惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

Google DeepMind News
Google DeepMind News
C
CERT Recently Published Vulnerability Notes
C
Cisco Blogs
Cloudbric
Cloudbric
The Last Watchdog
The Last Watchdog
L
LINUX DO - 热门话题
cs.AI updates on arXiv.org
cs.AI updates on arXiv.org
Application and Cybersecurity Blog
Application and Cybersecurity Blog
cs.CV updates on arXiv.org
cs.CV updates on arXiv.org
K
KPMG report finds enterprise disconnect between AI and its ROI | CIO
Security Archives - TechRepublic
Security Archives - TechRepublic
TaoSecurity Blog
TaoSecurity Blog
V2EX - 技术
V2EX - 技术
H
Heimdal Security Blog
S
Security Affairs
L
Lohrmann on Cybersecurity
Hacker News - Newest:
Hacker News - Newest: "LLM"
Simon Willison's Weblog
Simon Willison's Weblog
WordPress大学
WordPress大学
小众软件
小众软件
Security Latest
Security Latest
AWS News Blog
AWS News Blog
Apple Machine Learning Research
Apple Machine Learning Research
GbyAI
GbyAI
Engineering at Meta
Engineering at Meta
阮一峰的网络日志
阮一峰的网络日志
罗磊的独立博客
F
Full Disclosure
S
Schneier on Security
L
LangChain Blog
MyScale Blog
MyScale Blog
Know Your Adversary
Know Your Adversary
P
Privacy International News Feed
Google Online Security Blog
Google Online Security Blog
Scott Helme
Scott Helme
Stack Overflow Blog
Stack Overflow Blog
爱范儿
爱范儿
A
Arctic Wolf
Martin Fowler
Martin Fowler
B
Blog RSS Feed
大猫的无限游戏
大猫的无限游戏
博客园 - 三生石上(FineUI控件)
The Register - Security
The Register - Security
CTFtime.org: upcoming CTF events
CTFtime.org: upcoming CTF events
博客园_首页
Latest news
Latest news
F
Fortinet All Blogs
G
GRAHAM CLULEY
T
The Exploit Database - CXSecurity.com
Hacker News: Ask HN
Hacker News: Ask HN

Posts on Changkun's Blog

Why High-Output Systems Are Often the First to Stop Growing Dark Forest Theory: A Formal Derivation Agents (or Humans) in Goal-Directed and Goalless Environments: On Pipelines, Priors, and the Rhythm Between Exploration and Exploitation At the Boundary of Self-Reference: From Stable Structures in Artificial Intelligence to the Self as a Recursive Model in an Open Dissipative System 2023 Reading List 2022 Reading List 2021 Reading List Are PSS/USS and RSS Actually the Same Thing? Performance Differences from Page Faults vs. Prefetching 2020 Year-End Review Migration with Zero Downtime 2020 Reading List The All in Go Stack Pointers Might Not Be Ideal for Parameters Eliminating A Source of Measurement Errors in Benchmarks Setup Wordpress in 10 Minutes 我为什么不再写博客了? 2019 年终总结 2018-2019 读书清单 Ten years of blogging Rethinking the Reflections on Communications and Trusts 2018 年终总结 Go source code study is open source Go source study: unsafe Pattern Go source study: sync.Pool Go runtime programming A Million WebSocket and Go Designing Asynchronous RESTful APIs 分布式杂谈01:CAP 理论的误解 Issues of Human-Bot Interaction 压缩法与深度网络的泛化性 Go in 1 Hour UMSLT04: The Past and Present of SGD UMSLT03: A Gentle Start of Learning Theory UMSLT02: A Breif History of Neural Networks UMSLT01: A Breif History of Regularization 不笑不足以为道 论文笔记:Generalization in Deep Learning 2017 年终总结 2017 读书清单 深度学习的泛化理论简介 删除 GitHub 上已经提交的敏感信息 硕士生涯的第一年就这样告一段落了 人肉计算(10): 系统参与激励 人肉计算(9): 陷阱的解法 别聊,一聊你就暴露 人肉计算(8): 人肉计算与数据科学中的陷阱 人肉计算(7): 社会行为分析 Hexo + GitHub + Travis CI + VPS 自动部署 人肉计算(6): 预测市场 人肉计算(5): 信用风险评级模型 读书与回报 瞎扯: 对现代企业理论与当下IT企业的商业模式和信息产业链的规律性的思考 人肉计算(4): 输入数据聚合与PageRank 又一次打整了一下博客 人肉计算(3): 输入数据聚合与链路预测 人肉计算(2): 意图博弈 GWAPs 人肉计算(1): 众包与群众智慧 对后辈同学在计算机专业上的答疑与解惑 在德国的医疗及住院体验 这可能不是一个技术博客了 实验楼楼赛第3期-Python-题解 迅速更换了 DISQUS Electron 深度实践总结 良好的编码体验的三个方面 2016 年终总结 2016 读书清单 最近在着手写的文章 微信小程序文档极致总结 谈谈过去三个月在实验楼的实习经历 Built a Desktop Client for My Blog Guacamole 源码分析与 VNC 中 RFB 协议的坑 《高速上手 C++11/14》正式发布 Docker 极速入门教程02 - 镜像与容器管理 Docker 极速入门教程01 - 基本概念和操作 阶段性沉默 ELK+Redis 最佳实践 终于全面启用了 HTTPS 苹果开源了LZFSE无损压缩 Hash 碰撞的一种思路 记一次完整的 Kaldi-TIMIT 示例运行 Kaldi 上的 TIMIT 例子 Kaldi 安装与部署 从科研写作谈起 Swift API 设计指南 有趣的人类 所以其实论文并没有什么鬼用 Githug 通关记录及指南 小结一下这学期的收获 2015 读书清单 2015 年终总结 负能量爆表 转眼就快两个月了 博客迁移记录 大三总结 这个世界,终究不会是我们的。 Linux 内核分析 之六:Linux 内核创建进程的过程 小说「泽缘」 Linux 内核分析 之五:system_call中断处理过程的简要分析 大创项目的标题真是每年都在考验同学们的想象力啊
从圆锥体积谈起
Changkun Ou · 2013-10-03 · via Posts on Changkun's Blog

