一、范数包括向量范数和矩阵范数。
其中,对N维度的空间Rn中任意一个向量X,按照一定的法则,有一个确定的实数与之相对应,该实数记作║x║,如果║x║满足下面的三个性质,那么我们就称║x║为向量x的向量范数。
⒈ 非负(正定)性:||X||>=0,且当且仅当x=0的时候║x║=0;
⒉ 正齐次性:对任意实数λ,均有||λX||=|λ| ||X||;
⒊ 次可加性(三角不等式):对任意向量y∈Rn,||X+Y||<=||X||+||Y||
令x为向量:( x1,x2,…,xn)T ,常用向量范数有4种
①1-范数:║x║1=│x1│+│x2│+…+│xn│=sum(abs(xi)); 是指向量(矩阵)里面非零元素的个数。类似于求棋盘上两个点间的沿方格边缘的距离。应用:这个概念在二维图像处理的时候有涉及到,求两个像素点之间的通路的问题,其实就是两个像素点的1范数,是不变的,无论按照哪一条路走,最终的结果是一样的
②2-范数或Euclid范数:║x║2=(│x1│^2+│x2│^2+…+│xn│^2)^1/2 = sqrt(sum(xi.^2));是指空间上两个向量矩阵的直线距离。类似于求棋盘上两点见的直线距离 (无需只沿方格边缘)。其