【数学 函数空间】格拉姆-施密特正交化&切比雪夫多项式推导

施密特正交化(Gram-Schmidt Orthogonalization) 关于施密特正交化的基础知识、算法细节,以及与LS方法的关联 阅读详情
AI摘要

本文围绕正交基和切比雪夫多项式展开,先介绍通过格拉姆 - 施密特正交化过程构造正交基的方法,接着利用该方法从初始函数集构造出第三个正交基函数 g2(x),得到一组区间 [-1,1] 上的正交基,最后阐述切比雪夫多项式的递推性和正交性。

  • 正交基和切比雪夫多项式是线性代数和数值分析中非常重要的概念。接下来,我将解释如何构造一组正交基,以及如何使用切比雪夫多项式来构造正交基。
    切比雪夫多项式有两类:第一类和第二类。以下为第一类切比雪夫多项式 Tn(x)T_n(x)Tn​(x)的推导。

一、正交基的定义与构造

在向量空间 VVV 中,如果一组向量 {v1,v2,...,vn}\{v_1, v_2, ..., v_n\}{v1​,v2​,...,vn​} 彼此正交且非零,那么它们就构成 VVV 的一组正交基。若它们的范数均为 1,则称为标准正交基(即正交归一基)。

1. 通过格拉姆-施密特(Gram-Schmidt)正交化过程构造正交基

假设我们有一组线性无关的向量 {u1,u2,...,un}\{u_1, u_2, ..., u_n\}{u1​,u2​,...,un​},可以使用格拉姆-施密特方法将其变换为一组正交基{v1,v2,...,vn}\{v_1, v_2, ..., v_n\}{v1​,v2​,...,vn​}。

步骤:

  1. 定义 v1=u1v_1 = u_1v1​=u1​。
  2. 对于 i>1i > 1i>1,计算:
    vi=ui−∑j=1i−1⟨ui,vj⟩⟨vj,vj⟩vj v_i = u_i - \sum_{j=1}^{i-1} \frac{\langle u_i, v_j \rangle}{\langle v_j, v_j \rangle} v_j vi​=ui​−j=1∑i−1​⟨vj​,vj​⟩⟨ui​,vj​⟩​vj​
  3. 归一化向量viv_ivi​ 以得到单位向量:
    ei=vi∥vi∥ e_i = \frac{v_i}{\|v_i\|} ei​=∥vi​∥vi​​

这将生成一组正交基 {e1,e2,...,en}\{e_1, e_2, ..., e_n\}{e1​,e2​,...,en​}。

二、格拉姆-施密特正交化得到切比雪夫多项式

  • 可通过格拉姆-施密特正交化构造前两个(1,xxx)的正交基函数:

g0(x)=12,g1(x)=32x. g_0(x) = \frac{1}{\sqrt{2}}, \quad g_1(x) = \sqrt{\frac{3}{2}} x. g0​(x)=2​1​,g1​(x)=23​​x.

  • 现在,我们将继续推导出第三个正交基函数 g2(x)g_2(x)g2​(x),从而构造出正交基的第三项。

  • 我们希望从初始函数集 {1,x,x2}\{1, x, x^2\}{1,x,x2} 中构造出正交的第三个函数 g2(x)g_2(x)g2​(x),使得:
    ⟨g2,g0⟩=0,⟨g2,g1⟩=0. \langle g_2, g_0 \rangle = 0, \quad \langle g_2, g_1 \rangle = 0. ⟨g2​,g0​⟩=0,⟨g2​,g1​⟩=0.

  • 我们需要将 f2(x)=x2f_2(x) = x^2f2​(x)=x2 正交化,以得到 g2(x)g_2(x)g2​(x)。

1. 从f2(x)f_2(x)f2​(x)中减去其在 g0(x)g_0(x)g0​(x) 和 g1(x)g_1(x)g1​(x)上的投影

我们需要从f2(x)f_2(x)f2​(x) 中减去它在前两个正交基 g0(x)g_0(x)g0​(x) 和 g1(x)g_1(x)g1​(x) 上的投影:
g2(x)=f2(x)−Projg0(f2)−Projg1(f2). g_2(x) = f_2(x) - \text{Proj}_{g_0}(f_2) - \text{Proj}_{g_1}(f_2). g2​(x)=f2​(x)−Projg0​​(f2​)−Projg1​​(f2​).

