微分代数是什么?(学习中)

微分代数(Differential Algebra)简单来说是一种利用计算机代数近似实际函数的手段,也就是说函数是以代数变量加减乘除的形式在计算机中保存的,而不是实际数值。因此,它可以作为主流符号运算软件的底层表达方式。

它的核心方法是把函数进行Taylor展开,然后用 n n n次多项式的系数表达出来,这其中会用到函数的微分,可能这是它称为“微分”代数的原因。
在实际运算的时候,用这个“多项式近似”的结果来代替原来的函数关系,就可以有很多方便。典型例子比如,我们手头有一个函数 f ( x ) = sinh ⁡ ( arctan ⁡ ( x ) ) f(x) = \sinh(\arctan(x)) f(x)=sinh(arctan(x)),但因为种种原因我们没办法得到这个表达式,于是我可以用微分代数进行representation。在 Mathematica \textit{Mathematica} Mathematica中运行
f[x] = Sinh[ArcTan[x]]; g[x] = Series[f[x], {x, 0, 10}]
就得到了以下这个10阶近似:
f ( x ) ≈ x − x 3 6 + x 5 24 − x 7 1008 − 1163 x 9 72576 + O ( x 11 ) f(x)\approx {x}-\frac{{x}^3}{6}+\frac{{x}^5}{24}-\frac{{x}^7}{1008}-\frac{1163 {x}^9}{72576}+O\left({x}^{11}\right) f(x)x6x3+24x51008x7725761163x9+O(x11)

在计算机中保存的是这几个系数,所以再次调用就很轻松可以得到函数结果。实际应用DA时,所面临的很多函数计算量肯定是远大于我这个例子,此时DA的意义就出现了。比如下面这个隐函数 E ( a , e , t ) E(a,e,t) E(a,e,t)代表的是Kepler方程的解,即满足以下等式:
E − e sin ⁡ E − μ a 3 ( t − t 0 ) = 0 E-e \sin E-\sqrt{\frac{\mu}{a^{3}}}\left(t-t_{0}\right)=0 EesinEa3μ (tt0)=0

而它又是个隐函数,因此
不过,很明显的是,DA仍然只能提供一种近似,而不是原函数的代替。

DA的功能还有很多,尤其是对复杂数学系统的近似,如隐函数 f ( x ) = 0 f(x)=0 f(x)=0、微分 f ′ ( x ) f^\prime(x) f(x)、积分 ∫ f ( x ) d x \int f(x) \text d x f(x)dx、ODE的解 x ( t ) x(t) x(t)的近似和representation。

感兴趣的朋友可以git一个Github - Differential Algebra Computational Toolbox ,这个工具箱的作者是米兰理工大学,他们在将其应用到航天中做了很多工作。

  • 0
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
宾夕法尼亚大学计算机和信息科学系教授 Jean Gallier 的开源书籍《Algebra, Topology, Differential Calculus, and Optimization Theory For Computer Science and Engineering》用一本书的容量解决了所有问题。这本书涵盖了计算机科学所需的线性代数微分和最优化理论等问题,可谓详尽。近年来,计算机科学、机器人学、机器学习和数据科学已经成为技术发展的重要推力。任何查看这些领域相关论文的人都会受到一些奇怪术语的困扰,如核 PCA、岭回归、套索回归、支持向量机(SVM)、拉格朗日乘数、KKT 条件等。这些奇怪的术语背后涉及的是大量有关最优化理论的「经典」线性代数知识。那么问题来了:要想理解并用好机器学习、计算机视觉等领域的工具,你就需要打好线性代数和最优化理论的知识基础。而且,你还需要学一些概率和统计方面的东西。 很多有关机器学习的书籍都在试图解决上述问题。如果你不了解拉格朗日对偶框架,那又从何理解领回归问题的对偶变量呢?同样地,如果你没有深刻理解拉格朗日框架,又怎么可能探讨 SVM 的对偶公式呢?对这些问题避而不谈是一种省事的解决方式。如果你只是上述方法技巧的使用者,「食谱」类方法或许就足够了。但是,这种方法并不适用于那些真正想要从事研究并希望做出重大贡献的人。所以,作者认为,你还必须具有扎实的线性代数、最优化理论等方面的背景知识。这会是一个问题,因为你需要投入大量的时间和精力来学习这些领域的知识,但作者相信坚持不懈的努力总会收到丰厚的回报。这本书讲了什么?这本书的主要目的是介绍线性代数和最优化理论的基础知识以及这些知识在机器学习、机器人学、计算机视觉等领域的应用。 该书包含以下 10 卷: 1. 线性代数 2. 仿射几何和射影几何 3. 双线性形式的几何 4. 几何:PID、UFD、诺特环、张量、PID 上的模块、规范形 5. 拓扑和微分 6. 最优化理论基础 7. 线性优化 8. 非线性优化 9. 在机器学习的应用 10. 附录

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值