球谐函数原理

2023-10-27

参考:球谐函数极其应用

球谐函数是什么

球谐函数是傅里叶级数的高维类比,由一组表示球体表面的基函数构成。
同时,球谐函数是Laplace算子角动量在三个维度上的特征函数。
在这里插入图片描述

球坐标下的Laplace方程

Laplace方程(Laplace’s equation)

拉普拉斯算符(Laplacian) ▽ 2 \bigtriangledown^2 2被定义为梯度的散度( ▽ ⋅ ▽ \bigtriangledown \cdot \bigtriangledown △ \bigtriangleup ),有点类似于单变量函数的2阶导数。

对于函数 u ( x 1 , x 2 , . . . ) u(x_1,x_2,...) u(x1,x2,...), Laplace方程为:
∑ i = 1 n ∂ 2 u ∂ x i 2 = 0 \sum_{i=1}^n{\frac{\partial^2 u}{\partial x_i^2}} = 0 i=1nxi22u=0

它表示一个函数在它各个变量的二阶偏导下都为0。
在一维情况下,在如下方程中可以理解为,当函数为Laplace方程时,加速度为0.
x ( t ) = v t + 1 2 a t 2 x(t) = vt + \frac{1}{2}at^2 x(t)=vt+21at2

其他适用的场景包括:

  • 室内均衡的气温的Laplacian等于0。
  • 平衡水膜下受力的Laplacian等于0。
  • 静电场中的电压场的Laplacian等于0。

综上,我们得出Laplacian等于0的函数可看作一种平衡状态,因此也被称为谐波函数(Harmonic)

三维直角坐标系下的Laplace方程

▽ 2 u = ∂ 2 u ∂ x 2 + ∂ 2 u ∂ y 2 + ∂ 2 u ∂ z 2 = 0 ( 1 ) \bigtriangledown^2 u = \frac{\partial^2 u }{\partial x^2} + \frac{\partial^2 u }{\partial y^2} + \frac{\partial^2 u }{\partial z^2} =0\quad (1) 2u=x22u+y22u+z22u=0(1)

我们要做的就是求出三维Laplace方程的通解

将其转化为球坐标系

将如下球面坐标表示代入 ( 1 ) (1) (1)
{ x = r sin ⁡ θ cos ⁡ φ y = r sin ⁡ θ sin ⁡ φ z = r cos ⁡ θ ( 2 ) \left\{\begin{array}{c} x=r \sin \theta \cos \varphi \\ y=r \sin \theta \sin \varphi \\ z=r \cos \theta \end{array}\right. \quad (2) x=rsinθcosφy=rsinθsinφz=rcosθ(2)
得到
1 r 2 ∂ ∂ r ( r 2 ∂ f ∂ r ) + 1 r 2 sin ⁡ θ ∂ ∂ θ ( sin ⁡ θ ∂ f ∂ θ ) + 1 r 2 sin ⁡ 2 θ ∂ 2 f ∂ φ 2 = 0 ( 3 ) \frac{1}{r^{2}} \frac{\partial}{\partial r}\left(r^{2} \frac{\partial f}{\partial r}\right)+\frac{1}{r^{2} \sin \theta} \frac{\partial}{\partial \theta}\left(\sin \theta \frac{\partial f}{\partial \theta}\right)+\frac{1}{r^{2} \sin ^{2} \theta} \frac{\partial^{2} f}{\partial \varphi^{2}}=0\quad (3) r21r(r2rf)+r2sinθ1θ(sinθθf)+r2sin2θ1φ22f=0(3)
推导原理可参照:Laplacian in Spherical Coordinates

解 Laplacian 方程

将球坐标函数分离

u ( r , θ , ψ ) = R ( r ) Y ( θ , φ ) u(r,\theta,\psi ) = R(r)Y(\theta,\varphi) u(r,θ,ψ)=R(r)Y(θ,φ)

  • R ( r ) R(r) R(r)表示距离部分
  • Y ( θ , φ ) Y(\theta,\varphi) Y(θ,φ)就是球谐函数

分离后得到:

