本文介绍了Hessian矩阵的概念，它用于描述多元函数的二阶偏导数。当函数的二阶导数连续时，Hessian矩阵对称，并在映射f:R2→R的应用中，其行列式可用于判断临界点的性质。通过实例分析了Hessian矩阵行列式等于0、大于0和小于0时，临界点可能是极值点、鞍点的情况。
Hessian Metrix
定义：在数学中，海森矩阵（Hessian matrix 或 Hessian）是一个多变量实值函数的二阶偏导数组成的方块矩阵，假设有一实数函数 f ( x 1 , x 2 , ⋯   , x n ) f(x_{1}, x_{2}, \cdots, x_{n}) f(x1,x2,⋯,xn)，如果 f f f所有的二阶偏导数都存在，那么 f f f的Hessian矩阵的第 i j ij ij-项即：
H ( f ) i j ( x ) = D i D j f ( x ) H(f)_{ij}(x)=D_i D_j f(\mathbf{x}) H(f)ij(x)=DiDjf(x)
其中 x = ( x 1 , x 2 , ⋯   , x n ) \mathbf{x}=(x_1, x_2, \cdots, x_n) x=(x1,x2,⋯,xn)，即
H ( f ) = [ ∂ 2 f ∂ x 1 ∂ x 1 ∂ 2 f ∂ x 1 ∂ x 2 ⋯ ∂ 2 f ∂ x 1 ∂ x n ∂ 2 f ∂ x 2 ∂ x 1 ∂ 2 f ∂ x 2 ∂ x 2 ⋯ ∂ 2 f ∂ x 2 ∂ x n ⋮ ⋮ ⋱ ⋮ ∂ 2 f ∂ x n ∂ x 1 ∂ 2 f ∂ x n ∂ x 2 ⋯ ∂ 2 f ∂ x n ∂ x n ] H(f) = \begin{bmatrix} \frac{\partial^2 f}{\partial x_1 \partial x_1} & \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 \partial x_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 \partial x_n} \end{bmatrix} H(f)=⎣⎢⎢⎢⎢⎡∂x1∂x1∂2f∂x2∂x1∂2f⋮∂xn∂x1∂2f∂x1∂x2∂2f∂x2∂x2∂2f⋮∂xn∂x2∂2f⋯⋯⋱⋯∂x1∂xn∂2f∂x2∂xn∂2f⋮∂xn∂xn
最低0.47元/天 解锁文章
扫一扫
719
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
