范数

向量和矩阵的各种范数简介（包括1范数、2范数、无穷范数，L0-范数，L1-范数，L2范数等等）

一、向量范数

假设向量 a = [-2 3 -6].

1. 1-范数

定义：向量的各个元素的绝对值之和；
格式： ${\Vert a\Vert }_1=11$ ；
MATLAB代码：norm(a, 1).

2. 2-范数

定义：向量的各个元素的平方和再开根号；
格式：${\Vert a\Vert }_2=7$；
MATLAB代码：norm(a, 2).

3. 无穷范数

（1）正无穷范数
定义：向量所有元素绝对值中最大；
格式：${\Vert a\Vert }_{+\infty }=6$；
MATLAB代码：norm(a, inf).
（2）负无穷范数
定义：向量所有元素绝对值中最小；
格式：${\Vert a\Vert }_{-\infty }=2$；
MATLAB代码：norm(a, -inf).

二、矩阵范数

$$\begin{array}{c}A=\left[\begin{array}{ccc}-1& 2& -3\\ 4& -6& 6\end{array}\right]\end{array}$$

1. 1-范数
   定义：矩阵的每一列元素求和，再取其中和最大的数，即列和最大；
   格式：${\Vert A\Vert }_1=9$ ；
   MATLAB代码：norm(A, 1).

2. 2-范数
   定义：矩阵$A^{T}A$的最大特征值开平方根；
   格式：${\Vert A\Vert }_2=10.0623$ ；
   MATLAB代码：norm(A, 2).

3. 无穷范数
   定义：矩阵每一行求和，再取行和最大的数，即行和最大；
   格式：${\Vert A\Vert }_2=16$；
   MATLAB代码：norm(A, inf).

4. L0-范数 （稀疏性）
   定义：矩阵非0元素的个数，可以用来表达稀疏性，矩阵的L0-范数越小，说明矩阵中0元素越多，矩阵越稀疏。
   格式：${\Vert A\Vert }_0=6$ ；
   sum(MATLAB代码：A(~=0))

5. L1-范数 （稀疏性）
   定义：矩阵中的每个元素绝对值之和，它是L0范数的最优凸近似，因此它也可以表示稀疏；
   格式：${\Vert A\Vert }_1=22$ ；
   MATLAB代码：sum(abs(A(?))

6. F-范数
   定义：矩阵中所有元素的平方和开根号；
   格式：${\Vert A\Vert }_F=sqrt(102)$ ；
   MATLAB代码：sum(sum(A.^2)) 或者 norm(A,‘fro’);

7. 核范数 （低秩）
   定义：矩阵的奇异值（将矩阵svd分解）之和，这个范数可以用来低秩表示（因为最小化核范数，相当于最小化矩阵的秩——低秩）；
   格式：${\Vert A\Vert }_{\ast }=10.9287$ ；
   MATLAB代码：sum(svd(A));

8. L21范数
   定义：矩阵先以每一列为单位，求每一列的F范数（也可认为是向量的2范数），然后再将得到的结果求L1范数（也可认为是向量的1范数），很容易看出它是介于L1和L2之间的一种范数；
   格式：${\Vert A\Vert }_{21}=17.1559$ ；
   MATLAB代码：norm(A(:,1), 2) + norm(A(:,2), 2) + norm(A(:,3), 2).