Hessian Matrix

1 二元函数极值

    对于单变量函数，使用一阶导数判断在某点上是否存在极值，使用二阶导数判断该点是极大值或者极小值。

    对于二元函数，首先讨论二元二次函数极值情况，然后将结论推广到一般二元函数情形。

    对二元二次函数 ，求偏导得并令其为 0 有

    ，解方程组得 ，则函数 z 的临界点位于原点，进一步对函数 z 配方得

    ，则系数 联合确定了原点为局部极大值或者局部极小值，具体如下：

    1）当 时，两平方项符号不一致，原点为鞍点（saddle point）；

    2）当 时，两平方项均为非负值，z 最终值取决于 a。

          当 a > 0 时，原点为极小值点；当 a < 0 时，原点为极大值点；当 a = 0 时，无法判断；

    对于一般二元函数  ，如果存在连续二阶偏导，在点  处，其一阶偏导满足关系  ，使用泰勒公式的二阶近似如下：

    ，由于一阶偏导为零，进一步简化为：

    ，则函数 f(x,y) 在临界点  的极值特性取决于关系式

     ，该关系式与  基本一致，则有如下结论：

     令 ，

      1）当  时，两平方项符号不一致，临界点  为鞍点（saddle point）；

      2）当  时，两平方项均为非负值，z 最终值取决于 。

            当  时，临界点   为极小值点；当  时，临界点   为极大值点；当  时，无法判断；

2 Hessian Matrix

    定义函数  的 Hessian Matrix 为 ，由于 ，Hessian Matrix 可改写为 。

    关系式  使用 Hessian Matrix 重写为 ，

    使用 行列式 可得出类似结论：

    1）如果   且 ，则 为局部极小值，f 向上凹；

          如果 且 ，则 为局部极大值，f 向下凹；

          如果  且 ，无法判断；

    2）如果 ，则  为鞍点（saddle point）；

    对 Hessian Matrix 进行特征值与特征向量分解，其特征值  决定了二元二次函数性质，结论如下：

    1）当  时，临界点  为局部极大值；

    2）当  时，临界点  为局部极小值；

    3）当  或 时， 临界点   为 鞍点；

    4）当  或  时，无法确定。

    参考：多变量微积分   Prof. Denis Auroux

Hessian Matrix

原文：https://www.cnblogs.com/luofeiju/p/13023395.html