雅克比矩阵JacobiWord文档下载推荐.docx

1、为特征值， QT = （V（0） V（1） V（k+1）T的各列为相应的特征向量；否则，k+1=k返回2,重复上述过程。 例5 用Jacobi方法求矩阵的特征值和特征向量。一般地，Jacobi法不能在有限步内将A化成对角阵，但有下面的定理。 定理3 设A为n阶使对称矩阵，对A用Jacobi法得到序列A（k） , 其中A（0） = A, 则证明 由Jacobi法计算过程故有（3.5）另一方面，有计算A 的公式可以得到于是有, 代入式（3.5）得因为 所以雅可比矩阵以m个n元函数ui=ui（x1,x2,xn）（i=1,2,m）的偏导数（j=1,2,n）为元素的矩阵如果把原来的函数组看作由点x=（x

2、1,x2,xn）到点u=（u1,u2,um）的一个变换T,则在偏导数都连续的前提之下，u随x的变化由相应的微分方程组来描述。这是一个关于微分的线性方程组，其系数矩阵便是雅可比矩阵（J），因而可写成矩阵形式这隐含着（J）具有微分系数的某些性质,类似于一元函数的导数。而在m=n=1的情形,它又恰好是一个一元函数的导数；所以它也是一个一元函数的导数到m个n元函数的一种推广。因此，（J）作为微分系数或导数的推广,有时也被当作变换T的“导数”看待并记为T（x）=（J）。变换T的进一步的数量描述需要雅可比行列式。定义任给一个n维向量X，其范数X是一个满足下列三个条件的实数：（1） 对于任意向量X，X0，且

3、X0X0;（2） 对于任意实数及任意向量X，XX；（3） 对于任意向量X和Y，XYXY；对于这样的,叫雅克比矩阵定义。雅克比矩阵证明关于这个的一般性证明稍微复杂点，现在就给你证明为什么二维的dx（u,v）dy（u,v）=Jdudv成立证明：对于曲面x=x（u,v）,y=y（u,v）,取它的微元，即小曲边四边形ABCD，其中A（u,v）,B（u+u,v）,C（u+u,v+v）,D（u,v+v）,那么这个曲边四边形ABCD可以近似看成是微小向量B（u+u,v）-A（u,v）和D（u,v+v）-A（u,v）张成的。利用中值定理可知：（u+u,v）-（u,v）=Mdu（u,v+v）-（u,v）=Ndv

4、这里的M，N是偏导数的形式，不好打出，你可以自己算出来，很简单的。当变化量很小时，我们把（u+u,v）-（u,v）近似看成dx（u,v），（u,v+v）-（u,v）看成dy（u,v），所以，dx（u,v）dy（u,v）=M*Ndudv而其中的M*N刚好就是二维Jacobi行列式的展开形式。由此问题得证。 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，其行列式成为雅可比行列式。 还有，在代数几何中，代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个群簇，曲线可以嵌入其中。 它们全部都以数学家雅可比命名；英文雅可比量Jacobian可以发音为ja ko bi n或者 ko bi n。

5、 雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近。因此，雅可比矩阵类似于多元函数的导数。 雅可比矩阵定义： 雅可比矩阵定义为向量对向量的微分矩阵，定义式如 下： 见所附jpg图片。 例：MATLAB中jacobian是用来计算Jacobi矩阵的函数。 syms r l f x=r*cos（l）*cos（f）; y=r*cos（l）*sin（f）; z=r*sin（l）; J=jacobian（x;y;z,r l f） 结果： J = cos（l）*cos（f）, -r*sin（l）*cos（f）, -r*cos（l）*sin（f） cos（l）*sin（f）, -r*sin（