首先,我们计算投影部分。

2. 计算投影到 g0(x)g_0(x)g0​(x) 上的分量

Projg0(f2)=⟨f2,g0⟩g0. \text{Proj}_{g_0}(f_2) = \langle f_2, g_0 \rangle g_0. Projg0​​(f2​)=⟨f2​,g0​⟩g0​.

内积 ⟨f2,g0⟩\langle f_2, g_0 \rangle⟨f2​,g0​⟩ 计算如下:
⟨f2,g0⟩=∫−11x2⋅12 dx=12∫−11x2 dx. \langle f_2, g_0 \rangle = \int_{-1}^{1} x^2 \cdot \frac{1}{\sqrt{2}} \, dx = \frac{1}{\sqrt{2}} \int_{-1}^{1} x^2 \, dx. ⟨f2​,g0​⟩=∫−11​x2⋅2​1​dx=2​1​∫−11​x2dx.

计算积分:
∫−11x2 dx=[x33]−11=23. \int_{-1}^{1} x^2 \, dx = \left[\frac{x^3}{3}\right]_{-1}^{1} = \frac{2}{3}. ∫−11​x2dx=[3x3​]−11​=32​.
因此,
⟨f2,g0⟩=12⋅23=23. \langle f_2, g_0 \rangle = \frac{1}{\sqrt{2}} \cdot \frac{2}{3} = \frac{\sqrt{2}}{3}. ⟨f2​,g0​⟩=2​1​⋅32​=32​​.
于是,
Projg0(f2)=23⋅12=13. \text{Proj}_{g_0}(f_2) = \frac{\sqrt{2}}{3} \cdot \frac{1}{\sqrt{2}} = \frac{1}{3}. Projg0​​(f2​)=32​​⋅2​1​=31​.

3. 计算投影到 g1(x)g_1(x)g1​(x) 上的分量

Projg1(f2)=⟨f2,g1⟩g1. \text{Proj}_{g_1}(f_2) = \langle f_2, g_1 \rangle g_1. Projg1​​(f2​)=⟨f2​,g1​⟩g1​.

内积 ⟨f2,g1⟩\langle f_2, g_1 \rangle⟨f2​,g1​⟩ 计算如下:
⟨f2,g1⟩=∫−11x2⋅32x dx=32∫−11x3 dx. \langle f_2, g_1 \rangle = \int_{-1}^{1} x^2 \cdot \sqrt{\frac{3}{2}} x \, dx = \sqrt{\frac{3}{2}} \int_{-1}^{1} x^3 \, dx. ⟨f2​,g1​⟩=∫−11​x2⋅23​​xdx=23​​∫−11​x3dx.

计算积分:
∫−11x3 dx=[x44]−11=0. \int_{-1}^{1} x^3 \, dx = \left[\frac{x^4}{4}\right]_{-1}^{1} = 0. ∫−11​x3dx=[4x4​]−11​=0.
因此,
⟨f2,g1⟩=32⋅0=0, \langle f_2, g_1 \rangle = \sqrt{\frac{3}{2}} \cdot 0 = 0, ⟨f2​,g1​⟩=23​​⋅0=0,
即
Projg1(f2)=0. \text{Proj}_{g_1}(f_2) = 0. Projg1​​(f2​)=0.

4. 得到第三个正交基函数

将上面的结果代入,我们得到:
g2(x)=f2(x)−Projg0(f2)−Projg1(f2)=x2−13. g_2(x) = f_2(x) - \text{Proj}_{g_0}(f_2) - \text{Proj}_{g_1}(f_2) = x^2 - \frac{1}{3}. g2​(x)=f2​(x)−Projg0​​(f2​)−Projg1​​(f2​)=x2−31​.

5. 标准化 g2(x)g_2(x)g2​(x)

为了得到标准化的正交基,我们计算 g2(x)g_2(x)g2​(x) 的范数:
∥g2(x)∥=∫−11(x2−13)2 dx. \|g_2(x)\| = \sqrt{\int_{-1}^{1} \left(x^2 - \frac{1}{3}\right)^2 \, dx}. ∥g2​(x)∥=∫−11​(x2−31​)2dx​.

