PRML学习笔记-范函变分

最新推荐文章于 2023-12-03 15:50:35 发布

Bingolby

最新推荐文章于 2023-12-03 15:50:35 发布

阅读量321

点赞数

分类专栏：机器学习文章标签： PRML 范函变分

本文链接：https://blog.csdn.net/qq_37394299/article/details/103071620

版权

本文详细探讨了范函变分的概念，包括范函变分的定义，通过泰勒展开的方式解释了一阶变分，并阐述了变分导数的计算方法，深入解析了在最简范函情况下的表达式。内容涵盖函数的变分与增量的区别，有助于深化对范函变分理论的理解。

摘要由CSDN通过智能技术生成

范函变分

范函变分的定义

设 $\mathrm{F}\left(\mathrm{x}, \mathrm{y}(\mathrm{x}), \mathrm{y}^{\prime}(\mathrm{x})\right)$ 是三个独立变量 $y^{\prime}(x)$ 在区间 $\left[x_{0}, x_{1}\right]$ 上的已知函数,且二阶连续可微,其中 $y (x)$ 和 $y^{\prime}(x)$ 是x的未知函数,则范函 $J[y(x)]=\int_{x_{0}}^{x_{1}} F\left(x, y(x), y^{\prime}(x)\right)dx$ 被称为最简范函,被积函数F称为范函的核.
在 $y = y (x)$ 的一阶邻域内.任取一曲线 $y=y_{1}(x)$ ,则: $\delta y=y_{1}(x)-y(x), \delta y^{\prime}=y_{1}^{\prime}(x)-y^{\prime}(x)$ 由泰勒展开式,最简范函 $J [y (x)]$ 的增量为: $\begin{aligned} \Delta J &=J\left[y_{1}(x)\right]-J[y(x)]=J[y(x)+\delta y]-J[y(x)] \\ &=\int_{x_{0}}^{x_{1}} F\left(x, y+\delta y, y^{\prime}+\delta y^{\prime}\right) d x-\int_{x_{0}}^{x_{1}} F\left(x, y, y^{\prime}\right) d x \\ &=\int_{x_{0}}^{x_{1}}\left[F\left(x, y+\delta y, y^{\prime}+\delta y^{\prime}\right)-F\left(x, y, y^{\prime}\right)\right] d x \\ &=\int_{x_{0}}^{x_{1}}\left(F_{y} \delta y+F_{y^{\prime}} \delta y^{\prime}\right) d x+\cdots+\int_{x_{0}}^{x_{1}}\left[\left(\delta y \frac{\partial}{\partial y}+\delta y^{\prime} \frac{\partial}{\partial y^{\prime}}\right)^{n} F\right] d x+R_{n} \end{aligned}$