MATLAB—离散一元、二元、多元函数求导求梯度（二维、三维、多维空间）(diff和gradient)

陆象山

已于 2022-12-02 14:58:07 修改

阅读量7.7k

点赞数 4

分类专栏：菜鸡学MATLAB 文章标签： matlab 开发语言

于 2022-11-24 15:11:14 首次发布

本文链接： https://blog.csdn.net/filwzxy/article/details/128017025

版权

菜鸡学MATLAB 专栏收录该内容

3 篇文章 0 订阅

订阅专栏

(离散)一元函数求导—二维

已知同维度的x和y序列，则可使用diff(y)./diff(x)来估算。设x为n维向量，Dx=diff(x),计算向量x的向前差分，DX(i)=X(i+1)-X(i)，0<i<n。
已知同维度的x和y序列，则可使用gradient(y)./gradient(x)来估算。梯度gradient用的是中心点差分
从区间上看梯度用的范围比导数大一倍！所以梯度方式精度会更高一些！但是梯度法的边界可能会出现误差问题。

%一维列向量（对应一元函数求导）
y=[7.86 7.84 7.82 7.77 7.72 7.68 7.61 7.51 7.42 7.33 7.21 7.07 6.94 6.79 6.64 6.48 6.29 6.11 ...
    5.92 5.72 5.50 5.27 5.03 4.78 4.53 4.25 3.98 3.69 3.40 3.10 2.78 2.43 2.09 1.77 1.42 1.09 ...
    0.68 0.30];
x=0:0.04:1.48;

subplot(2,2,1);
plot(x,y)
title('原函数')

dy_diff=diff(y)./diff(x);
xx=0.04:0.04:1.48;   %维度变了，所以这里重新定义一下自变量
                     %figure创建一个新的窗口
subplot(2,2,2);      %hold on 维度不一致，不能绘制在同一窗口
plot(xx,dy_diff)
title('diff函数')

subplot(2,2,3)
dy_grad=gradient(y)./gradient(x);
x=0:0.04:1.48;    %使用length()函数试探向量长度是否一致
plot(x,dy_grad)
title('gradient函数')

输出结果：

（离散）二元函数求导求梯度—三维空间

Gradient(F)函数求的是数值上的梯度，对于二元函数这里的F就为函数值矩阵。（一元函数的话F就是向量）
[Fx,Fy]=gradient(F)，其中Fx为其水平方向上的梯度，Fy为其垂直方向上的梯度，Fx的第一列元素为原矩阵第二列与第一列元素之差，Fx的第二列元素为原矩阵第三列与第一列元素之差除以2，以此类推：Fx(i,j)=(F(i,j+1)-F(i,j-1))/2。最后一列则为最后两列之差。同理，可以得到Fy。
例如：

F=[6,9,3,4,0;5,4,1,2,5;6,7,7,8,0;7,8,9,10,0]

即函数值矩阵为：

>>  [Fx,Fy]=gradient(F)

输出结果：

Fx =

    3.0000   -1.5000   -2.5000   -1.5000   -4.0000
   -1.0000   -2.0000   -1.0000    2.0000    3.0000
    1.0000    0.5000    0.5000   -3.5000   -8.0000
    1.0000    1.0000    1.0000   -4.5000  -10.0000
Fy =

   -1.0000   -5.0000   -2.0000   -2.0000    5.0000
         0   -1.0000    2.0000    2.0000         0
    1.0000    2.0000    4.0000    4.0000   -2.5000
    1.0000    1.0000    2.0000    2.0000         0

结果解释：Fx表示每一个点处对x的偏导，Fy表示每一个点处对y的偏导。例如函数值是6这一点处对x的偏导数为3，对y的偏导数为-1，这一点处的梯度为(3,-1).
【注意偏导数是一个数，梯度是一个向量，既有大小又有方向。】

一开始我很疑惑，这里我不懂为啥是这个样子，为啥不是像上面说离散一元函数求导那样有:gradient(y)./gradient(x) 这个只有函数值矩阵呀？也就是只有函数值呀，为啥只对函数值进行了差分，没有gradient(F)./gradient(x)没有gradient(F)./gradient(y)？直接gradient(F)就是梯度了？
菜鸡果然是菜鸡…
然后看了一下gradient()函数的用法…哦！是这样的：

