1,Jacobian matrix and determinant
在向量微积分学中,雅可比矩阵是向量对应的函数(就是多变量函数,多个变量可以理解为一个向量,因此多变量函数就是向量函数)的一阶偏微分以一定方式排列形成的矩阵。
如果这个矩阵为方阵,那么这个方阵的行列式叫雅可比行列式。
2,雅可比矩阵数学定义
假设函数f可以将一个n维向量x⃗\vec{x}x(x⃗∈Rn\vec{x}\in R^nx∈Rn)变成一个m维向量f(x⃗\vec{x}x), f(x⃗)∈Rmf(\vec{x})\in R^mf(x)∈Rm,
(显然f是由m个实函数组成的函数)
则函数f的雅可比矩阵JfJ_fJf可以定义如下:
Jf=[∂f∂x1...∂f∂xn]=[∂f1∂x1...∂f1∂xn⋮⋱⋮∂fm∂x1...∂fm∂xn]J_f= \left[ \begin{matrix} \frac{\partial f}{\partial x_1} & ... & \frac{\partial f}{\partial x_n} \end{matrix} \right]= \left[ \begin{matrix} \frac{\partial f_1}{\partial x_1} & ... & \frac{\partial f_1}{\partial x_n} \\ \vdots & \ddots & \vdots\\ \frac{\partial f_m}{\partial x_1} & ... & \frac{\partial f_m}{\partial x_n} \\ \end{matrix} \right] Jf=[∂x1∂f...∂xn∂f]=⎣⎢⎡∂x1∂f1⋮∂x1∂fm...⋱...∂xn∂f1⋮∂xn∂fm⎦⎥⎤
对于单个元素而言,可以定义如下:
Jij=∂fi∂xjJ_{ij}=\frac{\partial f_i}{\partial x_j}Jij=∂xj∂fi
函数f的雅可比矩阵的其它标记方法为∂(f1,...,fm)∂(x1,...,xn\frac{\partial (f_1, ..., f_m)}{\partial (x_1, ..., x_n}∂(x1,...,xn∂(f1,...,fm)
3,例子
3.1 设函数f为二维空间到二维空间的变换
3.2 极坐标到笛卡尔坐标的变换
3.3 球坐标到笛卡尔坐标的变换
3.4 三维空间到四维空间的变换
3.5 三维空间到三维空间的变换
4,雅可比矩阵意义
雅可比矩阵Jf(p)J_f(p)Jf(p)就是函数f在n维空间某点p处的导数,它是一个线性映射(因为它是一个矩阵,矩阵本身代表着线性变换),它代表着函数f在点p处的最优线性逼近,也就是当x足够靠近点p时,我们有
f(x)≈f(p)+Jf(p)∗(x−p)f(x)\thickapprox f(p)+J_f(p)*(x-p)f(x)≈f(p)+Jf(p)∗(x−p)
这跟2维空间中在某点附近线性逼近一段曲线很类似,如果雅可比矩阵只有一个元素,它就等于2维空间中曲线在某点处的导数。
Note: 微分的本质就是线性化,在局部用线性变化代替非线性变化。
5,雅可比行列式意义
代表经过变换后的空间与原空间的面积(2维)、体积(3维)等等的比例,也有人称缩放因子。
Reference
/wiki/Jacobian_matrix_and_determinant