1 R d d r ( r 2 d R d r ) = − 1 sin ⁡ ( θ ) Y ∂ ∂ θ ( sin ⁡ ( θ ) ∂ Y ∂ θ ) − 1 Y 1 sin ⁡ 2 ( θ ) ∂ 2 Y ∂ φ 2 ( 4 ) \frac{1}{R} \frac{d}{d r}\left(r^{2} \frac{d R}{d r}\right)=-\frac{1}{\sin (\theta) Y} \frac{\partial}{\partial \theta}\left(\sin (\theta) \frac{\partial Y}{\partial \theta}\right)-\frac{1}{Y} \frac{1}{\sin ^{2}(\theta)} \frac{\partial^{2} Y}{\partial \varphi^{2}}\quad\quad (4) R1drd(r2drdR)=sin(θ)Y1θ(sin(θ)θY)Y1sin2(θ)1φ22Y(4)
方程的左边是关于R的函数,右边是关于 φ , θ \varphi,\theta φθ的函数,两边等式成立,需要两边都等于一个常数。

设这个常数为 l ( l + 1 ) l(l+1) l(l+1)得到两个新方程
d d r ( r 2 ∂ Y ∂ θ ) − l ( l + 1 ) R = 0 1 sin ⁡ ( θ ) ∂ ∂ θ ( sin ⁡ ( θ ) ∂ Y ∂ θ ) + 1 sin ⁡ 2 ( θ ) ∂ 2 Y ∂ φ 2 + l ( l + 1 ) Y = 0 \begin{array}{c} \frac{d}{d r}\left(r^{2} \frac{\partial Y}{\partial \theta}\right)-l(l+1) R=0 \\ \quad\\ \frac{1}{\sin (\theta)} \frac{\partial}{\partial \theta}\left(\sin (\theta) \frac{\partial Y}{\partial \theta}\right)+\frac{1}{\sin ^{2}(\theta)} \frac{\partial^{2} Y}{\partial \varphi^{2}}+l(l+1) Y=0 \end{array} drd(r2θY)l(l+1)R=0sin(θ)1θ(sin(θ)θY)+sin2(θ)1φ22Y+l(l+1)Y=0

  • 第一个方程是距离方程
  • 第二个方程是角度方程

我们将角度方程继续分离
Y ( θ , ψ ) = Θ ( θ ) Φ ( φ ) Y(\theta,\psi) = \Theta (\theta) \Phi (\varphi) Y(θ,ψ)=Θ(θ)Φ(φ)
得到
1 sin ⁡ θ ∂ ∂ θ ( sin ⁡ θ ∂ [ Θ ( θ ) Φ ( φ ) ] ∂ θ ) + 1 sin ⁡ 2 θ ∂ 2 [ Θ ( θ ) Φ ( φ ) ] ∂ φ 2 + l ( l + 1 ) [ Θ ( θ ) Φ ( φ ) ] = 0 \frac{1}{\sin \theta} \frac{\partial}{\partial \theta}\left(\sin \theta \frac{\partial[\Theta(\theta) \Phi(\varphi)]}{\partial \theta}\right)+\frac{1}{\sin ^{2} \theta} \frac{\partial^{2}[\Theta(\theta) \Phi(\varphi)]}{\partial \varphi^{2}}+l(l+1)[\Theta(\theta) \Phi(\varphi)]=0 sinθ1θ(sinθθ[Θ(θ)Φ(φ)])+sin2θ1φ22[Θ(θ)Φ(φ)]+l(l+1)[Θ(θ)Φ(φ)]=0

将上式最终化简为
在这里插入图片描述

设:等式等于参数 λ \lambda λ
在这里插入图片描述
化简后为:
在这里插入图片描述
求解 Φ Φ Φ
在这里插入图片描述
求解 Θ Θ Θ ,设 c o s θ = x c o s θ = x cosθ=x,有

( 1 − x 2 ) d 2 Θ d x 2 − 2 x d Θ d x + [ l ( l + 1 ) − m 2 1 − x 2 ] Θ = 0 \left(1-x^{2}\right) \frac{d^{2} \Theta}{d x^{2}}-2 x \frac{d \Theta}{d x}+\left[l(l+1)-\frac{m^{2}}{1-x^{2}}\right] \Theta=0 (1x2)dx2d2Θ2xdxdΘ+[l(l+1)1x2m2]Θ=0

