雅可比矩阵和海森矩阵

最新推荐文章于 2022-11-07 15:52:00 发布

liuxincumt

最新推荐文章于 2022-11-07 15:52:00 发布

阅读量6.2k

点赞数

分类专栏：矩阵文章标签： matrix

矩阵专栏收录该内容

1 篇文章 0 订阅

订阅专栏

雅可比矩阵

假设F:R_n→R_m 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：

$\begin{bmatrix} \frac{\partial y_1}{\partial x_1} & \cdots & \frac{\partial y_1}{\partial x_n} \\ \vdots & \ddots & \vdots \\ \frac{\partial y_m}{\partial x_1} & \cdots & \frac{\partial y_m}{\partial x_n} \end{bmatrix}.$

此矩阵表示为：

$J_F(x_1,\ldots,x_n)$ ，或者 $\frac{\partial(y_1,\ldots,y_m)}{\partial(x_1,\ldots,x_n)}.$

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

在数学中，海森矩阵（Hessian matrix 或 Hessian）是一个自变量为向量的实值函数的二阶偏导数组成的方块矩阵，此函数如下：

$f(x_1, x_2, \dots, x_n),$

如果 f 所有的二阶导数都存在，那么 f 的海森矩阵即：

$H(f)_{ij}(x) = D_i D_j f(x)$

其中 $x = (x_1, x_2, \dots, x_n)$ ，即

$H(f) = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} & \frac{\partial^2 f}{\partial x_1\,\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_1\,\partial x_n} \\ \\ \frac{\partial^2 f}{\partial x_2\,\partial x_1} & \frac{\partial^2 f}{\partial x_2^2} & \cdots & \frac{\partial^2 f}{\partial x_2\,\partial x_n} \\ \\ \vdots & \vdots & \ddots & \vdots \\ \\ \frac{\partial^2 f}{\partial x_n\,\partial x_1} & \frac{\partial^2 f}{\partial x_n\,\partial x_2} & \cdots & \frac{\partial^2 f}{\partial x_n^2} \end{bmatrix}$

liuxincumt

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
雅可比矩阵和海森矩阵

雅可比矩阵假设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yi(i=1,...,m)表示的在数学
复制链接

扫一扫