展开并计算积分:
(x2−13)2=x4−23x2+19, \left(x^2 - \frac{1}{3}\right)^2 = x^4 - \frac{2}{3}x^2 + \frac{1}{9}, (x2−31​)2=x4−32​x2+91​,
因此,
∥g2(x)∥2=∫−11(x4−23x2+19) dx. \|g_2(x)\|^2 = \int_{-1}^{1} \left(x^4 - \frac{2}{3}x^2 + \frac{1}{9}\right) \, dx. ∥g2​(x)∥2=∫−11​(x4−32​x2+91​)dx.

逐项计算积分:
∫−11x4 dx=25,∫−11x2 dx=23,∫−1119 dx=29. \int_{-1}^{1} x^4 \, dx = \frac{2}{5}, \quad \int_{-1}^{1} x^2 \, dx = \frac{2}{3}, \quad \int_{-1}^{1} \frac{1}{9} \, dx = \frac{2}{9}. ∫−11​x4dx=52​,∫−11​x2dx=32​,∫−11​91​dx=92​.

因此,
∥g2(x)∥2=25−49+29=845, \|g_2(x)\|^2 = \frac{2}{5} - \frac{4}{9} + \frac{2}{9} = \frac{8}{45}, ∥g2​(x)∥2=52​−94​+92​=458​,
∥g2(x)∥=845=21015. \|g_2(x)\| = \sqrt{\frac{8}{45}} = \frac{2\sqrt{10}}{15}. ∥g2​(x)∥=458​​=15210​​.

最终得到标准化的 g2(x)g_2(x)g2​(x):
g2(x)=x2−1321015=15210(x2−13)=3104(x2−13). g_2(x) = \frac{x^2 - \frac{1}{3}}{\frac{2\sqrt{10}}{15}} = \frac{15}{2\sqrt{10}} \left(x^2 - \frac{1}{3}\right) = \frac{3\sqrt{10}}{4} \left(x^2 - \frac{1}{3}\right). g2​(x)=15210​​x2−31​​=210​15​(x2−31​)=4310​​(x2−31​).

三、结果

  • 通过格拉姆-施密特正交化,我们得到了第三个正交基函数:
    g2(x)=3104(x2−13). g_2(x) = \frac{3\sqrt{10}}{4} \left(x^2 - \frac{1}{3}\right). g2​(x)=4310​​(x2−31​).

  • 至此,我们构造了一组在区间 [−1,1][-1, 1][−1,1] 上的正交基:
    g0(x)=12,g1(x)=32x,g2(x)=3104(x2−13). g_0(x) = \frac{1}{\sqrt{2}}, \quad g_1(x) = \sqrt{\frac{3}{2}} x, \quad g_2(x) = \frac{3\sqrt{10}}{4} \left(x^2 - \frac{1}{3}\right). g0​(x)=2​1​,g1​(x)=23​​x,g2​(x)=4310​​(x2−31​).

四、切比雪夫多项式性质

切比雪夫多项式是定义在区间 ([-1, 1]) 上的一组正交多项式。它们在数值分析、逼近理论和求解微分方程中有广泛应用。

1. 递推性

递归定义:
T0(x)=1,T1(x)=xT_0(x) = 1, \quad T_1(x) = x T0​(x)=1,T1​(x)=x
Tn+1(x)=2xTn(x)−Tn−1(x)for n≥1 T_{n+1}(x) = 2x T_n(x) - T_{n-1}(x) \quad \text{for } n \geq 1 Tn+1​(x)=2xTn​(x)−Tn−1​(x)for n≥1

  • 利用递归关系来推导前几个切比雪夫多项式:

    • T0(x)=1T_0(x) = 1T0​(x)=1
    • T1(x)=xT_1(x) = xT1​(x)=x
    • T2(x)=2x2−1T_2(x) = 2x^2 - 1T2​(x)=2x2−1
      T2(x)=2xT1(x)−T0(x)=2x2−1 T_2(x) = 2x T_1(x) - T_0(x) = 2x^2 - 1 T2​(x)=2xT1​(x)−T0​(x)=2x2−1
    • T3(x)=4x3−3xT_3(x) = 4x^3 - 3xT3​(x)=4x3−3x
      T3(x)=2xT2(x)−T1(x)=4x3−3x T_3(x) = 2x T_2(x) - T_1(x) = 4x^3 - 3x T3​(x)=2xT2​(x)−T1​(x)=4x3−3x
    • T4(x)=8x4−8x2+1T_4(x) = 8x^4 - 8x^2 + 1T4​(x)=8x4−8x2+1
      T4(x)=2xT3(x)−T2(x)=8x4−8x2+1 T_4(x) = 2x T_3(x) - T_2(x) = 8x^4 - 8x^2 + 1 T4​(x)=2xT3​(x)−T2​(x)=8x4−8x2+1