这个方程是一个特殊的方程,叫做:l阶连带勒让德方程

参考链接:球谐函数的理解

勒让德多项式

勒让德方程:
d d x [ ( 1 − x 2 ) d d x P l ( x ) ] + l ( l + 1 ) P l ( x ) = 0 \frac{\mathrm{d}}{\mathrm{d} x}\left[\left(1-x^{2}\right) \frac{\mathrm{d}}{\mathrm{d} x} P_{l}(x)\right]+l(l+1)P_{l}(x)=0 dxd[(1x2)dxdPl(x)]+l(l+1)Pl(x)=0

我们仅在区间 x ∈ [ − 1 , 1 ] x\in[-1,1] x[1,1] 上考虑 l l l 为非负整数的情况,方程的解 P l ( x ) P_l(x) Pl(x) 是关于 x x x l l l 阶多项式。
P l ( x ) = 1 2 l ∑ s = 0 [ l / 2 ] ( − 1 ) s ( 2 l − 2 s ) ! s ! ( l − s ) ! ( l − 2 s ) ! x l − 2 s P_{l}(x)=\frac{1}{2^{l}} \sum_{s=0}^{[l / 2]} \frac{(-1)^{s}(2 l-2 s) !}{s !(l-s) !(l-2 s) !} x^{l-2 s} Pl(x)=2l1s=0[l/2]s!(ls)!(l2s)!(1)s(2l2s)!xl2s
也可写作
在这里插入图片描述

这里列出了勒让德多项式的前6项结果,其他项可以根据公式自推。
也可参照勒让德多项式的基本介绍和MATLAB绘图
P 0 ( x ) = 1 P 1 ( x ) = x P 2 ( x ) = 1 2 ( 3 x 2 − 1 ) P 3 ( x ) = 1 2 ( 5 x 3 − 3 x ) P 4 ( x ) = 1 8 ( 35 x 4 − 30 x 2 + 3 ) P 5 ( x ) = 1 8 ( 63 x 5 − 70 x 3 + 15 x ) P_0(x) = 1\\\quad\\ P_1(x) = x\\\quad\\ P_2(x) = \frac{1}{2}(3x^2-1)\\\quad\\ P_3(x) = \frac{1}{2}(5x^3-3x)\\\quad\\ P_4(x) = \frac{1}{8}(35x^4-30x^2+3)\\\quad\\ P_5(x) = \frac{1}{8}(63x^5-70x^3+15x)\\\quad\\ P0(x)=1P1(x)=xP2(x)=21(3x21)P3(x)=21(5x33x)P4(x)=81(35x430x2+3)P5(x)=81(63x570x3+15x)

在这里插入图片描述
勒让德多项式也可以用罗德里格斯公式表示
P l ( x ) = 1 2 l l ! d l d x l ( x 2 − 1 ) l P_l(x) = \frac{1}{2^ll!}\frac{d^l}{dx^l}(x^2-1)^l Pl(x)=2ll!1dxldl(x21)l

连带勒让德多项式

连带勒让德方程来源于在球坐标系中使用分离变量法解拉普拉斯方程(球坐标系中的拉普拉斯方程)中
连带勒让德方程为
d d x [ ( 1 − x 2 ) d d x P l m ( x ) ] + [ l ( l + 1 ) − m 2 1 − x 2 ] P l m ( x ) = 0. \frac{\mathrm{d}}{\mathrm{d} x}\left[\left(1-x^{2}\right) \frac{\mathrm{d}}{\mathrm{d} x} P_{l}^{m}(x)\right]+\left[l(l+1)-\frac{m^{2}}{1-x^{2}}\right] P_{l}^{m}(x)=0 . dxd[(1x2)dxdPlm(x)]+[l(l+1)1x2m2]Plm(x)=0.

m = 0 m = 0 m=0时,该方程变为勒让德方程。
d d x [ ( 1 − x 2 ) d d x P l ( x ) ] + l ( l + 1 ) P l ( x ) = 0 \frac{\mathrm{d}}{\mathrm{d} x}\left[\left(1-x^{2}\right) \frac{\mathrm{d}}{\mathrm{d} x} P_{l}(x)\right]+l(l+1)P_{l}(x)=0 dxd[(1x2)dxdPl(x)]+l(l+1)Pl(x)=0

连带勒让德方程的解可用勒让德多项式 P l ( x ) P_l(x) Pl(x)生成
P l m = ( − 1 ) m ( 1 − x 2 ) m / 2 d m d x m P l ( x ) P_l^m = (-1)^m(1-x^2)^{m/2}\frac{d^m}{dx^m}P_l(x) Plm=(1)m(1x2)m/2dxmdmPl(x)

