机敏问答[常微][5] #20210622
机敏问答[常微][5] #20210622
- 常系数齐次线性微分方程组
- 答案
- 高阶线性微分方程式
- 答案
本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用。不保证无相应基础的人士能看明白。
万一考试考到了,或者对你的学习有较大帮助,一键三连不过分吧(斜眼笑)
常系数齐次线性微分方程组
- 定义矩阵的模是所有元素绝对值和。以下哪些事物相比实数有本质区别?
a. 模有正定性 b. 模保持(正)数乘(”齐次性“) c. 三角不等式 d. 乘积的模和正整数次幂的模 - 若两矩阵满足(),则和的e指数等于()。因此 e A e^A eA一定可逆。
- 用交换图表表示指数运算和相似变换。
- e x A e^{xA} exA是常系数齐次线性微分方程组的标准基解矩阵。证明是根据()前提下交换()和()。
- 由上直接写出常系数非齐次线性微分方程组初值问题的解的公式。
- 背诵Jordan块 J ( λ ) J(\lambda) J(λ)(三阶)的 e x J ( λ ) e^{xJ(\lambda)} exJ(λ).
- 由上,如何求解 y ˙ = A y \dot y=Ay y˙=Ay?
- 简化计算的方法:如果已知特征值都是1重的,则基解矩阵可以表示为一个可逆矩阵(待定)乘以()(写出矩阵具有性质)矩阵,从而方程组有 n n n个待定的 e λ i x r ⃗ i e^{\lambda_ix}\vec r_i eλixr i形式的解, r ⃗ i \vec r_i r i是常数列向量。 r ⃗ i \vec r_i r i和 λ i \lambda_i λi是什么关系?
- 接上,其实只要矩阵 A A A可以()(动作),则能直接写出基解矩阵()。出现复值解怎么办?
- 如果出现不可对角化的情况,则和 λ i \lambda_i λi相关的 n i n_i ni列每一列都形如(),其中 r ⃗ 0 \vec r_0 r 0一定是特征向量吗?如果不是,那是什么?为了括号中的项数少一些,你应该怎么做?
- 如果矩阵 A A A有一些行只有一个元素非0,有什么更简便的做法?
- 常系数齐次线性微分方程组任何解当 x → − ∞ x\to-\infty x→−∞时都趋于零,对特征值有何要求?
答案
- 只有d. 有本质区别。即 ∣ ∣ A ∣ ∣ ∣ ∣ B ∣ ∣ ≥ ∣ ∣ A B ∣ ∣ ||A||||B||\ge ||AB|| ∣∣A∣∣∣∣B∣∣≥∣∣AB∣∣
- 可交换,指数的乘积
- 先相似再指数等于先指数再相似。
- 一致收敛,求导,求和。
- 齐次方程通解 e x A C e^{xA}C exAC,非齐次方程特解 e x A ∫ e − s A f ( s ) d s e^{xA}\int e^{-sA}f(s)ds exA∫e−sAf(s)ds,非齐次方程通解 e x A C + ∫ e ( x − s ) A f ( s ) d s e^{xA}C+\int e^{(x-s)A}f(s)ds exAC+∫e(x−s)Af(s)ds,代入得 e ( x − x 0 ) A y 0 + ∫ e ( x − s ) A f ( s ) d s e^{(x-x_0)A}y_0+\int e^{(x-s)A}f(s)ds e(x−x0)Ay0+∫e(x−s)Af(s)ds
- e x J ( λ ) = e x λ ( 1 x x 2 / 2 0 1 x 0 0 1 ) e^{xJ(\lambda)}=e^{x\lambda}\left(\begin{matrix}1&x&x^2/2\\0&1&x\\0&0&1\end{matrix}\right) exJ(λ)=exλ⎝⎛100x10x2/2x1⎠⎞
