首页 文章列表 标签墙 返回找工具啦

雅可比行列式 共 4 篇文章

Box-Muller变换从均匀分布生成正态分布的推导过程
2026-07-26 20:38:38
BoxMuller 变换：从均匀分布生成正态分布的推导过程 准备：你手头有均匀分布随机数生成器，能产生 U0,1 的独立样本。目标是用这些均匀样本生成服从标准正态分布 N0,1 的独立随机数。 1. 理解逆变换法的局限 回忆：若已知累积分布函数 Fx 及其反函数 F^{1}，则令 U U0,1，X
Box-Muller变换 均匀分布 正态分布
37 0
二重积分极坐标变换的面积元素rdrdθ及何时用极坐标更简便
2026-07-26 18:48:01
二重积分极坐标变换的面积元素 rdrdθ 及何时用极坐标更简便 二重积分从直角坐标变换到极坐标，最关键的一步是替换面积元素。直角坐标系下的 dxdy 变成极坐标系下的 rdrdθ，这个 r 不是凭空冒出来的，它来自坐标变换的缩放因子。理解这个因子之后，你就能判断何时用极坐标能让计算“省一半力气”。
二重积分 极坐标 面积元素
68 0
二重积分极坐标变换dxdy变为rdrdθ的雅可比行列式
2026-07-25 08:35:47
手把手推导：二重积分极坐标变换中 dxdy 为何变成 rdrdθ 你遇到的核心问题是：在直角坐标下计算二重积分时，如果积分区域是圆形或扇形，计算会变得非常繁琐。通过极坐标变换可以简化，但面积微元 dxdy 会变成 rdrdθ，多出的这个“r”常常让人疑惑。本文将用纯文字逐步推导这个变换背后的“雅可比
二重积分 极坐标变换 雅可比行列式
28 0
流模型Normalizing Flow的雅可比行列式与可逆变换设计
2026-07-20 16:41:43
流模型 Normalizing Flow 的核心：可逆变换与雅可比行列式 流模型的核心思想，是把一个简单的概率分布（比如标准正态分布）通过一系列可逆变换，变成一个复杂的、我们想要的数据分布。这个过程就像“流动”一样。要实现这种变换，设计可逆变换并计算其雅可比行列式是关键。下面直接讲解如何动手设计和计
流模型 雅可比行列式 可逆变换
24 0