式中 ( − 1 ) m (-1)^m (1)m叫做 S h o r t l e y − C o n d o n Shortley-Condon ShortleyCondon 相位,通常只有在量子力学中会使用这个相位,不包含这个相位同样满足微分方程

P l ( x ) P_l(x) Pl(x)对于 x x x m m m次导数,记为 P l m ( x ) P_l^m(x) Plm(x)
P l m ( x ) = Θ = ( 1 − x 2 ) m 2 P l [ m ] ( x ) P_l^m(x) = \Theta = (1-x^2)^{\frac{m}{2}}P_l^{[m]}(x) Plm(x)=Θ=(1x2)2mPl[m](x)

  • P l ( x ) P_l(x) Pl(x)是连带勒让德函数,定义域为[-1,1]
  • l , m l,m l,m分别是两带勒让德函数的阶(degree)和次(order), m ∈ ( 0 , l ) m\in (0,l) m(0,l)
  • P l [ m ] ( x ) P_l^{[m]}(x) Pl[m](x)是对 P l m ( x ) P_l^{m}(x) Plm(x)求导。
  • 广义勒让德多项式是复数,连带勒让德多项式是指实数部分。

连带勒让德多项式的性质

  • 端点性、奇偶性、反对称性,求导;参照链接

  • 特殊值:
    P m m ( x ) = { ( − 1 ) m ( 2 m − 1 ) ! ! ( 1 − x 2 ) m / 2 ( m > 0 ) 1 ( m = 0 ) P_{m}^{m}(x)=\left\{\begin{array}{ll} (-1)^{m}(2 m-1) ! !\left(1-x^{2}\right)^{m / 2} & (m>0) \\ 1 & (m=0) \end{array}\right. Pmm(x)={(1)m(2m1)!!(1x2)m/21(m>0)(m=0)

  • 递归关系:
    在这里插入图片描述

连带勒让德多项式的求解

根据式(12)~(14)可得:
p m m ( x ) = ( − 1 ) m ( 2 m − 1 ) ! ! ( 1 − x 2 ) m 2 , ( m > 0 ) p_m^m(x) = (-1)^m(2m-1)!!(1-x^2)^{\frac{m}{2}},(m>0) pmm(x)=(1)m(2m1)!!(1x2)2m(m>0)

double pmm = 1.0;
if (m > 0) {
	double sign = (m % 2 == 0 ? 1 : -1);
	pmm = sign * DoubleFactorial(2 * m - 1) * pow(1 - x * x, m / 2.0);
}

p m + 1 m ( x ) = x ( 2 m + 1 ) p m m ( x ) p_{m+1}^m(x) = x(2m+1)p_m^m(x) pm+1m(x)=x(2m+1)pmm(x)

double pmm1 = x * (2 * m + 1) * pmm;

p l m = ( 2 l − 1 ) x P l − 1 m − ( l + m − 1 ) P l − 2 m l − m p_l^m = \frac{(2l-1) x P^m_{l-1} - (l+m-1) P_{l-2}^m }{l-m} plm=lm(2l1)xPl1m(l+m1)Pl2m

for (int n = m + 2; n <= l; n++) {
	double pmn = (x * (2 * n - 1) * pmm1 - (n + m - 1) * pmm) / (n - m);
	pmm = pmm1;
	pmm1 = pmn;
}
return pmm1;

根据上面公式即可得到任意关于 P l m ( x ) P_l^m(x) Plm(x) 的函数值

连带勒让德多项式的前几阶表达式

1 − 1 2 P 1 1 ( x ) x − ( 1 − x 2 ) 1 2 1 24 P 2 2 ( x ) 1 6 P 2 1 ( x ) 1 2 ( 3 x 2 − 1 ) − 3 x ( 1 − x 2 ) 1 2 3 ( 1 − x 2 ) 1\\ \quad\\ -\frac{1}{2}P_1^1(x)\quad\quad x \quad\quad -(1-x^2)^{\frac{1}{2}}\\ \quad\\ \frac{1}{24}P_2^2(x)\quad\quad \frac{1}{6}P_2^1(x)\quad\quad \frac{1}{2}(3x^2-1) \quad\quad -3x(1-x^2)^{\frac{1}{2}}\quad\quad 3(1-x^2) 121P11(x)x(1x2)21241P22(x)61P21(x)21(3x21)3x(1x2)213(1x2)