显式公式:
Tn(ω)=cos⁡(narccos⁡(ω))=cos⁡(ncos⁡−1(ω)) T_n(\omega) = \cos(n \arccos(\omega))= \cos(n \cos^{-1}(\omega)) Tn​(ω)=cos(narccos(ω))=cos(ncos−1(ω))

  • 令x=cos−1ωx=cos^{-1}\omegax=cos−1ω,则Tn(ω)=cos(nx)T_n(\omega)=cos(nx)Tn​(ω)=cos(nx)
  • 通过三角恒等式展开cos(nx)cos(nx)cos(nx),可以发现其与Tn(ω)T_n(\omega)Tn​(ω)为恒等关系
  • 例如:
    • cos(0∗x)=1cos(0*x)= 1cos(0∗x)=1
    • cos(x)=cos(cos−1ω)=ωcos(x)= cos(cos^{-1}\omega) = \omegacos(x)=cos(cos−1ω)=ω
    • cos(2x)=2cosx−1=2ω2−1cos(2x)= 2cos^x-1 = 2\omega^2-1cos(2x)=2cosx−1=2ω2−1
2. 正交性

切比雪夫多项式在区间 ([-1, 1]) 上关于权函数 w(x)=11−x2w(x) = \frac{1}{\sqrt{1 - x^2}}w(x)=1−x2​1​ 是正交的,即:
∫−11Tm(x)Tn(x)w(x) dx={0,m≠nπ2,m=n≠0π,n=0 \int_{-1}^{1} T_m(x) T_n(x) w(x) \, dx = \begin{cases} 0, & m \neq n \\ \frac{\pi}{2}, & m = n \neq 0 \\ \pi, & n = 0 \end{cases} ∫−11​Tm​(x)Tn​(x)w(x)dx=⎩⎨⎧​0,2π​,π,​m=nm=n=0n=0​

正交多项式族(勒让德多项式跟切比雪夫多项式)理论 简述 这里显示两种,分别是,勒让德多项式跟切比雪夫多项式 勒让德多项式 区间是 x∈[−1,1]x∈[−1,1]x\in[-1, 1],权函数为ρ(x)≡1ρ(x)≡1\rho(x)\equiv1 P0(x)=1P0(x)=1P_0(x) = 1 Pn(x)=12nn!dndxn(x2−1)nPn(x)=12nn!dndxn(x2−1)nP_n(x) = \frac{1}{2^nn!}\... 阅读详情

相关推荐

勒让德多项式与正交展开:从内积推导到三项递推和Python实现

正交多项式是在带权内积下彼此正交的函数族,用于替代易导致格拉姆矩阵病态的幂基。其原理是把函数视作向量,通过投影使法方程矩阵对角化,并用三项递推稳定地生成高阶基函数。技术价值在于避免希尔伯特矩阵带来的数值不稳定,使展开系数可独立求解、误差可估计。该思路广泛应用于函数逼近、最小二乘拟合、高斯-勒让德求积、有限元形函数与球谐分析等场景。以勒让德多项式为主线,可从内积正交、Rodrigues公式和Bonnet递推一路推到傅里叶-勒让德展开,并结合Python实现讨论高阶计算与端点振荡等工程细节。

weixin_29061531的博客 187

格拉姆--施密特(Gram-Schmidt)正交化方法笔记

施密特正交化的笔记

m0_52687165的博客 1万+

数值计算(六)——函数逼近 (2)正交多项式多项式和最小二乘法

正交多项式和最小二乘法拟合

DFS的博客 9241

线性代数学习笔记——第七十讲——格拉姆—施密特(Gram-Schmidt)正交化方法

1. 格拉姆—施密特(Gram-Schmidt)正交化方法详解 2.格拉姆—施密特(Gram-Schmidt)正交化示例

预见未来to50的专栏 7万+

施密特(Gram-Schmidt)正交化

我在这里曾将犯过一个错误,不明白乘以a1/|a1|的含义,直觉不自然的乘以a2/|a1|,结果得到错误的值,以此为戒。如果没有空间向量解析几何基础,理解起来稍微有些困难,因此稍微解说一下。

