搞懂偏导数、方向导数、梯度、散度、旋度
由于学习多变量微积分和电磁学时没有意识到数学基础的重要性,我对于矢量代数的理解一直不够透彻。近日需要处理一些有关波导的问题,但是我由于一些概念没有搞清楚,在矢量方程的变换上吃了些亏。因此,在此我总结一下有关矢量代数的几个概念。
以下内容参考教材以及维基百科。
偏导数 Partial derivative
一个多变量函数的偏导数就是它在其它变量保持不变时,关于某一个变量的导数。它的记法有很多,两个变量的函数的偏导数用数学方式表示就是
fx′(x,y)=∂f∂x=limΔx→0f(x+Δx,y)−f(x,y)Δxf'_x (x, y) = \frac{\partial f}{\partial x} = \lim _{\Delta x \to 0} \frac{f(x + \Delta x, y) - f(x, y)}{\Delta x} fx′(x,y)=∂x∂f=Δx→0limΔxf(x+Δx,y)−f(x,y)
方向导数 Directional derivative
一个多变量函数的方向导数就是它在某一点上沿某一方向的瞬时变化率。对于多变量标量函数
f(x⃗)=f(x1,x2,…,xn)f(\vec{x}) = f(x_1, x_2, \ldots, x_n) f(x)=f(x1,x2,…,xn)
在方向
v⃗=(v1,v2,…,vn)\vec{v} = (v_1, v_2, \ldots, v_n) v=(v1,v2,…,vn)
上的方向导数定义为
∇v⃗f(x⃗)=∂f∂v⃗=limh→0f(x⃗+hv⃗)−f(x⃗)h\nabla _{\vec{v}} f(\vec{x}) = \frac{\partial f}{\partial \vec{v}} = \lim _{h \to 0} \frac{f(\vec{x} + h \vec{v}) - f(\vec{x})}{h} ∇vf(x)=∂v∂f=h→0limhf(x+hv)−f(x)
梯度 Gradient
标量场的梯度是矢量。标量场的梯度指向该场增长最快的方向,梯度的长度是这个最大的变化率。在三维笛卡尔坐标系下,梯度是(我习惯在 Nabla 符号上加箭头,表示这是个矢量)
∇⃗f=∂f∂xi⃗+∂f∂yj⃗+∂f∂zk⃗\vec{\nabla} f = \frac{\partial f}{\partial x} \vec{i} + \frac{\partial f}{\partial y} \vec{j} + \frac{\partial f}{\partial z} \vec{k} ∇f=∂x∂fi+∂y∂fj+∂z∂fk
在柱坐标下,梯度是
∇⃗f=∂f∂ρe⃗ρ+1ρ∂f∂φe⃗φ+∂f∂ze⃗z\vec{\nabla} f = \frac{\partial f}{\partial \rho} \vec{e} _{\rho} + \frac{1}{\rho} \frac{\partial f}{\partial \varphi} \vec{e} _{\varphi} + \frac{\partial f}{\partial z} \vec{e} _{z} ∇f=∂ρ∂feρ+ρ1∂φ∂feφ+∂z∂fez
在球坐标下,梯度是
∇⃗f=∂f∂re⃗r+1r∂f∂θe⃗θ+1rsinθ∂f∂φe⃗φ\vec{\nabla} f = \frac{\partial f}{\partial r} \vec{e} _{r} + \frac{1}{r} \frac{\partial f}{\partial \theta} \vec{e} _{\theta} + \frac{1}{r \sin \theta} \frac{\partial f}{\partial \varphi} \vec{e} _{\varphi} ∇f=∂r∂fer+r1∂θ∂feθ+rsinθ1∂φ∂feφ
散度 Divergence
散度是标量,描述三维矢量场在一点处汇聚或发散的程度。在三维笛卡尔坐标系下,散度是
divF⃗=∇⃗⋅F⃗=(∂∂x,∂∂y,∂∂z)⋅(U,V,W)=∂U∂x+∂V∂y+∂W∂zdiv \vec{F} = \vec{\nabla} \cdot \vec{F} = \left( \frac{\partial}{\partial x}, \frac{\partial}{\partial y}, \frac{\partial}{\partial z} \right) \cdot (U, V, W) = \frac{\partial U}{\partial x} + \frac{\partial V}{\partial y} + \frac{\partial W}{\partial z} divF=∇⋅F=(∂x∂,∂y∂,∂z∂)⋅(U,V,W)=∂x∂U+∂y∂V+∂z∂W
在柱坐标下,散度是
divF⃗=∇⃗⋅F⃗=1r∂∂r(rFr)+1r∂Fθ∂θ+∂Fz∂zdiv \vec{F} = \vec{\nabla} \cdot \vec{F} = \frac1r \frac{\partial}{\partial r}(r F_r) + \frac1r \frac{\partial F_{\theta}}{\partial \theta} + \frac{\partial F_z}{\partial z} divF=∇⋅F=r1∂r∂(rFr)+r1∂θ∂Fθ+∂z∂Fz
在球坐标下,散度是
