勒让德方程ddx[(1−x2)dy(x)dx]+l(l+1)y(x)=0勒让德方程\frac{d}{dx} [(1-x^{2}) \frac{dy(x)}{dx}] +l(l+1)y(x)=0勒让德方程dxd​[(1−x2)dxdy(x)​]+l(l+1)y(x)=0 勒让德多项式Pl(x)=12ll!dldxl(x2−1)l勒让德多项式P_{l}(x)=\frac{1}{2^{l}l!}\frac{d^{l}}{dx^{l}}(x^{2}-1)^{l} 勒让德多项式Pl​(x)=2ll!1​dxldl​(x2−1)l
性质
1.正交性:

∫−11Pm(x)Pn(x)dx={22n+1,m=n0,m!=n\int_{-1}^{1}P_{m}(x)P_{n}(x)dx=\left\{ \begin{aligned} \frac{2}{2n+1},\ m=n \\ 0,\ \ \ m!=n \end{aligned} \right. ∫−11​Pm​(x)Pn​(x)dx=⎩⎨⎧​2n+12​, m=n0,   m!=n​
2.递推关系
Pn+1(x)=2n+1n+1xPn(x)−nn+1Pn−1(x)n=(1,2,...)P_{n+1}(x)=\frac{2n+1}{n+1}xP_{n}(x)-\frac{n}{n+1}P_{n-1}(x) \ \ \ \ n=(1,2,...)Pn+1​(x)=n+12n+1​xPn​(x)−n+1n​Pn−1​(x)    n=(1,2,...)

常用:
P0(x)=1P_{0}(x)=1P0​(x)=1P1(x)=xP_{1}(x)=xP1​(x)=xP2(x)=(3x2−1)/2P_{2}(x)=(3x^2-1)/2P2​(x)=(3x2−1)/2P3(x)=(5x3−3x)/2P_{3}(x)=(5x^3-3x)/2P3​(x)=(5x3−3x)/2

from sympy import *
x=symbols("x")
#legendre的n阶多项式
def legendre_polynomial(n):''':param n: legendre多项式项数:return: legendre的n项展开'''P = [1, x]for i in range(1,n):m=(2*i+1)/(i+1)*x*P[i]-i/(i+1)*P[i-1]P.append(m)return P[n]P_n=legendre_polynomial(3)
print(P_n)
#legendre的n阶多项式的m次导数
def Derivation(function,m):   #多阶求导""":param function : 待求导数的函数:param m: 求导阶数:return: legendre的n阶多项式的m次导数"""for i in range(m):  #逐次求导  ,共m次derivation=diff(function,x)function=derivationreturn functionder=Derivation(P_n,2)
print(der)

结果:

legendre的n阶多项式: 1.66666666666667*x*(1.5*x**2 - 0.5) - 0.666666666666667*x
legendre的n阶多项式的m次导数: 15.0*x

绘制勒让德多项式图像以及legendre的n阶多项式的m次导数的图像:

from sympy import *
import matplotlib.pyplot as pltx=symbols("x")
#legendre的n阶多项式
def legendre_polynomial(n):''':param n: legendre多项式项数:return: legendre的n项展开'''P = [1, x]for i in range(1,n):m=(2*i+1)/(i+1)*x*P[i]-i/(i+1)*P[i-1]P.append(m)return P[n]
P_n=legendre_polynomial(3)
x1=[]
y1=[]
for i in range(200):x1.append(-1+0.01*i)
for i in x1:y1.append(P_n.subs('x',i))plt.plot(x1,y1)
plt.show()
#legendre的n阶多项式的m次导数
def Derivation(function,m):   #多阶求导""":param function : 待求导数的函数:param m: 求导阶数:return: legendre的n阶多项式的m次导数"""for i in range(m):  #逐次求导  ,共m次f = diff(function, x, m)return fder=Derivation(P_n,2)y_value=[]
for i in x1:y_value.append(der.subs('x',i))plt.plot(x1,y_value)
plt.show()

结果:

                                 3阶legendre多项式图像


求勒让德n阶多项式、图像及求导 python实现相关推荐

  1. NASA科学家联名求撤稿:金星有生命迹象是大乌龙,12阶多项式拟合不靠谱

    萧箫 鱼羊 发自 凹非寺 量子位 报道 | 公众号 QbitAI 还记得9月14号那篇"金星上有生命"的Nature子刊论文吗? 天文学家在金星"大气层"中观测 ...