要把所有那些负面的信息当做对自身行为的评价,而不是对自身价值的评判。 6644

线性代数 --- Gram-Schmidt, 格拉姆-施密特正交化(下)

格拉姆-施密特正交化

松下J27录放机 2689

从线性无关到正交基:格拉姆-施密特过程与切比雪夫多项式实战

本文深入解析了格拉姆-施密特正交化过程与切比雪夫多项式的数学原理及实际应用。通过几何类比和Python代码示例,详细展示了如何将线性无关向量转化为正交基,并探讨了切比雪夫多项式在函数空间中的正交特性及其在数值计算、信号处理和机器学习中的重要作用。

c8d9e0f1的博客 641

【信息科学与工程学】信息科学领域工程——第十一篇 数据库基础07 关系代数

核心数学:线性代数、度量空间、概率论、优化理论计算理论:数据结构、算法复杂度、信息论机器学习:表示学习、深度学习、度量学习数据库系统:索引结构、查询处理、事务理论分布式系统:一致性、复制、分片理论硬件体系:并行计算、内存层次、存储优化质量评估:信息检索评价、相似度质量评估高级数学:泛函分析、微分几何、随机矩阵理论这些理论基础共同支撑了向量数据库的设计、实现和优化,使其能够高效处理高维向量数据,满足大规模相似性搜索的需求。

weixin_49199313的博客 682

正交多项式-勒让德多项式,两类切比雪夫多项式及零点,拉盖尔多项式,埃尔米特多项式

1.正交多项式 设φn(x)是[a,b]上首项系数an≠0的n次多项式,ρ(x)为[a,b]上的权函数.设\varphi _n(x)是[a,b]上首项系数a_n\neq 0的n次多项式,\rho (x)为[a,b]上的权函数.设φn​(x)是[a,b]上首项系数an​​=0的n次多项式,ρ(x)为[a,b]上的权函数. 如果多项式序列{φn(x)}0∞\{\varphi _n(x)\}_0^{\infty}{φn​(x)}0∞​满足关系式 (φj,φk)=∫ab ⁣ ⁣ ⁣ρ(x)φj(x)φk(x)dx

AlbertDarren的博客 6888

机器学习: 共轭梯度算法(PCG)

今天介绍数值计算和优化方法中非常有效的一种数值解法,共轭梯度法。我们知道,在解大型线性方程组的时候,很少会有一步到位的精确解析解,一般都需要通过迭代来进行逼近,而 PCG 就是这样一种迭代逼近算法。 我们先从一种特殊的线性方程组的定义开始,比如我们需要解如下的线性方程组: Ax=bAx=b 这里的 A(n×n)A(n×n) 是对称,正定矩阵, b(n×...

weixin_30807677的博客 3181

Oracle迁移至华为GaussDB SQL语法和存储过程转换

在将Oracle数据库迁移至GaussDB时,SQL语法和存储过程的转换是确保应用程序正常运行和数据完整性的关键环节。由于两者在数据类型、函数、过程语言等方面存在差异,必须系统化地进行转换和测试。正则表达式脚本:批量替换常见的语法差异。SQL解析工具:解析SQL脚本,生成GaussDB兼容的语法。代码审查工具:自动检查转换后的代码,确保语法和逻辑正确。将Oracle迁移至GaussDB涉及到SQL语法和存储过程的全面转换。通过系统化的转换步骤、使用合适的工具并结合手动调整,可以确保迁移过程的顺利进行。

weixin_38428874的博客 2398

数学基础 -- 线性代数之格拉姆-施密特正交化

(Gram-Schmidt Orthogonalization)是一种将一组线性无关的向量转换为一组两两正交向量的算法。通过该过程,我们能够从原始向量组中构造正交基,并且可以选择归一化使得向量组成为标准正交基。

