族谱网 头条 人物百科

梯度

2020-10-16
出处:族谱网
作者:阿族小谱
浏览:176
转发:0
评论:0
梯度的解释假设有一个房间,房间内所有点的温度由一个标量场ϕϕ-->{displaystylephi}给出的,即点(x,y,z){displaystyle(x,y,z)}的温度是ϕϕ--&g

梯度的解释

假设有一个房间,房间内所有点的温度由一个标量场ϕ ϕ -->{\displaystyle \phi }给出的,即点(x,y,z){\displaystyle (x,y,z)}的温度是ϕ ϕ -->(x,y,z){\displaystyle \phi (x,y,z)}。假设温度不随时间改变。然后,在房间的每一点,该点的梯度将显示变热最快的方向。梯度的大小将表示在该速度上变热的速度。

考虑一座高度在(x,y){\displaystyle (x,y)}点是H(x,y){\displaystyle H(x,y)}的山。H{\displaystyle H}这一点的梯度是在该点坡度(或者说斜度)最陡的方向。梯度的大小告诉我们坡度到底有多陡。

梯度也可以告诉我们一个数量在不是最快变化方向的其他方向的变化速度。再次考虑山坡的例子。可以有条直接上山的路其坡度是最大的,则其坡度是梯度的大小。也可以有一条和上坡方向成一个角度的路,例如投影在水平面上是60°角。则,若最陡的坡度是40%,这条路的坡度小一点,是20%,也就是40%乘以60°的余弦。

这个现象可以如下数学的表示。山的高度函数H{\displaystyle H}的梯度点积一个单位向量给出了表面在该向量的方向上的斜率。这称为方向导数。

形式化定义

一个标量函数φ φ -->{\displaystyle \varphi }的梯度记为:

其中∇ ∇ -->{\displaystyle \nabla }(nabla)表微分算子分算子。

∇ ∇ -->φ φ -->{\displaystyle \nabla \varphi }在三维直角坐标中表示为

(参看偏导数和向量。)

虽然使用坐标表达,但结果是在正交变换下不变,从几何的观点来看,这是应该的。

范例

函数φ φ -->=2x+3y2− − -->sin⁡ ⁡ -->(z){\displaystyle \varphi =2x+3y^{2}-\sin(z)}的梯度为:

实标量函数的梯度

相对于n×1向量x的梯度算子记作∇ ∇ -->x{\displaystyle \nabla _{\boldsymbol {x}}},定义为

对向量的梯度

以n×1实向量x为变元的实标量函数f(x)相对于x的梯度为一n×1列向量x,定义为

m维行向量函数f(x)=[f1(x),f2(x),⋯ ⋯ -->,fm(x)]{\displaystyle {\boldsymbol {f}}({\boldsymbol {x}})=[f_{1}({\boldsymbol {x}}),f_{2}({\boldsymbol {x}}),\cdots ,f_{m}({\boldsymbol {x}})]}相对于n维实向量x的梯度为一n×m矩阵,定义为

对矩阵的梯度

实标量函数f(A){\displaystyle {\boldsymbol {f}}({\boldsymbol {A}})}相对于m×n实矩阵A的梯度为一m×n矩阵,简称梯度矩阵,定义为

法则

以下法则适用于实标量函数对向量的梯度以及对矩阵的梯度。

线性法则:若f(A){\displaystyle f({\boldsymbol {A}})}和g(A){\displaystyle g({\boldsymbol {A}})}分别是矩阵A的实标量函数,c1和c2为实常数,则

乘积法则:若f(A){\displaystyle f({\boldsymbol {A}})},g(A){\displaystyle g({\boldsymbol {A}})}和h(A){\displaystyle h({\boldsymbol {A}})}分别是矩阵A的实标量函数,则

商法则:若g(A)≠ ≠ -->0{\displaystyle g({\boldsymbol {A}})\neq 0},则

链式法则:若A为m×n矩阵,且y=f(A){\displaystyle y=f({\boldsymbol {A}})}和g(y){\displaystyle g(y)}分别是以矩阵A和标量y为变元的实标量函数,则

流形上的梯度

一个黎曼流形M{\displaystyle M}上的对于任意可微函数f{\displaystyle f}的梯度∇ ∇ -->f{\displaystyle \nabla f}向量场向量场,使得对于每个向量 ξ ξ -->{\displaystyle \xi },

