不定积分第一类换元法（凑微分法）

2023-11-10 07:45

文章标签 微分元法第一类不定积分

本文主要是介绍不定积分第一类换元法（凑微分法），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

$\int q(x)dx$ 将其中的 $q(x)$ 分解为 $\int f[g(x)]\cdot g(x)^{'}dx$

相当于

$q(x) = f[g(x)]\cdot g(x)^{'}$

令 $g(x) = u$ 那么. $du = d[g(x)] = g(x)^{'}dx$ 就可以得到

$\int f(u)du = F(u) +C = F[g(x)] + C$

例题1

$\int x\sqrt{x^2 - 1} dx$

令

$t = x^2 - 1$

那么

$dt = d[x^2 - 1]= (x^2 - 1)^{'} dx$

因为

$x \sqrt{x^2 - 1} = f[x^2 - 1] (x^2-1)^{'}$

$(x^2-1)^{'} = 2x$

所以

$f[x^2-1] = \frac{1}{2} \sqrt{x^2-1}$

$\int f(t) dt = \int \frac{1}{2} \sqrt{x^2 - 1} d(x^2 - 1)$

利用基本积分公式

$\int x^adx = \frac{1}{a+1}x^{a+1} + C$

结果

$\int \frac{1}{2}t^{\frac{1}{2}}dt = \frac{1}{3}t^{\frac{3}{2}}+C$

$\int \frac{1}{3}(x^2 - 1)^{\frac{3}{2}} + C$

例题2

$\int \frac{t^2 + 1}{t^4 + 1} dx$

上下同除 $t^2$

$\int \frac{1 + t^{-2}}{t^2 + t^{-2}}dx$

接下来需要一些技巧

$\therefore t^2+\frac{1}{t^2} = (t - \frac{1}{t})^2 + 2 \\ \because \int \frac{1 + \frac{1}{t^2}}{(t-\frac{1}{t})^{2}+2}dx$

$u = t-\frac{1}{t}$

$du = d[t - \frac{1}{t}] = (t - \frac{1}{t})^{'}dt$

$\therefore \int \frac{1}{(t-\frac{1}{t})^{2} + 2} d(t - \frac{1}{t})$

这个形式需要联想到一个基本积分公式

$\int \frac{1}{1 + x^{2}}dx = \arctan{x} + C$

不巧是这里是2不是1需要利用技巧把2变成1

$\int \frac{1}{2} \cdot \frac{1}{(\frac{t - \frac{1}{t}}{\sqrt{2}})^2 + 1} \cdot \sqrt{2} d(\frac{t - \frac{1}{t}}{\sqrt{2}})$

$\therefore \frac{\sqrt{2}}{2} \arctan(\frac{t - \frac{1}{t}}{\sqrt{2}}) + C$

这篇关于不定积分第一类换元法（凑微分法）的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

http://www.chinasem.cn/article/381308。 23002807@qq.com

相关文章

微积分直觉：隐含微分

微积分直觉：隐含微分

目录一、介绍二、梯子问题三、结论四、一个额外的例子一、介绍让我们想象一个半径为 5 的圆，以 xy 平面为中心。现在假设我们想在点（3,4）处找到一条切线到圆的斜率。好吧，为了做到这一点，我们必须非常接近圆和切线之间的空间，并沿着该曲线迈出一小步。该步骤的 y 分量为 dy，x 分量为

阅读更多...

微分先行PID控制算法

微分先行PID控制算法

微分先行PID控制算法微分先行PID控制算法: 注：本文内容摘自《先进PID控制MATLAB仿真（第4版）》刘金琨编著，研读此书受益匪浅，感谢作者！微分先行PID控制算法: 微分先行PID控制结构，其特点是只对输出量 y ( k ) y(k) y(k)进行微分，而对给定值 y d ( k k ) y_d(kk) yd(kk)不做微分。这样，在改变给定值时，输出不会改变

阅读更多...

不完全微分PID控制算法

不完全微分PID控制算法

不完全微分PID控制算法注：本文内容摘自《先进PID控制MATLAB仿真（第4版）》刘金琨编著，研读此书受益匪浅，感谢作者！在PID控制中，微分信号的引入可改善系统的动态特性，但也容易引起高频干扰，在误差扰动突变时尤其显出微分项的不足。若在控制算法中加入低通滤波器，则可以使系统性能得到改善。克服上述缺点的方法之一是在PID算法中加入一个一阶惯性环节（低通滤波器） G f

阅读更多...