sz66cm 学习随笔 3999

基于人脸识别的驾驶员疲劳检测方法研究

摘 要交通安全问题愈发严重,疲劳驾驶已是造成交通事故的主要因素之一。为减少因疲劳驾驶造成的交通事故,本文设计了一种基于图像处理技术的疲劳驾驶监测系统,该系统结合了肤色模型、灰度积分投影技术以及PERCLOS方法,旨在通过实时视频图像分析准确检测驾驶员的疲劳状态。首先,系统通过肤色模型从图像中有效提取人脸区域,并在此基础上利用Haar级联分类器进行人脸检测,确保在人脸角度变化或部分遮挡的情况下依然能够实现高效识别。接着,灰度积分投影技术被应用于眼部定位,通过分析眼睛区域的灰度变化,精确确定眼睛的上下边界,从

carrott0617的博客 1005

施密特正交化(Gram–Schmidt process)

在线性代数中,如果内积空间上的一组向量能够张成一个子空间,那么这一组向量就称为这个子空间的一个基。Gram-Schmidt正交化提供了一种方法,能够通过这一子空间上的一个基得出子空间的一个正交基,并可进一步求出对应的标准正交基

白马负金羁 1万+

Win11下USB-Blaster驱动安装全攻略:Quartus用户必看(附常见问题解决)

本文详细介绍了在Windows 11系统下为Intel FPGA开发工具Quartus安装USB-Blaster驱动的完整流程与常见问题解决方案。针对Win11更严格的驱动签名验证机制,提供了从标准安装步骤到高级故障排查(如禁用驱动强制签名、使用测试模式)的实用指南,帮助用户快速解决驱动安装失败问题,确保FPGA编程调试顺利进行。

weixin_29256771的博客 663

自回归分布滞后模型 (ARDL)及 Stata 具体操作步骤

例如,Bahmani-Oskooee 和 Brooks(1999)研究了汇率波动与贸易收支之间的关系,发现汇率的变动在长期和短期内对贸易收支的影响存在差异,ARDL 模型能够有效地捕捉这种复杂的关系。它结合了自回归(Autoregressive,AR)模型和分布滞后(Distributed Lag,DL)模型的特点,能够同时考察变量之间的短期和长期关系。假设我们收集了一段时间内的居民消费和可支配收入数据,通过对这些数据进行分析和估计,可以得到模型的参数估计值,从而揭示消费与收入之间的短期和长期关系。

a519573917的博客 6094

线性代数笔记19——格拉姆-施密特正交化

标准正交矩阵 标准正交向量   有一堆向量,q1,q2……qn,它们两两正交,这意味着这些向量满足:   一个向量没法和自己正交,在i = j时,让qiTqi = 1,这相当于qi模长等于1:   向量的转置乘以自身等于1,意味着这个向量是单位向量,所以我们称这堆向量q1,q2……qn是标准正交向量。 标准正交矩阵   现在把这些标准正交向量放入矩阵中:   QTQ最终得...

我是8位的 2万+

RPCA模型及GoDec算法

一、基础知识 在线性代数中,秩的物理意义是矩阵中最大的不相关的向量个数,因此秩可以用来度量相关性;而在图像处理中,秩就可以理解为图像中所包含的信息的丰富程度。图片中比较突兀的成分,会增加图像矩阵的秩,一幅清晰的自然图像其数据矩阵往往是低秩或者近似低秩的,这是因为其中的图像信息有很大的相关性,但如果图像中引入噪声,那么存在随机幅值任意大但是分布稀疏的误差破坏了原有数据的低秩性。 低秩矩阵:如果AAA是一个m×nm×nm×n的矩阵,rank(A)rank(A)rank(A)是矩阵AAA的秩,如果rank(A)

小席的学习日志 7688

线性代数(三十九) :格拉姆-施密特正交化与标准正交基

本节介绍正交的概念,以及将基变为正交基的格拉姆-施密特(Gram-Schmidt)方法 0 回顾正交基 1 正交 如果向量x,y满足: 则称x与y正交(orthogonal)或者垂直(perpendicular),记做: 2 标准正交基 设X是具有欧几里得结构的有限维线性空间 则称这组基是标准正交的(orthonormal) 3 格拉姆-施密特方法 具有欧