divF⃗=∇⃗⋅F⃗=1r2∂∂r(r2Fr)+1rsinθ∂∂θ(sinθFθ)+1rsinθ∂Fφ∂φdiv \vec{F} = \vec{\nabla} \cdot \vec{F} = \frac1{r^2} \frac{\partial}{\partial r} (r^2 F_r) + \frac1{r \sin \theta} \frac{\partial}{\partial \theta} (\sin \theta F_{\theta}) + \frac1{r \sin \theta} \frac{\partial F _{\varphi}}{\partial \varphi} divF=∇⋅F=r21∂r∂(r2Fr)+rsinθ1∂θ∂(sinθFθ)+rsinθ1∂φ∂Fφ
旋度 Curl
旋度是矢量,描述三维矢量场在一点处的旋转程度。在三维笛卡尔坐标系下,旋度用行列式表示最为方便
curlF⃗=∇⃗×F⃗=∣i⃗j⃗k⃗∂∂x∂∂y∂∂zFxFyFz∣curl \vec{F} = \vec{\nabla} \times \vec{F} = \left| \begin{matrix} \vec{i} & \vec{j} & \vec{k} \\\\ \frac{\partial}{\partial x} & \frac{\partial}{\partial y} & \frac{\partial}{\partial z} \\\\ F_x & F_y & F_z \\\\ \end{matrix} \right| curlF=∇×F=∣∣∣∣∣∣∣∣∣∣∣∣i∂x∂Fxj∂y∂Fyk∂z∂Fz∣∣∣∣∣∣∣∣∣∣∣∣
Nabla 算符的更多规律
∇\nabla∇这个符号被称为 Del 或 Nabla 算符。我们可以看到上面几个概念里大量用到这个符号。在笛卡尔坐标系下,Nabla 算符可以表示为一个矢量
∇⃗=∑i=1n∂∂xi=(∂∂x1,…,∂∂xn)\vec{\nabla} = \sum_{i = 1}{n} \frac{\partial}{\partial x_i} = \left( \frac{\partial}{\partial x_1}, \ldots, \frac{\partial}{\partial x_n} \right) ∇=i=1∑n∂xi∂=(∂x1∂,…,∂xn∂)
使用这个算符,我们可以方便地表示梯度、散度、旋度为
∇⃗f∇⃗⋅F⃗∇⃗×F⃗\vec{\nabla} f \\\\ \vec{\nabla} \cdot \vec{F} \\\\ \vec{\nabla} \times \vec{F} ∇f∇⋅F∇×F
方向导数也可以表示为
v⃗⋅∇⃗f\vec{v} \cdot \vec{\nabla} f v⋅∇f
Nabla 算符可以让这些运算规则变得更容易理解
∇⃗(fg)=f∇⃗g+g∇⃗f∇⃗(u⃗⋅v⃗)=u⃗×(∇⃗×v⃗)+v⃗×(∇⃗×u⃗)+(u⃗⋅∇⃗)⋅v⃗+(v⃗⋅∇⃗)⋅u⃗∇⃗⋅(fv⃗)=f(∇⋅v⃗)+v⃗⋅(∇⃗f)∇⃗⋅(u⃗×v⃗)=v⃗⋅(∇⃗×v⃗)−u⃗⋅(∇⃗×v⃗)∇⃗×(fv⃗)=∇⃗f×v⃗+f(∇⃗×v⃗)∇⃗×(u⃗×v⃗)=u⃗(∇⃗⋅v⃗)−v⃗(∇⃗⋅u⃗)+(v⃗⋅∇)u⃗−(u⃗⋅∇)v⃗\vec{\nabla} (fg) = f \vec{\nabla} g + g \vec{\nabla} f \\\\ \vec{\nabla} (\vec{u} \cdot \vec{v}) = \vec{u} \times (\vec{\nabla} \times \vec{v}) + \vec{v} \times (\vec{\nabla} \times \vec{u}) + (\vec{u} \cdot \vec{\nabla}) \cdot \vec{v} + (\vec{v} \cdot \vec{\nabla}) \cdot \vec{u} \\\\ \vec{\nabla} \cdot (f \vec{v}) = f (\nabla \cdot \vec{v}) + \vec{v} \cdot (\vec{\nabla} f) \\\\ \vec{\nabla} \cdot (\vec{u} \times \vec{v}) = \vec{v} \cdot (\vec{\nabla} \times \vec{v}) - \vec{u} \cdot (\vec{\nabla} \times \vec{v} ) \\\\ \vec{\nabla} \times (f \vec{v}) = \vec{\nabla} f \times \vec{v} + f (\vec{\nabla} \times \vec{v}) \\\\ \vec{\nabla} \times (\vec{u} \times \vec{v}) = \vec{u} (\vec{\nabla} \cdot \vec{v}) - \vec{v} (\vec{\nabla} \cdot \vec{u}) + (\vec{v} \cdot \nabla) \vec{u} - (\vec{u} \cdot \nabla) \vec{v} ∇(fg)=f∇g+g∇f∇(u⋅v)=u×(∇×v)+v×(∇×u)+(u⋅∇)⋅v+(v⋅∇)⋅u∇⋅(fv)=f(∇⋅v)+v⋅(∇f)∇⋅(u×v)=v⋅(∇×v)−u⋅(∇×v)∇×(fv)=∇f×v+f(∇×v)∇×(u×v)=u(∇⋅v)−v(∇⋅u)+(v⋅∇)u−(u⋅∇)v
搞懂偏导数、方向导数、梯度、散度、旋度相关推荐
- 很好的理解梯度 散度 旋度 下三角运算 费曼物理讲义
很好的理解梯度 散度 旋度 下三角运算 费曼物理讲义 https://www.zhihu.com/question/24074028/answer/26657334 英文版本 https://www ...