将勒让德多项式代入球谐函数

将勒让德多项式代入如下球谐函数中,即可得到球坐标系下的解 Y ( θ , φ ) Y(\theta,\varphi) Y(θ,φ)
Y ( θ , ψ ) = Θ ( θ ) Φ ( φ ) Y(\theta,\psi) = \Theta (\theta) \Phi (\varphi) Y(θ,ψ)=Θ(θ)Φ(φ)

这个解就是球谐函数
Y l m ( θ , φ ) = P l m ( c o s θ ) { s i n ( m φ ) , c o s ( m φ ) } = P l m ( c o s θ ⋅ e i m φ ) Y_l^m(\theta,\varphi) = P_l^m(cos\theta)\{sin(m\varphi),cos(m\varphi)\} = P_l^m(cos\theta \cdot e^{im\varphi}) Ylm(θ,φ)=Plm(cosθ){sin(mφ),cos(mφ)}=Plm(cosθeimφ)

利用上面的连带勒让德函数的结论,可推导出前2阶球面谐波函数的表达式。

球谐函数的性质

正交性:基函数两两正交
完备性:线性叠加可以逼近任意一个球体函数
旋转不变性:只与 θ , φ \theta,\varphi θ,φ有关,与半径无关。故球谐函数是旋转对称的。

球谐函数的使用

SH,球谐函数,归根到底只是一组基函数
有了基函数,就可以把任意一个函数,描述成几个基函数的加权和了。
例如
y ≈ 0.1 y 0 + 0.3 y 1 + 0.8 y 2 + 0.001 y 3 + . . . y \approx 0.1y_0 + 0.3y_1 + 0.8 y_2 + 0.001y_3+... y0.1y0+0.3y1+0.8y2+0.001y3+...

球谐基函数构成了一个函数空间(Y0,Y1,Y2,…),对于给定球面函数 f ( θ , φ ) f(\theta,\varphi) f(θ,φ),我们可以将它投影到这个空间里去,求出其在此空间中的坐标(c0,c1,c2,…),即系数。

f ( θ , φ ) f(\theta,\varphi) f(θ,φ) 在球面S上的展开式为:
f ( θ , φ ) = ∑ l = 0 ∞ ∑ m = − l l C l m Y l m ( θ , φ ) f(\theta,\varphi) = \sum_{l=0}^{\infty} \sum_{m=-l}^{l} C_l^mY_l^m(\theta,\varphi) f(θ,φ)=l=0m=llClmYlm(θ,φ)

其中 Y l m ( θ , φ ) Y_l^m(\theta,\varphi) Ylm(θ,φ) 已知,即为球谐基函数。 f ( θ , φ ) f(\theta,\varphi) f(θ,φ)为我们需要分解的函数。
需要我们计算的便是系数 C l m C_l^m Clm
根据上式变换,得到系数计算公式:
C l m = ∫ Ω f ( s ) Y l m ( s ) d s , Ω 为球面积分 C_l^m = \int_\Omega{f(s)Y_l^m(s)ds},\Omega为球面积分 Clm=Ωf(s)Ylm(s)dsΩ为球面积分
也就是频域上的系数 C l m C_l^m Clm要求我们:求原函数 f f f与球谐函数 Y l m Y_l^m Ylm在球面上的乘积的积分。一般我们把这个求系数的过程叫做投影(Projection)。

在实际操作中,我们写程序时不可能会有对无穷级数进行储存和卷积的操作,一般展开项只能是有限项,也就是:
f ( s ) = ∑ l = 0 n − 1 ∑ m = − l l C l m Y l m ( s ) = ∑ i = 0 n 2 c i y i ( s ) f(s) = \sum_{l=0}^{n-1} \sum_{m=-l}^{l} C_l^mY_l^m(s) = \sum_{i=0}^{n^2}c_iy_i(s) f(s)=l=0n1m=llClmYlm(s)=i=0n2ciyi(s)

球谐函数的计算获取

double EvalSHSlow(int l, int m, double phi, double theta) {
		CHECK(l >= 0, "l must be at least 0.");
		CHECK(-l <= m && m <= l, "m must be between -l and l.");

		double kml = sqrt((2.0 * l + 1) * Factorial(l - abs(m)) /
			(4.0 * M_PI * Factorial(l + abs(m))));
		if (m > 0) {
			return sqrt(2.0) * kml * cos(m * phi) *
				EvalLegendrePolynomial(l, m, cos(theta));
		}
		else if (m < 0) {
			return sqrt(2.0) * kml * sin(-m * phi) *
				EvalLegendrePolynomial(l, -m, cos(theta));
		}
		else {
			return kml * EvalLegendrePolynomial(l, 0, cos(theta));
		}
	}
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

