【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

【低空经济】森林火情高精度监测与早期预警无人机巡护方案

在全球范围内,森林火灾已成为一个严重的生态和社会问题。它不仅对自然生态系统造成了毁灭性的影响,还对人类的生命财产安全构成了极大的威胁。根据国际森林发展组织的统计,全球每年因森林火灾造成的经济损失高达数百亿美元,甚至在某些年份,火灾损失占到某些国家国民经济总量的相当一部分。因此,开展高效的森林火情监测与早期预警工作显得尤为重要。随着科技的发展,无人机作为新兴的监测工具,以其高效、灵活和经济的特点在森林火灾监测领域展现出了巨大的潜力。

2502_92579126的博客 1212

用deepseek部署全自动的机器人--bytebot

Bytebot是一款开源AI桌面代理,提供完整的虚拟桌面环境,支持跨应用任务处理、文件管理、文档处理等复杂工作流。其技术架构包含核心控制、LLM代理、UI等组件,支持Docker和Kubernetes部署。本文演示了基于CloudStudio的部署流程,包括环境配置、Docker部署及DeepSeek API集成,实现多模型调用功能。

Kin 2481

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

开关电源三大基本拓扑:反激、正激与桥式选型本质

开关电源拓扑是电力电子系统设计的核心基础概念,其本质决定能量传递路径、器件应力分布与系统物理边界。反激拓扑以耦合电感形式实现隔离与升降压,适用于小功率AC-DC场景;正激拓扑依赖实时能量传递与强制复位机制,支撑中功率高效率需求;桥式拓扑(含推挽/半桥/全桥)通过电压应力分摊与双向磁化,成为大功率系统的刚性选择。理解三者在磁芯工作模式、电流连续性、直流偏磁抑制等方面的原理差异,直接关系到效率、温升、EMI及可靠性等关键技术指标。本文聚焦反激、正激、桥式三大工程级基本拓扑的物理本质与落地约束,揭示从需求参数到电

cqwmy840702的博客 376

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+

calibration的“前世今生”——从simulink开发到CANape的XCP标定

整体思路 备注: elf可简单的看作为hex和map的集合,其中包括可执行的程序、变量及其对应的地址(simulink生成代码是也可以勾选生成ASAP2的a2l文件,有变量但变量对应的地址为空,只有编译后才分配地址) 定义变量是观测值还是标定值需要在simulink中的数据字典定义变量存储类型,详见simulink系列。 1. 前期准备A2L的制作 安装完成CanApe软件 , 插上CanApe硬件( 如:vector 1640A)。打开A2L编辑软件 ASAP2 Editor(注意不是ASAP2 Vi

IHTY_NUI的博客 1万+

Conda报错急救指南:遇到Malformed version string ‘~‘怎么办?(附最新解决方案)

本文深度解析Conda报错`Malformed version string '~'`的根源与解决方案。该错误通常由版本字符串解析异常或Conda版本过旧引起。文章提供了从清理缓存、针对性升级到环境重建的完整修复流程,并强调了升级Conda至最新版本是解决此类`CondaValueError`问题的根本方法,帮助开发者高效恢复工作环境。

weixin_28835789的博客 648

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+

置顶必读(1) |《滚雪球学 Spring Boot 4.x》专栏目录导航篇(持续更新中)!

🏆 本文收录于 《滚雪球学 Spring Boot 4.x》 专栏。 本专栏面向 有一点 Java 基础,但没有系统学过 Spring Boot 的读者,采用“滚雪球式学习法”:先跑通、再理解、再重构、再上线,最终带你从第一个 Hello API 一路完成一个可部署、可监控、可扩展的后端项目。

**My Coding Family** 8万+

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+

816华为OD机试真题 新系统 - 电池充电时间计算 (Java/Py/C/C++/Js/Go)

816华为OD机试真题 新系统 - 电池充电时间计算 (Java/Py/C/C++/Js/Go)

算法大师! 473

【HALCON 25.11 + C#】 01:2026年工业机器视觉实战详解(从入门到精通)

2026年机器视觉市场规模将突破230亿美元,HALCON 25.11的革命性更新与C#的工业集成优势形成黄金技术栈。本文作为付费专栏开篇序章,聚焦“为什么现在必须学25.11+C#”的核心问题,通过真实工业案例、五项核心技术突破、联合编程架构优势及30篇系统学习路线,全方位论证其投资价值。读者将掌握持续学习、深度OCR加速等关键技能,获得可直接上产线的工业级代码资产与架构设计思维,解决柔性生产、边缘部署等核心痛点,成为具备技术溢价的机器视觉工程师。

专注于人工智能、软件开发、工控自动化、工厂数字化及智能化等领域,希望和大家共同进步! 1225

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+

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

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

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版

Part-E1-SDIO-Specification-Ver4.00-Final-120220.pdf:最新的sdio 4.0 spec 协议标准 带书签 高清完整PDF版,包括SDIO 接口的外设,SDIO 接口官方协议等。

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

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