数值分析:Hermite多项式
http://blog.csdn.net/pipisorry/article/details/49366047
Hermite埃尔米特多项式
在数学中,埃尔米特多项式是一种经典的正交多项式族,得名于法国数学家夏尔·埃尔米特。概率论里的埃奇沃斯级数的表达式中就要用到埃尔米特多项式。在组合数学中,埃尔米特多项式是阿佩尔方程的解。物理学中,埃尔米特多项式给出了量子谐振子的本征态。
前4个(概率论中的)埃尔米特多项式的图像
The Hermite polynomials are set of orthogonal polynomials over the domain
with weighting function, illustrated above for
,
2, 3, and 4. Hermite polynomials are implemented in the Wolfram Language asHermiteH[n,x].
The Hermite polynomial can be defined by the contour integral
![]() |
(1)
|
where the contour encloses the origin and is traversed in a counterclockwise direction (Arfken 1985, p. 416).
Hermite多项式,其正交域为(-∞, +∞),其一维形式是
其中,Hk(x)前面的乘式为正交归一化因子,为计算简便可省略。
前10个Hermite多项式
H_0(x) =
1
H_1(x) =
2x
H_2(x) =
4x^2-2
H_3(x) =
8x^3-12x
H_4(x) =
16x^4-48x^2+12
H_5(x) =
32x^5-160x^3+120x
H_6(x) =
64x^6-480x^4+720x^2-120
H_7(x) =
128x^7-1344x^5+3360x^3-1680x
H_8(x) =
256x^8-3584x^6+13440x^4-13440x^2+1680
H_9(x) =
512x^9-9216x^7+48384x^5-80640x^3+30240x
H_(10)(x) =
1024x^(10)-23040x^8+161280x^6-403200x^4+302400x^2-30240
The values may be called Hermite numbers.When ordered from smallest to largest powers, the triangle
of nonzero coefficientsis 1; 2; -2, 4; -12, 8; 12, -48, 16; 120, -160, 32; ... (OEISA059343).
Hermite多项式的性质
多项式Hn 是一个n次的多项式。概率论的埃尔米特多项式是首一多项式(最高次项系数等于1),而物理学的埃尔米特多项式的最高次项系数等于2n。
正交性
多项式Hn 的次数与序号n 相同,所以不同的埃尔米特多项式的次数不一样。对于给定的权函数w,埃尔米特多项式的序列将会是正交序列。
(概率论)
(物理学)
也就是说,当m ≠ n 时:
除此之外,还有:
(概率论)
(物理学)
其中是克罗内克函数。
从上式可以看到,概率论中的埃尔米特多项式与标准正态分布正交。
完备性
在所有满足
的函数所构成的完备空间中,埃尔米特多项式序列构成一组基。其中的内积定义如下:
埃尔米特微分方程
概率论中的埃尔米特多项式是以下微分方程的解:
方程的的边界条件为:应在无穷远处有界。
其中是这个方程的本征值,是一个常数。要满足上述边界条件,应取
∈
。对于一个特定的本征值
,对应着一个特定的本征函数解,即
。
而物理学中的埃尔米特多项式则是以下微分方程的解:
其本征值同样为∈
,对应的本征函数解为
。
以上两个微分方程都称为埃尔米特方程。
from:http://blog.csdn.net/pipisorry/article/details/49366047
ref:mathworld Hermite Polynomial
wikipedia 埃尔米特多项式
数值分析:Hermite多项式的更多相关文章
- 数值计算方法实验之Hermite 多项式插值 (Python 代码)
一.实验目的 在已知f(x),x∈[a,b]的表达式,但函数值不便计算,或不知f(x),x∈[a,b]而又需要给出其在[a,b]上的值时,按插值原则f(xi)= yi(i= 0,1…….,n)求出简单 ...
- Hermite WENO 重构格式
Hermite WENO 单元重构 本文主要介绍采用 Hermite WENO 重构方法作为斜率限制器应用于二维或高维单元中. 1.简介[1] ENO格式最早由 Harten 等[2]提出,ENO格式 ...
- Matlab插值函数
x=0:2*pi; y=sin(x); xx=0:0.5:2*pi; %interp1对sin函数进行分段线性插值,调用interp1的时候,默认的是分段线性插值 y1=interp1(x,y,xx) ...
