雅可比矩阵
雅可比矩阵推导过程
雅可比矩阵推导过程雅可比矩阵（Jacobian matrix）是微分几何和向量微积分中的一个重要工具，用于描述多元函数的变换关系。
在本文中，我们将详细介绍雅可比矩阵的定义、性质和推导过程。
1. 雅可比矩阵的定义考虑一个从n维欧几里得空间到m维欧几里得空间的映射，即有一个函数F: R^n -> R^m。
假设F的每个分量函数都是连续可微的，那么对于给定的输入向量x ∈R^n，可以将F在该点处进行泰勒展开：F(x + Δx) = F(x) + J(x)Δx + O(‖Δx‖)其中，J(x)是一个m×n的矩阵，称为雅可比矩阵。
它由F的各个分量函数对输入向量x中各个变量求偏导数而组成。
具体地说，如果F = (f₁, f₂, …, fₘ)，则雅可比矩阵J(x)按行排列如下：J(x) = [∂f₁/∂x₁∂f₁/∂x₂ ... ∂f₁/∂xₘ][∂f₂/∂x₁∂f₂/∂x₂ ... ∂f₂/∂xₘ][... ... ... ... ][∂fₘ/∂x₁∂fₘ/∂x₂ ... ∂fₘ/∂xₘ]2. 雅可比矩阵的性质雅可比矩阵具有以下几个重要的性质：•雅可比矩阵的行数等于映射的目标空间维度m，列数等于映射的源空间维度n。
•如果F是一个线性映射，那么雅可比矩阵是一个常数矩阵。
•如果F是一个非线性映射，那么雅可比矩阵的每个元素都依赖于输入向量x。
•雅可比矩阵可以用来描述函数在某一点处的局部线性逼近，即泰勒展开式中的一次项。
3. 雅可比矩阵的推导过程为了推导雅可比矩阵，我们将以二维向量值函数为例。
假设有一个函数F: R² ->R²，表示为F(x, y) = (u(x, y), v(x, y))。
我们需要求解F在某一点(x₀, y₀)处的雅可比矩阵。
首先，我们对F的每个分量函数进行偏导数计算。
对于u(x, y)，其偏导数为：∂u/∂x = lim(Δx→0) [u(x + Δx, y) - u(x, y)] / Δx同理，对于v(x, y)，其偏导数为：∂v/∂x = lim(Δx→0) [v(x + Δx, y) - v(x, y)] / Δx类似地，我们可以计算出u和v关于y的偏导数：∂u/∂y = lim(Δy→0) [u(x, y + Δy) - u(x, y)] / Δy∂v/∂y = lim(Δy→0) [v(x, y + Δy) - v(x, y)] / Δy将上述四个偏导数整理成矩阵形式，即得到雅可比矩阵J：J = [∂u/∂x ∂u/∂y][∂v/∂x ∂v/∂y]这就是二维向量值函数F在点(x₀, y₀)处的雅可比矩阵。
雅可比矩阵
雅可比矩阵
在向量微积分中，雅可比矩阵是一阶偏导数以一定方式排列成的矩阵，其行列式成为雅可比行列式。
还有，在代数几何中，代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个群簇，曲线可以嵌入其中。
它们全部都以数学家雅可比命名；英文雅可比量"Jacobian"可以发音为[ja ˈko bi ən]或者[ʤəˈko bi ən]。
雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近。
因此，雅可比矩阵类似于多元函数的导数。
雅可比矩阵定义：
雅可比矩阵定义为向量对向量的微分矩阵，定义式如
雅可比矩阵
下：
见所附jpg图片。
例：MATLAB中jacobian是用来计算Jacobi矩阵的函数。
syms r l f
x=r*cos(l)*cos(f);
y=r*cos(l)*sin(f);
z=r*sin(l);
J=jacobian([x;y;z],[r l f])
结果：
J =
[ cos(l)*cos(f), -r*sin(l)*cos(f), -r*cos(l)*sin(f)]
