Hessian Matrix(黑塞矩阵、海森矩阵、海瑟矩阵、海塞矩阵 etc.),它是一个多元函数的二阶偏导数构成的方阵,用以描述函数的局部曲率。黑塞矩阵最早于19世纪由德国数学家Ludwig Otto Hesse提出,并以其名字命名。黑塞矩阵常用于牛顿法解决优化问题。
对于一个实值多元函数 ,如果函数的二阶偏导数都存在,则定义的黑塞矩阵为:
其中表示对第 i 个变量的微分算子,。那么,f 的黑塞矩阵即:
性质:
1. 对称性:
如果函数 f 在D区域内二阶连续可导,那么 f 黑塞函数H(f)在D内为对称方阵。
2. 多元函数极值的判定:
如果实值多元函数 f(x1,x2,…)二阶连续可导,并且在临界点M(xi)(i=1,2,…,n, 且xi已知)处梯度(一阶导数)等于零,即,,M为驻点。仅仅通过一阶导数无法判断在临界点M处是极大值还是极小值。
记
在
点处的黑塞矩阵为
。由于
在
点处连续,所以
是一个
的对称矩阵。对于
,有如下结论:
-
如果H(M)是 正定矩阵,则临界点M处是一个局部的极小值。
-
如果H(M)是 负定矩阵,则临界点M处是一个局部的极大值。
-
如果H(M)是 不定矩阵,则临界点M处不是极值。
提到hessian矩阵奇异,就需要首先介绍一下牛顿法,拟牛顿法,最速下降法。
牛顿法
1、求解方程。
并不是所有的方程都有求根公式,或者求根公式很复杂,导致求解困难。利用牛顿法,可以迭代求解。
原理是利用泰勒公式,在x0处展开,且展开到一阶,即f(x) = f(x0)+(x-x0)f'(x0)
求解方程f(x)=0,即f(x0)+(x-x0)*f'(x0)=0,求解x =
2. 牛顿法用于最优化
在最优化的问题中,线性最优化至少可以使用单纯行法求解,但对于非线性优化问题,牛顿法提供了一种求解的办法。假设任务是优化一个目标函数f,求函数f的极大极小问题,可以转化为求解函数f的导数f’=0的问题,这样求可以把优化问题看成方程求解问题(f’=0)。剩下的问题就和第一部分提到的牛顿法求解很相似了。
这次为了求解f’=0的根,把f(x)的泰勒展开,展开到2阶形式:
当且仅当
Δx 无线趋近于0。此时上式等价与:
求解:
得出迭代公式:
一般认为牛顿法可以利用到曲线本身的信息,比梯度下降法更容易收敛(迭代更少次数),如下图是一个最小化一个目标方程的例子,红色曲线是利用牛顿法迭代求解,绿色曲线是利用梯度下降法求解。
今天的文章
黑塞矩阵的意义和作用_黑塞矩阵判断正定负定分享到此就结束了,感谢您的阅读。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/89764.html