球谐函数原理 的相关文章

  • 双重求和∑∑的定义及性质

    目录 一 复习求和符号 二 二重求和的定义 三 双重求和 交换求和顺序 一 复习求和符号 自从约瑟夫 傅立叶于1820年引入求和符号 大写的希腊字母sigma 以来 求和 以及双重求和 在数学公式推导 命题证明中被经常使用 掌握它的定义和性
  • 《普林斯顿微积分》读书笔记

    写在前面 并不完整 只有零散的记忆 二 三刷的时候再补充吧 一些初等函数的导数 例如 x n n x n 1 sin x cos x 积分等于反导数 其他 待补充
  • Shader学习笔记:BRDF简单概述

    这篇文章写于一年多以前的一次课程作业 这次作为一个 存货 给放出来 仅仅只是针对代码和一些要点进行简单叙述 如果想听完整的版本 请搜索毛星云大神的博客或者书籍 关于基本的物理渲染公式 网络上的博客和典籍已经多如牛毛了 这里只是自己在之前整理
  • 计算机图形学GAMES101(十五)光线追踪(蒙特卡洛积分与路径追踪)

    本节涉及内容 蒙特卡罗积分 路径追踪 蒙特卡罗积分 蒙特卡罗积分的核心思想还是求一个不规则图形的面积 它的做法是 首先在a和b之间找一个值xi然后求f x 接着以f x 为高 ab为宽求矩形的面积 最后将所有的值求平均 当采样数量xi趋于无
  • 3ds max文件打包?max插件CG Magic一键打包整起!

    3ds max文件如何打包 这个问题 小编听到不少网友的提问 今天CG Magic小编来和大家聊聊 文件更高效的操作 如何打包处理呢 3DMAX这款软件的受众群体是比较高的 在工作方便的同时 共享打包也是比较方便的 3DMAX创建的文件打包
  • OpenGL 超级宝典笔记 —— 纹理高级(三)

    纹理组合器 OpenGL 的纹理组合器可以控制多重纹理的片段是如何组合的 一般情况下 我们可以简单的为每个纹理单元设置一个纹理环境模式 GL REPLACE GL DECAL GL ADD 和 GL MODULATE 把每个纹理应用的结果添
  • 牛顿迭代法原理讲解

    牛顿迭代法原理讲解 牛顿迭代法是用于求解等式方程的一种方法 类似于求解F x 0的根 牛顿迭代法求解的是近似根 这个想法准确来说来源于泰勒展开式 我们知道 有些时候 我们需要求解的表达式可能非常复杂 通过一般的方法 我们很难求出它的解 所以
  • Qt中使用OpenGL渲染视频

    Qt5 4之后 OpenGL在Qt中可以通过QOpenGLWidget和QOpenGLFunctions来实现 以下Demo 只展示OpenGL相关部分 解码出AVFrame后对其进行渲染 顶点Shader static const cha
  • 三角函数与反三角函数的关系及图像

    文章目录 TOC 1 正弦函数 sin x 反正弦函数 arcsin x 2 余弦函数 cos x 反余弦函数 arccos x 3 反正弦函数 arcsin x 反余弦函数 arccos x 4 正切函数 tan x 余切函数 cot x
  • 矩阵 矩阵的基本运算规则 行列式 逆矩阵

    矩阵 本质 矩阵是个数表 从线性变换的视角看 矩阵是记录线性变换这一过程的描述信息 记为 A m n A m times n Am n 或 A a i j A a ij A aij 或 A a i j m n A a ij m times
  • diffusion models笔记

    ELBO of VDM Understanding 1 中讲 variational diffusion models VDM 的 evidence lower bound ELBO 推导时 53 式有一个容易引起误会的记号
  • LaTeX 数学公式大全!