6、l）*sin（f）, r*cos（l）*c os（f） sin（l）, r*cos（l）, 0 Hessian 矩阵就是一个多元实函数的二阶导数，设f=f（x1,x2.xn） 二阶导数（d2f/d（xi）d（xj）构成矩阵,在优化分析中常用到。 Jacobi矩阵就是一个多元矢量函数的一阶导数，如f=（f1（x1,x2.xn）,.,fm（x1,x2.xn）,相应矩阵元素为d（fi）/d（xj）。在稳定点附近的稳定性分析常用到它。 本质上说，以上两者是相关的Jacobi可以看作是一个多元实函数的梯度（一阶导数）的导数。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，其行列式称为雅可比

7、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：伴随该曲线的一个代数群，曲线可以嵌入其中。它们全部都以数学家卡尔雅可比命名；雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近。假设F:RnRm 是一个从欧式n维空间转换到欧式m维空间的函数。这个函数由m个实函数组成: y1（x1,.,xn）, ., ym（x1,.,xn）. 这些函数的偏导数（如果存在）可以组成一个m行n列的矩阵，这就是所谓的雅可比矩阵：此矩阵表示为： ，或者 这个矩阵的第i行是由梯度函数的转置yi（i=1,.,m）表示的如果p是Rn中的一点，F在p点可微分，那么在这一点的导数由JF（p）给出（这是求该

8、点导数最简便的方法）。在此情况下，由F（p）描述的线性算子即接近点p的F的最优线性逼近，x逼近与p例子由球坐标系到直角坐标系的转化由F函数给出:R 0, 0,2 R3此坐标变换的雅可比矩阵是R4的f函数:其雅可比矩阵为:此例子说明雅可比矩阵不一定为方矩阵。在动力系统中考虑形为x = F（x）的动力系统，F : Rn Rn。如果F（x0） = 0，那么x0是一个驻点。系统接近驻点时的表现通常可以从JF（x0）的特征值来决定。雅可比行列式如果m = n，那么F是从n维空间到n维空间的函数，且它的雅可比矩阵是一个方块矩阵。于是我们可以取它的行列式，称为雅可比行列式。在某个给定点的雅可比行列式提供了F

9、在接近该点时的表现的重要信息。例如，如果连续可微函数F在p点的雅可比行列式不是零，那么它在该点附近具有反函数。这称为反函数定理。更进一步，如果p点的雅可比行列式是正数，则F在p点的取向不变；如果是负数，则F的取向相反。而从雅可比行列式的绝对值，就可以知道函数F在p点的缩放因子；这就是为什么它出现在换元积分法中。设有函数F : R3 R3，其分量为：则它的雅可比行列式为：从中我们可以看到，当x1和x2同号时，F的取向相反；该函数处处具有反函数，除了在x1 = 0和x2= 0时以外。参看 海森矩阵Jacobi阵和Hessian阵可谓是用途广泛。不仅是在优化问题中常用，在各种多元问题中一般都常遇到。

10、比如在求解非线性方程组时，两者会经常被使用。关于它们的定义和用法，推荐参看李庆扬等写的非线性方程组的数值解法。楼主可参看R.A.Horn的矩阵分析卷一雅可比矩阵定义：雅可比矩阵定义为向量对向量的微分矩阵，定义式如下：见所附jpg图片。雅克比矩阵在有限单元法中指的是全局坐标对局部坐标的偏导数，我们在由节点位移求解节点应变的时候会碰到形函数对整体坐标的偏导问题，即求解B矩阵，由于形函数对整体坐标的偏导比较难求，我们可以先求形函数对局部坐标的偏导数，然后利用雅克比矩阵转化为形函数对整体坐标的偏导数。雅克比矩阵其实质和泛函求导数中泛函中的变量对自变量的导数是一样的。只不过一个是矩阵，一个数数值而已。在

11、空间问题8节点的线性单元中，雅克比矩阵是3*3得矩阵。我们在计算过程中还经常用到雅克比行列式的值，它用来判断单元是否畸形，一般雅克比行列式为正，则说明单元形态较好，反之单元形态不好。雅克比方法是解决线性方程组的一种迭代方法，当现行方程组的阶数较高时，用直接法解方程组时可能误差较大，就要采用迭代方法。不过雅克比迭代不是一种很高效的迭代方法，高斯 -塞德尔迭代方法较其效率要高。雅克比矩阵必然是n*n的矩阵，因为局部坐标和全局坐标之间的变量的数量永远是相同的在一般的应用过程中，局部坐标和整体坐标线性无关且数目相等，所以雅克比矩阵是方阵，并且行列式不恒为零。但是，从纯数学的角度讲，如果允许广义坐标之间

