自动微分。
用户11307734
2024/12/06
970
矩阵微分布局
在数学中, 矩阵微积分是多元微积分的一种特殊表达,尤其是在矩阵空间上进行讨论的时候。它把单个函数对多个变量或者多元函数对单个变量的偏导数写成向量和矩阵的形式,使其可以被当成一个整体被处理。
hotarugali
2022/03/10
4480
数学杂谈:高维空间向量夹角小记
我们仿照3维空间的情况,只要先给出体积元的极坐标表达式,然后考察其中空间角的表达式即可。
codename_cys
2022/04/13
8260
数学杂谈:高维空间向量夹角小记
相关推荐
Jacobian矩阵和Hessian矩阵简析
更多 >
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档