jacobian 矩阵意义_对雅可比矩阵的理解
众所周知,二维平面直角坐标系中的面积微元转换为平面极坐标系有
为什么?
尝试下证明 :
先列出x,y与r,
之间的关系
,
微分一下
,
得到了
什么?你说你不知道第三行怎么来的?我也不知道。。。
于是这波看似100%能成功的证明就以失败告终了。
有厉害的小伙伴指出了,这里的面积微分并不是这么定义的,而应该是外积,在运算法则上的不同造成了证明中的错误。
那换个角度,这也是我最先对于这个面积转换的理解(这也正是改变了运算法则,采用了外积的运算方式):
这可以看作红色“矩形”的面积,
顺理成章。
可是这又跟dx,dy何干?唯一明显的联系就是 它们同样表示的是二维平面的面积微元。
下面是另外一种理解,或许可以解答这个疑惑。贴一段百度词条
非线性变换
线性变换、仿射变换使得向量空间上的点具有很好的性质,但是这些性质到了非线性变换就消失了。
举个例子:
。。。
那么该如何用矩阵来描述变换后向量张成的空间呢?
很明显的是,不能再用一个常数矩阵来描述了。每一个不同向量都有自己的矩阵变换,不妨就关注某个特定的向量,以及这个向量附近的向量。
因为是“附近”,所以这个向量在邻域内张成的空间可以看作是线性变换的,所以可以用一个特定的矩阵来描述。
在上述例子中,原空间由x,y的基矢构成,变换后的空间由
的基矢构成。
在线性变换中,我们作用的矩阵有精巧的几何意义,考虑一个线性变换
这就好像是我们输入一个向量
,经过一个变换
,输出了
。
那么可以输入一个原向量的单位向量
于是输出了
;同样地,输入一个
得到
,这说明了,组成空间的两个基矢经过的线性变换到了两个新的位置(可以与原先相同)。
在非线性变换中,我们不能保证所有“基矢”都到达同样的位置,但是也不需要,我们可以研究局部的性质。
既然是局部,我们就可以用线性的变换来拟合。
考察一个矢量
,经过了变换来到了
,对它进行邻域内的近似线性变换
(此处的
是小量)。
,这里的函数决定了变换矩阵
和平移量
。
现在做的只是完美确定了矢量
落在了该落的位置上(假设),还需要做的事是把
附近的矢量准确落位。
设原空间中的基分别是
,变换后
;
这时如果我们输入一个
(
是小量),也就相当把
函数改为
这就相当于对
中的x求偏导,显然有
,同样有
。
如果输入的是
,这也就要求了输出的是
为了让线性变换后也达到这个效果,我们需要作用一个矩阵,这个矩阵也就是雅可比矩阵(Jacobian Matrix)。
它具有如下形式(二维):
这就符合了前面的要求:对这个矩阵作用一个小量(小的向量)
发现,作用了这个矩阵使得
在邻域内能满足:
也即
可这又跟一开始的面积微元有什么联系呢?
线性变换中的面积变换
高中阶段,我们接触最多的就是椭圆当中的伸缩变换
面积微元的变换很显然,
。
可是如果变换后的基矢并不正交(这也正是大部分情况)呢?
观察下
的变换矩阵:
,看到了变换后的面积微元与变换前的比值是这个矩阵的行列式
。
对于普遍的变换
前面已经提到,基矢来到了不同的位置rt
注意到单位面积变换到了平行四边形
的面积,这就非常好求了,只需要
,就得到了变换后的单位面积,所以微分形式是
,即面积变换需要乘上一个变换的矩阵的行列式。
也可以写成
(有用极了)
非线性的变换在局部具有线性的性质,我们讨论面积的微元,也就可以在线性的情况下解决。
我们要处理文章最开始的问题:
这个问题可以是,把由
构成的向量空间转换成固定且正交的基矢构成的空间,求在
处的面积微元表达形式。
这个非线性的变换可以表达成
也是
,我们考虑微小的面积,所以就用上了前面的雅可比矩阵。
在
处的雅可比矩阵写为:
所以在这个点附近的微小变化就可以用这个矩阵来描述。那我们假设一个微小变化为
(原空间中的微小变化),产生一个微小的平行四边形(变换后的空间中)的面积就是
。
于是就证明了一开始的结论:
雅可比矩阵的应用就在于类似于这样的微分形式换元。
看一个问题:求
。
给出一种解法:
作换元
,得到了
这里就用到了
,当然也可以理解为面积元的转换,不过雅可比矩阵给出了很好的解释。
可以看到,
在第一象限,所以定义域在
。
算算完就是:
,得到了
。
这只是展示了很弱的运用,不过也有意义。(比较有用的看情况更)
jacobian 矩阵意义_对雅可比矩阵的理解相关推荐
- jacobian 矩阵意义_Jacobian矩阵和Hessian矩阵的作用是什么?
