判断鞍点的一个充分条件是：函数在一阶导数为零处（驻点）的黑塞矩阵为不定矩阵。 半正定矩阵：所有特征值为非负。半负定矩阵：所有特征值为非正。不定矩阵：特征值有正有负。  容易解出特征值一个为2,一个为-2（有正有负），显然是不定矩阵，注意：函数在一阶导数为零处（驻点）的黑塞矩阵为不定矩阵只是判断该点是否为鞍点的充分条件，也就是说函数在一阶导数为零处（驻点）的黑塞矩阵不满足不定矩阵的定义，也不一定能够说明它不是鞍点。比如在z=x^4−y^4 点(0,0)处的Hessian矩阵是一个0矩阵,并不满足是不定矩阵，但是它是一个鞍点所以该点是鞍点！

一、雅克比矩阵雅可比矩阵和行列式（Jacobian）_雅可比行列式_JasonKQLin的博客-CSDN博客 在牛顿迭代法、L-M中求解非线性方程组，都会用到雅可比(一阶偏导数)和黑塞矩阵（2阶偏导数）矩阵。雅可比矩阵是一阶偏导数以一定方式排列成的矩阵,其行列式称为雅可比行列式。​ 是一个从欧式n维空间转换到欧式m维空间的函数.这个函数由m个实函数组成:，记作这些函数的偏导数(如果存在)可以组成一个m行n列的矩阵,这就是所谓的雅可比矩阵：  若m=n，那么其就是一个方阵，其行列式也叫雅可比行列式雅可比矩阵的作用：雅可比矩阵Jf(p) 就是函数f在n维空间某点p处的导数，它是一个线性映射（因为它

最近看论文，发现论文中有通过黑塞(Hessian)矩阵提高电驱系统稳定性的应用。所以本篇主要从Hessian矩阵的性质出发，对其中正定矩阵的判定所引发的想法进行记录。(其实看论文出现黑塞很惊奇，因为前不久刚读了作家黑塞的《德米安：彷徨少年时》，所以在这一领域的黑塞也做个记录吧。。)首先，我理解的Hessian矩阵是对一个多元函数求最优的方法，百度百科上这样记载的：图1百度百科上关于Hessian矩阵的表述图我们最关注的是求极小值求最优的问题，所以，对正定矩阵的判定是一个重点。我们已知的“如何判定一个矩阵为正定矩阵？”有以下几点：矩阵特征值均大于0；各阶行列主子式均大于0；主元(pivots)均

导数、梯度、雅可比矩阵、黑塞矩阵都是与求导相关的一些概念，比较容易混淆，本文主要是对它们的使用场景和定义进行区分。首先需要先明确一些函数的叫法（是否多元，以粗体和非粗体进行区分）：一元函数：f(x):R⟶Rf(x):\mathbb{R}\longrightarrow\mathbb{R}f(x):R⟶R多元函数：f(x):Rn⟶Rf(\mathbf{x}):\mathbb{R}^{n}\longrightarrow\mathbb{R}f(x):Rn⟶R向量函数：f(x):Rn⟶Rm\mathbf{f(x)}:\mathbb{R}^{n}\longrightarrow\mathbb{R}^{m}f