刘维尔定理暂记

有关Liouville公式的一些思考 这是我在csdn上的第一篇原创博客,下定决心要写它的原因其实很简单,我之前在学习常微分方程时,竟然在偌大的互联网上都找不到详细的刘维尔公式的证明,还发现了有网友回答“同学,你是zju的吧”这类的令人啼笑皆非的话语。好了,言归正传,以下就是我对刘维尔公式的一些思考,如有错误,欢迎指正。              首先来看一下方道远编写的《常微分方程》(浙江大学出版社)里面是怎么证明的:![Wron 阅读详情

代数函数与超越函数,域的代数扩张,
基本的初等函数:有理函数,代数函数,指数函数,对数函数,三角函数
s i n x = ( e i x − e − i x ) / 2 sinx=(e^{ix}-e^{-ix})/2 sinx=(eix−e−ix)/2
a r c t a n = 1 2 i l n 1 + i x 1 − i x arctan=\frac{1}{2i}ln \frac{1+ix}{1-ix} arctan=2i1​ln1−ix1+ix​
a r c s i n = − i l n ( x ( + / − ) x 2 − 1 ) arcsin=-iln(x(+/-) \sqrt {x^2-1 }) arcsin=−iln(x(+/−)x2−1 ​)

微分域K(对加减乘除,求导封闭)

初 等 函 数 a ∈ K , y ′ = a ∣ ∣ y ∈ K 初 等 函 数 的 扩 域 中 则 a = ∑ i = 1 n c i u i ′ u i + v ′ c i 是 常 数 u i ∈ K , v ∈ K y = ∑ i = 1 n c i l n ( u i ) + v 初等函数a\in K,y'=a||y\in K初等函数的扩域中\\ 则a=\sum_{i=1}^{ n}c_i \frac{u_i'}{u_i}+v'\\ c_i 是常数 u_i\in K,v\in K\\ y=\sum_{i=1}^{ n}c_i ln(u_i)+v 初等函数a∈K,y′=a∣∣y∈K初等函数的扩域中则a=i=1∑n​ci​ui​ui′​​+v′ci​是常数ui​∈K,v∈Ky=i=1∑n​ci​ln(ui​)+v

当n=0时:
取y=v
设当n-1时成立,则:

从三类函数的角度来证明定理:

刘维尔定理2: f , g 是 有 理 多 项 式 , f ( x ) ∗ e g ( x ) 存 在 初 等 原 函 数 i f f f = b ′ + b g ′ , b ∈ K = C ( z ) f,g是有理多项式,f(x)*e^{g(x)}存在初等原函数 \qquad iff \qquad f=b'+bg',b\in K =C(z) f,g是有理多项式,f(x)∗eg(x)存在初等原函数ifff=b′+bg′,b∈K=C(z)

初等函数(代数,指数,对数函数)的导数仍然是初等函数

2.所以要处理的只有自然的指数函数对数函数
2.1 多项式函数相除后求导仍然是有理函数
2.2 代数函数的求导: 域 张 对 应 的 代 数 函 数 ∑ 0 n a n ( x ) y n 的 求 导 仍 然 是 代 数 函 数 域张对应的代数函数\sum_{0}^{ n}a_n(x)y^n 的求导仍然是代数函数 域张对应的代数函数0∑n​an​(x)yn的求导仍然是代数函数
2.3 y= lnx的求导: y ′ = 1 x ∗ x ′ , x ∈ K → y ′ = x ′ x ∈ 起 始 域 K , ( x ∈ K ) y'=\frac{1}{x}*x' ,x\in K \rightarrow y'=\frac{x' }{x} \in 起始域K,(x\in K) y′=x1​∗x′,x∈K→y′=xx′​∈起始域K,(x∈K)
2.4 y = e x , y ′ = y ∗ x ′ , 因 为 y = e x , 所 以 y 也 属 于 K , y ’ 也 属 于 K y=e^x ,y'=y*x' ,因为y=e^x,所以y也属于K,y’也属于K y=ex,y′=y∗x′,因为y=ex,所以y也属于K,y’也属于K

