yewei11的专栏

梯度、散度和旋度 (2011-09-12 20:36:08)转载▼标签： 旋度 散度 梯度 矢量场 拉普拉斯算子 波动方程分类： 电子技术   梯度、散度和旋度是矢量分析里的重要概念。之所以是“分析”，因为三者是三种偏导数计算形式。这里假设读者已经了解

有限差分法(FDM)的起源,讨论其在静电场求解中的应用.以铝电解槽物理模型为例,采用FDM对其场域进行离散,使用MATLAB和C求解了各节点的电位.由此,绘制了整个场域的等位线和电场强度矢量分布.同时,讨论了加速收敛因子对超松弛迭代算法迭代速度的影响,以及具有正弦边界条件下的电场分布.有限差分法 有限差分方法(FDM)是计算机数值模拟最早采用的方法，至今仍被广泛运用。该方法将求解域划分为差分

比如说你的老板命令你干活，你却到楼下打台球去了，后来被老板发现，他非常气愤，扇了你一巴掌（注意，这就是输入信号，脉冲），于是你的脸上会渐渐地（贱贱地）鼓起来一个包，你的脸就是一个系统，而鼓起来的包就是你的脸对巴掌的响应，好，这样就和信号系统建立起来意义对应的联系。下面还需要一些假设来保证论证的严谨：假定你的脸是线性时不变系统，也就是说，无论什么时候老板打你一巴掌，打在你脸的同一位置（这似乎要求你的

奇异值分解(SVD) --- 几何意义 PS：一直以来对SVD分解似懂非懂，此文为译文，原文以细致的分析+大量的可视化图形演示了SVD的几何意义。能在有限的篇幅把 这个问题讲解的如此清晰，实属不易。原文举了一个简单的图像处理问题，简单形象，真心希望路过的各路朋友能从不同的角度阐述下自己对SVD实际意义的理 解，比如 个性化推荐中应用了SVD，文本以及Web挖掘的时候

近年的acm竞赛中，数学期望问题常有涉及，在以前也常让本人感到很头疼，近来突然开窍，掌握了基本的分析方法，希望对大家有帮助。写得浅薄，可能数学上不够严谨，只供理解。            首先，来看下期望有啥基本的公式。对离散型随机变量x，其概率为p，有对随机变量A、B,有 第二条式子是今天的主角，他表明了期望有线性的性质，简单理解就是期望之间可根据关系，简单运算（不严谨的理解）。

In mathematics, a moment is, loosely speaking, a quantitative measure of the shape of a set of points. The "second moment", for example, is widely used and measures the "width" (in a particular sens