[ cos(l)*sin(f), -r*sin(l)*sin(f), r*cos(l)*c
雅可比矩阵
os(f)]
[ sin(l), r*cos(l), 0 ]。
机器人雅可比矩阵
两自由度机器人
对于一个两自由度的机器人，其 雅可比矩阵是一个2x2矩阵，其 中包含了机器人的两个关节角度 和两个关节速度之间的线性关系
。
矩阵形式
雅可比矩阵的矩阵形式为：J = [[a, b], [c, d]]，其中a、b、c、d 是机器人关节角度和关节速度之
间的线性关系系数。
计算方法
对于两自由度机器人，可以通过 已知的关节角度和关节速度，以 及机器人运动学方程，计算得到
解析机器人模型
计算偏导数
雅可比矩阵描述了机器人末端与控制输入 之间的关系，通过直接计算机器人关节变 量对末端位置和姿态的偏导数得到。
根据机器人的几何模型和关节类型，解析 机器人的运动学模型，得到末端位置和姿 态与关节变量的关系。
利用解析得到的运动学模型，计算机器人 末端位置和姿态对关节变量的偏导数，得 到雅可比矩阵的元素。
参数优化
调整雅可比矩阵的参数
通过对雅可比矩阵的参数进行调整，如增加或减少矩阵的行 或列，能够优化矩阵的计算过程，提高计算效率。
优化迭代算法的参数
对于使用迭代算法计算雅可比矩阵的情形，通过调整迭代算 法的参数，如增加迭代次数、改变收敛准则等，能够提高计 算精度和速度。
控制策略改进
引入新的控制策略
针对具体应用场景，引入新的控制策略，如采用模糊控制、神经网络等，能够更好地解决机器人控制问题，进而 改进雅可比矩阵的计算效果。
计算方法
对于四自由度机器人，可以通过 已知的关节角度和关节速度，以 及机器人运动学方程，计算得到 雅可比矩阵。
05
雅可比矩阵的优化与改进
优化算法选择
选用高效算法
对于雅可比矩阵的计算，选用高效的算法能够显著提升计算速度和精度，例如采 用数值差分法、有限元法等。
雅可比矩阵的形式
雅可比矩阵的形式摘要：1.引言2.雅可比矩阵的定义和形式3.雅可比矩阵的性质和应用4.结论正文：1.引言矩阵在数学和物理学等领域具有广泛的应用，它可以用来表示线性方程组、线性变换以及向量空间等。
矩阵的种类繁多，其中雅可比矩阵是一种非常重要的矩阵。
本文将介绍雅可比矩阵的形式，并探讨其性质和应用。
2.雅可比矩阵的定义和形式雅可比矩阵（Jacobian Matrix）是一种方阵，其元素是另一个多元函数的偏导数。
设函数f(x) 是一个n 元函数，其定义域为D，雅可比矩阵记作J_f(x)，表示为：J_f(x) = [f_i/x_j] (i=1,2,...,n; j=1,2,...,n)其中，f_i 表示函数f 的第i 个分量，x_j 表示第j 个自变量，f_i/x_j 表示f_i 关于x_j 的偏导数。
3.雅可比矩阵的性质和应用雅可比矩阵具有以下性质：(1) 雅可比矩阵是方阵，其行数和列数均为n，其中n 是函数f 的维度。
(2) 雅可比矩阵的元素是函数f 的偏导数，因此它是一个关于自变量x 的函数。
(3) 雅可比矩阵在函数f 的定义域D 内是连续可导的。
(4) 雅可比矩阵的行列式表示了函数f 在定义域D 上的可微性。
如果行列式不为零，则函数f 在D 上可微；如果行列式为零，则函数f 在D 上不可微。
雅可比矩阵在数学和物理学中有广泛应用，例如：(1) 求解多元函数的极值和驻点。
通过求解雅可比矩阵的行列式为零的条件，可以得到函数的临界点和鞍点。
(2) 研究多元函数的曲率和曲面。
雅可比矩阵的元素表示了函数在各点处的切向量，从而可以计算曲率和曲面的形状。
(3) 求解常微分方程的通解。
在常微分方程的数值解法中，雅可比矩阵可以用来构造迭代公式，从而求解方程的通解。