从圆锥体积谈起

Published at发布于:   |   PV/UV: /   |   Reading阅读: 2 min

本文希望通过下面这个简单易懂的例子来阐述数学家们为何要将流形理论定义的晦涩以及流形背后的深刻含义,文中一些关键性的概念附上了wikipedia链接,方便快速回忆起它们。

学过定积分的同志们都知道,定积分可以求旋转体的体积,比如圆锥。 学过多元积分的同志们也都知道,求圆锥体积的时候可以用截面圆面积沿圆锥高度变化函数的积分。 到底什么是体积,为什么这两种求法的结果总是相同的?这里博主就介绍一下一般形式对体积计算。

首先,我们需要理解流形的概念。流形是可以类比到$n$维欧式空间的拓扑结构,流形上的每一个点都可以映射到欧式空间中。 我们通常意义上的建立空间直角坐标系,就是将一个几何体一一映射(双射)到了一个三维的欧式空间。把问题转化到欧式空间中是因为欧式空间有很多优良的性质,具体就不阐述了,可以在这个链接中查到相关知识,如果觉得不过瘾可以切换到英文版查看更为详尽的描述。

早期数学家们关心将点集映射到欧式空间中表现出的各种性质,后来数学家们才注意到,研究他们之间的映射会从深层面来揭示这些优良性质产生的原因。

我们知道,直角坐标到柱坐标之间的转化有公式(本质是映射$\phi$):

$$ \begin{equation} \rho = \sqrt{x^{2}+y^{2}} \end{equation} $$

$$ \begin{equation} \theta = \begin{cases} 0 & \mbox{if x = 0 and y = 0}\ \arcsin\left( \frac{y}{\rho} \right) & \mbox{if x > 0 or x = 0}\ -\arcsin\left( \frac{y}{\rho} \right) + \pi & \mbox{if x < 0} \end{cases} \end{equation} $$

$$ \begin{equation} h=z \end{equation} $$

这个映射在三维欧式空间中几乎处处无穷可微,它的逆映射$\phi ^{-1}$可以更加方便的计算各阶微分:

$$ \begin{equation} x = \rho \cos\theta,y = \rho \sin\theta,z = h \end{equation} $$

$$ \begin{equation} \frac{\partial x}{\partial \rho} = \cos\theta, \frac{\partial x}{\partial \theta} = -\rho\sin\theta \end{equation} $$

$$ \begin{equation} \frac{\partial y}{\partial \rho} = \sin\theta, \frac{\partial y}{\partial \theta} = \rho\cos\theta \end{equation} $$

$$ \begin{equation} \frac{\partial z}{\partial \rho} = \frac{\partial z}{\partial \theta} = \frac{\partial x}{\partial h} = \frac{\partial y}{\partial h} = 0, \frac{\partial z}{\partial h} = 1 \end{equation} $$

显然,他们是无穷阶可微分的。 像这种 带有一个可微分映射的流形,我们称其为微分流形。之前提到的圆锥符合这样的条件。(拓扑流形 » 微分流形) 特别地,如果这个映射无穷次可微,则这个微分流形称为光滑流形。 由此我们称圆锥体是一个三维的光滑流形。

我们知道,三维欧式空间中有独特的外积揭示了向量长度、面积与体积间的关系。而在$n$维欧式空间中,推广了这一定义,因此,如果我们将体积定义为外积形式,计算封闭流形的体积则变得易如反掌。