其中⟨ ⟨ -->⋅ ⋅ -->,⋅ ⋅ -->⟩ ⟩ -->{\displaystyle \langle \cdot ,\cdot \rangle }代表M{\displaystyle M}上的内积(度量)而 ξ ξ -->f(p),p∈ ∈ -->M{\displaystyle \xi f(p),p\in M}是f{\displaystyle f}在点p{\displaystyle p},方向为ξ ξ -->(p){\displaystyle \xi (p)}的方向导数。换句话说,如果φ φ -->:U⊆ ⊆ -->M↦ ↦ -->Rn{\displaystyle \varphi :U\subseteq M\mapsto \mathbb {R} ^{n}}为p{\displaystyle p}附近的局部坐标,在此坐标下有ξ ξ -->(x)=∑ ∑ -->jaj(x)∂ ∂ -->∂ ∂ -->xj{\displaystyle \xi (x)=\sum _{j}a_{j}(x){\frac {\partial }{\partial x_{j}}}},则ξ ξ -->f(p){\displaystyle \xi f(p)}将成为:

函数的梯度和外微分相关,因为ξ ξ -->f=df(ξ ξ -->){\displaystyle \xi f=df(\xi )},实际上内积容许我们可以用一种标准的方式将1-形式df{\displaystyle df}和向量场∇ ∇ -->f{\displaystyle \nabla f}建立联系。由∇ ∇ -->f{\displaystyle \nabla f}的定义,df(ξ ξ -->)=⟨ ⟨ -->∇ ∇ -->f,ξ ξ -->⟩ ⟩ -->{\displaystyle df(\xi )=\langle \nabla f,\xi \rangle },这样f{\displaystyle f}的梯度可以"等同"于0-形式的外微分df{\displaystyle df},这里"等同"意味着:两集合{df}{\displaystyle \{df\}}和{∇ ∇ -->f}{\displaystyle \{\nabla f\}}之间有1对1的满射。

由定义可算流形上∇ ∇ -->f{\displaystyle \nabla f}的局部坐标表达式为:

请注意这是流形上对黎曼度量 ds2=∑ ∑ -->ijgijdxidxj{\displaystyle ds^{2}=\sum _{ij}g_{ij}dx^{i}dx^{j}}的公式,跟Rn{\displaystyle \mathbb {R} ^{n}} 里直角坐标的公式不同。常常我们写时会省略求和∑ ∑ -->{\displaystyle \sum }符号,不过为了避免混淆,在这里的公式还是加上去了。

柱坐标下的梯度(∇ ∇ -->{\displaystyle \nabla })算符

∇ ∇ -->f(ρ ρ -->,θ θ -->,z)=∂ ∂ -->f∂ ∂ -->ρ ρ -->eρ ρ -->+1ρ ρ -->∂ ∂ -->f∂ ∂ -->θ θ -->eθ θ -->+∂ ∂ -->f∂ ∂ -->zez{\displaystyle \nabla f(\rho ,\theta ,z)={\frac {\partial f}{\partial \rho }}\mathbf {e} _{\rho }+{\frac {1}{\rho }}{\frac {\partial f}{\partial \theta }}\mathbf {e} _{\theta }+{\frac {\partial f}{\partial z}}\mathbf {e} _{z}}

球坐标下的梯度(∇ ∇ -->{\displaystyle \nabla })算符

∇ ∇ -->f(r,θ θ -->,ϕ ϕ -->)=∂ ∂ -->f∂ ∂ -->rer+1r∂ ∂ -->f∂ ∂ -->θ θ -->eθ θ -->+1rsin⁡ ⁡ -->θ θ -->∂ ∂ -->f∂ ∂ -->ϕ ϕ -->eϕ ϕ -->{\displaystyle \nabla f(r,\theta ,\phi )={\frac {\partial f}{\partial r}}\mathbf {e} _{r}+{\frac {1}{r}}{\frac {\partial f}{\partial \theta }}\mathbf {e} _{\theta }+{\frac {1}{r\sin \theta }}{\frac {\partial f}{\partial \phi }}\mathbf {e} _{\phi }}

其中θ θ -->{\displaystyle \theta }为极角,ϕ ϕ -->{\displaystyle 方位角i }方位角。

参考

书籍

(中文)张贤达. 矩阵分析与应用. 清华大学出版社. 2004年9月. ISBN 9787302092711. 