4.结论雅可比矩阵是一种重要的矩阵，其形式为函数偏导数的矩阵。
雅可比矩阵具有一些重要的性质，并广泛应用于数学和物理学等领域。
机器人运动学雅可比矩阵
05 雅可比矩阵的优化与改进
雅可比矩阵的稳定性分析
稳定性分析的重要性
在机器人运动控制中，雅可比矩阵的稳定性对机器人的运动性能 和动态响应具有重要影响。
稳定性判据
通过分析雅可比矩阵的特征值和特征向量，可以确定机器人的运动 稳定性，并为其运动控制提供依据。
通常使用齐次变换矩阵来表示机器人的位姿，该矩阵包含 了平移和旋转信息，能够完整地描述机器人在空间中的位 置和方向。
坐标系与变换
01
坐标系是用来描述物体在空间中位置和姿态的参照框架。
02
在机器人学中，通常使用固连于机器人基座的坐标系作为全局 参考坐标系，以及固连于机器人末端执行器的坐标系作为局部
参考坐标系。
THANKS FOR WATCHING
感谢您的观看
雅可比矩阵的物理意义
雅可比矩阵描述了机械臂末端执行器 的位置和姿态随关节变量变化的规律， 是机械臂运动学分析中的重要概念。
通过雅可比矩阵，可以分析机械臂的 可达工作空间、奇异性、运动速度和 加速度等运动学性能。
雅可比矩阵的计算方法
雅可比矩阵可以通过正向运动学和逆 向运动学两种方法计算得到。
在计算雅可比矩阵时，需要使用到线 性代数、微分方程等数学工具。
正向运动学是根据关节变量求解末端 执行器在参考坐标系中的位置和姿态； 逆向运动学是根据末端执行器的位置 和姿态求解关节变量。
04 雅可比矩阵在机器人运动 学中的应用
机器人的关节与连杆
关节
机器人的每个关节都有一个自由 度，决定了机器人的运动方式。 常见的关节类型包括旋转关节和 移动关节。
连杆
雅可比矩阵
雅可比(Jacobian)矩阵2008-12-05 11:29在向量微积分中，雅可比矩阵是一阶偏导数以一定方式排列成的矩阵，其行列式称为雅可比行列式。
还有，在代数几何中，代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个群簇，曲线可以嵌入其中。
它们全部都以数学家卡尔·雅可比命名；雅可比矩阵雅可比矩阵的重要性在于它体现了一个可微方程与给出点的最优线性逼近。
因此，雅可比矩阵类似于多元函数的导数。
假设F:Rn→Rm 是一个从欧式n维空间转换到欧式m维空间的函数。
这个函数由m个实函数组成: y1(x1,...,xn), ..., ym(x1,...,xn). 这些函数的偏导数(如果存在)可以组成一个m行n列的矩阵，这就是所谓的雅可比矩阵：此矩阵表示为：，或者这个矩阵的第i行是由梯度函数的转置y i(i=1,...,m)表示的如果p是Rn中的一点，F在p点可微分，那么在这一点的导数由J F(p)给出(这是求该点导数最简便的方法)。
在此情况下，由F(p)描述的线性算子即接近点p的F的最优线性逼近，x逼近与p例子由球坐标系到直角坐标系的转化由F函数给出:R × [0,π] × [0,2π] → R3此坐标变换的雅可比矩阵是R4的f函数:其雅可比矩阵为:此例子说明雅可比矩阵不一定为方矩阵。
在动态系统中考虑形为x' = F(x)的动态系统，F : R n→ R n。
如果F(x0) = 0，那么x0是一个驻点。
系统接近驻点时的表现通常可以从JF(x0)的特征值来决定。
雅可比行列式如果m = n，那么F是从n维空间到n维空间的函数，且它的雅可比矩阵是一个方块矩阵。
于是我们可以取它的行列式，称为雅可比行列式。
在某个给定点的雅可比行列式提供了F在接近该点时的表现的重要信息。
例如，如果连续可微函数F在p点的雅可比行列式不是零，那么它在该点具有反函数。
这称为反函数定理。
更进一步，如果p点的雅可比行列式是正数，则F在p 点的取向不变；如果是负数，则F的取向相反。
