1、向量范数
1-范数:
∥
x
⃗
∥
1
=
∑
i
=
1
N
∣
x
i
∣
\parallel \vec{x} \parallel_1=\sum_{i=1}^N\lvert x_i \rvert
∥x∥1=i=1∑N∣xi∣
即向量元素绝对值之和,matlab调用函数norm
(x, 1) 。
2-范数:
∥
x
⃗
∥
2
=
(
∑
i
=
1
N
∣
x
i
∣
2
)
1
2
\parallel \vec{x} \parallel_2=(\sum_{i=1}^N\lvert x_i \rvert^2)^{\frac{1}{2}}
∥x∥2=(i=1∑N∣xi∣2)21
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,matlab调用函数norm
(x, 2)。
∞ \infty ∞-范数:
∥ x ⃗ ∥ ∞ = max i = 1 ∣ x i ∣ \parallel \vec{x} \parallel_\infty=\max_{i=1}\lvert x_i \rvert ∥x∥∞=i=1max∣xi∣
即所有向量元素绝对值中的最大值,matlab调用函数norm
(x, inf)。
− ∞ -\infty −∞-范数:
∥
x
⃗
∥
−
∞
=
min
i
=
1
∣
x
i
∣
\parallel \vec{x} \parallel_{-\infty}=\min_{i=1}\lvert x_i \rvert
∥x∥−∞=i=1min∣xi∣
,即所有向量元素绝对值中的最小值,matlab调用函数norm
(x, -inf)。
p-范数:
∥ x ⃗ ∥ p = ( ∑ i = 1 N ∣ x i ∣ p ) 1 p \parallel \vec{x} \parallel_p=(\sum_{i=1}^N\lvert x_i \rvert^p)^{\frac{1}{p}} ∥x∥p=(i=1∑N∣xi∣p)p1
,即向量元素绝对值的p次方和的1/p次幂,matlab调用函数norm
(x, p)。
2、矩阵范数
1-范数:
∥
A
∥
1
=
max
j
∑
i
=
1
N
∣
a
i
,
j
∣
\parallel \bold{A} \parallel_1=\max_j\sum_{i=1}^N\lvert a_{i ,j}\rvert
∥A∥1=jmaxi=1∑N∣ai,j∣
列和范数,即所有矩阵列向量
绝对值之和的最大值,matlab调用函数norm
(A, 1)。
2-范数:
∥
A
∥
2
=
λ
1
,
λ
1
为
A
T
A
的
最
大
特
征
值
\parallel \bold{A} \parallel_2={\sqrt{\lambda_1}},\lambda_1为 \bold{A}^T \bold{A}的最大特征值
∥A∥2=λ1,λ1为ATA的最大特征值
谱范数,即
A
′
A
\bold{A}^{'} \bold{A}
A′A矩阵的最大特征值的开平方
。matlab调用函数norm
(x, 2)。
在matlab中
A
’
A’
A’的意思是求共轭转置矩阵。
∞ \infty ∞-范数:
∥
A
∥
∞
=
max
i
∑
j
=
1
n
∣
a
i
,
j
∣
\parallel \bold{A} \parallel_\infty=\max_{i}\sum_{j=1}^n\lvert a_{i,j} \rvert
∥A∥∞=imaxj=1∑n∣ai,j∣
行和范数,即所有矩阵行向量
绝对值之和的最大值,matlab调用函数norm
(A, inf)。
F-范数:
∥ A ∥ F = ( ∑ i = 1 m ∑ j = 1 n ∣ a i , j ∣ 2 ) 1 2 \parallel \bold{A} \parallel_F=(\sum_{i=1}^m\sum_{j=1}^n{\lvert a_{i,j} \rvert}^2)^{\frac{1}{2}} ∥A∥F=(i=1∑mj=1∑n∣ai,j∣2)21
Frobenius范数,即矩阵元素绝对值的平方
和再开平方,matlab调用函数norm
(A, ’fro‘)。
参考