2.3导数与微分的基础与应用

2.3导数与微分的基础与应用

1. 导数的基本概念大家好，欢迎来到我们的数学大讲堂！今天我们要聊聊一个有点酷又有点恐怖的东西——导数。别担心，不是让你在黑板上画曲线的那种，而是关于“变化率”的一种数学表达。那么，什么是导数呢？想象一下，你在开车，导数就是告诉你每一秒你的车速变化有多快。比如说，你踩了油门，车速从30公里/小时变到40公里/小时，那导数就是“哟，这小子踩油门了，车速快了！”简单来说，导数就是描述某样东西变

阅读更多...

Python(C++)自动微分导图

Python(C++)自动微分导图

🎯要点反向传播矢量化计算方式前向传递和后向传递计算方式图节点拓扑排序一阶二阶前向和伴随模式计算二元分类中生成系数高斯噪声和特征二元二次方程有向无环计算图超平面搜索前向梯度下降算法快速傅里叶变换材料应力和切线算子GPU CUDA 神经网络算术微分 Python自动微分前向反向自动微分不同于符号微分和数值微分。符号微分面临着将计算机程序转换为单一数学表达式的困难，并且可能导致代码效率低下

阅读更多...

数学基础 -- 积分计算之换元法

数学基础 -- 积分计算之换元法

换元积分法换元积分法是一种通过变量替换将复杂的积分问题转化为相对简单的积分问题的技巧。该方法的核心思想是通过选取合适的替换变量，将原积分的被积函数形式简化，进而方便计算。换元法的步骤选取替换变量：分析被积函数的形式，选择一个合适的替换变量 u = g ( x ) u = g(x) u=g(x)，使得原积分可以在新的变量下表达为一个较为简单的积分。求导并替换微分：计算所选变量的导

阅读更多...

从零开始学习深度学习库-6：集成新的自动微分模块和MNIST数字分类器

从零开始学习深度学习库-6：集成新的自动微分模块和MNIST数字分类器

在上一篇文章中，我们完成了自动微分模块的代码。深度学习库依赖于自动微分模块来处理模型训练期间的反向传播过程。然而，我们的库目前还是“手工”计算权重导数。现在我们拥有了自己的自动微分模块，接下来让我们的库使用它来执行反向传播吧！此外，我们还将构建一个数字分类器来测试一切是否正常工作。使用自动微分模块并非必要，不使用这个模块也没事，用原本的方法也能很好地工作。然而，当我们开始在库中实现更复

阅读更多...

Python(PyTorch)物理变化可微分神经算法

Python(PyTorch)物理变化可微分神经算法

🎯要点 🎯使用受控物理变换序列实现可训练分层物理计算 | 🎯多模机械振荡、非线性电子振荡器和光学二次谐波生成神经算法验证 | 🎯训练输入数据，物理系统变换产生输出和可微分数字模型估计损失的梯度 | 🎯多模振荡对输入数据进行可控卷积 | 🎯物理神经算法数学表示、可微分数学模型 | 🎯MNIST和元音数据集评估算法 🍪语言内容分比 🍇PyTorch可微分优化假设张量

阅读更多...

直线一级倒立摆微分建模

直线一级倒立摆微分建模

建模内容如下： https://mp.weixin.qq.com/s?__biz=Mzg5OTIyNDEzMg==&mid=2247483673&idx=1&sn=c4e8024ebffd87611b757f7fd570f3c4&chksm=c057c632f7204f2442d0aab652847e342447fa604f04d74faafb798f022fb30e

阅读更多...

Python烟雾液体弹性力微分模拟 | 出租车往返速度微分计算

Python烟雾液体弹性力微分模拟 | 出租车往返速度微分计算

🎯要点 🎯弹性连续力学 | 🎯弱可压缩液体 | 🎯不可压缩流体（烟雾）| 🎯高度场浅水波动 | 🎯质量弹簧系统地面碰撞 | 🎯前向欧拉方法台球刚体运动，动量和动能守恒 | 🎯高度场重建水面模型实现图像渲染器 | 🎯图像体积渲染器 | 🎯磁场模拟 🎯算法微分：Python | C++漂移扩散方程和无风险套利公式算法微分 🍇Python微分计算出租车往返速度模型微分计

阅读更多...