矩阵基本知识

 

特征值

在A变换的作用下，向量ξ仅仅在尺度上变为原来的λ倍。称ξ是A 的一个特征向量，λ是对应的特征值（本征值）,是（实验中）能测得出来的量，与之对应在量子力学理论中，很多量并不能得以测量，当然，其他理论领域也有这一现象。

eigen value 　　又称 本征值 。 　　

设A是向量空间 的一个线性变换 ，如果空间中某一非零向量通过A变换后所得到的向量和X 仅差一个常数因子，即AX=kX ，则称k为A的特征值，X称为A的属于特征值k的特征向量 或特征矢量(eigenvector)。　　

设M是n阶方阵 ， I是单位矩阵，如果存在一个数λ使得 M-λI 是奇异矩阵 （即不可逆矩阵 ， 亦即行列式 为零）， 那么λ称为M的特征值。 　　

特征值的计算方法n阶方阵A的特征值λ就是使齐次线性方程组（A-λI）x=0有非零解的值λ，也就是满足方程组|A-λI|=0的λ都是矩阵A的特征值

范数的定义

设X是数域K上线性空间，称║˙║为X上的范数(norm)，若它满足：　　

1. 正定性：║x║≥0，且║x║=0 <=> x=0； 　　

2. 齐次性：║cx║=│c│║x║；　　

3. 次可加性(三角不等式)：║x+y║≤║x║+║y║ 。 　　

注意到║x+y║≤║x║+║y║中如令y=-x，再利用║-x║=║x║可以得到║x║≥0，即║x║≥0在定义中不是必要的。　　

如果线性空间上定义了范数，则称之为赋范线性空间。　　

注记：范数与内积，度量，拓扑是相互联系的。　　

1. 利用范数可以诱导出度量：d(x,y)=║x-y║，进而诱导出拓扑，因此赋范线性空间是度量空间。　　但是反过来度量不一定可以由范数来诱导。 　　

2. 如果赋范线性空间作为(由其范数自然诱导度量d(x,y)=║x-y║的)度量空间是完备的，即任何柯西(Cauchy)序列在其中都收敛，则称这个赋范线性空间为巴拿赫(Banach)空间。　　

3. 利用内积<˙,˙>可以诱导出范数：║x║=<x,x>^{1/2}。　　

反过来，范数不一定可以由内积来诱导。当范数满足平行四边形公式║x+y║^2+║x-y║^2=2(║x║^2+║y║^2)时，这个范数一定可以由内积来诱导。　　

完备的内积空间成为希尔伯特(Hilbert)空间。　　

4.如果去掉范数定义中的正定性，那么得到的泛函称为半范数(seminorm或者叫准范数)，相应的完备空间称为Fréchet空间。　　

对于X上的两种范数║x║α,║x║β，若存在正常数C满足　　

║x║β≤C║x║α 　　

那么称║x║β弱于║x║α。如果║x║β弱于║x║α且║x║α弱于║x║β，那么称这两种范数等价。　　可以证明，有限维空间上的范数都等价，无限维空间上至少有阿列夫1(实数集的基数)种不等价的范数。

常用范数

这里以C^n空间为例，R^n空间类似。　　

最常用的范数就是p-范数。若x=[x1,x2,...,xn]^T，

那么 　　║x║p=(|x1|^p+|x2|^p+...+|xn|^p)^{1/p} 　　

可以验证p范数确实满足范数的定义。其中三角不等式的证明不是平凡的，这个结论通常称为闵可夫斯基(Minkowski)不等式。　　

当p取1，2，∞的时候分别是以下几种最简单的情形：　　

1-范数：║x║1=│x1│+│x2│+…+│xn│ 　　

2-范数：║x║2=(│x1│^2+│x2│^2+…+│xn│^2)^1/2 　　

∞-范数：║x║∞=max(│x1│,│x2│,…,│xn│) 　　

其中2-范数就是通常意义下的距离。　　

对于这些范数有以下不等式：║x║∞ ≤ ║x║2 ≤ ║x║1 ≤ n^{1/2}║x║2 ≤ n║x║∞ 　　

另外，若p和q是赫德尔(H&ouml;lder)共轭指标，即1/p+1/q=1，那么有赫德尔不等式：　　|<x,y>| = ||x^H*y| <= ║x║p║y║q 　　

当p=q=2时就是柯西-许瓦兹(Cauchy-Schwarz)不等式。

矩阵范数

　　 矩阵 范数除了正定性，齐次性和三角不等式之外，还规定其必须满足相容性：║XY║≤║X║║Y║。 　　注：如果不考虑相容性，那么矩阵范数和向量范数就没有区别，因为mxn矩阵全体和mn维向量空间 同构。引入相容性主要是为了保持矩阵作为线性算子的特征，这一点和算子范数的相容性一致，并且可以得到Mincowski定理以外的信息。

诱导范数