[FX,FY] = gradient(F) 返回矩阵 F 的二维数值梯度的 x 和 y 分量。每个方向上的点之间的间距假定为 1。

自变量之间的距离默认为1了，也就是gradient(自变量)=1，所以直接gradient(F)就是梯度值了。
所以如果有一天，小菜鸡获得了一个离散函数值矩阵F，但函数值对应的自变量之间的间距不是1，而是其他的比如是10，那么就要设置一下自变量的间距，具体的语法是：[FX,FY] = gradient(F,hx,hy)其中hx表示自变量1的间距，hy表示自变量2的间距。

网友案例

在CSDN上看到这样一个例子，题主发出来的例子还没有解答：

我想求以下坐标点构成的曲面的偏导数，不是先拟合出函数再求，而是对离散点用差分法求，不知道怎么操作，希望能得到解答

x=linspace(4.97,7.47,12);

y=linspace(1.34,3.84,12);

z=[0.798244 0.901491 1.017275 1.143169 1.278748 1.428146 1.598996 1.798642 2.0272 2.268551 2.513092 2.750643

0.864101 0.977688 1.104656 1.241846 1.387899 1.546248 1.723809 1.927275 2.156333 2.395788 2.633801 2.856417

0.929699 1.053369 1.190896 1.338288 1.493399 1.659119 1.841813 2.047668 2.276033 2.512622 2.742516 2.953214

0.995203 1.128478 1.275511 1.43147 1.59371 1.764847 1.950888 2.157592 2.383908 2.61635 2.838233 3.040193

1.061214 1.203453 1.358655 1.521291 1.688612 1.863258 2.051027 2.257252 2.480391 2.70764 2.922821 3.118565

1.128837 1.279329 1.441344 1.608944 1.779682 1.956419 2.144821 2.349791 2.569286 2.791146 3.000813 3.191565

1.199633 1.357596 1.525108 1.696229 1.869132 2.046962 2.235288 2.438578 2.654342 2.871077 3.075895 3.262051

1.274609 1.439139 1.610884 1.784329 1.958437 2.136621 2.324363 2.52569 2.737744 2.949703 3.149976 3.331591

1.353984 1.524095 1.698945 1.873801 2.04842 2.226431 2.413232 2.612413 2.820842 3.028366 3.224094 3.401016

1.437333 1.612043 1.789093 1.964729 2.139381 2.316857 2.502464 2.699384 2.904298 3.107622 3.298604 3.470585

1.523777 1.702221 1.880829 2.056847 2.23122 2.407915 2.592147 2.786734 2.988225 3.187417 3.373362 3.540142

1.612192 1.7937 1.973482 2.149662 2.323561 2.499308 2.682023 2.874214 3.072324 3.267271 3.447892 3.609262];

解答：

z=[0.798244        0.901491        1.017275        1.143169        1.278748        1.428146        1.598996        1.798642        2.0272            2.268551        2.513092        2.750643

0.864101        0.977688        1.104656        1.241846        1.387899        1.546248        1.723809        1.927275        2.156333        2.395788        2.633801        2.856417

0.929699        1.053369        1.190896        1.338288        1.493399        1.659119        1.841813        2.047668        2.276033        2.512622        2.742516        2.953214

0.995203        1.128478        1.275511        1.43147             1.59371        1.764847        1.950888        2.157592        2.383908        2.61635            2.838233        3.040193

1.061214        1.203453        1.358655        1.521291        1.688612        1.863258        2.051027        2.257252        2.480391        2.70764            2.922821        3.118565

1.128837        1.279329        1.441344        1.608944        1.779682        1.956419        2.144821        2.349791        2.569286        2.791146        3.000813        3.191565

1.199633        1.357596        1.525108        1.696229        1.869132        2.046962        2.235288        2.438578        2.654342        2.871077        3.075895        3.262051

1.274609        1.439139        1.610884        1.784329        1.958437        2.136621        2.324363        2.52569            2.737744        2.949703        3.149976        3.331591

1.353984        1.524095        1.698945        1.873801        2.04842            2.226431        2.413232        2.612413        2.820842        3.028366        3.224094        3.401016

1.437333        1.612043        1.789093        1.964729        2.139381        2.316857        2.502464        2.699384        2.904298        3.107622        3.298604        3.470585

1.523777        1.702221        1.880829        2.056847        2.23122            2.407915        2.592147        2.786734        2.988225        3.187417        3.373362        3.540142

1.612192        1.7937            1.973482        2.149662        2.323561        2.499308        2.682023        2.874214        3.072324        3.267271        3.447892        3.609262];
>> x=linspace(4.97,7.47,12);
>> y=linspace(1.34,3.84,12);
>> grad_x=gradient(z)./gradient(x);
>> grad_y=gradient(z)./gradient(y);