搜尋(繁體中文或英文)
訊息看板
-
近期文章
線性代數專欄
其他主題專欄
每週問題
數據充分性問題
其他分類
Recent Comments
jianglong on Strassen 演算法──分治矩陣乘法 jianglong on Strassen 演算法──分治矩陣乘法 xmj on 內積的定義 Ning ChingSan on 線性代數的第一堂課──矩陣乘法的定義 momo on 兩岸線性代數用詞參照 訪客 on 克拉瑪公式的簡易幾何證明 近期最多人點閱
分類
Archives
標籤雲
- Cayley-Hamilton 定理
- Frobenius 範數
- Gram-Schmidt 正交化
- Gramian 矩陣
- Hermitian 矩陣
- Householder 矩陣
- Jordan 典型形式
- LU 分解
- QR 分解
- Schur 定理
- SVD
- Vandermonde 矩陣
- 三角不等式
- 不變子空間
- 么正矩陣
- 二次型
- 代數重數
- 伴隨矩陣
- 內積
- 冪矩陣
- 冪等矩陣
- 冪零矩陣
- 分塊矩陣
- 列空間
- 半正定矩陣
- 反對稱矩陣
- 可交換矩陣
- 可逆矩陣
- 向量空間
- 圖論
- 基底
- 基本列運算
- 奇異值
- 奇異值分解
- 實對稱矩陣
- 對角化
- 座標變換
- 微分方程
- 投影矩陣
- 排列矩陣
- 旋轉矩陣
- 最小多項式
- 最小平方法
- 正交性
- 正交投影
- 正交矩陣
- 正交補餘
- 正定矩陣
- 正規矩陣
- 特徵值
- 特徵向量
- 特徵多項式
- 特殊矩陣
- 相伴矩陣
- 相似
- 矩陣乘法
- 矩陣多項式
- 矩陣指數
- 矩陣範數
- 矩陣譜
- 秩
- 秩─零度定理
- 簡約列梯形式
- 組合數學
- 線性獨立
- 線性變換
- 線性變換表示矩陣
- 行列式
- 行空間
- 譜分解
- 跡數
- 逆矩陣
- 通解
- 零空間
- 高斯消去法
線代線上影音課程
線代學習網站
線代電子書
- A First Course in Linear Algebra (Robert A. Beezer)
- Fundamentals of Linear Algebra (James B. Carrell)
- Linear Algebra (Jim Hefferon)
- Linear Algebra Done Wrong (Sergei Treil)
- Linear Algebra Problems (Jerry L. Kazdan)
- Linear Algebra via Exterior Products (Sergei Winitzki)
- Linear Algebra, Theory and Applications (Kenneth Kuttler)
- Matrix Analysis and Applied Linear Algebra (Carl D. Meyer)
- Notes on Linear Algebra (Peter J. Cameron)
矩陣計算器
LaTeX
Blogroll
-
Join 691 other subscribers
Tag Archives: Jacobian 矩陣
答黃胤凱──關於 Jacobian 矩陣與臨界點的定義
網友黃胤凱留言: 周老師您好!想請問周老師,當我們在定義 函數的 critical point 是指該點的 gradient=。但在 的函數上,為何定義卻變成是該點的 Jacobian matrix 不是滿秩即為 critical point?要如何理解這個條件?背後有沒有什麼原因造成這個條件呢?
保長、保角與共形映射
本文的閱讀等級:中級 令 為一 階實矩陣。我們可以將 視為一個從幾何向量空間 映至 的線性變換:,其中 。如果線性變換 不改變向量長度,則 稱為保長 (length-preserving) 映射或等距同構 (isometry)。保長映射 有下列等價的定義方式 (見“等距同構與么正矩陣”): 是一實正交矩陣 (orthogonal matrix),即 。 對於每一 ,。 對於任何 ,。 對於任何 ,。 保長映射的定義條件相當嚴苛,我們可以將它稍微放鬆。兩個實向量 和 的內積定義為 (見“內積的定義”) , 其中 是 和 的夾角。對於任意非零向量 ,若線性變換 不改變 和 的夾角,也就是說, , 則 … Continue reading
多變量常態分布
本文的閱讀等級:中級 在數學、統計學、物理和工程等領域,常態分佈 (normal distribution,Gaussian distribution) 是一個非常重要的連續型機率 (概率) 分布模型。本文將回答下列問題: 如何推導多變量常態分布的機率密度函數 (probability density function)? 怎麼證明服從常態分布的隨機向量的線性變換也為常態分布? 怎麼證明服從常態分布的多隨機變數的子集合亦為常態分布? 如何判別二組 (常態分布) 隨機變數集的獨立性? 具有常態分布的條件機率密度函數為何? 給定條件機率密度函數 ,如何計算 ? 為了避免繁瑣的積分運算,我們以動差生成函數 (moment generating function) 推演,這個方法的理論基礎在於動差生成函數唯一決定機率密度函數 (見“動差生成函數 (上)”)。下面先介紹標準多變量常態分布,隨後通過仿射變換 (affine transformation) 推廣至一般多變量常態分布。
Posted in 機率統計
Tagged 相關係數, 變異數, Jacobian 矩陣, Jacobian 行列式, 共變異數矩陣, 動差生成函數, 常態分布, 期望值, 正定矩陣, 仿射變換
Leave a comment
答張盛東──關於 Hessian 矩陣與多變量函數的泰勒展開式
網友張盛東留言: 老師,其實能否將 Hessian 矩陣看作 gradient 算子與自身的外積 (outer product)[1] 再乘以函數 ?如果可以,是否可能將多變數函數的 Taylor 展開式前兩項之後的項都像這樣表示成 gradient 算子與自身的外積?
