Lagrange 逆定理

Lagrange 逆定理

2015 年 12 月 2 日

定理 1    设 $z$, $z_0\in\mathbb{C}$. 若 $f(z)$ 在域 $|z-z_0|\leqslant \rho_0$ 内解析. 且有展开式

\begin{equation*}\omega =f(z)=\omega_0 +a_1(z-z_0)+a_2(z-z_0)^2 +\dotsb +a_n (z-z_n)^{n}+\dotsb, \end{equation*}

其中 $a_1\neq 0$, 则必存在 $\delta_0>0$, 使得 $\omega=f(z)$ 的反函数 $z=\varphi(\omega)$ 在 $|\omega-\omega_0|\leqslant \delta_0$ 中是单值解析函数. 此外若 $F(z)$ 在 $|z-z_0|\leqslant \rho_0$ 中解析,

\begin{equation*} F(z)=\sum_{n=0}^{\infty}C_n (z-z_0)^n, \end{equation*}

则有

\begin{equation*} F(\varphi(\omega))=F(z_0)+\sum_{n=1}^{\infty} \frac{1}{n!}\frac{\mathrm{d}^{n-1}}{\mathrm{d}\zeta^{n-1}}   \bigg\{F‘(\zeta)\bigg(\frac{\zeta-z_0}{f(\zeta-\omega_0)}\bigg)^n\bigg\}_{\zeta=z_0} (\omega-\omega_0)^n \end{equation*}

在 $|\omega-\omega_0|\leqslant 0$ 中成立.

特别地, 有

\begin{equation*}z=\varphi(\omega)=z_0 +\sum_{n=1}^{\infty}\frac{1}{n!}\frac{\mathrm{d}^{n-1}}{\mathrm{d}\zeta^{n-1}}\bigg\{\bigg(\frac{\zeta-z_0}{f(\zeta)-\omega_0}\bigg)^n\bigg\}_{\zeta=z_0}(\omega-\omega_0)^n. \end{equation*}

定理 2    设 $z$, $z_0\in\mathbb{C}$, $\omega=f(z)$ 在 $|z-z_0|\leqslant \rho_0$ 内解析, 有展开式

\begin{equation*}\omega=f(z)=\omega_0+a_k (z-z_0)^k +a_{k+1} (z-z_0)^{k+1}+\dotsb, \end{equation*}

其中 $a_k\neq 0$ $(k\geqslant 2)$, 则存在 $\delta_0>0$ 及正数 $\eta$, 在区域

\begin{equation*}|\omega-\omega_0|\leqslant \delta_0, \quad |\arg(\omega-\omega_0)|\leqslant \pi-\eta \end{equation*}

内存在 $\omega=f(z)$ 的反函数 $z=\varphi(\omega)$. 它在该区域内解析, 且有展开式

\begin{equation*}z=\varphi(z)=z_0+\sum_{n=1}^{\infty} \frac{1}{n!} \frac{\mathrm{d}^{n-1}}{\mathrm{d}\zeta^{n-1}}   \bigg\{\frac{(\zeta-z_0)^n}{(f(\zeta)-\omega_0)^{\frac{n}{k}}}\bigg\}_{\zeta=z_0} (\omega-\omega_0)^{\frac{n}{k}}, \end{equation*}

此处 $(\omega-\omega_0)^{\frac{1}{k}}$ 为取定的某一分支函数.

时间: 2024-08-13 13:02:38

Lagrange 逆定理的相关文章

支持向量机(SVM)(二)-- 拉格朗日对偶(Lagrange duality)

简介: 1.在之前我们把要寻找最优的分割超平面的问题转化为带有一系列不等式约束的优化问题.这个最优化问题被称作原问题.我们不会直接解它,而是把它转化为对偶问题进行解决. 2.为了使问题变得易于处理,我们的方法是把目标函数和约束全部融入一个新的函数,为了使问题变得易于处理,我们的方法是把目标函数和约束全部融入一个新的函数,即拉格朗日函数,再通过这个函数来寻找最优点.即拉格朗日函数,再通过这个函数来寻找最优点. 3.约束条件可以分成不等式约束条件和等式约束条件,只有等式约束条件的问题我们在高等数学课

NYOJ 178 找规律(Lagrange插值公式)

