范数(norm)是数学中的一种基本概念。满足一定的条件,即
①非负性;||X||>=0
②齐次性;||aX||=|a| ||X||
③三角不等式。||X+Y||<=||X||+||Y||
它常常被用来度量某个向量空间(或矩阵)中的每个向量的长度或大小。
范数包括向量范数和矩阵范数,向量范数用来表示向量的大小,矩阵范数表示矩阵引起变化的大小,比如AX=B,X经过A矩阵变换变成B,矩阵范数就是来衡量这个变化的大小。
1.向量范数
最常用的范数就是Lp-范数。若,那么
当p取0, 的时候分别是以下几种最简单的情形:
0-范数:L0(x)为向量中非零元素的个数
1-范数:║x║1=L1(x)=│x1│+│x2│+…+│xn│
2-范数(Euclid范数(欧几里得范数):║x║2=L2(x)=(│x1│2+│x2│2+…+│xn│2)1/2
∞-范数:║x║∞=L∞(x)=max(│x1│,│x2│,…,│xn│)
-∞-范数:║x║-∞=L-∞(x)=min(│x1│,│x2│,…,│xn│)
2.矩阵范数
1-范数:
列和范数,即所有矩阵列向量绝对值之和的最大值,matlab调用函数norm(A, 1)。
2-范数:
谱范数,即A'A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)。
∞-范数:
行和范数,即所有矩阵行向量绝对值之和的最大值,matlab调用函数norm(A, inf)。
F-范数:
Frobenius范数,即矩阵元素绝对值的平方和再开平方,matlab调用函数norm(A, 'fro')。
3.距离
闵可夫斯基距离(Minkowski Distance)对应L-p范数,代表一组距离,,给定样本x1=(x11,x12,…,x1n)与 x2=(x21,x22,…,x2n),公式定义如下:
其中p是一个变参数。
当p=1时,就是曼哈顿距离,也称街区距离,对应L-1范数
当p=2时,就是欧氏距离,对应L-2范数
当p→∞时,就是切比雪夫距离,对应L∞范数,两个向量x1, x2的切比雪夫距离为d =max(|x1i - x2i|)
Mahalanobis距离:也称作马氏距离。在近邻分类法中,常采用欧式距离和马氏距离。
马氏距离又称为数据的协方差距离。它是一种有效的计算两个未知样本集的相似度的方法。
假设ux为向量X={x1,x2,...,xN}的均值,uy为Y={y1,y2,...yN}的均值,Σ 是X与Y的协方差
点X与Y的马氏距离为:
参考博客:点击打开链接https://blog.csdn.net/jack_20/article/details/72896459
点击打开链接https://blog.csdn.net/gongem/article/details/51131397
点击打开链接https://blog.csdn.net/Kevin_cc98/article/details/73742037