又称为欧几里得距离,指的是欧几里得空间中两点间“普通”(即直线)距离。使用这个距离,欧氏空间成为度量空间。相关联的范数称为欧几里得范数。较早的文献称之为毕达哥拉斯度量。
在欧几里得空间中,点
x
=
(
x
1
,
.
.
.
,
x
n
)
x = (x_1,...,x_n)
x=(x1,...,xn)和
y
=
(
y
1
,
.
.
.
,
y
n
)
y = (y_1,...,y_n)
y=(y1,...,yn)之间的欧氏距离为:
d
(
x
,
y
)
:
=
(
x
1
−
y
1
)
2
+
(
x
2
−
y
2
)
2
+
⋅
⋅
⋅
+
(
x
n
−
y
n
)
2
d(x,y):= \sqrt{(x_1-y_1)^2+(x_2-y_2)^2+\cdot\cdot\cdot+(x_n-y_n)^2}
d(x,y):=(x1−y1)2+(x2−y2)2+⋅⋅⋅+(xn−yn)2
向量
x
⃗
\vec{x}
x的自然长度,即该点到原点的距离为
∣
∣
x
⃗
∣
∣
2
=
∣
x
1
∣
2
+
⋅
⋅
⋅
∣
x
n
∣
2
||\vec{x}||_2=\sqrt{|x_1|^2+\cdot\cdot\cdot|x_n|^2}
∣∣x∣∣2=∣x1∣2+⋅⋅⋅∣xn∣2
它是一个纯数值。在欧几里得度量下,两点之间线段最短。
-
范数(维基百科)
范数(norm),是具有“长度”概念的函数。
- 1-范数:向量元素绝对值之和
∣ ∣ x ∣ ∣ 1 = ∑ i = 1 N ∣ x i ∣ ||x||_1 = \sum_{i=1}^{N}|x_i| ∣∣x∣∣1=i=1∑N∣xi∣
- 2-范数:Euclid范数(欧几里得范数,常用计算向量长度),即向量元素绝对值的平方和再开方
∣ ∣ X ∣ ∣ 2 = ∑ i − 1 N x i 2 ||X||_2=\sqrt{\sum_{i-1}^{N}x_i^2} ∣∣X∣∣2=i−1∑Nxi2
- + ∞ +\infty +∞范数:所有向量元素绝对值中的最大值
∣ ∣ X ∣ ∣ + ∞ = max i ∣ x i ∣ ||X||_{+\infty} = \max_{i}|x_i| ∣∣X∣∣+∞=imax∣xi∣
- − ∞ -\infty −∞范数:所有向量元素绝对值中的最小值
∣ ∣ X ∣ ∣ − ∞ = min i ∣ x i ∣ ||X||_{-\infty} = \min_{i}|x_i| ∣∣X∣∣−∞=imin∣xi∣
- p-范数:向量元素绝对值的p次方和的1/p次幂
∣ ∣ X ∣ ∣ p = ( ∑ i = 1 N ∣ x i ∣ p ) 1 p ||X||_p=(\sum_{i=1}^{N}|x_i|^p)^\frac{1}{p} ∣∣X∣∣p=(i=1∑N∣xi∣p)p1
-
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
- 2-范数:谱范数,即A’A矩阵的最大特征值的开平方
- ∞ \infty ∞范数:行和范数,即所有矩阵行向量绝对值之和的最大值
- F-范数:Frobenius范数,即矩阵元素绝对值的平方和再开平方
- 核范数:矩阵A的奇异值
-
Reference