news 2026/7/22 0:59:49

日拱一卒之Wirtinger 导数

作者头像

张小明

前端开发工程师

1.2k 24
文章封面图
日拱一卒之Wirtinger 导数

日拱一卒之Wirtinger 导数

Wirtinger 导数(Wirtinger derivatives),也称为Wirtinger 微积分(Wirtinger calculus)或CR-微积分(Cauchy-Riemann calculus),是一套用于处理复变函数的偏导数工具。

简单来说,它允许将一个复数变量zzz和它的共轭zˉ\bar{z}zˉ视为两个相互独立的变量来进行求导。

这在复数域的优化问题(如信号处理、通信工程、深度学习中的复数神经网络)中非常重要,特别是当目标函数是实数值(例如损失函数)但变量是复数时。


1. 为什么我们需要它?(背景)

在工程应用中,经常遇到这样的函数:

f(z)=∣z∣2=z⋅zˉ f(z) = |z|^2 = z \cdot \bar{z}f(z)=z2=zzˉ

这是一个实数值函数(通常作为代价函数或能量函数)。

这个函数在经典的复变函数意义下是不可导的(因为它不满足柯西-黎曼条件,除非z=0z=0z=0)。

如果把zzz分解成实部xxx和虚部yyy,即z=x+iyz = x + iyz=x+iy,可以分别对xxxyyy求偏导。但这样做非常繁琐,公式也不优雅。

Wirtinger 的方法:直接定义针对zzzzˉ\bar{z}zˉ的导数,使得可以像做多项式求导一样简单地处理∣z∣2|z|^2z2

2. 数学定义

假设z=x+iyz = x + iyz=x+iy,且f(z)=u(x,y)+iv(x,y)f(z) = u(x, y) + i v(x, y)f(z)=u(x,y)+iv(x,y)
Wirtinger 导数定义如下:

zzz的 Wirtinger 导数:

∂∂z=12(∂∂x−i∂∂y) \frac{\partial}{\partial z} = \frac{1}{2} \left( \frac{\partial}{\partial x} - i \frac{\partial}{\partial y} \right)z=21(xiy)

zˉ\bar{z}zˉ的 Wirtinger 导数(共轭导数):

∂∂zˉ=12(∂∂x+i∂∂y) \frac{\partial}{\partial \bar{z}} = \frac{1}{2} \left( \frac{\partial}{\partial x} + i \frac{\partial}{\partial y} \right)zˉ=21(x+iy)

最核心的技巧是:可以假设zzzzˉ\bar{z}zˉ是两个完全无关的变量。

当求∂f∂z\frac{\partial f}{\partial z}zf时,把zˉ\bar{z}zˉ看作常数。当求∂f∂zˉ\frac{\partial f}{\partial \bar{z}}zˉf时,把zzz看作常数。

3. 举个例子

假设有一个函数f(z)=∣z∣2=zzˉf(z) = |z|^2 = z \bar{z}f(z)=z2=zzˉ

方法 A:用实数坐标(笨办法)

f(z)=x2+y2 f(z) = x^2 + y^2f(z)=x2+y2

∂f∂x=2x,∂f∂y=2y \frac{\partial f}{\partial x} = 2x, \quad \frac{\partial f}{\partial y} = 2yxf=2x,yf=2y

这给出了实数域的梯度,但并没有直接告诉复数方向的变化。

方法 B:用 Wirtinger 导数(聪明办法)
zzzzˉ\bar{z}zˉ看作独立变量。

f(z,zˉ)=z⋅zˉ f(z, \bar{z}) = z \cdot \bar{z}f(z,zˉ)=zzˉ

  1. zzz求导(把zˉ\bar{z}zˉ当常数):

    ∂f∂z=zˉ \frac{\partial f}{\partial z} = \bar{z}zf=zˉ

  2. zˉ\bar{z}zˉ求导(把zzz当常数):

    ∂f∂zˉ=z \frac{\partial f}{\partial \bar{z}} = zzˉf=z

这个结果非常简洁,而且在推导复杂算法(如维纳滤波、复数反向传播)时极大地简化了代数运算。

特殊用法:

求极值的时候,对zzzzˉ\bar{z}zˉ在数学上是等价的

对于实数值函数JJJ(例如图中的误差平方和),有以下关系:

∂J∂α=(∂J∂α∗)‾ \frac{\partial J}{\partial \alpha} = \overline{\left( \frac{\partial J}{\partial \alpha^*} \right)}αJ=(αJ)

这两个导数互为共轭。

这就导致了一个非常有用的性质:
如果一个数为 0,那么它的共轭也一定是 0。

∂J∂α∗=0 ⟺ ∂J∂α=0 \frac{\partial J}{\partial \alpha^*} = 0 \iff \frac{\partial J}{\partial \alpha} = 0αJ=0αJ=0

版权声明: 本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若内容造成侵权/违法违规/事实不符,请联系邮箱:809451989@qq.com进行投诉反馈,一经查实,立即删除!
网站建设 2026/7/21 22:55:09

软件工程导论实验报告——一卡通管理系统(黑龙江大学)

实验一 需求规格说明书1 产品介绍1.1 项目来源黑龙江大学是一所师生人数庞大的高校,总校设在哈尔滨南岗区,在呼兰区有分校区,全校接近2w名学生。鉴于学生和老师在学校的不方便,为了提升整体使用效率,我们准备开发一套一…

作者头像 李华
网站建设 2026/7/21 2:28:33

AI如何帮你一键生成完美的JS深拷贝代码?

快速体验 打开 InsCode(快马)平台 https://www.inscode.net输入框内输入如下内容: 请生成一个完整的JavaScript深拷贝函数,要求:1. 支持对象、数组、Date、RegExp等常见类型的深拷贝 2. 处理循环引用问题 3. 保持原型链 4. 提供完善的类型检…

作者头像 李华
网站建设 2026/7/18 16:29:14

DC-NAS代码解读

从0到1吃透DC-NAS代码:进化算法驱动的多视图融合NAS全解析(补充分种群演算版) DC-NAS(Dynamic Composition Neural Architecture Search)作为AAAI 2024 Oral论文提出的多视图融合架构搜索算法,其核心创新不…

作者头像 李华
网站建设 2026/7/20 15:44:05

DeepSeek AI vs 人工审核:代码过滤效率对比

快速体验 打开 InsCode(快马)平台 https://www.inscode.net输入框内输入如下内容: 设计一个性能测试方案,比较DeepSeek AI和人工审核在代码过滤任务中的效率。要求:1. 准备包含不当内容的测试代码集;2. 测量AI和人工的处理时间&a…

作者头像 李华
网站建设 2026/7/20 1:37:19

对比传统方法:三段式状态机开发效率提升300%

快速体验 打开 InsCode(快马)平台 https://www.inscode.net输入框内输入如下内容: 实现一个电梯控制系统的三段式状态机,比较手工编写和使用AI生成两种方式的效率。要求:1) 包含上行、下行和停止三种基本状态;2) 处理楼层请求&am…

作者头像 李华
网站建设 2026/7/20 20:22:17

京东热销商品数据分析实战:从数据到洞察

快速体验 打开 InsCode(快马)平台 https://www.inscode.net输入框内输入如下内容: 创建一个京东热销商品数据分析工具,功能包括:1. 自动抓取京东热销商品数据;2. 数据清洗和预处理;3. 可视化分析(销量趋势…

作者头像 李华