相关链接

刘维尔超越数定理详解与可视化 本文介绍了刘维尔超越数定理的核心内容及其可视化演示。该定理由法国数学家刘维尔于1844年提出,首次系统性地证明了超越数的存在并构造了具体实例(刘维尔数)。文章详细阐述了代数数与超越数的区别,给出了刘维尔不等式的基本形式,并展示了刘维尔常数L=∑10^(-k!)的具体构造方法。通过HTML可视化页面,演示了刘维尔数的有理逼近过程及其突破代数数逼近限制的特性。页面包含数学原理说明、定理证明思路以及交互式图表控件,采用现代化UI设计,包括响应式布局、渐变背景和阴影效果,使抽象的数学概念直观呈现。 阅读详情

相关推荐

[最优化]线性规划中的对偶问题

线性规划中的对偶问题 每个线性规划问题都有一个与之对应的对偶问题,对偶问题也是一个线性规划问题,并且对偶问题的对偶问题是原问题。原问题的最优解可以由对偶问题得到,有时候利用对偶理论求解线性规划问题更加简单,也更能了解问题的本质。在对偶理论的启发下,单纯形法的性能得到了改进,也出现了一些求解线性规划问题的非单纯形法,本文暂不详解。 对偶关系 考虑如下形式的对偶问题 minimizecTxsu...

Math & Code 1万+

刘维尔传记资料

 刘维尔是法国数学家,1809年3月24日生于圣奥梅尔;1882年9月8日卒于巴黎。 1830年毕业于法国道路与桥梁工程学院。1833年以后,先后任巴黎综合工科学校、索邦大学和法兰西学院、巴黎大学理学院的教授。1839年当选为法国科学院院士。1850年被选为英国皇家学会会员。他还是彼得堡科学院的名誉院士。 刘维尔对复变函数、椭圆函数、微分方程、积分方程、代数几何、超越数、数论都作出了贡献

u010401391的专栏 4256

三角函数和反三角函数图像、导数、积分、等式关系

之前对三角函数的理解仅局限于sin,cos,tan。但是目前遇到的都是些csc,sec,cot,arctan,arccos,arcsin。积分和求导还有一堆公式 最近看到了一个六边形记忆法,更加简便。

及时总结 1万+

理论物理极础9:相空间流体和吉布斯-刘维尔定理

莱尼喜欢看河,尤其喜欢看漂浮物顺流而下。他猜想漂浮物如何穿过礁石,如何陷入漩涡。但是河流整体,水量,流切变,河的分流和汇聚,这是莱尼所看不到的。 相空间流体 在经典力学里,注视一个特别的初始条件,再随之在相空间走过特定轨迹,这是很自然的事情。但是还有一个更大的图像,突出强调轨迹的总集合。这个更大的图像可以直观显示所有可能的起点和所有可能的路径。不要再拿着铅笔点住相空间一点,然后沿着一条路径画线,...

weixin_30954265的博客 612

初等函数积分的刘维尔定理Liouville's theorem on integration in terms of elementary functions

This talk should be regarded as an elementary introduction to differential algebra. It culminates in a purely algebraic proof, due to M. Rosenlicht, of an 1835 theorem of Liouville on the existence of “elementary” integrals of “elementary” functions. The precise meaning of elementary will be specified. As an application of that theorem we prove that the indefinite integral ∫e^(x^2)dx cannot be expressed in terms of elementary functions. 这次演讲应该被看作是对微分代数的初步介绍。由M.Rosenlicht 于1835年提出的关于“初等”函数的“初等”积分的存在性的刘维尔定理,其结果是一个纯粹的代数证明。“基本”的精确意义将被指定。作为该定理的一个应用,我们证明了不定积分∫e^(x^2)dx不能用初等函数表示。

关于常微分方程中Liouville公式的注记 (2010年)

证明了n阶齐次线性微分方程 dnx dtn+a1(t)dn-1xdtn-1+…+an-1(t)dxdt+an(t)x =0的Liouville公式W′(t) =W(t0)e-∫tt0a1(s)ds是一阶齐次线性微分方程组x′=A(t)x所对应的Liouville公式 W′(t) =W(t0)e-∫tt0∑ni=1aii(s)ds的特殊情形。