- Line Search and Quasi-Newton Methods 线性搜索与拟牛顿法
Gradient Descent 机器学习中很多模型的参数估计都要用到优化算法,梯度下降是其中最简单也用得最多的优化算法之一.梯度下降(Gradient Descent)[3]也被称之为最快梯度(St ...
- Line Search and Quasi-Newton Methods
Gradient Descent 机器学习中很多模型的参数估计都要用到优化算法,梯度下降是其中最简单也用得最多的优化算法之一.梯度下降(Gradient Descent)[3]也被称之为最快梯度(St ...
- 基于 Mathematica 的机器人仿真环境(机械臂篇)[转]
完美的教程,没有之一,收藏学习. 目的 本文手把手教你在 Mathematica 软件中搭建机器人的仿真环境,具体包括以下内容(所使用的版本是 Mathematica 11.1,更早的版本可能缺少某些 ...
- Image Processing and Analysis_8_Edge Detection:The Design and Use of Steerable Filters——1991
此主要讨论图像处理与分析.虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来,但鉴于它们与计算机视觉的紧密联系,以 及它们的出处,没有把它们纳入到图像处理与分析中来.同样,这里面也有 ...
- Image Processing and Analysis_8_Edge Detection:Finding Edges and Lines in Images by Canny——1983
此主要讨论图像处理与分析.虽然计算机视觉部分的有些内容比如特 征提取等也可以归结到图像分析中来,但鉴于它们与计算机视觉的紧密联系,以 及它们的出处,没有把它们纳入到图像处理与分析中来.同样,这里面也有 ...
- Java实现 蓝桥杯VIP 算法训练 非递归(暴力)
试题 算法训练 非递归 问题描述 当x>1时,Hermite多项式的定义见第二版教材125页.用户输入x和n,试编写"非递归"函数,输出对应的Hermite多项式的值.其中x ...
随机推荐
- Python中strip()、lstrip()、rstrip()用法详解
Python中有三个去除头尾字符.空白符的函数,它们依次为: strip: 用来去除头尾字符.空白符(包括\n.\r.\t.' ',即:换行.回车.制表符.空格)lstrip:用来去除开头字符.空白符 ...
- Go 语言 goto 语句
Go 语言的 goto 语句可以无条件地转移到过程中指定的行. goto语句通常与条件语句配合使用.可用来实现条件转移, 构成循环,跳出循环体等功能. 但是,在结构化程序设计中一般不主张使用goto语 ...
- JVM初探- 内存分配、GC原理与垃圾收集器
JVM初探- 内存分配.GC原理与垃圾收集器 标签 : JVM JVM内存的分配与回收大致可分为如下4个步骤: 何时分配 -> 怎样分配 -> 何时回收 -> 怎样回收. 除了在概念 ...
- Android超精准计步器开发-Dylan计步
转载请注明出处:http://blog.csdn.net/linglongxin24/article/details/52868803 本文出自[DylanAndroid的博客] Android超精准 ...
- Java程序员的Golang入门指南(上)
Java程序员的Golang入门指南 1.序言 Golang作为一门出身名门望族的编程语言新星,像豆瓣的Redis平台Codis.类Evernote的云笔记leanote等. 1.1 为什么要学习 如 ...
- 【SSH系列】初识spring+入门demo
学习过了hibernate,也就是冬天,经过一个冬天的冬眠,当春风吹绿大地,万物复苏,我们迎来了spring,在前面的一系列博文中,小编介绍hibernate的相关知识,接下来的博文中,小编将继续介绍 ...
- PGM:不完备数据的参数估计
http://blog.csdn.net/pipisorry/article/details/52626889 使用不完备数据的贝叶斯学习:MLE估计(梯度上升和EM算法).贝叶斯估计. 表示:H[m ...
- iOS 动态 Framework 对App启动时间影响实测
最近看到的Slow App Startup Times里提到: The dynamic loader finds and reads the dependent dynamic libraries ( ...
- JVM远程DEBUG(JPDA )
原理 1. JPDA简介 JPDA(Java Platform Debugger Architecture)为Java平台上的调试器定义了一个标准的体系结构.该体系结构包括3个主要组成部分:JVM T ...
- Dynamics CRM2013 从subgrid中打开快速创建窗体创建数据
在页面上使用subgrid时,在subgrid中新建数据时需要跳转到另一个页面,这种操作比较麻烦且很不友好,这时我们想到了快速创建窗体,像下图这样直接在当前页上方下拉出现一个窗体,填写内容后点击保存就 ...