hessian矩陣的特徵向量有什麼含義?

如題,是不是對應著曲面局部的主要方向?


局部主方向是由Weingarten變換決定的,不是Hessian矩陣。

Hessian矩陣是用來判斷曲面在局部的凹凸性。談到特徵向量的,我們首先來討論特徵值。

對於一個二元函數來說,其Hessian矩陣(如果二階偏導存在的話)是二維的實對稱矩陣,它有兩個實特徵值。

如果兩個特徵值都是非負的,即Hessian矩陣半正定,那麼局部凸;如果兩個都非正,那麼凹;如果一正一負,那麼局部類似於馬鞍狀。

那麼這兩個特徵值所對應的特徵方向有什麼意義呢?我的理解是這樣的:我們可以把曲面比作一個山區。在山地,大的那個特徵值所對應的特徵向量其實就是「最陡的」那條上(下)山的路,小的那個就是最平緩的;而在谷地,大的那個特徵值所對應的特徵向量意味著最平緩的那條路,而小的,則意味著「通往地獄最快的那條路」。


個人認為,其實可以從泰勒展開的角度去考慮也許容易一些。

比如一個二元函數f(x),在x0點展開就是:

f(x)=1/2(x-x0)^TH(x)(x-x0)+
abla f(x0)^T(x-x0)+f(x0)+o(||x||^2)

解析幾何告訴我們這個東西的下面形狀和這個東西一樣,位置可能有所平移:

frac{1}{2} egin{bmatrix} xyz end{bmatrix} egin{pmatrix} H(x)0\ 0 0 end{pmatrix} egin{bmatrix} x\y\z end{bmatrix}=z

特徵值的正負情況決定了這個上面東西的形狀(橢圓還是馬鞍,開口方向啥的),特徵向量決定了他具體的樣子(比如對於橢圓拋物面,就是長短軸咯)


推薦閱讀:

如何對SPD流形上的測地距離進行凸近似?
矩陣的指數函數到底說的是個啥?
矩陣和向量組和線性方程組之間的關係是什麼?
為什麼matrix(矩陣)不可以相除?
任意一個只含有0,1的矩陣,可不可以只通過矩陣變換,使得所有的元素均變為1?

TAG:數學 | 微分幾何 | 矩陣 |