矩阵分析与应用(22)

学习来源:《矩阵分析与应用》 张贤达 清华大学出版社

矩阵分析与应用学习小结

一、向量的范数

1. 定义

        向量的范数是用来刻画向量大小的一种度量。设映射 \left \| \cdot \right \|:C^n\rightarrow R 满足:

① 非负性: \left \| x \right \|\geqslant 0 ,当且仅当 x=0 时,\left \| x \right \|=0 ;

② 其次性: \left \| \lambda x \right \|=\left | \lambda \right |\left \| x \right \|,\lambda \in R ,x\in C^n ;

③ 三角不等式: \left \| x+y \right \|\leqslant \left \| x \right \|+\left \| y \right \|,\forall x,y\in C^n 。

则称映射 \left \| \cdot \right \| 为 C^n 上向量 x 的范数。

2. 向量的 1 范数

        向量的 1 范数是指向量中所有元素的绝对值之和,用公式表示为

\left \| x \right \|_1=\sum_{i=1}^{n}\left | x_i \right |

其中 x=[x_1,x_2,\cdots ,x_n]

        例: a=[1,-3,4,7]

\left \| a \right \|_1=\left | 1 \right |+\left | -3 \right |+\left | 4 \right |+\left | 7 \right |=15

3.向量的 2 范数

        向量的 2 范数又称欧几里得范数,表示通常意义上的模,用公式表示为

\left \| x \right \|_2=\left ( \sum_{i=1}^{n}\left | a \right |^2 \right )^{\frac{1}{2}}

其中,x=[x_1,x_2,\cdots ,x_n] 。

        例:b=[1+i,4i,2\sqrt{2}-i,-2\sqrt{2}]

\left \| b \right \|_2=\left ( \left | 1+i \right |^2+\left | 4i \right |^2+\left | 2\sqrt{2}-i \right |^2+\left | -2\sqrt{2} \right |^2 \right )=\sqrt{35}

二、矩阵的范数

1. 定义

        由于一个 m\times n 矩阵可以看做 mn 维向量,因此可以按照定义向量范数的方式定义矩阵范数。

        设 C^{n\times n} 表示复数域 C 上全体 n\times n 矩阵构成的线性空间,设函数 \left \| \cdot \right \|:C^{n\times n}\rightarrow R 满足:

① 非负性: \left \| A \right \|\geqslant 0 ,当且仅当 A=0 时,\left \| A \right \|=0 ;

② 齐次性: \forall \lambda \in C,\left \| \lambda A \right \|=\left | \lambda \right |\left \| A \right \| ;

③ 三角不等式: \left \| A+B \right \|\leqslant \left \| A \right \|+\left \| B \right \| ;

④ 相容性: \left \| AB \right \|\leqslant \left \| A \right \|\left \| B \right \| 。

则称 \left \| \cdot \right \| 为矩阵 A 的范数。

2. 矩阵的 1 范数

        矩阵的 1 范数是矩阵的每一列上的元素绝对值先求和,再从中取最大值(列和最大)。用公式表示为:

\left \| A \right \|_1=\underset{j}{max}\sum_{i=1}^{n}\left | a_{ij} \right |

其中, A=(a_{ij})_{n\times n}\in C^{n\times n} 。

3. 矩阵的 2 范数

        矩阵的 2 范数是矩阵 A^HA 的最大特征值开平方,用公式表示为:

\left \| A \right \|_2=\sqrt{\lambda_1}

其中,A=(a_{ij})_{n\times n}\in C^{n\times n} ,\lambda_1 为 A^HA 的最大特征值。

4. 矩阵的 F 范数

        矩阵的 F 范数是矩阵的所有元素的平方和开根号,用公式表示为:

\left \| A \right \|_F=\sqrt{\sum_{i=1}^{n}\sum_{j=1}^{n}\left | a_ij \right |^2}

其中,A=(a_{ij})_{n\times n}\in C^{n\times n} 。

5. 矩阵的无穷范数

        矩阵的无穷范数是矩阵的每一行上的元素绝对值先求和,再从中取最大值(行和最大)。用公式表示为:

\left \| A \right \|_\infty =\underset{i}{max}\sum_{j=1}^{n}\left | a_{ij} \right |

其中,A=(a_{ij})_{n\times n}\in C^{n\times n} 。

6. 例

1)矩阵 A=\begin{bmatrix} 1 & 3& -2\\ 0 & 2 &2 \\ 1 & -1 & 0 \end{bmatrix}

\left \| A \right \|_1=max\left \{ 1+1,3+2+(-1),(-2)+2 \right \}=max\left \{ 2,4,0 \right \}=4 

\left \| A \right \|_F=\sqrt{1^2+3^2+(-2)^2+2^2+2^2+1^2+(-1)^2}=\sqrt{24}=2\sqrt{6}

\left \| A \right \|_\infty =max\left \{ 1+3+(-2),2+2,1+(-1) \right \}=max\left \{ 2,4,0 \right \}=4

2)矩阵 B=\begin{bmatrix} 0 & 1& 0\\ 1& 0 &0 \\ -1 & 0 & 0 \end{bmatrix}

\left \| A \right \|_2=\sqrt{max\left \{ 0,1,2 \right \}}=\sqrt{2}

 

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
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