跳到内容
返回探索
微积分 / 中文

Hessian矩阵的构造

Charles队长 · 哔哩哔哩 · 0:53

打开原视频
阅读与收藏

把讲解展开来看。

已审核学习内容 · 视频分析 · 中文
阅读完整概览

视频以二元函数的海森矩阵和曲面动画说明驻点的二阶判别法:正定对应严格局部极小值,负定对应严格局部极大值,不定对应鞍点。判别必须先满足驻点条件;半正定或半负定时,仅凭二阶信息不能下结论。

在学习检查器中查看要点和时刻,或切换阅读标签查看完整笔记。

章节

0:00理论框架:海森矩阵及其符号规则0:14图形验证:从公式到立体模型的映射

学习解说文稿

依据视频画面与讲解整理,并非逐字语音转写。

先把二元函数的二阶偏导数排成海森矩阵 HH。假设函数在研究点附近二阶连续可微,而且该点满足 ∇f=0\nabla f=0,局部变化的主要二阶部分就是二次型 12hTHh\frac12 h^T Hh。因此判断曲面在这个点朝各个方向如何弯曲,可以转化为判断这个二次型的符号。

曲面的碗形、倒碗形和马鞍形分别帮助理解三种情况:如果 HH 正定,任意非零小位移的二阶变化都为正,该驻点是严格局部极小值;负定则得到严格局部极大值;不定意味着有的方向上升、有的方向下降,因此是鞍点。二元情形令 D=fxxfyy−fxy2D=f_{xx}f_{yy}-f_{xy}^2,则 D>0D>0 时再看 fxxf_{xx} 的正负,D<0D<0 时是鞍点,D=0D=0 时这个判别法无法决定。

知识卡片

01

海森矩阵

在二阶连续可微条件下,混合偏导相等,海森矩阵为实对称矩阵。它记录局部的二阶变化。

H=(fxxfxyfyxfyy)H=\begin{pmatrix}f_{xx}&f_{xy}\\f_{yx}&f_{yy}\end{pmatrix}
02

先检查驻点

极值判别针对内部驻点,需要先满足梯度为零。仅有正定海森矩阵并不能说明当前点就是极小值点。

∇f(x0,y0)=0\nabla f(x_0,y_0)=0
03

正定与负定

正定表示二次型在所有非零方向取正值,驻点为严格局部极小值;负定时所有方向取负值,为严格局部极大值。负定的顺序主子式符号交替,不能说所有主子式都为负。

D>0:fxx>0⇒min,fxx<0⇒maxD>0:\quad f_{xx}>0\Rightarrow\text{min},\quad f_{xx}<0\Rightarrow\text{max}
04

鞍点与无法判定

不定二次型存在一升一降的方向,对应鞍点。行列式为零时二阶判别不充分,需要检查更高阶项或直接研究函数。

D=fxxfyy−fxy2;D<0⇒saddleD=f_{xx}f_{yy}-f_{xy}^2;\quad D<0\Rightarrow\text{saddle}

探索视频中的知识

打开视频知识图谱 →

  • 最优化 讲解定位 0:14
    查看关联依据

    对二阶连续可微函数的内部驻点,海森矩阵正定可判定严格局部极小值,负定可判定严格局部极大值;不定对应鞍点,半正定或半负定仅凭二阶信息无法判定。这是局部判别法,不保证全局最优。

这个视频解答的问题

认识概念

↗
理解原因

↗
掌握方法

↗