    LaTeX 数学公式大全 这里是来自一篇教程的截图 很全面
  • (邱维声)高等代数课程笔记:极大线性无关组,向量组的秩

    极大线性无关组 向量组的秩 quad 一般地 设 V V V 是数域 K K K 上的一个线性空间
  • 最小二乘法–高斯牛顿迭代法

    最小二乘法 高斯牛顿迭代法 本文将详解最小二乘法的非线性拟合 高斯牛顿迭代法 1 原理 高斯 牛顿迭代法的基本思想是使用泰勒级数展开式去近似地代替非线性回归模型 然后通过多次迭代 多次修正回归系数 使回归系数不断逼近非线性回归模型的最佳回归
  • 完美数

    按照毕达哥拉斯的说法 数的完满取决于它的真因数 即除了自身以外的约数 例如 12的因数是 1 2 3 4 和 6 当一个数的各因数之和大于该数本身时 该数称为 盈 数 于是 12 是一个盈数 因为它的因数加起来等于 16 另一方面 当一个数
  • Vulkan 绘制显示设计

    背景 众所周知 Vulkan是个跨平台的图形渲染API 为了友好地支持跨平台 Vulkan自然也抽象出了很多接口层去对接各个操作系统 抹平系统间的差异 Swap Chains即为WSI 其本质上是一种图像队列 此队列会按顺序依次将队列中的若
  • 我的百度经验目录

    百度经验目录 进一步了解基于Mathematica的图像特征检测方法 http jingyan baidu com article a501d80c44a372ec630f5eb4 html 怎么把python代码打包成exe文件 http
  • Gauss_Seidel method with python

    Gauss Seidel method with python from wikipedia https en wikipedia org wiki Gauss E2 80 93Seidel method import numpy as n
  • OSG中几何体的绘制(二)

    5 几何体操作 在本章的前言中就讲到 场景都是由基本的绘图基元构成的 基本的绘图基元构成简单的几何体 简单的几何体构成复杂的几何体 复杂的几何体最终构造成复杂的场景 当多个几何体组合时 可能存在多种降低场景渲染效率的原因 在很多3D引擎中
  • OSG中几何体的绘制(一)

    本章主要介绍一些几何体的绘制方法 绘制几何体在场景中是非常常见的 也是最基本的 在很多应用程序中可以看到相当复杂的场景 但不管场景有多复杂 它们都是由少数几个基本的图形元素构建而成的 只要想想达芬奇那些伟大的作品也是由铅笔和画刷所完成的 读

随机推荐

  • [C++]何为溢出?如何避免?

    总时忘记 以Leetcode69为例 来记录一下吧 给你一个非负整数 x 计算并返回 x 的 算术平方根 由于返回类型是整数 结果只保留 整数部分 小数部分将被 舍去 注意 不允许使用任何内置指数函数和算符 例如 pow x 0 5 或者
  • 惊!一百多万人下载这些vscode摸鱼插件

    分享资料 一起学习 我是小白 微信 tlxx233 备注 888建了个微信程序员学习群 互相解答问题 有需要的同学可以加我微信进群 作为一个程序员 我们的日常工作离不开代码编辑器 有时候编写代码会让人感到无聊和单调 但是好的插件可以让编码变
  • 这个牛逼的Python模块,能让你轻松模拟并记录键盘操作(附零基础学习资料)

    前言 模拟键盘操作执行自动化任务 我们常用的有 pyautowin 等自动化操作模块 但是这些模块有一个很大的缺点 编译的时候非常依赖 windows 的C语言底层模块 文末送福利 今天介绍的这个模块叫做 keyboard 它有一个最大的优
  • SaltStack部署

    目录 一 SaltStack简介 1 基本简介 2 通信方式 3 功能简介 二 资源获取 1 官网地址 2 阿里云地址 三 部署 1 配置环境说明 2 资源配置 一 SaltStack简介 1 基本简介 SaltStack是一种新型的基础设
  • IDEA 如何根据代码自动生成类图

    文件夹右键 gt Diagrams gt show Diagram gt Java classes diagram 选择类图的成员 成员变量 构造器 方法 配置文件 内部类 生成的类图
  • 读书感悟之,从术到道

    最近在看了一些书 因为书的内容和方向有着比较大的出入 自然就有了一些不同层面的感悟 在笔者看来 书籍大抵成三类 层面 1 术的层面 1 科普和不系统的知识类 如 电气知识1000问 各种论坛 帖子 公众号的非连载的知识类 人文社科的更多 这
  • visio绘制自制图案并填充