方橙 1万+

走向审计4.0:内部审计数字化转型的路径与方法

企业的内部审计人员可以以数字化为手段,建立内部审计新生态,在数字化过程中引进战略审计、服务审计、开放审计、敏捷审计、数字审计、智慧审计等理念、方法和工具,完成数智生态审计转型。内部审计的审计对象远比国家审计和公众审计丰富和多元化,理论上企业经营管理和日常操作的各个方面都可以成为内部审计的对象,此外还可以开展独立咨询活动。由于内部审计的数字化或数字化的内部审计是实现审计数字化转型的必要条件,是实现“数字引领、数据强审”目标的核心手段,因此企业内部审计部门势必要投入足够的资金和人才来打造一支数字化审计新队伍。

一键难忘的博客 6737

【OpenCV C++】基本绘图操作

OpenCV C++基本绘图操作程序说明代码运行效果 程序说明 // 程序描述:OpenCV C++基本绘图操作 //参 考:毛星云《OpenCV3编程入门》 // 操作系统: Windows 10 64bit // 开发语言: C++ // IDE 版 本:Visual Studio 2019 // OpenCV版本:4.20 代码 main函数写法很简单,先创建空表Mat图像,然后点用函数绘制化学原子图,接着绘制组合图,最后显示图像。 //-------------------------

程序员,他们想的是什么?他们想的永远都是技术,他们崇尚的也永远都是技术。 765

图解格拉姆-施密特正交化和改进的格拉姆-施密特正交化

Gram-Schmidt正交化 格莱姆-施密特(Gram-Schmidt)正交化常用于求解向量空间的标准正交基,同时也是一种天然的求解矩阵的QR分解的方法,即将一个矩阵A分解为一个正交矩阵Q和一个上三角矩阵R的乘积,即A=QR。这里我们假设A是一个方阵,当然A不是方阵的时候也是可以进行QR分解的。QR分解可用于线性方程组的求解,并且使得求解的过程更加高效、稳定,这里不细说,我们重点关注Gram-S...

生活就像海洋 1万+

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

线性代数(数值分析)

一,奇异值分解 每个实对称矩阵A都可以进行特征值分解:其中Q是正交矩阵,是对角矩阵。 据此可推出奇异值分解: 每个矩阵都可以表示成 其中A是m*n的矩阵,U是m*m的正交矩阵,D是m*n的对角矩阵,V是n*n的正交矩阵。 U的列向量叫A的左奇异向量,V的列向量叫A的右奇异向量,D的对角线上元素叫做A的奇异值。 如果一个方阵可以进行特征值分解,那么它的特征值分解和奇异值分解是相同的。 二,伪逆矩阵 1,伪逆矩阵 任意非0矩阵的伪逆矩阵: 用特征值分解可以得到它的等价定义...

nameofcsdn的博客 3336

复分析 阿尔福斯(Ahlfors) 第三版答案 英文

答案分为十章,有部分习题没有答案,全英文复分析阿尔福斯(Ahlfors) 第三版答案

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

切比雪夫多项式

TnxT_n(x)Tn​xcos⁡n1x2cos⁡x⋅cos⁡nx−cos⁡n−1xcos((n1x2cosx⋅cosnx−cos((n−1x递归定义T0x1T1xxTn1x2xTnx−Tn−1xT0​x1T1​xxTn1​x2xTn​x−Tn−1​x三角函数定义(常用于区间−11[-1, 1]−1。

qq_26074053的博客 1389

锂电池充电器电路设计 里面有电路

锂电池充电器电路设计 里面有电路 3.7V升压到5V电路设计。

17正交距阵和Gram-Schmidt正交化

正交矩阵与正交化

m0_56898461的博客 924

格拉姆-施密特正交化Gram-Schimidt

格拉姆-施密特正交化 维基百科,自由的百科全书 跳转到: 导航, 搜索 跳过字词转换说明 汉漢▼▲ 线性代数 <img class="tex" alt="\mathbf{A} = \begin{bmatrix} 1 & 2 \\ 3 & 4 \end{bmatrix}" src="http://upload.wikimedi

Ramble Over The Cloud~ 6628
上一篇: 【p2p、分布式,区块链笔记 DAM】GUN/SEA(Security, Encryption, Authorization) 模块genkey
下一篇: 【数学 函数空间】拉普拉斯变换解微分方程步骤
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