Liouville 公式

Liouville公式

ehsdhgd的博客 939

RADIOML 2018.01A调制信号数据集介绍及处理

RadioML 2018.01A 由 DeepSig 发布,是专门针对自动调制识别(Automatic Modulation Recognition, AMR)和无线信号分类研究设计的基准数据集。它在原有 RadioML 2016.10a 的基础上,扩展并精细化了信道仿真模型,使得信号更接近真实无线环境下的表现。该数据集广泛用于机器学习模型的训练与评估,为各类深度学习算法提供了统一、可重复的实验条件。

weixin_56527269的博客 1881

【数学 代数学】无理数:\sqrt2和\pi 是无理数的证明 + 无理数集合的“非正则”性质(暂记)

【数学 代数学】无理数:\sqrt2和\pi 是无理数的证明 + 无理数集合的“非正则”性质(暂记)

ResumeProject的博客 294

MacOS上如何修改jupyter book的默认打开地址以及如何复制文件路径

记点笔记,才换新系统小半年,还是不太熟悉,所以记录一下笔记,感觉之后也会用到,希望能帮到你们。主要内容是:修改jupyter的默认地址以及复制文件路径。

魔仙的博客 1978

AutoDock Vina 对接计算(大批量)

AutoDock Vina是一种用于计算生物分子之间相互作用的计算工具,主要用于蛋白质和小分子(通常是潜在药物分子)之间的对接研究。它可以用于虚拟筛选、药物设计和生物分子结合位点的预测等多个应用领域。

MurphyStar的博客 1万+

从双曲几何到Gauss-Bonnet-Chern定理

早在Gauss十五岁时,他就构想了一种几何,这种几何中Euclid几何中的第五公设不再成立,他把这个几何成为“星空几何”,或许他预计到这种几何在浩瀚星空中可能实现。   但是我们都知道,真正公开地、系统地提出这个几何的是Lobachevskii(有些英文文献是Lobachevsky,俄国人的名字再翻译成英文时可以有些小差别。)所以这种几何被称作“Lobachevskii几何(Lobache

Xmlbird的博客 4706

昆仑通态屏幕制作(连载1)---接触篇

写在开始 背景:最近出了做QT、LORA和4G,还做了一个屏幕。以前做了一个迪文的串口屏幕,发现网上的教程很多,所以连载就不更新了,并且迪文屏幕的设置什么的比较简单,应该从网上都能找到对应的教程。而现在用的昆仑通态的屏幕属于嵌入式屏幕,至于为啥叫嵌入式,也不是很明白,反正就是需要用这个屏幕,嵌入式不嵌入式不重要了。重要的是能用,并且能实现串口屏幕不能实现的功能。所以选定昆仑通态的一款屏幕。 文章语言:我比较习惯用比较糙的语言介绍做的东西,有时候不太准备,但是为了方便理解,还请大家谅解。用...

weixin_45426095的博客 6734

常微分方程

在工程物理的研究中,很多现象(例如:波动方程)的定量描述需要用到二阶微分方程,这里把相关的知识整理一下,以便随时使用,内容都是高数教材[1][2]上搬过来的,谈不上原创,但是自己整理一遍确实可以加深印象。 对于微分方程,如果在方程中只出现一个未知函数的导数,那么就是常微分方程,反之就是偏微分方程。如果未知函数的最高次导数是2,那么它就是一个二阶微分方程。如果对于未知函数及其导数都是一次方程,就叫做...

weixin_34383618的博客 1328

从码农到生态建造者:我的一人公司运作方案

华哥·OPC 运营方案 v1.0 - 第一次迭代 🚀,搭建闭环生态系统,赋能 AI 时代的超级个体,更好的做自己,同时照亮别人。

AaronZZH 的博客 994

058、时域降噪(Temporal Denoise):运动补偿与递归滤波在视频降噪中的应用

本文深入探讨了时域降噪(Temporal Denoise)技术在视频处理中的应用。作者通过车载环视项目案例,揭示了空域降噪的局限性,提出利用帧间信息进行降噪的核心思路。文章详细解析了递归滤波和运动补偿两大关键技术,指出递归滤波简单但易产生拖影,而运动补偿通过计算运动矢量解决此问题。作者还分享了多帧降噪方案的优势与算力挑战,并总结了噪声模型匹配、运动矢量一致性等实战调优经验。最后强调时域降噪需要与空域降噪平衡,指出调试工具的重要性,提出"在保证运动区域无鬼影的前提下追求信噪比"的实践原则,体现了算法复杂度与效

zzfmlxs的博客 92

矩阵求导(转)