- 设 A = P − 1 J P A=P^{-1}JP A=P−1JP,则所求基解矩阵 e x P − 1 J P = P − 1 e x J P e^{xP^{-1}JP}=P^{-1}e^{xJ}P exP−1JP=P−1exJP,则 P − 1 e x J P^{-1}e^{xJ} P−1exJ也是基解矩阵(更好算)。
- 对角。特征值与特征向量。
- 相似对角化, ( e λ i x r ⃗ i ) 1 × n (e^{\lambda_ix}\vec r_i)_{1\times n} (eλixr i)1×n. 共轭也是解,取实虚部即可。(特别的,对于二维甚至直接可以只看复基解矩阵的一列)
- e λ i x ( r ⃗ 0 + x r ⃗ 1 + x 2 2 r ⃗ 2 + ⋯ ) e^{\lambda_ix}(\vec r_0+x\vec r_1+\frac{x^2}2\vec r_2+\cdots) eλix(r 0+xr 1+2x2r 2+⋯). 不一定(不一定是 ( A − λ i I ) = 0 (A-\lambda_i I)=0 (A−λiI)=0的解,但一定是 ( A − λ i I ) n i = 0 (A-\lambda_iI)^{n_i}=0 (A−λiI)ni=0的非零解)。先算特征向量 r ⃗ \vec r r ,再不停迭代地解 ( A − λ i I ) s ⃗ = r ⃗ (A-\lambda_iI)\vec s=\vec r (A−λiI)s =r . (用 r ⃗ \vec r r 求 s ⃗ \vec s s )
- 回到原始形式(分离变量)。
- 实部都大于0.
高阶线性微分方程式
- 对于齐次高阶线性微分方程 y ( n ) + a n − 1 ( x ) y ( n − 1 ) + ⋯ + a 0 y = 0 y^{(n)}+a_{n-1}(x)y^{(n-1)}+\cdots+a_0y=0 y(n)+an−1(x)y(n−1)+⋯+a0y=0,对应的线性微分方程组的矩阵是多项式()的伴侣矩阵:()。
- 标量函数组的朗斯基行列式相当于什么齐次线性微分方程组的基解矩阵的行列式?
- 为什么第一行的相关等价于整个朗斯基行列式等于0?
- 对于此时, W ( x ) W(x) W(x)满足什么微分方程?二阶情况 ϕ y ′ − y ϕ ′ = C e − ∫ x 0 x p ( s ) d s \phi y'-y\phi'=Ce^{-\int_{x_0}^x p(s)ds} ϕy′−yϕ′=Ce−∫x0xp(s)ds是怎么来的?怎么理解前式积分下限中的常数 x 0 x_0 x0和 C C C的关系?该式有何应用?
- 根据伴随矩阵和逆矩阵的关系,并且因为我们现在只用求解的第一行,且非齐次项只有1个分量即(),所以我们可以把特解公式()改写为()。
- 二维情况常数变易法:为什么假定 C 1 ′ ( x ) ϕ 1 ( x ) + C 2 ′ ( x ) ϕ 2 ( x ) = 0 C_1'(x)\phi_1(x)+C_2'(x)\phi_2(x)=0 C1′(x)ϕ1(x)+C2′(x)ϕ2(x)=0?(联系4.)
- 伴侣矩阵的每个特征值对应()个Jordan块。对于 A P = P J AP=PJ AP=PJ, A A A是伴侣矩阵,若 P P P的1,1元等于0,则推出什么矛盾?因此高阶线性齐次微分方程的通解怎么记忆?
- 待定系数法求特解:对于 P m ( x ) e μ x P_m(x)e^{\mu x} Pm(x)eμx,取(),其中 x k x^k xk中的 k k k表示()。对于 ( A n ( x ) c o s ( β x ) + B n ( x ) s i n ( β x ) ) e α x (A_n(x)cos(\beta x)+B_n(x)sin(\beta x))e^{\alpha x} (An(x)cos(βx)+Bn(x)sin(βx))eαx相当于 μ \mu μ取()。
- 之前把高阶转化成高维,那怎么反过来?
