雅克比矩阵（Jacobian Matrix）的意义

最新推荐文章于 2024-08-02 11:17:36 发布

奥卡姆-剃刀

最新推荐文章于 2024-08-02 11:17:36 发布

阅读量2.7w

点赞数 4

分类专栏： Math 文章标签：雅克比矩阵-数学基础

本文链接：https://blog.csdn.net/danielalves/article/details/72285980

版权

1 篇文章 1 订阅

订阅专栏

单变量情况，如果 $f:R\rightarrow R$ ,则有：

f' (x) = lim \nabla x \to 0 f ( x + \nabla x ) - f ( x ) \nabla x

$\bf f^\prime(x) = \lim_{\nabla x \rightarrow 0} \frac{f(x + \nabla x) - f(x)}{\nabla x}$
以一种非常有用的方式考虑

f′(x) $f^\prime(x)$ 就是：

f (x + \nabla x) \approx f (x) + f' (x) \nabla x

$\bf f(x + \nabla x) \approx f(x) + f^\prime(x)\nabla x$

上述方程在n维欧式空间到m维欧式空间的映射 $F:R^n\rightarrow R^m$ 同样非常有意义：

F (x + \nabla x) \approx F (x) + F' (x) \nabla x

$\bf F(x + \nabla x) \approx F(x) + F^\prime(x)\nabla x$

其中 $F^\prime(x)$ 就是函数在一点 $x$ 的导数也就是Jacobian矩阵 $J_F(x)$
$x \in R^n$ , $F(x) \in R^m$ , $J_F(x)$ 为 $m \times n$ ：可见上式完成了不同维度空间的线性映射
其重要意义在于它表现了一个多变数向量函数的最佳线性逼近
雅可比矩阵类似于单变数函数的导数
Jacobian矩阵 $J_F(x)$ 允许我们通过线性函数（affine function）估计一个函数 F <script type="math/tex" id="MathJax-Element-377">F</script> locally