本文介绍了多元函数中的雅可比矩阵、黑森矩阵和泰勒展开式。雅可比矩阵用于表示多变量函数的线性逼近，黑森矩阵包含所有二阶偏导数，用于判断函数极值。泰勒公式则通过函数的导数信息来近似函数值。文章还探讨了正定矩阵和半正定矩阵的性质，并解释了如何利用黑森矩阵判断多元函数的极值点，如鞍点和局部极值。
1 雅可比矩阵
假设某函数从
， 从
映射到 向量
， 其雅可比矩阵是 m×n 的矩阵，换句话讲也就是从
到
的线性映射，其重要意义在于它表现了一个多变数向量函数的最佳线性逼近。因此，雅可比矩阵类似于单变数函数的导数。
此函数 f 的雅可比矩阵 J 为 m×n 的矩阵，一般由以下方式定义:
矩阵的分量可表示成：
示例：
2 黑森矩阵
黑塞矩阵(德语：Hesse-Matrix；英语：Hessian matrix或Hessian)，又译作海森矩阵、海塞矩阵或海瑟矩阵等，是一个由多变量实值函数的所有二阶偏导数组成的方块矩阵。
假设有一实值函数
，如果
的所有二阶偏导数都存在并在定义域内连续，那么函数
的黑塞矩阵为：
最低0.47元/天 解锁文章
扫一扫
522
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
