9.1 向量范数

范数定义

  赋范线性空间normed vector space,是定义了向量范数的线性空间。首先我们来看看向量范数的定义吧。范数,英文叫Norm,是一个满足以下三个性质的从向量到复数的映射。假设 x x x是一个向量, x x x的范数的符号是 ∥ x ∥ \parallel x\parallel x,这三条性质是这样的:

  1. 正定性positivity, ∥ x ∥ ≥ 0 \parallel x\parallel\ge 0 x∥≥0,只有 A = 0 A=0 A=0时才取等号;
  2. 非负齐次性homogeneityscaling, ∥ k x ∥ = ∣ k ∣ ∥ x ∥ \parallel kx\parallel=|k|\parallel x\parallel kx∥=kx
  3. 劣可加性subadditivity或三角不等式triangle inequality ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \parallel x+y\parallel \le \parallel x\parallel+\parallel y\parallel x+y∥≤∥x+y

  这个定义是针对所有线性空间的,我们知道实数 R R R可以当成一个一维的线性空间,所以绝对值,符合上述的三点定义。所以所有实数组成的空间(不能叫实空间!)中的绝对值是一个范数。
  再举个例子,所有复数 C C C也组成了一个二维的线性空间(不能叫复空间!),复数的模长也是一个范数。
  接下来,我要介绍 C n C^n Cn空间中最重要的四种范数。

向量的1-范数

  1-范数1-norm,就是坐标的所有绝对值相加的定义如下:
∥ x ∥ 1 = ∣ x 1 ∣ + ∣ x 2 ∣ + ⋯ + ∣ x n ∣ \parallel x\parallel_1=|x_1|+|x_2|+\cdots+|x_n| x1=x1+x2++xn
  或者高大上一点:
∥ x ∥ 1 = ∑ i = 1 n ∣ x i ∣ \parallel x\parallel_1=\sum_{i=1}^n|x_i| x1=i=1nxi

向量的2-范数

  2-范数2-norm,在实空间里也叫欧几里得范数Euclidean norm,在一般情况下,求向量的范数,意思就是求向量的2-范数。它的定义如下:
∥ x ∥ 2 = ∣ x 1 ∣ 2 + ∣ x 2 ∣ 2 + ⋯ + ∣ x n ∣ 2 \parallel x\parallel_2=\sqrt{|x_1|^2+|x_2|^2+\cdots+|x_n|^2} x2=x12+x22++xn2
  或者高大上一点:
∥ x ∥ 2 = ∑ i = 1 n ∣ x i ∣ 2 \parallel x\parallel_2=\sqrt{\sum_{i=1}^n|x_i|^2} x2=i=1nxi2
  有时候我们会好奇为啥非要加个绝对值呢?这个不是绝对值啊,是模长!以复数为例子:
∣ 3 + i ∣ 2 = 10 ( 3 + i ) 2 = 9 + i 2 + 6 i = 8 + 6 i |3+i|^2=10\\ (3+i)^2=9+i^2+6i=8+6i ∣3+i2=10(3+i)2=9+i2+6i=8+6i

向量的p-范数

  p-范数p-norm,在实空间里也叫欧几里得范数Euclidean norm,在一般情况下,求向量的范数,意思就是求向量的2-范数。它的定义如下:
∥ x ∥ p = ( ∣ x 1 ∣ p + ∣ x 2 ∣ p + ⋯ + ∣ x n ∣ p ) 1 p \parallel x\parallel_p=(|x_1|^p+|x_2|^p+\cdots+|x_n|^p)^{\frac1p} xp=(x1p+x2p++xnp)p1
  或者高大上一点:
∥ x ∥ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 p \parallel x\parallel_p=(\sum_{i=1}^n|x_i|^p)^\frac1p xp=(i=1nxip)p1
  但是不能写成:
∥ x ∥ p = ∑ i = 1 n ∣ x i ∣ p p \parallel x\parallel_p=\sqrt[p]{\sum_{i=1}^n|x_i|^p} xp=pi=1nxip
  为啥不能这么写?因为 p p p不一定是整数哦。
  1-范数,2-范数其实就是p=1和2时的p-范数。

向量的 ∞ \infty -范数

  无穷范数是求向量的各个分量(就是坐标)模长的最大值,定义如下:
∥ x ∥ ∞ = m a x { ∣ x i ∣   ∣ 1 ≤ i ≤ n } \parallel x\parallel _\infty=max\{|x_i| \ |1\le i \le n\} x=max{xi ∣1in}
  1-范数,2-范数,p-范数以及无穷范数符合范数的定义吗?如果要证明这些范数符合向量范数的定义,尤其是三角不等式的证明,就需要用到线性代数的三大不等式:柯西-施瓦茨不等式、赫尔德不等式和闵可夫斯基不等式。下一篇文章,我会详细讲解三大不等式。

内积导出范数

  范数 ∥ a ∥ = ( a , a ) \parallel \bold a \parallel=\sqrt{(a,a)} a∥=(a,a) 是向量的按内积导出的范数,有时候当成向量的长度,如定义以下内积:
( a , b ) = a T A b A = ( 1 0 0 0 2 0 0 0 3 ) (\bold a,\bold b)=\bold a^TA \bold b\\ A=\begin{pmatrix}1 & 0 & 0\\ 0 & 2 & 0\\ 0 & 0 & 3 \end{pmatrix} (a,b)=aTAbA= 100020003
  那么向量 ( 1 , 2 , 1 ) T (1,2,1)^T (1,2,1)T的范数为:
∥ 1 2 1 ∥ = ( a , a ) = 12 \begin{Vmatrix} 1\\2\\1\end{Vmatrix}=\sqrt{(a,a)}=\sqrt{12} 121 =(a,a) =12

  • 4
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

醒过来摸鱼

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
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。

余额充值