- 正交曲面系下梯度散度旋度公式速记
正交曲面系下梯度散度旋度公式速记 1. 回忆正交曲面系的度量系数hih_ihi 记每种坐标系中不同的3个分量分别为u1u_{1}u1 u2u_{2}u2 u3u_{3}u3,其度量系数分别为 ...
- 梯度 散度 旋度的理解(笔记)
梯度: 运算的对像是纯量,运算出来的结果会是向量在一个纯量场中, 梯度的计算结果会是"在每个位置都算出一个向量,而这个向量的方向会是在任何一点上从其周围(极接近的周围,学过微积分该知道甚么叫 ...
- 全微分/偏导数/方向导数/梯度/全导数
1.偏导数 参考 :导数.偏导数.方向导数 就是对某一变量求导,把其他变量作为常数 2.方向导数 可以认为偏导数是特殊的方向导数,是在自变量方向上的方向导数. 任意方向导数为: 3.梯度 参考: 导数 ...
- divgrad怎么求_[怎样理解圆柱坐标系和球坐标系求梯度.散度]球坐标系梯度如何求...
怎样理解圆柱坐标系和球坐标系求梯度.散度.旋度公式 记住公式好办 你先记住哈密顿算子▽ 他表示一个矢量算子(注意): ▽≡i*d/dx+j*d/dy+k*d/dz 运算规则: 一.▽A=(i*d/dx ...
- 搞清Δ,梯度, 方向导数,散度,拉普拉斯算子
搞清Δ,∇,\Delta, \nabla,Δ,∇, 方向导数,散度,拉普拉斯算子 符号 解释 Δ\DeltaΔ 它体现在公式中ΔT,Δx,Δy\Delta T,\Delta x,\Delta yΔT, ...
- 梯度的直观理解_关于梯度、旋度和散度的直观理解
关于梯度.旋度和散度的直观理解 散度为零,说明是无源场:散度不为零时,则说明是有源场(有正源或负源) 若你的场是一个流速场,则该场的散度是该流体在某一点单位时间流出单位体积的净流量. 如果在某点,某场 ...
- 深入浅出——搞懂卷积神经网络的过拟合、梯度弥散、batchsize的影响的问题
深入浅出-搞懂卷积神经网络过拟合 第一个问题模型过拟合 1. 什么是过拟合 所谓过拟合(Overfit),是这样一种现象:一个假设在训练数据上能够获得比其他假设更好的拟合,但是在训练数据外的数据集 上 ...
- 干货丨先搞懂这八大基础概念,再谈机器学习入门
翻译 | AI科技大本营 参与 | 林椿眄 准备好开始AI了吗?可能你已经开始了在机器学习领域的实践学习,但是依然想要扩展你的知识并进一步了解那些你听过却没有时间了解的话题. 这些机器学习的专业术语能 ...
最新文章
- Angular--TypeScript finalize 方法
- 乔布斯成功的七条秘诀
- 推荐算法炼丹笔记:非采样的负样本
- 【HDU - 2444】The Accomodation of Students(二分图判断 + 匈牙利算法求最大匹配)
- jQuery/Zepto的Bootstrap轮播图中图片自适应宽高并居中插件
- deepin php docker,Deepin15.10安装Docker
- PhotoShop 各历史版本,你最熟悉哪版?
- The Art of Deception
- 电子设计大赛-运算放大器
- pyltp安装教程——保姆级
- (转载) Android RecyclerView 使用完全解析 体验艺术般的控件
- 西游记中唐僧念过几次紧箍咒?
- esp8266oled做时钟python_ESP8266实战一——带OLED显示屏电子时钟
- pumping lemma
- Orserg WSPT WEB 安全项目组A-3项目训练文档
- 旅游类网站的服务器配置,旅游各类 网站界面
- Maven项目配置镜像地址
- java题算工资_Java模版方法的小练习——工资系统
- 简易制作智能插座WIFI版--硬件篇
- Mind quantum 基础知识学习笔记(1)