英文字典中文字典


英文字典中文字典51ZiDian.com



中文字典辞典   英文字典 a   b   c   d   e   f   g   h   i   j   k   l   m   n   o   p   q   r   s   t   u   v   w   x   y   z       







请输入英文单字，中文词皆可：


请选择你想看的字典辞典：
单词字典翻译
pertundere查看　pertundere　在百度字典中的解释百度英翻中〔查看〕
pertundere查看　pertundere　在Google字典中的解释Google英翻中〔查看〕
pertundere查看　pertundere　在Yahoo字典中的解释Yahoo英翻中〔查看〕

安装中文字典英文字典查询工具!


中文字典英文字典工具:
选择颜色:
输入中英文单字

































































英文字典中文字典相关资料:


  • 微分几何上的指数映射为什么叫指数映射？ - 知乎
    指数映射和指数有什么关系？ 截图自3b1b ================================== 我来说一个很浅显的类比。 首先我们知道指数函数e^t的本质描述是一个微分方程：d y dt=y 这个方程的物理意义可以解读为你的速度大小永远等于你的位置大小。如果你能接受这种方式作为指数函数的本质刻画的话，那么也就可以
  • 知乎 - 有问题，就会有答案
    书中定义指数映射是，切空间VpM到流形M的映射，exp(p):VpM→M。但，流形本身可以是任意形状，为什么VpM→…
  • 李群、李代数的指数映射和对数映射有什么用处？ - 知乎
    李群、李代数的指数映射和对数映射有什么用处？ 李群李代数的指数映射和对数映射（也是就图片所示的公式）有什么用处？ 在《视觉slam十四讲》中只有推导公式，但是并没看到哪里用到（当然，可能是没看懂，所… 显示全部 关注者 17 被浏览
  • 矩阵的指数函数到底说的是个啥？ - 知乎
    e^x = \sum_ {n=0}^ {+\infty} \frac {x^n} {n!} 。 类似的，对 n 阶方阵 A = (a_ {ij})_ {n\times n} ，可以用上述级数来定义矩阵的指数函数 e^A 。 定义如下 e^A = \sum_ {n = 0}^ {+\infty}\frac {A^n} {n!} ，则 e^A 是个 n 阶矩阵。 Propositon： e^A 是良好定义的。
  • 李群的伴随表示如何理解？ - 知乎
    特别的，如果作用到的流形M还是一个线性空间V, 我们可以看出 σ 这个映射的特征是从李群G到一个线性变换的映射，线性变换就是矩阵，也就是说我们用矩阵表示了李群的性质， σ 就叫做G的表示， V叫做表示空间。 2 李群的伴随表示：
  • 微分几何中为什么定义指数映射？ - 知乎
    书中定义指数映射是，切空间VpM到流形M的映射，exp (p):VpM→M。 但，流形本身可以是任意形状，为什么VpM→M正好是指数的关系？不可以是其他… 显示全部 关注者 70 被浏览 24,103
  • 有人能解释一下伽罗瓦域和GF (2^8)吗？ - 知乎
    有人能解释一下伽罗瓦域和GF (2^8)吗？ 在看二维码的编码过程中看到了这么一个东西，完全不能理解。 通过GF (2^8)好像把一个指数映射到一个 [0,255]的整数域中了，这里不明白它的转换过程
  • 复变函数如何进行映射？ - 知乎
    复变平面有三大变换： 莫比乌斯变换 多项式变换 指数变换 其中莫比乌斯变换为 ω (z) = a z + b c z + d \omega (z)=\frac {az+b} {cz+d} 特别地，当 a = d = 0, b = c = 1 a=d=0,b=c=1 时，我们称之为关于单位圆的 共轭反演。 反演有很明晰的几何意义，我们展开谈谈。见下图
  • Sophus::SO3d::exp () 方法中的参数为什么是一个向量？ - 知乎
    因此，在Sophus库中，李代数的指数映射体现在 SO3 类的 expAndTheta () 函数和 scaledExpAndTheta () 函数中，其中 scaledExpAndTheta () 函数使用了指数映射的公式， expAndTheta () 函数使用了指数映射的方法将一个旋转向量转换为单位四元数，得到一个旋转矩阵。
  • 高斯核函数是什么? - 知乎
    高斯核函数之所以重要，是因为它能够隐式地将低维数据映射到一个理论上无限维的空间，在这个高维空间中，原本非线性不可分的数据可能变得线性可分。这种映射过程不需要显式地计算高维表示，从而避免了高维计算的复杂性和维度爆炸问题，这是支持向量机（SVM）等算法中非常关键的特性。





中文字典-英文字典  2005-2009