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:
- 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;
- 非负齐次性homogeneity或scaling, ∥ k x ∥ = ∣ k ∣ ∥ x ∥ \parallel kx\parallel=|k|\parallel x\parallel ∥kx∥=∣k∣∥x∥
- 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|
∥x∥1=∣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|
∥x∥1=i=1∑n∣xi∣
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}
∥x∥2=∣x1∣2+∣x2∣2+⋯+∣xn∣2
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}
∥x∥2=i=1∑n∣xi∣2
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+i∣2=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}
∥x∥p=(∣x1∣p+∣x2∣p+⋯+∣xn∣p)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
∥x∥p=(i=1∑n∣xi∣p)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}
∥x∥p=pi=1∑n∣xi∣p
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∣ ∣1≤i≤n}
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