    1 首先打开 文件 gt gt 选项 gt gt 高级 勾选以开发人员模式运行 2 选择开发工具 选择线条 3 绘画出椭圆与线条 4 选择操作 使用修剪功能或得相交得两个部分 5 按照上述步骤绘制出想要得图案 全选后选择操作中的连接 6 对
  • 尝试在条件“($(MsBuildMajorVersion) < 16)”中对计算结果为“”而不是数字的“$(MsBuildMajorVersion)”进行数值比较

    https learn microsoft com en us nuget consume packages migrate packages config to package reference 我的处理方法简单粗爆 直接将packag
  • mysql映射表的作用_php – MySQL:了解映射表

    当使用多对多关系时 处理此事的唯一现实的方法是使用映射表 说我们有一所有老师和学生的学校 一个学生可以有多个教师 反之亦然 所以我们做3个表 student id unsigned integer auto increment primar
  • 【RabbitMq】05 RabbitMq 消息确认机制-可靠抵达

    一 保证消息不丢失 1 使用事务消息 性能下降250倍 2 消息确认机制 1 publisher confirmCallback 确认模式 2 publisher returnCallback 未投递到queue退回模式 3 consume
  • BLE连接建立过程详解

    同一款手机 为什么跟某些设备可以连接成功 而跟另外一些设备又连接不成功 同一个设备 为什么跟某些手机可以建立连接 而跟另外一些手机又无法建立连接 同一个手机 同一个设备 为什么他们两者有时候连起来很快 有时候连起来又很慢 Master是什么
  • 【解决问题】mysql 数据库字符串分割之后多行输出方法

    背景 项目需要从一张表查询出来数据插入到另一张表 其中有一个字段是用逗号分隔的字符串 需要多行输入到另一张表 那么这个如何实现呢 方案 下面先粘贴下sql语句 select SUBSTRING INDEX SUBSTRING INDEX v
  • Windows Server 2008 R2 实现多用户同时登陆

    Server 版系统一直都支持多用户同时登陆 这是一个很好用的功能 我们来看看怎么实现的 Start gt Administrator tools gt Remote Desktop Services gt Remote Desktop S
  • Android事件分发详解

    一 事件分发基础知识讲解 1 事件分发的 事件 是指什么 即 用户触摸屏幕时产生的点击事件 Touch事件 这个点击事件 Touch事件 会被封装成MotionEvent对象 从手指接触屏幕至手指离开屏幕这个过程产生的一系列事件 一般情况下
  • 包邮送50本清华出版社高质量Python、爬虫、机器学习书籍!

    来给大家送一波福利 这次联系了 9个好友一起给各位送书 每个号送 5 本 一共 50本 还包邮哦 具体书籍种类 介绍信息文中有详细介绍 这10个公众号 也是在Python AI 算法 数据科学领域非常优秀的公众号 也能帮助大家学到更多有用知
  • 使用 OpenVINO™及实际应用场景数据集加强已训练好的AI模型 - TensorFlow

    作者 Stewart Christie Ragesh Hajela及李翊玮 机器学习要求我们拥有现有数据 并非应用在运行时将使用的数据 而是要从中学习的数据库 实际上 你需要大量的真实数据 越多越好 您提供的示例越多 计算机应能够学习得越好
  • Linux--Qt Creator 创建桌面快捷方式(Ubuntu 亲测可用)

    在 usr share applications 目录下创建qtcreator desktop vim usr share applications qtcreator desktop 将如下内容复制到qtcreator desktop D
  • linux里安装Nginx

    一 下载 参考 https blog csdn net adaizzz article details 126669430 官网 http nginx org 里面展示了所有版本 根据需要下载你所需的版本即可 将下载好的安装包上传至Linu
  • Tomcat一些漏洞的汇总

    前言 Tomcat 服务器是一个免费的开放源代码的Web 应用服务器 属于轻量级应用 服务器 在中小型系统和并发访问用户不是很多的场合下被普遍使用 是开发和调试JSP 程序的首选 目录 一 Tomcat 任意文件写入 CVE 2017 12
  • 球谐函数原理

    参考 球谐函数极其应用 球谐函数是什么 球谐函数是傅里叶级数的高维类比 由一组表示球体表面的基函数构成 同时 球谐函数是Laplace算子角动量在三个维度上的特征函数 文章目录 球谐函数是什么 球坐标下的Laplace方程 Laplace方