矩阵分析与应用-09-内积与范数

最新推荐文章于 2024-05-26 18:39:46 发布

Xiao__fly

最新推荐文章于 2024-05-26 18:39:46 发布

阅读量1.1k

点赞数

文章标签：大数据

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/Xiao__fly/article/details/125772416

版权

内积与范数

根据元素取值方式的不同，向量分为常数向量、函数向量和随机向量。如前所述，常数向量是元素为常数的向量;函数向量是元素取某个变量的函数值的向量;而随机向量则是元素为随机变量的向量。虽然常数向量、函数向量和随机向量的内积定义公式有所不同，但是无论向量取何种形式，向量的内积和范数都必须服从一定的公理。用 $R$ 和 $C$ 分别代表实数域和复数域。

定义1.

令V是复向量空间。函数<x,y>:VxV➡C称为向量x 与y 的内积，若对所有x, y,z ∈ V，以下内积公理满足:
(1)<x,x> ≥ 0 (非负性)
(1a)<x,x>= 0，当且仅当x=0 (正性)
(2)<x+y,z>=<x,z>+<y,z> (可加性)
(3)<cx,y>= c*<x,y>，对所有复常数c成立 (齐次性)
(4)<x,y>=<y,x>* (Hermitian 性)
其中，*表示复数共轭。

定义2.

令V是复向量空间。函数|x|:V→R称为向量x的范数，若对所有x,y∈V，下面的范数公理成立:
(1)||x||≥ 0 (非负性)
(1a)||x||= o，当且仅当x = 0 (正性)
(2)||cx||=|c| ||x||，对所有复常数c成立 (齐次性)
(3)||x+y||≤||x||+||y|| (三角不等式)

常数向量的内积与范数

两个rn×1维常数向量 $x=[x_1,x_2,...,x_m]^T$ 和 $y=[y_1,y_2,...,y_m]^T$ 的内积（或叫点积)定义为

$<x,y>=x^Hy=\sum^m_{i=1}x_i^*y_i$

两个向量之间的夹角定义为

$cos\theta = \frac{<x,y>}{\sqrt{<x,x>}\sqrt{<y,y>}}=\frac{x^Hy}{||x|| ||y||}$

两个常数向量称为正交，若它们的内积等于零，即 $x^H y=0$ ，并记作 $x\perp y$ 。

常用的向量范数：

(1) $l_1$ 范数又称和范数或者1范数

$||x||_1=|\sum_{i=1}^mx_i|=|x_1|+|x_2|+...+|x_m|$

(2) $l_2$ 范数常称Euclidean范数或Frobenius范数

$||x||_2=(|x_1|^2+|x_2|^2+...+|x_n|^2)^{1/2}$

(3) $l_\infty$ 范数又称无穷范数或极大范数

$||x||_\infty=max(|x_1|,|x_2|,..,|x_n|)$

(4) $l_p$ 范数又称Holder范数

$||x||_p=(\sum_{i=1}^m|x_i|^p)^{1/p} ,p\geq 1$

函数向量的内积与范数

若x(t)和y(t)分别是变量t的函数向量，则它们的内积定义为

$<x(t),y(t)>=\int^a_bx^H(t)y(t)dt$

两个函数向量的夹角定义为

$cos\theta = \frac{<x,y>}{\sqrt{<x,x>}\sqrt{<y,y>}}=\frac{\int^a_bx^H(t)y(t)dt}{||x(t)|| ||y(t)||}$

其中， $||x(t)||$ 是函数向量 $x(t)$ 的范数

$||x(t)||=(\int^b_ax^H(t)x(t)dt)^{1/2}$

若两个函数向量的内积等于零，则

$\int^\infty_{-\infty}x^H(t)y(t)dt =0$

所以 $\theta = 0$ 。两个函数向量正交，记作 $x(t)\perp y(t)$ 。

随机向量的内积与范数

若 $x(\xi)$ 和 $y(\xi)$ 分别是样本变量 $\xi$ 的随机向量，则它们的内积定义为

$<x(\xi),y(\xi)>=E\left \{ x^H(\xi)y(\xi) \right\}$

随机向量 $x(\xi)$ 的范数定义为

$||x(\xi)||^2=E\left\{x^H(\xi)x(\xi)\right\}$

与常数向量和函数向量的情况不同,m × 1随机向量 $x(\xi)$ 和n×1随机向量 $y(\xi)$ 称为正交，若a()的任意元素与 $y(\xi)$ 的任意元素正交。这意味着，两个向量的互相关矩阵为零矩阵On×n，记作 $x(\xi)\perp y(\xi)$ ，即

$E\left\{ x(\xi)y^H (\xi)\right\} =O_{m\times n}$

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
矩阵分析与应用-09-内积与范数

矩阵分析与应用-09-内积与范数
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。