在网上看到有人贴了如下求导公式: Y = A * X --> DY/DX = A' Y = X * A --> DY/DX = A Y = A' * X * B --> DY/DX = A * B' Y = A' * X' * B --> DY/DX = B * A' 于是把以前学过的矩阵求导部分整理一下: 1. 矩阵Y对标量x求导: 相当于每个元...

weixin_30881367的博客 1273

爬虫面试:关于爬虫破解验证码的13个经典面试题

​解释:验证码是一种用于区分人类用户和自动化程序(如爬虫)的技术,通常通过显示图形、文字或音频等方式,要求用户完成特定任务(如识别扭曲的字母、点击特定区域等)。​作用:防止恶意爬虫滥用网站资源、进行批量注册、登录破解等行为,保护网站的安全性和数据的完整性。

数据知道的博客 1万+

行列式某行(列)元素分别是两数之和,则该行列式可拆分为两个行列式的和

技术成就梦想,梦想成就未来。If you try hard enough, it can be. 2万+

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

Outlook Express 6 (OE6) for Win7/Win8/Win10

英文版 Outlook Express6.0, 兼容Win7/Win10/WinXP,解压就可用。

二阶线性微分方程

二阶线性微分方程 一. 认识二阶线性微分方程 二阶线性微分方程定义:二阶线性微分方程定义:二阶线性微分方程定义: 形如: y′′+P(x)y′+Q(x)y=f(x)y&amp;#x27;&amp;#x27; + P(x)y&amp;#x27; + Q(x)y = f(x)y′′+P(x)y′+Q(x)y=f(x)的方程称为二阶线性微分方程 当 f(x)=0f(x)=0f(x)=0恒成立时,称该...

xueqi20185597的博客 1万+

jdk-8u144-linux-x64.tar.gz.

该资源为搭建Linux系统Java环境用,资源的后缀为tar.gz格式的压缩包

高等数学考研笔记(八)

微分方程: (1)可分离变量的方程 (2)一阶线性微分方程 (3)伯努利方程 (4)全微分方程 (5)高阶微分方程 (6)二阶线性微分方程 (7)n阶线性常系数微分方程 (8)二阶欧拉方程

qq_44820158的博客 989

复变函数论3-复变函数的积分3-柯西积分公式及其推论3-2:刘维尔定理【模有界定理】【有界整函数f(z)必为常数】【常数是有界整函数】【非常数的整函数必无界】

则在柯西不等式中, 对无论什么样的。这是一个非局部性命题, 也是模有界定理,平面上的导数为零. 由第二章习题。关于刘维尔定理, 我们以后还要论及.

u013250861的博客 1247

一个行列式求导

一个行列式求导公式 d∣A∣dt=∣A∣tr(A−1∗dAdt),&amp;nbsp;A∈Rn×n \frac{d|A|}{dt} = |A|tr(A^{-1}*\frac{dA}{dt}),\ A\in R^{n \times n} dtd∣A∣​=∣A∣tr(A−1∗dtdA​),&amp;nbsp;A∈Rn×n 证明如下 首先我们有 ∣A(aij+ϵ)∣−∣A(aij)∣=ϵAijd∣A∣daij=Aij ...

TigerTai98的博客 1万+

Liouville定理(实际上是Liouville第二定理)+切比雪夫定理

举个栗子 ∫x(1+x)2exdx \int \frac{x}{(1+x)^2} e^xdx∫(1+x)2x​exdx 由函数乘积与函数复合的求导法则知x(1+x)2=a(x)+a′(x) 由函数乘积与函数复合的求导法则知 \frac{x}{(1+x)^2} =a(x)+a'(x)由函数乘积与函数复合的求导法则知(1+x)2x​=a(x)+a′(x) x(1+x)2=(x+1)−1(1+x)2=x+1(1+x)2−1(1+x)2\frac{x}{(1+x)^2}=\frac{(x+1)-1}{(1+x)

ResumeProject的博客 3310
上一篇: Liouville定理(实际上是Liouville第二定理)+切比雪夫定理
下一篇: 曲面的面积微元
FakeOccupational
博客等级 码龄6年 2万+粉丝 1727原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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