链接:click here 题意: 描述 大家一定见过这种题目:给你一些数请找出这些数之间的规律,写出下一个满足该规律的数. 比如:2 5 10 17 26,则可以看出这些数符合n*n+1这个通项公式,则下一个数为37. 这种通项公式不只一个,所以答案是不唯一的.但如果已知了N个数,且已知其通项公式是一个次数小于N的多项式,则答案就唯一确定了. 现在给你一个数列,请找出规律并求出其下一个数为多少? 输入 第一行是一个整数T表示测试数据的组数(T<=20) 每组测试数据的第一行是一个整数N(1<

论文笔记-Augmented Lagrange Multiplier Method for Recovery of Low-Rank Matrices

论文题目:The Augmented Lagrange Multiplier Method for Exact Recovery of Corrupted Low-Rank Matrices Abstract 1.Robust PCA问题: recovering a low-rank matrix with an unknown fraction of its entries being arbitrarily corrupted. RPCA问题是一个凸优化问题:minimizes a comb

zoj 1738 - Lagrange&#39;s Four-Square Theorem

题目:四平方定理,输出一个数可以表示成不超过四个平方数和的表示方法数. 分析:dp,完全背包.整数拆分用背包,可用一维分步计算,也可统一写成二维. 状态:设f(i,j,k)为前i个数字,取j个数字他们的平方和是k的便是方法数: 转移:f(i,j,k)= sum(f(i-1,j-1,k-i*i)):{ 其中i可以省掉不写 }: 说明:打表计算,求和输出即可.(2011-09-19 11:01) #include <stdio.h> #include <string.h> int F[

简易解说拉格朗日对偶(Lagrange duality)

引言:尝试用最简单易懂的描述解释清楚机器学习中会用到的拉格朗日对偶性知识,非科班出身,如有数学专业博友,望多提意见! 1.原始问题 假设是定义在上的连续可微函数(为什么要求连续可微呢,后面再说,这里不用多想),考虑约束最优化问题: 称为约束最优化问题的原始问题. 现在如果不考虑约束条件,原始问题就是: 因为假设其连续可微,利用高中的知识,对求导数,然后令导数为0,就可解出最优解,很easy. 那么,问题来了(呵呵...),偏偏有约束条件,好烦啊,要是能想办法把约束条件去掉就好了,bingo! 拉

简易解说拉格朗日对偶(Lagrange duality)(转载)

引言:尝试用最简单易懂的描述解释清楚机器学习中会用到的拉格朗日对偶性知识,非科班出身,如有数学专业博友,望多提意见! 1.原始问题 假设是定义在上的连续可微函数(为什么要求连续可微呢,后面再说,这里不用多想),考虑约束最优化问题: 称为约束最优化问题的原始问题. 现在如果不考虑约束条件,原始问题就是: 因为假设其连续可微,利用高中的知识,对求导数,然后令导数为0,就可解出最优解,很easy. 那么,问题来了(呵呵...),偏偏有约束条件,好烦啊,要是能想办法把约束条件去掉就好了,bingo! 拉

OpenCASCADE Interpolation - Lagrange

OpenCASCADE Interpolation - Lagrange [email protected] Abstract. Power basis polynomial is the most simple polynomial function. It also be called power series. OpenCASCADE provides basic computation functions for polynomial functions, such as evaluat

增广拉格朗日乘子法(Augmented Lagrange Method)

转载自:增广拉格朗日乘子法(Augmented Lagrange Method) 增广拉格朗日乘子法的作用是用来解决等式约束下的优化问题, 假定需要求解的问题如下: minimize f(X) s.t.: h(X)=0 其中,f:Rn->R; h:Rn->Rm 朴素拉格朗日乘子法的解决方案是: L(X,λ)=f(X)+μh(X); μ:Rm 此时,求解L对X和μ的偏导同时为零就可以得到最优解了. 增广拉格朗日乘子法的解决方案是: Lc(x,λ)=f(X)+μh(X)+1/2c|h(X)|2 每

深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件

在求取有约束条件的优化问题时,拉格朗日乘子法(Lagrange Multiplier) 和KKT条件是非常重要的两个求取方法,对于等式约束的优化问题,可以应用拉格朗日乘子法去求取最优值:如果含有不等式约束,可以应用KKT条件去求取.当然,这两个方法求得的结果只是必要条件,只有当是凸函数的情况下,才能保证是充分必要条件.KKT条件是拉格朗日乘子法的泛化.之前学习的时候,只知道直接应用两个方法,但是却不知道为什么拉格朗日乘子法(Lagrange Multiplier) 和KKT条件能够起作用,为什么