牛頓法──非線性方程的求根方法
本文的閱讀等級:初級 牛頓法 (Newton’s method) 或稱牛頓─拉弗森法 (Newton-Raphson method) 是一個極有效的非線性方程 的求根方法。令 為一個連續可導函數。設 為 的一根的估計值,寫出泰勒級數 。 如果 足夠小,我們可以忽略截斷 (truncated) 誤差 。解線性方程 可得近似根: 。 上式的幾何意義是 為函數 於點 的切線與x-軸的交點。我們期待 比 更接近真實根,遂以迭代程序連續逼近:對於 , 。
梯度、散度與旋度
本文的閱讀等級:初級 向量算子是向量分析 (vector calculus 或 vector analysis) 的馱馬,最重要的算子包括梯度 (gradient)、散度 (divergence) 與旋度 (curl)。令 是一開集, 是一次連續可微函數 (以 表示),且 是定義於 的一 向量場 (vector field)。所謂向量場其實就是一個向量函數,例如, , 有些物理和微積分課本將向量場 表示為 , 其中 是 的標準單位向量 (線性代數慣用的對應記號為 )。為便利表達,我們將微分算子 (讀作nabla) 視為一向量: , 這裡 是偏微分算子。函數 的梯度 (grad),向量場 的散度 (div) 和旋度 … Continue reading
矩陣導數
本文的閱讀等級:中級 令 為一個多變量可導函數,或記為 ,其中 。我們定義 的梯度 (gradient) 為底下的 維向量: , 其中 的第 元是 對變數 的一階偏導數 。如果給定 個多變量函數 ,則有 個梯度 。將所有 梯度合併成一個矩陣,再取轉置,可得 階矩陣 , 稱為 Jacobian 矩陣。另一方面,如果 是二階可導函數,我們可以計算 的每一元 的梯度,如此可得 , 稱為 Hessian 矩陣。請注意,梯度 的 Jacobian 矩陣即為函數 的 Hessian 矩陣 (見“Jacobian … Continue reading
共變異數矩陣與常態分布
本文的閱讀等級:中級 常態分布 (normal distribution),也稱高斯分布 (Gaussian distribution),其機率密度函數為 , 其中 是平均數 (mean), 是變異數 (variance)。對於 ,多變量常態分布的形式如下 (見“ 多變量常態分布”): , 其中 是平均數向量, 是 階共變異數矩陣 (covariance matrix), 是 的行列式。常態分布是一種應用相當廣泛的連續型機率分布,原因之一是大自然產生的變數經常具有常態分布,譬如,某城市成年男子的身高,某田地產出的蘿蔔重量;另外,對於從母體隨機抽取出的樣本,當樣本數增大時,樣本平均數的分布逼近常態分布[1] (見“ 樣本平均數、變異數和共變異數”)。圖1為 的一個常態分布樣本。本文從線性代數觀點探討常態分布與共變異數矩陣的幾何涵義。
Jacobian 矩陣與行列式
本文的閱讀等級:中級 令 為一個向量函數。對於 維實向量 , 具有下列形式: , 其中 , 是 的定義域。例如,極座標至卡氏座標的轉換是一個向量函數: , 其中 ,。如果向量函數 的數學形式相當複雜,線性化是一個常用的簡化方法。針對單變量函數 ,在 附近我們可用直線 近似 。推廣至多變量函數,令 為一個仿射 (affine) 變換 (見“仿射變換”),表示如下: , 其中 是一個 階實矩陣,。下面解釋如何以仿射變換 近似向量函數 ,由此衍生 的導數矩陣,稱為 Jacobian 矩陣 (或簡稱 Jacobian),隨後介紹 Jacobian 行列式與其應用,以及 Jocabian 矩陣與 Hessian 矩陣的關係。
Posted in 線性代數專欄, 應用之道
Tagged Hessian 矩陣, Jacobian 矩陣, Jacobian 行列式, 向量函數, 導數, 換元積分法, 梯度, 極座標, 仿射變換
14 Comments
極分解
本文的閱讀等級:中級 任一 階實矩陣 都可以被分解為 , 稱為極分解 (polar decomposition),其中 是實正交 (orthogonal) 矩陣, 是實對稱半正定 (positive semidefinite) 矩陣。若 是一個複矩陣,則 是么正 (unitary) 矩陣, 是 Hermitian (共軛對稱) 半正定矩陣。
Posted in 線性代數專欄, 二次型
Tagged Hermitian 矩陣, Jacobian 矩陣, SVD, 奇異值分解, 極分解, 機器人學, 正定矩陣, 正交矩陣, 么正矩陣
5 Comments