参看

雅可比矩阵

散度

旋度

偏导数

索贝尔算子

向量分析

离子梯度

梯度下降法

等位集合(Level set)

外微分


免责声明:以上内容版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。感谢每一位辛勤著写的作者,感谢每一位的分享。

——— 没有了 ———
编辑:阿族小谱
发表评论
写好了,提交
{{item.label}}
{{commentTotal}}条评论
{{item.userName}}
发布时间:{{item.time}}
{{item.content}}
回复
举报
点击加载更多
打赏作者
“感谢您的打赏,我会更努力的创作”
— 请选择您要打赏的金额 —
{{item.label}}
{{item.label}}
打赏成功!
“感谢您的打赏,我会更努力的创作”
返回

更多文章

更多精彩文章
打赏
私信

推荐阅读

· 共轭梯度法
方法的表述设我们要求解下列线性系统其中n-×-n矩阵A是对称的(也即,A=A),正定的(也即,xAx>0对于所有非0向量x属于R),并且是实系数的。将系统的唯一解记作x*。最后算法经过一些简化,可以得到下列求解Ax=b的算法,其中A是实对称正定矩阵。相关共轭梯度法的推导非线性共轭梯度法(英语:Nonlinearconjugategradientmethod)参考共轭梯度法最初出现于MagnusR.HestenesandEduardStiefel(1952),Methodsofconjugategradientsforsolvinglinearsystems,J.ResearchNat.Bur.Standards49,409–436.下列教科书中可以找到该方法的描述KendellA.Atkinson(1988),Anintroductiontonumericalanalys...
· 温度梯度
数学的叙述假设温度T是一个集约数量,即是在三度空间(通常称为标量场)内的一个单值连续的和可微分的函数,也就是说,此处x,y和z是座标系的位置标示,温度梯度是向量,其定义如下:天气和气候的关联不同地区之间的空气温度差异对天气预报与气候至关重要。行星表面对太阳光的吸收增强了温度梯度,其结果造成对流(云形成的主要过程,经常与降水相关联)。相似的,在全球和年度的基础上,大气(和海洋)的动力学可以被理解为试图通过极地和赤道的温度差异极大的冷空气和暖空气(包括水)在广大的区域重新配置。天气图是温度梯度在水平方向上可以达到较高数值的地区,这些是具有相当明显属性气团之间的边界。很明显的,温度梯度会随着时间变化,一天之中或季节性的冷热变或都会使温度梯度产生变化。逐日的经验和环境问题其它可以明确的感受到温度梯度的场所包括在夏天有空调商店的入口(或出口),或山洞的入口,以及其他受到保护或空气不流通的场所。气温快...
· 梯度下降法
描述梯度下降法的描述。梯度下降方法基于以下的观察:如果实值函数F(x){\displaystyleF(\mathbf{x})}在点a{\displaystyle\mathbf{a}}处可微且有定义,那么函数F(x){\displaystyleF(\mathbf{x})}在a{\displaystyle\mathbf{a}}点沿着梯度相反的方向−−-->∇∇-->F(a){\displaystyle-\nablaF(\mathbf{a})}下降最快。因而,如果对于γγ-->>0{\displaystyle\gamma>0}为一个够小数值时成立,那么F(a)≥≥-->F(b){\displaystyleF(\mathbf{a})\geqF(\mathbf{b})}。考虑到这一点,我们可以从函数F{\displaystyleF}的局部极小值的初始估计x0{\d...
· 电化学梯度
参见动作电位电扩散(英语:Electrodiffusion)伽凡尼电池电化电池离子交换膜(英语:Protonexchangemembrane)参考文献Campbell&Reece.Biology.PearsonBenjaminCummings.2005.ISBN0-8053-7146-X.StephenT.Abedon,"ImportantwordsandconceptsfromChapter8,Campbell&Reece,2002(1/14/2005)",forBiology113attheOhioStateUniversity

关于我们

关注族谱网 微信公众号,每日及时查看相关推荐,订阅互动等。

APP下载

下载族谱APP 微信公众号,每日及时查看
扫一扫添加客服微信