12、线性相关，那么雅克比矩阵可能不是方阵，即使是方阵，行列式也可能恒为零。讨论Jacobi矩阵不能仅限于有限元。应用数学上是这样定义的：设有n个变元的m个函数yi=fi（x1,x2,.,xn） （i=1,2,.,m），A=D（y1,.,ym）/D（x1,.xn）称为上式的Jacobi矩阵。m和n是可以不同的。其实局部坐标和全局坐标的变量的数量是可以不同的，例如三角形单元的面积坐标和四面体单元的体积坐标，因为面积坐标和体积坐标都不是完全独立的，其分量的和都是1。在有限元中，通过变量替换，使得Jacobi矩阵成为方阵，是为了求其逆矩阵的需要。只是在有限元中是这样用的而已。不过Jacobi矩阵J的行列式

13、|J|何时为常数？我一直弄不清楚。书上说二维情形下的矩形和平行四边形单元的|J|是常数，三维情形下的正六面体或平行六面体单元的|J|不是常数，请问从理论上怎么理解呢？最好不是数学推导的结果。回楼上的兄弟： 雅克比矩阵的行列式|J|为常数，就是里头的每个元素都为常数，以二维等参单元的自然坐标和平面坐标为例，J（1,1）=Ni（，）Xi，只要插值函数Ni是的一次函数，则不管任何点（，）上的J（1，1）都是常数。所以插值函数只要是单维线性的，雅克比矩阵的行列式就是常数。ljz0702 2006-7-23 11:32雅可比矩阵的作用是什么?如题,请教雅可比矩阵和弹塑性矩阵的区别,以及在材料的本构关系中

14、为什么有的时候用雅可比矩阵,有时用弹塑性矩阵?谢谢不吝赐教!camus 2006-7-27 17:22在等参单元中J反映的是整体坐标与局部坐标的转换关系。;ZeQ-odCn弹塑性矩阵反映的是材料的性质与弹模和泊松比有关;在b计算刚度/b矩阵时用到了BT D B J 行列式的局部坐标下的积分b|H2wK而弹塑性矩阵是在b计算应力/b时用到 De怎么理解海森矩阵和雅可比矩阵首先类比一下一维。Jacobian相当于一阶导数，Hessian相当于二阶导数。一维函数的导数的motivation是很明显的。二阶导数的零点就是一阶导数的极值点。对于很多应用，我们不仅关心一阶导数的零点（也就是函数的极值点），

15、也关心一阶导数的极值点，比如信号处理中，信号的一阶导数的极值点反映信号变化的最剧烈程度。极值点寻求在编程时不方便，不如找二阶导数的零点。Jacobian对于标量函数f: Rn- R1，实际是个向量，这个向量实际上就是函数的梯度gradient。gradient根据Cauchy-Swartz公式，指向的是在某处方向导数取极大值的方向。在二维图像处理中，可用gradient来检测灰度值的边缘。对于向量场F: Rm, Jacobian的每一行实际都是一个梯度。且有 F（X）=F（P）+J（P）（X-P）+O（|X-P|） 这个式子的每一行都是一个分量的局部线性化。考虑一个二维的数字图像线性变换（Ho

16、mography， image warping）, 以有限差分代替微分，可作类似分析。H: 像素（x,y）-像素（u,v）u=u（x,y） v=v（x,y）则其Jacobian为 u（x） u（y） v（x） v反映了局部图像的变形程度。最理想的情况 u（x）=1,v（y）=1,u（y）=0,v（x）=0.说明图像维持原状。由于 dudv=|det（Jacobian（x,y）|dxdy （此式的有效性可参考换元法）注：有的书上称det（Jacobian（x,y）为Jacobian.说明面积微元改变的程度由|det（Jacobian（x,y）|决定当|det（Jacobian（x,y）|=1时，