- x 2 y ′ ′ + x y ′ + y x^2y''+xy'+y x2y′′+xy′+y中令 x = e t x=e^t x=et后如何?
- 背诵阻尼振动的解。
答案
- λ n + a n − 1 ( x ) λ n − 1 + ⋯ + a 0 \lambda^n+a_{n-1}(x)\lambda^{n-1}+\cdots+a_0 λn+an−1(x)λn−1+⋯+a0,略(最下面一排是 − a 0 , ⋯ , − a n − 1 -a_0,\cdots,-a_{n-1} −a0,⋯,−an−1,分别是零次项,……的系数)。特别注意 y y y是”零阶“,而不是”一次“。 λ \lambda λ是”一次“项。
- 略。
- 提示:因为后面的行都是第一行求导而得。
- W ′ ( x ) = t r ( A ( x ) ) W ( x ) = − a n − 1 ( x ) W ( x ) W'(x)=tr(A(x))W(x)=-a_{n-1}(x)W(x) W′(x)=tr(A(x))W(x)=−an−1(x)W(x). 由前式解得。两者不独立。已知二阶的一个(非零)通解求另一个线性无关的。
- 最后一个分量 f ( x ) f(x) f(x), Φ ∫ Φ − 1 f d s \Phi\int\Phi^{-1}fds Φ∫Φ−1fds, Φ ∫ 最 后 一 列 依 次 是 W i ( s ) 的 矩 阵 W ( s ) ( 0 , ⋯ , f ) T d s \Phi\int\frac{最后一列依次是W_i(s)的矩阵}{W(s)}(0,\cdots,f)^Tds Φ∫W(s)最后一列依次是Wi(s)的矩阵(0,⋯,f)Tds而我们只看第一行就是 ∫ x 0 x ∑ i ϕ i ( x ) f ( s ) W i ( s ) W ( s ) d s \int_{x_0}^x\frac{\sum_i\phi_i(x)f(s)W_i(s)}{W(s)}ds ∫x0xW(s)∑iϕi(x)f(s)Wi(s)ds. 特别注意 W i W_i Wi表示的是第 n n n行第 i i i列元素的代数余子式( Φ − 1 \Phi^{-1} Φ−1的最后一列对应的是 Φ \Phi Φ最后一行的余子式)。
- 非齐次项只有1个分量。
- 1.对照两边得出 P P P第一列都为0,奇异,矛盾。 e λ i x x m e^{\lambda_ix} x^{m} eλixxm
- x k Q m ( x ) e μ x x^kQ_m(x)e^{\mu x} xkQm(x)eμx, μ \mu μ作为特征方程根的重数, α + i β \alpha+i\beta α+iβ
- ”消元法“
- 提示: e 2 t d y ′ d x = e 2 t / e t ⋅ d ( y t / e t ) / d t e^{2t}\frac{dy'}{dx}=e^{2t}/e^t\cdot d(y_t/e^t)/dt e2tdxdy′=e2t/et⋅d(yt/et)/dt
- ( C 1 e ⋯ t + C 2 e − ⋯ t ) e − β t , ( C 1 t + C 2 ) e − β t , ( C 1 s i n ⋯ t + C 2 c o s ⋯ t ) e − β t (C_1e^{\sqrt{\cdots}t}+C_2e^{-\sqrt{\cdots}t})e^{-\beta t},(C_1t+C_2)e^{-\beta t},(C_1sin\sqrt\cdots t+C_2cos\sqrt\cdots t)e^{-\beta t} (C1e⋯ t+C2e−⋯ t)e−βt,(C1t+C2)e−βt,(C1sin⋯ t+C2cos⋯ t)e−βt
机敏问答[常微][5] #20210622相关推荐
- 机敏问答[复变][3] #20210626
机敏问答[复变][3] #20210626 连续性方法 答案 值域的考察 答案 平均值原理和平均值不等式 答案 确定所有可能解析函数 答案 本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用. ...