  2. 图像Stride求取

    原文:图像Stride求取 做这个日志也许你会觉得多余,但是,如果只给你了图像的流文件,和图像的Width,让你还原原始图像,那么你会发现一个问题,就是Stride未知的问题,这时就需要根据图像的Wi ...

  3. @总结 - 4@ 多项式的多点求值与快速插值

    目录 @0 - 参考资料@ @1 - 多点求值@ @理论推导@ @参考代码@ @例题与应用@ @2 - 快速插值@ @理论推导@ @(不建议参考的)代码@ @例题与应用@(暂无) @0 - 参考资料@ ...

  4. 多项式的求逆、取模和多点求值学习小记

    最近学习了多项式的求逆.取模和多点求值,这些方法能够解决很多多项式问题. 这三个操作是环环相扣的,很有趣,学完后不妨记录一下. 多项式求逆 给出一个次数界为 nnn 的多项式 A(x)A(x)A(x) ...

  5. 在线绘制2维/3维函数图像、求导网站

    文章目录 绘制2D图像 y=f(x)y = f(x)y=f(x) 绘制3D图像 z=f(x,y)z = f(x,y)z=f(x,y) 导数计算 / 求导网站 绘制2D图像 y=f(x)y = f(x) ...

  6. 求一个n阶方阵对角线元素之和

    求一个n阶方阵对角线元素之和 import java.util.Scanner; public class Lesson4{public static void main(String args[]) ...

  7. 【离散数学】求一个n阶群的全部子群(代码实现)

    这是大二上离散数学的结课大作业.当时写这个作业比较困难,主要是因为网上没有类似的东西,最后是通过求助学长得到的解决方式(感谢学长). 所以把自己的报告和代码(C/C++)放上来供大家参考.如有疏漏和错 ...

  8. matlab怎么求负次幂多项式,用matlab怎么求多项式的公因式

    第一类换元法,也称为凑微分法,顾名思义,就是把f[g(x)]g'(x)dx转化为f[g(x)d(g(x))的形式,所以用好这一方法的关键就是把给定的积分里的被积分式写成f[g(x)]g'(x)dx.要 ...

  9. 求一个N阶方阵右下三角元素的和

    编写程序求一个N阶方阵右下三角元素的和(包括副对角线上的元素),用符号常量定义N为5,从键盘输入这个N阶方阵. #include <stdio.h>#define N 5int main( ...

最新文章

  1. React文档 state and lifecycle
  2. 如何判断Android手机当前是否联网?
  3. c语言选择菜单程序设计,c语言课程设计报告-- 使用菜单选择趣味程序.doc
  4. vue引用自定义.css文件 - 语法篇
  5. python难度大的题_【python】Python面试题:求列表当中最大的三个元素
  6. Jquery截取中文字符串
  7. qq降龙v5java_java编辑器
  8. 1.2 架构结构和视图
  9. 廖雪峰Git教程笔记(十一)添加远程库
  10. 《穿越计算机的迷雾》读书笔记一
  11. Oracle 定时任务详解(dbms_job)
  12. 注册github账号详细中文版教程【精选】
  13. 如何只用电脑登录微信
  14. RabbitMQ消息中间件快速入门
  15. springboot借助sftp将文件上传到远端的nginx服务器中,然后将文件路径存进数据库
  16. pg比mysql优势_postgresql比mysql有多少优势
  17. 深度学习 音乐分类_一种基于深度学习的音乐个性化分类推荐方法与流程
  18. uni-app:基于Vue的跨端框架(闪电演讲内容整理) | 掘金开发者大会
  19. 可视化开发平台的内容介绍
  20. Jenkins邮箱配置中,使用SSL连接的问题

热门文章

  1. when_did_you_born 栈溢出简单利用
  2. 希望流程挖掘成为撬动企服市场的突破口 | 专访凡得科技CEO海广跃、首席技术顾问刘聪
  3. 使用TensorFlow进行股票价格预测的简单深度学习模型
  4. image居中、div嵌套div上下左右居中
  5. umy-ui表格如何获取滚动条高度
  6. python拟合三元函数_python基础教程之常用内置函数、三元运算、递归
  7. 全国数学建模,美赛书籍资料,代码模板,论文大全,不拿奖都难
  8. Google adwords的优化
  9. AsyncTask详解
  10. 章鱼搜索网启用域名32.com上线 价格百万美元?