黑塞矩阵和雅可比矩阵理解
文章目录
- 1:一元泰勒展开公式
- 2:二元泰勒展开公式
- 3:二元函数的黑塞矩阵
- 4:多元函数的黑塞矩阵
- 5:多元函数的雅可比矩阵(Jacobian矩阵)
- 参考文献
个人笔记:
1:一元泰勒展开公式
举例:f(x) = 3x² + 2x + 5 在x=0或x=1处的泰勒展开
当x=0时:
当x=1时:
不论Xk等于多少,最后展开得公式相加都是等于f(x) = 3x² + 2x + 5
2:二元泰勒展开公式
x 和 y在k处的泰勒展开:
简化:
简化:
①
fxx′′f''_{xx}fxx′′是对 x 求两次导。
②
fxy′′f''_{xy}fxy′′是先对x求一次导,然后再对y求一次导。
③
fyx′′f''_{yx}fyx′′是先对y求一次导,然后再对x求一次导。
(其中③ = ②)
④
fyy′′f''_{yy}fyy′′是对 y 求两次导。
3:二元函数的黑塞矩阵
二元函数点 f(x1,x2)f(x_1,x_2)f(x1,x2) 在 X(k)(x1(k),x2(k))X^{(k)}(x_1^{(k)},x_2^{(k)})X(k)(x1(k),x2(k))处的泰勒展开式为:
其中Δx1Δ x_1Δx1 = x1x_1x1 − x1(k)x_1^{(k)}x1(k) , Δx2Δ x_2Δx2 = x2x_2x2 − x2(k)x_2^{(k)}x2(k)
即:
(1):其中
它是f(X)f(X)f(X)在X(k)X^{(k)}X(k)点处的梯度。
(2):G(X(k))G(X^{(k)})G(X(k))是f(x1,x2)f(x_1,x_2)f(x1,x2)在X(k)X^{(k)}X(k)处的黑塞矩阵。它是由函数f(x1,x2)f(x_1,x_2)f(x1,x2)在X(k)X^{(k)}X(k)处的二阶偏导数所组成的方阵。
4:多元函数的黑塞矩阵
1:多元函数f(x1,x2,...,xn)f(x_1,x_2,...,x_n)f(x1,x2,...,xn)在点 x(k)x^{(k)}x(k)处的泰勒展开式为:
把泰勒(Taylor)展开式写成矩阵的形式:
其中:
它是f(X)f(X)f(X)在X(k)X^{(k)}X(k)点处的梯度。
(2):G(X(k))G(X^{(k)})G(X(k))是f(x1,x2,...,xn)f(x_1,x_2,...,x_n)f(x1,x2,...,xn)在X(k)X^{(k)}X(k)处的黑塞矩阵。它是由函数f(x1,x2,...,xn)f(x_1,x_2,...,x_n)f(x1,x2,...,xn)在X(k)X^{(k)}X(k)处的二阶偏导数所组成 n∗nn*nn∗n阶方阵。
2:
举例:
5:多元函数的雅可比矩阵(Jacobian矩阵)
1.概述
设fff: RnR^nRn → RmR^mRm是一个函数,它的输入是向量x∈Rnx ∈ R^nx∈Rn,输出是向量 y=f(x)∈Rmy = f(x)∈ R^my=f(x)∈Rm,并且m≥nm≥nm≥n是一个从欧式nnn维空间转换到欧式mmm维空间的函数,这个函数由mmm个实函数组成: f1(x1,…,xn)f_1(x_1,…,x_n)f1(x1,…,xn),…,fm(x1,…,xn)f_m(x_1,…,x_n)fm(x1,…,xn)这些函数的偏导数(如果存在)可以组成一个m∗nm∗nm∗n的矩阵, 这就是所谓的Jacobian矩阵:
那么雅可比矩阵是一个 m×nm×nm×n 矩阵,通常被定义为
2:举例
来看一个实际的数据拟合过程,输入:
自变量:x=x =x={ 1,2,4,5,81,2,4,5,81,2,4,5,8 }
因变量:y=y =y={ 3.2939,4.2699,7.1749,9.3008,20.2593.2939,4.2699,7.1749,9.3008,20.2593.2939,4.2699,7.1749,9.3008,20.259 }
目标:用函数 f=p1∗ep2∗x−yf=p_1 ∗ e^{p_2∗x}−yf=p1∗ep2∗x−y 进行拟合,这里自变量xxx,因变量yyy,参数p1p_1p1和p2p_2p2,对参数p1p_1p1和p2p_2p2进行求导:
ep∗xe^{p*x}ep∗x对ppp进行求导得:x∗ep∗xx*e^{p*x}x∗ep∗x
雅可比矩阵描述:
Jacobian矩阵 =[ exp(p2), p1*exp(p2)]
[ exp(2*p2), 2*p1*exp(2*p2)]
[ exp(4*p2), 4*p1*exp(4*p2)]
[ exp(5*p2), 5*p1*exp(5*p2)]
[ exp(8*p2), 8*p1*exp(8*p2)]
即:
参考文献
黑森矩阵
黑塞矩阵和雅克比矩阵
雅克比矩阵1
雅克比矩阵2
雅可比矩阵直观图像理解
黑塞矩阵和雅可比矩阵理解相关推荐
- jacobian 矩阵意义_对雅可比矩阵的理解
众所周知,二维平面直角坐标系中的面积微元转换为平面极坐标系有 为什么? 尝试下证明 : 先列出x,y与r, 之间的关系 , 微分一下 , 得到了 什么?你说你不知道第三行怎么来的?我也不知道... 于 ...
