「高等数学」雅可比矩阵和黑塞矩阵的异同

「高等数学」雅可比矩阵和黑塞矩阵的异同

雅可比矩阵，Jacobi matrix 或者 Jacobian，是向量值函数（$f:{\mathbb{R}}^n\to {\mathbb{R}}^m$）的一阶偏导数按行排列所得的矩阵。

黑塞矩阵，又叫海森矩阵，Hesse matrix，是多元函数（$f:{\mathbb{R}}^n\to \mathbb{R}$）的二阶偏导数组成的方阵。

1、雅可比矩阵 J m × n J_{m\times n} Jm×n​

雅可比矩阵通常是一个mxn的矩阵。

给出一个向量值函数：$h(\mathbf{x})=(h_1(\mathbf{x}),h_2(\mathbf{x}),\cdots ,h_m(\mathbf{x}){)}^T$

它的雅可比矩阵是：

J = [ ∂ h ∂ x 1 ⋯ ∂ h ∂ x n ] = [ ∂ h 1 ∂ x 1 ⋯ ∂ h 1 ∂ x n ⋮ ⋱ ⋮ ∂ h m ∂ x 1 ⋯ ∂ h m ∂ x n ] {\displaystyle \mathbf {J} ={\begin{bmatrix}{\dfrac {\partial \mathbf {h} }{\partial x_{1}}}&\cdots &{\dfrac {\partial \mathbf {h} }{\partial x_{n}}}\end{bmatrix}}={\begin{bmatrix}{\dfrac {\partial h_{1}}{\partial x_{1}}}&\cdots &{\dfrac {\partial h_{1}}{\partial x_{n}}}\\\vdots &\ddots &\vdots \\{\dfrac {\partial h_{m}}{\partial x_{1}}}&\cdots &{\dfrac {\partial h_{m}}{\partial x_{n}}}\end{bmatrix}}} J=[∂x1​∂h​​⋯​∂xn​∂h​​]= ​∂x1​∂h1​​⋮∂x1​∂hm​​​⋯⋱⋯​∂xn​∂h1​​⋮∂xn​∂hm​​​ ​

矩阵的每一行相当于每个向量值函数的分量的梯度的转置，或者叫一阶偏导数按行（row）排列。

一个n元实值函数的梯度的雅可比矩阵：
J = D [ ∇ f ( x ) ] = [ ∂ 2 f ∂ x 1 2 ∂ 2 f ∂ x 2   ∂ x 1 ⋯ ∂ 2 f ∂ x n   ∂ x 1 ∂ 2 f ∂ x 1   ∂ x 2 ∂ 2 f ∂ x 2 2 ⋯ ∂ 2 f ∂ x n   ∂ x 2 ⋮ ⋮ ⋱ ⋮ ∂ 2 f ∂ x 1   ∂ x n ∂ 2 f ∂ x 2   ∂ x n ⋯ ∂ 2 f ∂ x n 2 ]   {\displaystyle \mathbf {J} = D[\nabla f(\mathbf{x})] = {\begin{bmatrix}{\frac {\partial ^{2}f}{\partial x_{1}^{2}}}&{\frac {\partial ^{2}f}{\partial x_{2}\,\partial x_{1}}}&\cdots &{\frac {\partial ^{2}f}{\partial x_{n}\,\partial x_{1}}}\\ \\{\frac {\partial ^{2}f}{\partial x_{1}\,\partial x_{2}}}&{\frac {\partial ^{2}f}{\partial x_{2}^{2}}}&\cdots &{\frac {\partial ^{2}f}{\partial x_{n}\,\partial x_{2}}}\\ \\\vdots &\vdots &\ddots &\vdots \\\\{\frac {\partial ^{2}f}{\partial x_{1}\,\partial x_{n}}}&{\frac {\partial ^{2}f}{\partial x_{2}\,\partial x_{n}}}&\cdots &{\frac {\partial ^{2}f}{\partial x_{n}^{2}}}\end{bmatrix}}\,} J=D[∇f(x)]= ​∂x12​∂2f​∂x1​∂x2​∂2f​⋮∂x1​∂xn​∂2f​​∂x2​∂x1​∂2f​∂x22​∂2f​⋮∂x2​∂xn​∂2f​​⋯⋯⋱⋯​∂xn​∂x1​∂2f​∂xn​∂x2​∂2f​⋮∂xn2​∂2f​​ ​

2、黑塞矩阵 H n × n H_{n\times n} Hn×n​

黑塞矩阵一定是一个方阵。

二阶混合偏导数：
$$\frac{{\partial }^{2}f}{\partial y\partial x}=\frac{\partial }{\partial y}\left(\frac{\partial f}{\partial x}\right)=f_{xy}$$
对于一个n元实值函数$f(\mathbf{x})$，它的梯度为一个列向量：$\nabla f(\mathbf{x})=(f_{x_1}(\mathbf{x}),f_{x_2}(\mathbf{x}),\cdots ,f_{x_n}(\mathbf{x}){)}^T$

对其求二阶偏导数，并将偏导数按列（col）排列。
H = [ ∂ 2 f ∂ x 1 2 ∂ 2 f ∂ x 1   ∂ x 2 ⋯ ∂ 2 f ∂ x 1   ∂ x n ∂ 2 f ∂ x 2   ∂ x 1 ∂ 2 f ∂ x 2 2 ⋯ ∂ 2 f ∂ x 2   ∂ x n ⋮ ⋮ ⋱ ⋮ ∂ 2 f ∂ x n   ∂ x 1 ∂ 2 f ∂ x n   ∂ x 2 ⋯ ∂ 2 f ∂ x n 2 ]   {\displaystyle \mathbf {H} ={\begin{bmatrix}{\frac {\partial ^{2}f}{\partial x_{1}^{2}}}&{\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}^{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}^{2}}}\end{bmatrix}}\,} H= ​∂x12​∂2f​∂x2​∂x1​∂2f​⋮∂xn​∂x1​∂2f​​∂x1​∂x2​∂2f​∂x22​∂2f​⋮∂xn​∂x2​∂2f​​⋯⋯⋱⋯​∂x1​∂xn​∂2f​∂x2​∂xn​∂2f​⋮∂xn2​∂2f​​ ​

因此：

1. 对于一个二阶可微的n元实值函数，它的黑塞矩阵的转置🟰它的梯度的雅可比矩阵。

2. 对于一个二阶连续可微的n元实值函数，其二阶混合偏导数：$\frac{{\partial }^{2}f}{\partial y\partial x}=\frac{{\partial }^{2}f}{\partial x\partial y}$。此时，其黑塞矩阵🟰它的梯度的雅可比矩阵。

3. 在很多地方，遇到的都是二阶连续可微的情况，因此有些地方对雅可比矩阵和黑塞矩阵不加以区分。文章来源地址https://www.toymoban.com/news/detail-695841.html

到了这里，关于「高等数学」雅可比矩阵和黑塞矩阵的异同的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！