雅可比矩阵作用
雅可比矩阵作用引言雅可比矩阵（Jacobian Matrix）是微积分中的一个重要概念，具有广泛的应用范围。
它描述了多变量函数的局部线性化，可以用来研究函数在某一点的变化率、切线方向和曲面的形状等。
雅可比矩阵在微分几何、最优化、机器学习等领域都有重要作用。
什么是雅可比矩阵雅可比矩阵是一个矩阵，由函数的一阶偏导数组成。
对于一个具有 n 个自变量和m 个因变量的函数，其雅可比矩阵的大小为m × n。
雅可比矩阵的第 i 行第 j 列的元素表示第 i 个因变量对第 j 个自变量的偏导数。
雅可比矩阵的计算雅可比矩阵的计算方法比较简单，只需对函数的每个因变量对每个自变量分别求偏导数即可。
以一个具体的例子来说明：假设有一个函数 f(x, y) = x^2 + y^2，其中 x 和 y 是自变量，f 是因变量。
我们需要计算雅可比矩阵 J。
1.求 x 对 x 的偏导数：∂f/∂x = 2x2.求 x 对 y 的偏导数：∂f/∂y = 03.求 y 对 x 的偏导数：∂f/∂x = 04.求 y 对 y 的偏导数：∂f/∂y = 2y将这四个偏导数组合成一个矩阵，即为雅可比矩阵 J：J = [[2x, 0], [0, 2y]]雅可比矩阵的几何意义雅可比矩阵有着重要的几何意义。
对于一个函数 f: ℝ^n → ℝ^m，雅可比矩阵的每一行表示函数在某点的梯度向量，即函数在此点的切线方向。
通过雅可比矩阵，我们可以推断函数在某一点的性质。
例如：•当雅可比矩阵的各个元素都为零时，说明函数在此点局部上是常数，没有变化。
•当雅可比矩阵的行向量线性无关时，说明函数在此点的切线方向是唯一的，函数具有单射性质。
•当雅可比矩阵的列向量线性无关时，说明函数在此点的切线方向沿各个方向变化，函数具有满射性质。
雅可比矩阵的应用雅可比矩阵在各个领域都有广泛的应用。
以下是一些常见的应用场景：1. 最优化问题在最优化问题中，雅可比矩阵被用于求取目标函数的梯度。
电力系统雅可比矩阵
电力系统雅可比矩阵电力系统雅可比矩阵电力系统中，雅可比矩阵是一种常用的描述系统状态的工具。
它能够对电力系统的各个节点进行连通性分析，进而求解系统的各种物理量，如电压、电流等。
本文将从以下方面详细介绍电力系统雅可比矩阵。
一、雅可比矩阵的定义电力系统雅可比矩阵是指根据各节点的连通性及其电气量之间的关系，形成的一个n×n矩阵。
其中n为电力系统节点数。
其主要作用是描述电力系统的复杂结构，为后续的系统分析和控制提供基础。
二、雅可比矩阵的构成雅可比矩阵由两部分构成：节点导纳矩阵和潮流方程的导数矩阵。
具体构成如下：1.节点导纳矩阵节点导纳矩阵是由电源节点、负荷节点和导纳节点构成的。
电源节点是指系统中生成电能的节点，负荷节点是指系统中消耗电能的节点，而导纳节点是指系统中连接元件的节点。
节点导纳矩阵的主要作用是描述电力系统的电路拓扑结构。
2.潮流方程的导数矩阵潮流方程的导数矩阵又称潮流矩阵，描述了电力系统的电气量间的关系。
其中，潮流方程是指系统中各节点的电流和电压之间的关系式。
潮流矩阵是潮流方程对各电气量求偏导数得到的矩阵。
三、雅可比矩阵的应用雅可比矩阵是电力系统中的常用工具，其应用涉及广泛。
常见的应用包括：1.电力系统负荷流量分析通过分析系统的雅可比矩阵，可以确定系统中各节点的电流和电压。
从而实现对电力系统中各元件负荷流量的分析。
2.电力系统优化调整雅可比矩阵可以通过对系统的结构和状态进行分析，使得系统能够更好地适应外部负荷和变化。
从而实现电力系统的优化调整。
3.电力系统稳定分析雅可比矩阵可以通过对系统的节点状态进行分析，使得系统更好地实现电力平衡，进而保持系统的稳定性。
四、总结电力系统雅可比矩阵是电力系统中的一种常用工具，在对电气量的计算和系统优化调整过程中发挥着重要作用。
