科学空间|Scientific Spaces

各反射镜在月球上的位置

很多读者都听说过，现在地球上可以发射激光到月球，反射回来，通过计算一来一回的时间来测量地月距离。现在问题是，怎样的镜子才能够把来自不同角度的光都以相同的方向反射回去呢？实现这一目的的镜子称为“多角度反射镜”。

点击阅读全文...

之前曾经得到过一条计算夏至精确时间的公式，现在检验一下（之前推导是根据了2009年的数据）

公元Y年的夏至日期为该年的6月
$$21.9938+0.2422Y-\lfloor Y/4 \rfloor-\lfloor Y/400 \rfloor+\lfloor Y/100 \rfloor$$
其中$\lfloor x \rfloor$表示整数部分。

点击阅读全文...

===我与《天文爱好者》不得不说的故事===

去年在订阅2012年的《天文爱好者》时，考虑到之后就要上大学了，所以只是订了半年，因此过了今年六月我就没有看新的《天文爱好者》了。暑假的两个月，还有九月、十月，将近四个月没有看它了，我本以为我已经适应了没有天爱的日子。

大概一个星期前，我在天爱的淘宝网重新买了最近四个月的《天文爱好者》，18日下午，我再见了它。那天晚上，我突然觉得很感动，有种感慨万千的感觉。虽然这么久没有看了，但是再看的感觉是如此的熟悉，如此的温馨。我原来觉得天文只是我的一个业余兴趣，如同生物化学那样，但在那瞬间我明白了我真的爱着天文，而且时间和空间的距离并不能减少我的爱！在那时，我决定了，我一定要从事天文相关专业——虽然我只是一个数学系学生！

==========行星周期下限==========

（2012.10.25：zwhzjh提出攝动力公式有错误，修正了攝动力的计算公式，之前写少了一个因子2，还有在最后的实际检验时，为了追求结果的合理性，忽略了方法的科学性，现在已经进行了修正，欢迎各位提更多意见。）

首颗被发现的系外行星

本文要探讨的东西是我在阅读《天文爱好者》的时候偶然发现的。在发现系外行星以前，人们通常都认为像木星这样的气态巨行星，公转周期都应该在十年以上。因此当瑞士天文学家米歇尔·迈耶和迪戴尔·邱洛兹发现第一颗系外行星时，他们简直无法确信自己的发现，因为这颗类木行星的公转周期只有短短的4.2天！但是经过确认，这的确是一颗系外行星，颠覆了过去的看法。我饶有兴致地研究下去，企图推导出某一密度行星的公转周期下限。

各位读者不妨先估计一下，它会与什么物理量有关？行星质量？母星质量？还是...？

点击阅读全文...

也许当我们从小学数学进入中学数学的过程中，让我们最郁闷的事情就是课本上把用的好好的角度制改为弧度制了，那个好好的360°的周角无端端变成了一个无理数$2\pi$，为此还多了一堆转换公式，那时这可把我折腾了好一阵子。为什么一个完美的360°不用，反而转向一个无理数$2\pi$？这里边涉及到了相当多的原因，在这些原因中，重新体现了数学体系的一致与简约。当然，文章里的观点只是我自己的看法，仅供大家参考。

弧度制：简约的要求

如果读者已经学过了极限理论，那么我就可以直接说，引入弧度制，是为了在这样的一种角的度量体制下，满足：
$$\lim_{x\to 0} \frac{\sin x}{x}=1$$

点击阅读全文...

我们之前通过矩阵变换方式推导出了洛伦兹变换以及速度合成公式等结论，不得不说，矩阵推导方式有种引人入胜的魅力。今天，在讲述相对论（包括电动力学、广义相对论）的书籍里边，在数学形式上取而代之了张量这一工具，这实际上是对矩阵的一个推广（之前已经提到过，二阶张量相当于矩阵）。采用这样的形式在于它充分体现了相对论的对称和变换关系。本文将来谈及狭义相对论的一些基本结论，包括同时性、长度收缩、时间延缓等。

本文的光速$c=1$。

同时的相对性

在同一时空中，采取两个时空坐标进行洛伦兹变换，再作差，我们得到：
\begin{equation}\left[\begin{array}{c} \Delta x\\ \Delta t \end{array}\right]=\frac{1}{\sqrt{1-v^2}}\left[\begin{array}{c c}1 & v\\ v & 1 \end{array}\right]\left[\begin{array}{c}\Delta x'\\ \Delta t' \end{array}\right]\end{equation}

点击阅读全文...