17、说明面积不变，当|det（Jacobian（x,y）|1时，说明面积扩张，需要进行像素插值。另外，由Jacobian矩阵的特征值或奇异值，可作类似说明。可参考Wielandt-Hoffman定理Hessian矩阵定义在标量函数上，对于矢量函数，则成为一个rank 3的张量。ls的解释很好 Jacobian和Hessian就好比单变量标量函数情况下的一阶导数和二阶导数 能很好的概括函数的极值点和单调性Hessian矩阵有一个特例是Fisher Information Matrix, 也叫Information Matrix,是对对数似然函数的Hessian矩阵 求期望得到的, 衡量了分布中信息量

18、的大小, 在统计中非常有用.雅克比矩阵（Jacobia matrix）以m个n元函数 的偏导数 为元素的矩阵 如果把原来的函数组看作由点到点的一个变换T，则在偏导数都连续的前提之下，u随x的变化由相应的微分方程组来描述。这是一个关于微分的线性方程组，其系数矩阵便是雅克比矩阵（J），因而可写成矩阵形式正交矩阵正交矩阵是实数特殊化的酉矩阵，因此总是正规矩阵。尽管我们在这里只考虑实数矩阵，这个定义可用于其元素来自任何域的矩阵。正交矩阵毕竟是从内积自然引出的，对于复数的矩阵这导致了归一要求。定义定义 1如果：AA=E（E为单位矩阵，A表示“矩阵A的转置矩阵”。）或AA=E，则n阶实矩阵 A称为正交矩阵

19、， 若A为正交阵，则满足以下条件:1） A 是正交矩阵2） AA=E（E为单位矩阵）3） A是正交矩阵4） A的各行是单位向量且两两正交5） A的各列是单位向量且两两正交6） （Ax,Ay）=（x,y） x,yR正交矩阵通常用字母Q表示。举例：A=r11 r12 r13;r21 r22 r23;r31 r32 r33则有：r112+r122+r132=r212+r222+r232=r312+r322+r332=1r11*r12+r21*r22+r31*r32=0等性质正交方阵是欧氏空间中标准正交基到标准正交基的过渡矩阵。在矩阵论中，实数正交矩阵是方块矩阵 Q，它的转置矩阵是它的逆矩阵:，如果正

20、交矩阵的行列式为 +1，则我们称之为特殊正交矩阵:概述要看出与内积的联系，考虑在 n 维实数内积空间中的关于正交基写出的向量 v。v 的长度的平方是 vv。如果矩阵形式为 Qv 的线性变换保持了向量长度，则所以有限维线性等距同构，比如旋转、反射和它们的组合，都产生正交矩阵。反过来也成立: 正交矩阵蕴涵了正交变换。但是，线性代数包括了在既不是有限维的也不是同样维度的空间之间的正交变换，它们没有等价的正交矩阵。有多种原由使正交矩阵对理论和实践是重要的。nn 正交矩阵形成了一个群，即指示为 O（n） 的正交群，它和它的子群广泛的用在数学和物理科学中。例如，分子的点群是 O（3） 的子群。因为浮点版本

21、的正交矩阵有有利的性质，它们是字数值线性代数中很多算法比如 QR分解的关键，通过适当的规范化，离散余弦变换 （用于 MP3 压缩）可用正交矩阵表示。下面是一些小正交矩阵的例子和可能的解释。恒等变换。旋转 16.26。 针对 x 轴反射。 旋转反演（rotoinversion）: 轴 （0,-3/5,4/5），角度90 置换坐标轴。基本构造低维度最简单的正交矩阵是 11 矩阵 1 和 1，它们可分别解释为恒等和实数线针对原点的反射。如下形式的 22 矩阵它的正交性要求满足三个方程 在考虑第一个方程时，不丢失一般性而设 p = cos , q = sin ；因此要么 t = q, u = p要么

