1、证明线性方程AX=b,当系数矩阵A超定时，最小二乘解为
答案：参考一下链接的证明，不想去证明一次，说一下思路，这个是最小化，||Ax-b||/2，通过矩阵的迹来确定，
TR{{AX-B}{AX-B}T}, 对这个迹进行对X求导，求出导数为零的点，可以解得上面这个公式。迹的求导可以这个链接：https://blog.csdn.net/acdreamers/article/details/44662633。
2、调研最速下降法、牛顿法、高斯牛顿法、列文伯格-马夸尔特方法各有什么优点，除了ceres库和g2o库还有什么优化库。
答：什么是最速下降法，解决了什么问题，基本的原理是什么？
参看一下大牛在文章，最速下降法是指选定一个初始点，在梯度负方向上进行搜索，得到一个局部驻点，这种方法不足是初始角，步长的选择过大或者过小都容易出现问题，当接近驻点时搜索过慢。https://zhuanlan.zhihu.com/p/32709034。
牛顿法是函数在某一点附近进行了二次展开，需要用来Hessen矩阵计算较为复杂，运算量较大，它的优点是，采用了二次拟合，下降速度更快。参考这篇文章，https://www.cnblogs.com/shixiangwan/p/7532830.html
高斯牛顿法是牛顿法专门用来解决最非线性最小二乘的问题。列文伯格-马夸尔特方法解决了高斯牛顿法在初始迭代不能保证收敛的缺点。
3、为什么高斯牛顿法的增量系数矩阵可能不正定，不正定有什么几何含义，为什么这种情况下解就不稳定了。
答：增量矩阵JT*J，假设J在方阵的情形下，正定矩阵的要求是所有特征值均为零，经过我的思考，如果雅克比矩阵是半正定的，也就是在某种情况下，J的行列式会等于零，这个时候增量方程出现零行某些变量将不会被优化到，所以得不到一个最优解。增量矩阵内在要求H就是要是正定的，如果出现０的情况，无法求解。这时代表在这个方向上，无变化，所有点都一样，无法在这个方向上优化。
如何查看内存在使用情况，ubuntu，gnome-system-monitor。
安装ceres库时遇到关于模板的问题，“” is not a template.所以，这时说的是eigen版本太低。重新安装
４、DogLeg是什么，与高斯牛顿和列文伯格－马夸尔特方法有何异同。
答：基于信赖域的优化问题,狗腿法,是基于依赖域的,更加灵活,与高斯牛顿和马夸尔特方法相比,不同点是采用了依赖域,相同点是都采用了非纯线性梯度的方法.
