多元多值函数的梯度与雅可比

懒鬼|

已于 2024-03-19 15:59:31 修改

阅读量317

点赞数 4

文章标签：数学建模

于 2024-03-19 15:23:45 首次发布

本文链接：https://blog.csdn.net/m0_60307945/article/details/136842702

版权

多元多值函数也叫做向量值函数，在数学中，但凡与“向量”二字挂钩，都会默认表示为列向量，除非特别说明，比如说如下的向量值函数

$F(X) = (f_1(X),f_2(X),...,f_n(X))^T$

和其中的自变量

$X = (x_1,x_2,...,x_m)^T$

都是列向量。

“梯度”算子本来就是针对标量值函数(一元单值函数或多元单值函数)定义的，所以对向量值函数求“梯度”，本质上还是对其中的每一个标量分量求“梯度”，即

$\nabla F(X) = (\nabla f_1(X),\nabla f_2(X),\cdots,\nabla f_n(X))^T$

值得注意的是，向量值函数的梯度和雅可比十分容易混淆，但通过符号可以比较容易的记忆，首先梯度算子 \nabla 是作用到函数 F(X) 本身的(这总不会有人质疑吧)，因此后续要对 F(X) 做转置，但是雅可比 J 一般是作用于 X 的(难道有人见过J F(X)这样的表示吗)，因此后续要对X做转置，如下所示为其数学表达

$\nabla F(X) = \frac{\partial F(X)^T}{\partial X}$

$J(X) = \frac{\partial F(X)}{\partial X^T}$

我们知道以上两式的结果必定是矩阵，由此可以进一步按照矩阵相乘的法则进行运算，想要得到矩阵，只能是N*1的向量乘以1*M的向量或者M*1的向量乘以1*N的向量，故将以上两式进一步计算就有

$\nabla F(X) = \frac{\partial F(X)^T}{\partial X} = \frac{1}{\partial X} \partial F(X)^T = \begin{bmatrix} \frac{1}{\partial x_1}\\ \vdots\\ \frac{1}{\partial x_m}\end{bmatrix}\begin{bmatrix} \partial f_1(X) &\cdots &\partial f_n(X) \end{bmatrix}$

$J(X) = \frac{\partial F(X)}{\partial X^T} = \partial F(X) \frac{1}{\partial X^T} = \begin{bmatrix} \partial f_1(X) \\ \vdots \\ \partial f_n(X) \end{bmatrix} \begin{bmatrix} \frac{1}{\partial x_1}& \cdots& \frac{1}{\partial x_m}\end{bmatrix}$

综上，计算矩阵乘法可得

$\nabla F(X) = \begin{bmatrix} \frac{\partial f_1(X)}{\partial x_1}& \frac{\partial f_2(X)}{\partial x_1}& \cdots &\frac{\partial f_n(X)}{\partial x_1}\\ \frac{\partial f_1(X)}{\partial x_2}& \frac{\partial f_2(X)}{\partial x_2}& \cdots & \frac{\partial f_n(X)}{\partial x_2}\\ \vdots & \vdots &\ddots &\vdots\\ \frac{\partial f_1(X)}{\partial x_m}& \frac{\partial f_2(X)}{\partial x_m}& \cdots & \frac{\partial f_n(X)}{\partial x_m}\end{bmatrix}$

$J(X) = \begin{bmatrix} \frac{\partial f_1(X)}{\partial x_1}& \frac{\partial f_1(X)}{\partial x_2}& \cdots & \frac{\partial f_1(X)}{\partial x_m}\\ \frac{\partial f_2(X)}{\partial x_1}& \frac{\partial f_2(X)}{\partial x_2}& \cdots & \frac{\partial f_2(X)}{\partial x_m}\\ \vdots & \vdots &\ddots &\vdots\\ \frac{\partial f_n(X)}{\partial x_1}& \frac{\partial f_n(X)}{\partial x_2}& \cdots & \frac{\partial f_n(X)}{\partial x_m}\end{bmatrix}$

可以看到，梯度矩阵和雅可比矩阵之间的关系就是互为转置，雅可比矩阵(不同于雅可比多项式)主要应用于牛顿迭代中，如果在牛顿迭代中用错了矩阵(用成了梯度矩阵)，就会导致牛顿迭代出错。

懒鬼|

关注

4
点赞
踩
0

收藏

觉得还不错? 一键收藏
1
评论
多元多值函数的梯度与雅可比

我们知道以上两式的结果必定是矩阵，由此可以进一步按照矩阵相乘的法则进行运算，想要得到矩阵，只能是N*1的向量乘以1*M的向量或者M*1的向量乘以1*N的向量，故将以上两式进一步计算就有。多元多值函数也叫做向量值函数，在数学中，但凡与“向量”二字挂钩，都会默认表示为列向量，除非特别说明，比如说如下的向量值函数。值得注意的是，向量值函数的梯度和雅可比十分容易混淆，通过符号可以比较容易的记忆，首先。综上，计算矩阵乘法可得。
复制链接

扫一扫