一般说jacobian矩阵是指向量对另外一个向量的一阶导数.而Hessian矩阵是一个标量对一个向量的二阶导数.前者在离散pde 中常用,后者在优化中常用,但是都是作为线性或者非线形系统的系数矩阵, ...
- 概率密度变换公式 雅可比矩阵_机器人雅可比矩阵的理解和常用公式
雅可比矩阵就是一种特殊的矩阵导数 考虑一个简单的问题: .其中x是自变量,y是因变量.对两边求导可得: .这里的 表示可以使式子成立的一个和a有关的一个值. 将上面的问题拓展到多维情况,可以得到: , ...
- 【矩阵学习】Jacobian矩阵和Hessian矩阵
[矩阵学习]Jacobian矩阵和Hessian矩阵 Jacobian 矩阵 Jacobian 行列式 Hessian 矩阵 Hessian 在牛顿法中的应用 Jacobian 矩阵 在向量分析中, ...
- Jacobian矩阵和Hessian矩阵的理解
深度学习中梯度向量的计算,Jacobian矩阵和Hessian矩阵是基础的知识点. 求微分其实就是线性化,导数其实就是线性空间之间的线性变换,Jaocibian矩阵本质上就是导数. 比如,映射在处的导 ...
- 雅可比矩阵:“Jacobian“矩阵
1. 雅可比矩阵:"Jacobian"矩阵 在向量微积分中,雅可比矩阵是一阶偏导数以一定方式排列成的矩阵,雅可比矩阵类似于多元函数的导数,其行列式称为雅可比行列式:雅可比矩阵的重要 ...
- Jacobian矩阵的理解
Jacobian矩阵的理解 前言 学习RNN时看到Jacobian矩阵时我的内心是崩溃的,啥是Jacobian矩阵,怎么活生生就蹦出来一个Jacobian矩阵,说好的bp算法只用求导呢,然后就开始扒J ...
- 理解Jacobian矩阵与行列式
来源:知乎-gwave 地址:https://zhuanlan.zhihu.com/p/352438848 在数学.物理和工程领域,将问题通过坐标变换到一个更容易表达.分解和计算的坐标系统是个非常核心 ...
- 理解Jacobian矩阵与分布变换
理解Jacobian矩阵 本文主要是以下教程的一个整理: Khan-academy: The Jacobian matrix 可能有错,欢迎指正. Locally Linear 我们考虑一下简单的函数 ...
- Jacobian矩阵
Jacobian矩阵 1. Jacobian 在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇:伴随该 ...
最新文章
- oracle, group by, having, where
- tail -f 和 -F 的用法
- c语言插入特定的字符串,C语言实现:将一个字符串插入到另一个字符串的指定位置...
- 【转】智能音箱技术概览
- OC Autorelease
- flask数据库sqlalchemy查询
- 跨浏览器共享数据_可以让跨域要数据的模式:jsonp
- 今天很高兴,据说微软的长春的什么要设立在我们公司
- 《交互式程序设计 第2版》一第2章 编程基础
- 拓端tecdat|探析大数据期刊文章研究热点
- sap不用oracle数据库库,SAP系统安装之Oracle 10g数据库(Win3264)
- 模拟电子线路设计 实验报告
- 苹果carplay下载_苹果宣布推出CarPlay
- 小程序云开发实现上传图片功能
- Android10.0应用图标隐藏方案(7.0-10.0)
- 01表盘控件-08时钟仪表盘-gaugeclock
- 项目结构优化设计之smv架构
- 《前端跨界开发指南》重磅来袭!
- 对策论基础---矩阵对策的基本定理
- 小白Mac C/C++ for Visual Studio Code配置