1.2 矩阵的性能指标及范数的相关应用

最新推荐文章于 2023-06-25 16:12:48 发布

enthwxq

最新推荐文章于 2023-06-25 16:12:48 发布

阅读量2.4k

点赞数 3

分类专栏： ML matrix

本文链接：https://blog.csdn.net/enthwxq/article/details/84261576

版权

18 篇文章 1 订阅

订阅专栏

11 篇文章 1 订阅

订阅专栏

紧接着上文1.1，接下来梳理一下相关的性能指标。（很多东西都有先成的一大堆，这里之列自己有问题的点）

一、矩阵的性能指标

1.矩阵的二次型

实对称矩阵是唯一的，衡量的是矩阵的正定性与负定性。

2.矩阵的行列式

刻画方阵的奇异性

3.方阵的迹

定义： $\large tr(A_{n \times n})=a_{1,1}+a_{2,2}+...+a_{n,n}$

并且 $\large tr(A_{n \times n})=\lambda _{1,1}+\lambda _{2,2}+...+\lambda _{n,n}$ .

迹反应的是特征值之和。

3.方阵的特征值/非方阵的奇异值

对于方阵来说，它的特征值集合叫做它的谱，记为 $\large \lambda (A_{n\times n})$ ,谱半径是矩阵最大的特征值。

对于非方阵来说，它的奇异值没有特定的名字，只是记为 $\large \sigma (A_{m \times n})$

对于非方阵：构造 $\large A^{T}A$ 和 $\large AA^{T}$ ,它们是方阵。

所以有（1）： $\large A^{T}A$ 和 $\large AA^{T}$ 的特征值的正平方根是 $\large A$ 的奇异值。

（2）: $\large tr(A^{T}A)=tr(AA^{T})=\sum_{i=1}^{min(m,n)}\sigma _{i}^2$

4:与范数的相关关系：

接对于一个方阵来说：它的谱范数是它最大的特征值。 $\large ||A_{n \times n}||_{spec}=\lambda_{max}(A)$ 。

对于一个非方阵来说：它的谱范数是它最大的奇异值： $\large ||A_{m \times n}||_{spec}=\sigma _{max}(A)$ 。

对于任意一个矩阵来说： $\large ||A_{m \times n}||_{F}^2=tr(A^TA)=tr(AA^T)=\sigma _{1}^2+\sigma _{2}^2+...+\sigma _{r}^2$ 。

对于方阵来说，在右边继续可以加上， $\large ||A_{n \times n}||_{F}^2=tr(A^TA)=tr(AA^T)=\lambda_{1}^2+\lambda_{2}^2+...+\lambda_{n}^{2}$

所有以上的总结有下表:

方阵 $\large A_{n \times n}$	非方阵 $\large A_{m \times n}$
$\large \lambda (A)$	$\large \sigma (A)$
$\large tr(A)$
$\large 用$ 用 $\large A_{m \times n}$ 构造两个对称阵，如->	$\large A^TA$ 和 $\large AA^T$ .
$\large A^TA$ 和 $\large AA^T$ 特征值平方根是	$\large A_{m \times n}$ 的奇异值。
$\large tr(AA^T)=tr(A^TA)$	$\large =\sigma _{1}^2+\sigma _{2}^2+...+\sigma _{r}^2$
$\large \|\|A_{n \times n}\|\|_{spec}=\lambda_{max}(A)$	$\large \|\|A_{m \times n}\|\|_{spec}=\sigma _{max}(A)$
$\large \|\|A_{n \times n}\|\|_{F}^2=tr(A^TA)=tr(AA^T)=\lambda_{1}^2+\lambda_{2}^2+...+\lambda_{n}^{2}$	$\large \|\|A_{m \times n}\|\|_{F}^2=tr(A^TA)=tr(AA^T)=\sigma _{1}^2+\sigma _{2}^2+...+\sigma _{r}^2$

二、范数的相关应用：

1.线性方程组解的稳定性分析，涉及到数值线性代数的内容，还没有学完，以后再补全。

2.图像处理中的应用。

图像复原：还没有写，写完再补链接。

关注

专栏目录