- 机敏问答[复变][4] #20210627
机敏问答[复变][4] #20210627 平方可积解析函数 答案 Schwarz引理和双曲几何 答案 非负调和函数 答案 洛朗展开 答案 孤立奇点 答案 整函数 答案 亚纯函数 答案 本专栏主要作个 ...
- 机敏问答[概率][0] #20210617
机敏问答[概率][0] #20210617 期望.尾分布与阿贝尔变换 答案 随机变量函数的期望 答案 条件期望 答案 本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用.不保证无相应基础的人士 ...
- 机敏问答[复变][5] #20210629
机敏问答[复变][5] #20210629 Cousin问题 答案 留数 答案 辐角原理与Rouche定理 答案 幂级数延拓 答案 对称延拓 答案 本专栏主要作个人复习自测,有相关知识预备的同学也可作 ...
- 机敏问答[复变][2] #20210616
机敏问答[复变][2] #20210616 柯西定理 答案 柯西公式 答案 判定解析函数为常数 答案 Morera定理 答案 最大模原理 答案 代数基本定理 答案 本专栏主要作个人复习自测,有相关知识 ...
- 常微分方程机敏问答[2] #20210619
常微分方程机敏问答[2] #20210619 一阶线性ODE 答案 换元法 答案 积分因子法 答案 应用举例 答案 本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用.不保证无相应基础的人士能 ...
- 机敏问答[复变][1] #20210615
机敏问答[复变][1] #20210615 幂级数 答案 多值函数与反函数 答案 分式线性变换 答案 开映射定理 答案 本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用.不保证无相应基础的人 ...
- 机敏问答[博弈][2] #20210629
机敏问答[博弈][2] #20210629 讨价还价 答案(仅供参考) 重复博弈 答案(仅供参考) 本专栏主要作个人复习自测,有相关知识预备的同学也可作复习用.不保证无相应基础的人士能看明白. 万一考 ...
- 微擎自动回复 加粉丝名_如何一天加100个精准粉丝?蒋老师告诉你系统的套路和方法...
如何一天加100个精准粉丝?蒋老师告诉你系统的套路和方法! 不仅仅是100个精准粉丝,还需要把这100个精准粉丝变成种子用户和超级用户:然后100个种子用户裂变成500个精准用户,再变成1000个精准 ...
最新文章
- PyTorch全连接ReLU网络
- shell usage file
- tomcat防cc_浅析Tomcat防止资料被锁的方式
- 数据挖掘:实用案例分析 下载_【实用干货】17 种服装印花工艺(图文案例分析)...
- ClassLoader 学习笔记
- UVA 11044
- YYKit 源码探究
- 图像的峰值信噪比(PSNR)的计算方法
- “学习方法”学习笔记(一)费曼技巧
- uva 10246 Asterix and Obelix(最短路问题拓展 dijkstra)
- linux中文输入配置sougou输入法
- vscode远程连接的坑
- HD2500显卡驱动linux,Intel HD Graphics 2500/4000驱动免费版
- Mysql的快照读和当前读
- Linux 命令之 cp -- 复制文件或目录
- SQL数据库中BAK文件的备份和还原
- SQL:对表、字段起别名
- 【模拟赛】8.24模拟赛题解(由ljm同学的博客转载)
- DistMesh代码划分网格
- 马斯克小儿子已更名:新名字叫X? A-Xii
热门文章
- 计算机调剂名额多的考研学校,这几所211每年有大量考研调剂名额
- 软件需求,系统分析师
- 【数据科学赛】THE SOUND DEMIXING CHALLENGE #音乐声源分离 #$42,000
- 运行wordcount的时候显示INFO mapreduce.Job: map 0% reduce 0%
- 那些永远消失的区块链巨头盘点
- Vue问题清单与经验
- 字节跳动 NLP算法实习面试问题清单
- java学习笔记第七周(二)
- win10系统显示激活windows字样解决办法:
- Django大文件分块上传和分块下载