散度为零的向量的性质

简介: 设 $\Omega=\sed{\bbx\in\bbR^3; |\bbx|\leq 1}$. 设 $V:\bbR^3\to\bbR^3$, $V=(V_1,V_2,V_3)$ 是 $C^1$ 向量场, $V$ 在 $\bbR^3\bs \Omega$ 上恒为零, $\dps{\frac{\p V_1}...

设 $\Omega=\sed{\bbx\in\bbR^3; |\bbx|\leq 1}$. 设 $V:\bbR^3\to\bbR^3$, $V=(V_1,V_2,V_3)$ 是 $C^1$ 向量场, $V$ 在 $\bbR^3\bs \Omega$ 上恒为零, $\dps{\frac{\p V_1}{\p x}+\frac{\p V_2}{\p y}+\frac{\p V_3}{\p z}=0}$ 在 $\bbR^3$ 上恒为零.
(1) 设 $f:\bbR^3\to \bbR$ 是 $C^1$ 函数, 求 $\dps{\iiint_\Omega \n f\cdot V\rd x\rd y\rd z}$.
(2) 求 $\dps{\iiint_\Omega V_1\rd x\rd y\rd z}$.

解答: $$\beex \bea 0&=\iint_{\p\Omega} fV\cdot n \rd S\\ &=\iiint_\Omega \Div(fV)\rd x\rd y\rd z\\ &=\iiint_\Omega \n f\cdot V+f\Div V\rd x\rd y\rd z\\ &=\iiint_\Omega \n f\cdot V\rd x\rd y\rd z. \eea \eeex$$ 特别地, 取 $f(\bbx)=x_1$, 有 $$\bex \iiint_\Omega V_1\rd x\rd y\rd z=0. \eex$$

目录
相关文章
|
算法 UED 索引
Nmslib高维空间最近邻逼近搜索算法介绍
业务场景 上一次介绍图像搜索的基本原理,现在记录下使用的数据包的问题。查询图片先进行特征提取,使用一个向量来表示,之后使用该向量与数据库中所有的商品向量进行计算相似度指标,比如cos距离,欧式距离,汉明距离。
6122 0
|
7月前
|
机器学习/深度学习 搜索推荐 数据挖掘
R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
R语言矩阵特征值分解(谱分解)和奇异值分解(SVD)特征向量分析有价证券数据
|
机器学习/深度学习
信息熵、KL散度、交叉熵、softmax函数学习小记
信息熵、KL散度、交叉熵、softmax函数学习小记
105 0
|
vr&ar
用于非线性时间序列预测的稀疏局部线性和邻域嵌入(Matlab代码实现)
用于非线性时间序列预测的稀疏局部线性和邻域嵌入(Matlab代码实现)
129 0
用于非线性时间序列预测的稀疏局部线性和邻域嵌入(Matlab代码实现)
|
机器学习/深度学习 决策智能
矩阵分析 (四)向量和矩阵的范数
矩阵分析 (四)向量和矩阵的范数
250 0
|
机器学习/深度学习 决策智能
矩阵分析 (七) 矩阵特征值的估计
矩阵分析 (七) 矩阵特征值的估计
185 0
|
机器学习/深度学习 决策智能
矩阵分析 (五) 矩阵的分解
矩阵分析 (五) 矩阵的分解
159 0
|
机器学习/深度学习 人工智能 JavaScript
【Pytorch神经网络理论篇】 21 信息熵与互信息:联合熵+条件熵+交叉熵+相对熵/KL散度/信息散度+JS散度
对抗神经网络(如DIM模型)及图神经网络(如DGI模型)中,使用互信息来作为无监督方式提取特征的方法。
934 0