22、t = q, u = p。我们可以解释第一种情况为旋转 （ = 0 是单位矩阵），第二个解释为针对在角 /2 的直线的反射。旋转 反射在 45的反射对换 x 和 y；它是置换矩阵，在每列和每行带有一个单一的 1（其他都是 0）:单位矩阵也是置换矩阵。反射是它自己的逆，这蕴涵了反射矩阵是对称的（等于它的转置矩阵）也是正交的。两个旋转矩阵的积是一个旋转矩阵，两个反射矩阵的积也是旋转矩阵。更高维度不管维度，总是可能把正交矩阵按纯旋转与否来分类，但是对于 33 矩阵和更高维度矩阵要比反射复杂多了。例如，和表示通过原点的反演和关于 z 轴的旋转反演（逆时针旋转90后针对x-y平面反射，或逆时针旋转 27

23、0后对原点反演）。旋转也变得更加复杂；它们不再由一个角来刻画，并可能影响多于一个平面子空间。尽管经常以一个轴和角来描述 33 旋转矩阵，在这个维度旋转轴的存在是偶然的性质而不适用于其他维度。但是，我们有了一般适用的基本建造板块如置换、反射、和旋转。基本变换最基本的置换是换位（transposition），通过交换单位矩阵的两行得到。任何 nn 置换矩阵都可以构造为最多 n1 次换位的积。 构造自非零向量 v 的 Householder反射为这里的分子是对称矩阵，而分母是 v 的平方量的一个数。这是在垂直于 v 的超平面上的反射（取负平行于 v 任何向量分量）。如果 v 是单位向量，则 Q =

24、I2vv 就足够了。Householder 反射典型的用于同时置零一列的较低部分。n 正交矩阵都可以构造为最多 n 次这种反射的积。Givens旋转作用于由两个坐标轴所生成的二维（平面）子空间上，按选定角度旋转。它典型的用来置零一个单一的次对角线元素（subdiagonal entry）。n 的旋转矩阵都可以构造为最多n（n1）/2 次这种旋转的积。在 3x3 矩阵的情况下，三个这种旋转就足够了；并且通过固定这个序列，我们可以用经常叫做欧拉角的三个角来（尽管不唯一）描述所有 33 旋转矩阵。雅可比旋转有同 Givens 旋转一样的形式，但是被用做相似变换，选择来置零 22 子矩阵的两个远离对角

25、元素（off-diagonal entry）。性质矩阵性质实数方块矩阵是正交的，当且仅当它的列形成了带有普通欧几里得点积的欧几里得空间 R 的正交规范基，它为真当且仅当它的行形成 R 的正交基。假设带有正交（非正交规范）列的矩阵叫正交矩阵可能是诱人的，但是这种矩阵没有特殊价值而没有特殊名字；他们只是 MM = D，D 是对角矩阵。任何正交矩阵的行列式是 +1 或 1。这可从关于行列式的如下基本事实得出:反过来不是真的；有 +1 行列式不保证正交性，即使带有正交列，可由下列反例证实。对于置换矩阵，行列式是 +1 还是 1 匹配置换是偶还是奇的标志，行列式是行的交替函数。比行列式限制更强的是正交矩

26、阵总可以是在复数上可对角化来展示特征值的完全的集合，它们全都必须有（复数）绝对值 1。群性质正交矩阵的逆是正交的，两个正交矩阵的积是正交的。事实上，所有 nn 正交矩阵的集合满足群的所有公理。它是 n（n1）/2 维的紧致李群，叫做正交群并指示为 O（n）。行列式为 +1 的正交矩阵形成了路径连通的子群指标为 2 的 O（n） 正规子群，叫做旋转的特殊正交群 SO（n）。商群 O（n）/SO（n） 同构于 O（1），带有依据行列式选择 +1 或 1 的投影映射。带有行列式 1 的正交矩阵不包括单位矩阵，所以不形成子群而只是陪集；它也是（分离的）连通的。所以每个正交群被分为两个部分；因为投影映射分裂，O（n） 是 SO（n） 与