向量范数
0-范数,向量中非零元素的个数。
1-范数:
∥
x
∥
1
=
∑
i
=
1
N
∣
x
i
∣
\lVert x\rVert_1=\displaystyle\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
\lVert x\rVert_2=(\displaystyle\sum_{i=1}^N\lvert x_i\rvert^2)^{\frac12}
∥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)
。
∞-范数:
∥
x
∥
∞
=
max
i
∥
x
i
∥
\lVert x\rVert_{\infin}=\displaystyle\max_i\lVert x_i\rVert
∥x∥∞=imax∥xi∥,即所有向量元素绝对值中的最大值,matlab调用函数norm(x, inf)
。
-∞-范数:
∥
x
∥
−
∞
=
min
i
∥
x
i
∥
\lVert x\rVert_{-\infin}=\displaystyle\min_i\lVert x_i\rVert
∥x∥−∞=imin∥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
∥
∞
=
(
∑
i
=
1
N
∣
x
i
∣
p
)
1
p
\lVert x\rVert_{\infin}=(\displaystyle\sum_{i=1}^N\lvert x_i\rvert^p)^{\frac1p}
∥x∥∞=(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)
。
矩阵范数
1-范数:
∥
A
∥
1
=
max
j
∑
i
=
1
m
∣
a
i
j
∣
\lVert A\rVert_1=\displaystyle\max_j\sum_{i=1}^m|a_{ij}|
∥A∥1=jmaxi=1∑m∣aij∣, 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
\lVert A\rVert_2=\sqrt{\lambda_1},\lambda_1
∥A∥2=λ1,λ1是
A
T
A
A^TA
ATA的最大特征值,谱范数,即A’A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)
。
∞-范数:
∥
A
∥
∞
=
max
i
∑
j
=
1
n
∣
a
i
j
∣
\lVert A\rVert_{\infin}=\displaystyle\max_i\sum_{j=1}^n|a_{ij}|
∥A∥∞=imaxj=1∑n∣aij∣,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
\lVert A\rVert_F=(\displaystyle\sum_{i=1}^m\sum_{j=1}^n|a_{ij}|^2)^{\frac12}
∥A∥F=(i=1∑mj=1∑n∣aij∣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‘)
。
核范数:
∥
A
∥
∗
\lVert A\rVert_*
∥A∥∗,矩阵的奇异值之和,可以用来表示低秩(因为最小化核范数,相当于最小化矩阵的秩——低秩,matlab调用函数sum(svd(A))
。