它的构成和应用均非常广泛，能够为电力系统的稳定性和运行效率提供支持。
雅可比矩阵_灵敏度矩阵_解释说明以及概述
雅可比矩阵灵敏度矩阵解释说明以及概述1. 引言1.1 概述雅可比矩阵是数学中一种重要的矩阵形式，用于描述多元函数的局部性质和关系。
灵敏度矩阵则是一种衡量系统响应对输入参数变化的敏感程度的工具。
本文将深入探讨雅可比矩阵和灵敏度矩阵的定义、计算方法、性质以及它们在实际问题求解中的潜在应用。
1.2 文章结构本文分为五个主要部分来展开对雅可比矩阵和灵敏度矩阵的介绍和解释。
首先，我们将给出本文的概述，明确文章主题和目标；其次，我们将详细介绍雅可比矩阵包括其定义、基本概念、计算方法以及应用领域；随后，我们将深入探讨灵敏度矩阵，包括其意义定义、计算方法和性质，并通过实际案例来展示其运用；接着，我们将进一步解释说明雅可比矩阵在问题求解中的作用与意义以及灵敏度矩阵在问题求解中的应用举例；最后，我们将总结全文内容，并对雅可比矩阵及其应用进行展望。
1.3 目的本文旨在系统介绍雅可比矩阵和灵敏度矩阵的相关概念、计算方法以及实际应用，帮助读者全面了解它们在数学和工程领域的重要性和作用。
同时，通过详细解释说明它们在问题求解中的具体应用案例，期望读者能够理解如何应用雅可比矩阵和灵敏度矩阵来分析和优化复杂系统中的相互关系。
最后，我们希望通过本文对雅可比矩阵与灵敏度矩阵的深入探讨，为进一步研究提供启示和方向。
2. 雅可比矩阵:2.1 定义和基本概念:雅可比矩阵是数学中的一种线性变换矩阵，用于描述多元函数的导数。
对于一个具有n个自变量和m个因变量的向量值函数，其雅可比矩阵是一个m×n的矩阵，其中每个元素表示因变量关于自变量之间的偏导数。
设函数f(x1, x2, ..., xn) = (y1, y2, ..., ym)，则该函数的雅可比矩阵J就是一个m ×n矩阵，其中每个元素Jij表示yj关于xi的偏导数。
2.2 计算方法和性质:计算雅可比矩阵的方法通常即是求各偏导数。
对于一个标量场(只有一个因变量)来说，其雅可比行列式称为该函数的梯度，也就是常说的向量场。
机器人雅可比矩阵
根据机器人运动状态和任务需求，动态调整雅可比矩阵的维度， 以适应不同情况下的计算需求。
雅可比矩阵的奇异性问题
1 2
奇异值分解
利用奇异值分解（SVD）等技术处理雅可比矩阵 的奇异性问题，提高矩阵的稳定性和可靠性。
冗余自由度
合理配置机器人的冗余自由度，避免产生奇异位 姿，提高机器人的运动能力和灵活性。
。
逆向运动学
03
已知机器人在笛卡尔空间中的位姿，求解关节空间的运动变量
，进而得到雅可比矩阵。
03
雅可比矩阵的应用
机器人的运动学正解与逆解
01
02
03
运动学正解
通过给定的关节角度，计 算机器人末端执行器的位 置和姿态。
运动学逆解
已知末端执行器的位置和 姿态，反推出各关节角度 。
求解方法
通过几何学和线性代数的 方法，建立机器人运动学 模型，并使用数值计算方 法求解正解和逆解。
3
动态调整
根据机器人运动状态和任务需求，动态调整雅可 比矩阵的结构，以避免奇异性问题。
雅可比矩阵的实时计算优化
并行计算
采用并行计算技术，将雅可比矩阵的计算任务分解为多个子任务， 提高计算效率。
预计算和缓存
对雅可比矩阵进行预计算和缓存，减少实时计算量，提高计算速度 。
自适应算法
采用自适应算法优化雅可比矩阵的计算过程，根据机器人运动状态和 任务需求动态调整计算参数，提高计算精度和响应速度。
力矩控制
通过调节施加在机器人关节上的力矩，实现对机器人运动的精确控 制。
控制方法
基于反馈的力/力矩控制方法，如PID控制器、模糊控制器等。
04
雅可比矩阵的优化与改进
雅可比矩阵的降维处理
