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。
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)
3.1 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
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。
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。
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
扫码关注腾讯云开发者
领取腾讯云代金券
Copyright © 2013 - 2025 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号:粤B2-20090059 深公网安备号 44030502008569
腾讯云计算(北京)有限责任公司 京ICP证150476号 | 京ICP备11018762号 | 京公网安备号11010802020287
Copyright © 2013 - 2025 Tencent Cloud.
All Rights Reserved. 腾讯云 版权所有