- 视觉伺服:图像雅可比矩阵的理解
在基于图像的视觉伺服(IBVS)中的图像雅可比矩阵的学习和理解 主要参考了这两篇论文中有关IBVS中的内容,有刚入门视觉伺服研究的小伙伴们可以去看看这两篇论文: 1.Chaumette F, Hutc ...
- 概率密度变换公式 雅可比矩阵_从理解到认识雅可比矩阵
最近在做应用多元统计的学习的时候再一次遇到了雅可比矩阵这个东西,发现完全想不起来这是什么东西,只记得学习高代和概率论的时候背过这个公式.学数学分析的时候也没有好好学习向量微积分的知识.今天跑步的时候想 ...
- 概率密度变换公式 雅可比矩阵_机器人雅可比矩阵的理解和常用公式
雅可比矩阵就是一种特殊的矩阵导数 考虑一个简单的问题: .其中x是自变量,y是因变量.对两边求导可得: .这里的 表示可以使式子成立的一个和a有关的一个值. 将上面的问题拓展到多维情况,可以得到: , ...
- (完全理解)二重积分中的换元积分中的雅可比矩阵
文章目录 前言 引入 推导 疑惑 前言 我们知道,在二重积分中,换元积分如下: 但是很多人并不知道为什么是这样,所以一直记不住换元积分的公式. 引入 我们首先得明白,二重积分有点类似于求体积,f(x, ...
- 关于雅可比矩阵及行列式的理解与学习
- 概率密度变换公式 雅可比矩阵_干货 | 从雅可比矩阵你还能得到什么?(雅可比矩阵下篇)...
本文转载自微信公众号ROBOTICS原作者:CC编辑:古月居 复习 首先我们在学习完正运动学--即如何将关节空间的位置映射到操作空间的位置及朝向这个问题之后,第二个问题就是瞬时运动学--如何将关节空间 ...
- Jacobian矩阵和Hessian矩阵的理解
深度学习中梯度向量的计算,Jacobian矩阵和Hessian矩阵是基础的知识点. 求微分其实就是线性化,导数其实就是线性空间之间的线性变换,Jaocibian矩阵本质上就是导数. 比如,映射在处的导 ...
- 你真的理解图像处理算法SIFT吗?
点上方蓝字计算机视觉联盟获取更多干货 在右上方 ··· 设为星标 ★,与你不见不散 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:作者 | LYP2020 来源 | 知乎,https://z ...
最新文章
- 搭建Hadoop集群步骤
- hadoop(ha)hbase(双master)安装
- 合并文件夹中子目录_如何整理文件夹,看这一篇就够了,简单易学
- 完全二叉树每层元素的查找
- mysql 自增模式 auto,mysql(AUTO_INCREMENT)自增ID的起始值修改与设置
- java安全编码指南之:序列化Serialization
- 微软2014编程之美初赛第一场——题目3 : 活动中心
- 使用WildFly 8.2.0.Final,Primefaces 5.1和MySQL 5的JDBC领域和基于表单的身份验证
- 马斯克脑机接口_如何看待“马斯克:脑机接口或一年内植入人脑,可修复任何大脑问题”?...
- pythoncsv数据类型_python – 从CSV文件行中的值确定数据类型
- 桌面无法显示计算机,win10 桌面计算机无法显示
- 微信怎么自动加好友java_Xposed-微信自动加好友功能实现
- 什么是web前端开发和后端开发?
- 模式识别与机器学习的简介
- 艾宾浩斯记单词 记忆周期时间表
- EasyUI Combobox 的 onChange,onSelect,onClick 事件
- ttest求pvalue_关于ttest里的P值
- 数据库防火墙:数据库防火墙商业化的前提条件
- 虚拟机克隆之后的IP修改问题
- 何恺明一作论文 MAE 已有人复现!PyTorch 版!