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
5.1.1 雅克比矩阵及其行列式的几何意义
因为雅克比矩阵如此重要且有趣，我们把它单列一节讨论，并放在矩阵的
行列式的几何意义后面。
说实在的，解说雅克比矩阵及其行列式的几何意义，是应一位网友的希望而作。
先前的五章在网上发布以后引起了不少哥们的关注，大多是共鸣及鼓励的话。
一位网友哥们说（大意是），你除了内容有些凌乱外细节写得还不错，是下了一番功夫……，不知以后写不写雅克比行列式的几何意义等等。
嘿嘿，您的给力评论使俺很受鼓舞。
就像在学校里，老师先表扬说你的作业写得不错，有进步，我再给你出个优等生的题目吧。
因此，俺就把这事记下了，先把题目列在目录里防止忘了。
当写到这一节时才知道这个题目确实有点难度啊，又下了很大的功夫，才觉得这件事通顺了。
至此俺才发现，老师出的这个题目太有目光了，雅克比矩阵简直就是线性代数和微积分的纽带，是把非线性问题转换为线性问题的有力工具之一啊。
有时看到一点微分几何的内容，也觉得和微分几何颇有渊源（宽恕俺没学过微分几何）。
兹写作业在此，希望再次得到老师的表扬哦：
5.1.1雅克比矩阵及其行列式的几何意义
话说有一个函数方程组，是由n个函数组成，每个函数也有n个自变量：。
这个函数组有两个意义可以解释，一个解释它是一个映射，点被映射成；
另外的一个解释就是坐标变换的意思，如果你把这个函数组代到一个以为自变
量的某方程中，即相当于把某方程的原坐标系被替换成坐标系。
这两个解释本
质是一回事，是同一件事情的从不同角度的看法。
坐标系不动，一个点被变换到
另一个点；这等价于说点不动，一个坐标系被代换到另一个坐标系。
下面我们将从其坐标变换的解释角度来分析。
一般情况下，这个函数方程组不是线性方程组，它的图形多是高维曲线、曲
面类的。
稍详细一点说，每一个函数是个超维曲面，n个超维曲面组合在一起交
割成超维曲线。
不过猛地看起来蛮像线性方程组的样子，心里于是就有了把它弄
成线性方程组的冲动：弄成线性的可以使用矩阵、行列式啊什么的，可以和线性
变换联系起来，多有几何意义啊。
咋弄成线性的？直接改写成矩阵形式吗，恐怕不行。
嘿，不是有微积分嘛，微分就是把曲的弄成直的，积分就是把直的弄成弯的。
好，对多元的非线性可微方程组进行偏微分：。
到了这一步是不是和线性方程组有点相似了?！这个过程就是激动人心之化曲为直的过程。
几何意义上化每个超曲面为超平面（函数是超维切平面方程，因此实际上就是化为超维切平面），n个超平面组合在一起就是超维切线方程，因此就这样化曲线为直线了。
代数意义上就把高次函数方程组化成了齐次线性方程组。
好，那就把它写成矩阵的形式吧:。
（5?18）
当里个当，主角雅克比矩阵出现了，就是上式（5?18）向量方程中间的大方块。
当然雅克比行列式就是雅克比矩阵的行列式。
毋庸置疑，雅克比矩阵和行列式具有前面讲过的矩阵和行列式的所有意义。
除此之外还有两点特殊的地方：一是向量的元素如，等是微分，它们是一些极小量，而且是极小的向量；是在坐标轴上的微分向量，是在坐标轴上的微分向量。
二是雅克比矩阵里面的元素如，等一般不是常数，而是变量，这和前面讲的矩阵不同。
恰恰是这两点，并结合矩阵的坐标系变换的意义，我们终于揭开了雅克比矩阵和行列式的最终几何意义：
雅克比矩阵把一个超平面的仿射坐标系变换成了一个超曲面坐标系；雅克比行列式就是曲面坐标系下单位微元和仿射坐标系下单位微元面积的比值。
不太明白，再换一种说法：
雅克比矩阵把一个空间里的一个平面坐标系（基）变换成了无数个极小平面坐标系（基）；无数个极小平面就是曲面的切平面；雅克比行列式就是切平面上每个坐标系下极小单位元和原坐标系下极小单位元面积的比值。
泛泛而谈让人昏昏入睡，我们找个2维的具体例子看看吧。