现对圆锥每一个点对应两个向量,即设置两个向量场。根据内积的定义,可以得到每个点对应的两个向量的内积值。这样便获得了一个从流形上的任意点,到实数值的映射关系$R^{3}\to R$。 如果映射关系为一个光滑函数,也就是按各个坐标方向无穷次可微,这个流形称为Riemann流形。由于Riemann流形有一个从点到实数的光滑映射,正好满足光滑流形的定义,因此Riemann流形必为光滑流形。 下面说明圆锥体是一个Riemann流形。 我们设两个向量场,一个向量场平行于y轴,一个向量场平行于z轴,则每一点的内积均为0,为光滑映射。类似的,如果两个向量场是连续可微分的,每点的内积函数也是连续可微的,此即Riemann流形的性质。 而所谓向量场是连续可微的,表示向量场的各个分量的值在流形上连续可微。 于是: 拓扑流形 » 微分流形 » 光滑流形 » Riemann流形

Riemann流形上的体积单位被定义为:

$$ \begin{equation} w = \sqrt{|det(g)|}dx^1 \land dx^2 \land … \land dx^n \end{equation} $$

其中$g$为度量张量,度量张量定义了流形上沿各个坐标方向张量的向量之间的内积:

$$ \begin{equation} \left( \sum_{i=1}^{n}a_{i}\frac{\partial}{\partial x^{i}}, \sum_{j=1}^{n}b_{j}\frac{\partial}{\partial x^{j}} \mapsto \sum_{i=1}^{n}a_{i}b_{i}\right) \end{equation} $$

在这个式子中,含偏导的部分表示沿坐标方向的单位向量,映射结果为内积结果。 我们知道,同方向的两个单位向量的内积为1,同方向的两个向量内积为他们模的乘积。而正交的两个向量的内积永远为0,这也就是张量矩阵(3x3单位矩阵)中的六个0的来历。 因此,度量张量给出了各个方向内积向量之间内积计算的一般法则,我们使用模无穷小的微分向量$dx,dy$,内积计算表达式依然成立。

$$ \begin{equation} dx\cdot dy = g_{xy}\times|dx||dy| \end{equation} $$

于是,可以利用Riemann流形的可微性来计算其他形式的度量张量。 首先,我们来柱坐标系的度量张量。注意到直角坐标系和柱坐标系两个系统均为Riemann流形,因此可以利用他们之间的可微映射,我们把他们之间的映射写成微分向量的形式,并表述为矩阵形式:

$$ \begin{equation} \left( \begin{array}{c} dx \ dy \ dz \ \end{array} \right) = \left( \begin{array}{ccc} \cos\theta & -\sin\theta & 0 \ \sin\theta & \rho\cos\theta &0 \ 0 & 0 & 1 \ \end{array} \right) \left( \begin{array}{c} d\rho \ d\theta \ dh \ \end{array} \right) \end{equation} $$

我们知道:

$$ \begin{equation} J = \left( \begin{array}{ccc} \cos\theta & -\sin\theta & 0 \ \sin\theta & \rho\cos\theta &0 \ 0 & 0 & 1 \ \end{array} \right) \end{equation} $$

即为三维直角坐标系到柱坐标系的Jacob矩阵。Jacob矩阵定义了两组基底微分向量之间的线性变换,且满秩,即可逆。也就是说,从三维直角坐标系到柱坐标系是一个双射。 值得一提的是,

$$ \begin{equation} \left( \begin{array}{c} dx \ dy \ dz \ \end{array} \right) \end{equation} $$

$$ \begin{equation} \left( \begin{array}{c} d\rho \ d\theta \ dh \ \end{array} \right) \end{equation} $$

是同一个向量在不同坐标系中的不同表述,因此,自身的内积必定相等:

$$ \begin{equation} (dx,dy,dz)g_{xyz}\left( \begin{array}{c} dx \ dy \ dz \ \end{array} \right) = (d\rho,d\theta,dh) g_{\rho\theta h} \left( \begin{array}{c} d\rho \ d\theta \ dh \ \end{array} \right) \end{equation} $$

于是:

$$ \begin{equation} g_{\rho\theta h} = J^{T}g_{\rho\theta h}J = J^{T}J \end{equation} $$

这样便得到了柱坐标系的度量张量。 度量张量的表达式形式随坐标的选取而变化。但是,对于同一个Riemann流形,他们定义的内积法则是一致的。Riemann流形上同一点处的两向量的内积是一个不变量,其值不随坐标的选取而变化。因此,在圆锥内部度量张量均为定值。 我们回到Riemann流形上体积形式的定义,于是需要计算度量张量的行列式的值(显然,度量张量的行列式为Jacob行列式值的平方):

$$ \begin{equation} w = \sqrt{det(J^{T}J) d\rho \land d\theta \land dh} = det(J) d\rho \land d\theta \land dh \end{equation} $$

而$det(J)=\rho$再简单不过了。 最后,我们得到Riemann流形上柱坐标系的体积形式:$w=\rho d\rho \land d\theta \land dh$,它定义了流形上一个无穷小立方体的体积。 这个无穷小的立方体由外积来表示。无穷多个小立方体最终组成了整个封闭流形。 自然的,对所有的小立方体求和(积分),便定义了整个封闭流形的体积:

$$ \begin{equation} V = \int_{M}w = \int_{M}\rho d\rho \land d\theta \land dh \end{equation} $$