一般来说，如果原函数容易找到的话，牛顿-莱布尼兹公式是定积分的通用方法。但是牛顿-莱布尼兹公式只适合连续函数的积分，如果积分区间含有奇点，那就不成立了。比如，我们考虑积分
$$\int_{-1}^1 \frac{1}{x^2}dx$$
当然，从严格的数学上来说，这种写法是不成立的，因为被积函数在原点没有意义。当然，从物理的角度来考虑，由于对称性，我们确信
$$\int_{-1}^1 \frac{1}{x^2}dx=2\int_{0}^1 \frac{1}{x^2}dx=\lim_{\varepsilon\to 0}2\int_{\varepsilon}^1 \frac{1}{x^2}dx$$
从而得出积分发散的结论。这种处理某种程度上是可以接受的，但是却不是让人满意的，因为它导致了分段。有什么办法可以直接处理这种情况呢？确实有的，同样引入参数，并且最终让参数为0，考虑带参数的积分
$$\int_{-1}^1 \frac{1}{x^2+\varepsilon^2}dx$$
只要参数为正，这个被积函数就在$\mathbb{R}$上处处连续了，也就是奇点消失了，这样子就可以用牛顿-莱布尼兹公式了
$$\int_{-1}^1 \frac{1}{x^2+\varepsilon^2}dx=\left.\frac{1}{\varepsilon}\arctan\left(\frac{x}{\varepsilon}\right)\right|_{-1}^{1}$$
考虑$\varepsilon\to 0$的情况，就自动得到了积分发散的结论。

点击阅读全文...

神经网络

在所有机器学习模型之中，也许最有趣、最深刻的便是神经网络模型了。笔者也想献丑一番，说一次神经网络。当然，本文并不打算从头开始介绍神经网络，只是谈谈我对神经网络的个人理解。如果希望进一步了解神经网络与深度学习的朋友，请移步阅读下面的教程：
http://deeplearning.stanford.edu/wiki/index.php/UFLDL教程

http://blog.csdn.net/zouxy09/article/details/8775360

机器分类

这里以分类工作为例，数据挖掘或机器学习中，有很多分类的问题，比如讲一句话的情况进行分类，粗略点可以分类为“积极”或“消极”，精细点分为开心、生气、忧伤等；另外一个典型的分类问题是手写数字识别，也就是将图片分为10类（0,1,2,3,4,5,6,7,8,9）。因此，也产生了很多分类的模型。

点击阅读全文...

黎曼度量

几何，英文名是Geometry，原意是大地测量。既然是测量，就必须有参考物，还有得知道如何计算距离。

有了参照物，我们就可以建立坐标系，把每个点的坐标都写下来，至于计算距离，我们有伟大的勾股定理：
$$ds^2 = dx^2 + dy^2 \tag{1} $$
但这里我们忽略了两个问题。

第一个问题是，我们不一定使用直角坐标系，如果使用极坐标，那么应该是
$$ds^2 = dr^2 + r^2 d\theta^2 \tag{2} $$
因此可以联想，最一般的形式应该是
$$ds^2 = E(x^1, x^2)(dx^1)^2 + 2F(x^1, x^2)dx^1 dx^2 + G(x^1, x^2)(dx^2)^2 \tag{3} $$
这里的$x^1,x^2$是广义坐标，使用上标而不是下标来标记序号，是为了跟传统的教材记号一致。那这公式是什么意思呢？其实很简单，正如我们没理由要求全世界都使用人民币一样，我们没必要要求世界各地都使用同一个坐标系，而更合理的做法是，每一处地方都使用自己的坐标系（局部坐标系），然后给出当地计算距离的方法。因此，上述公式正是说，在位置$(x^1, x^2)$处计算向量$(dx^1, dx^2)$的长度的公式（当地的勾股定理）是$ds^2 = E(x^1, x^2)(dx^1)^2 + 2F(x_1, x_2)dx^1 dx^2 + G(x^1, x^2)(dx^2)^2$。

点击阅读全文...