矩阵范数理论及其应用
文章目录
一、向量范数
1、范数与赋范线性空间
如果线性空间
V
V
V 中的任一向量
x
x
x ,都对应一个实值函数
f
(
x
)
f(x)
f(x),记为
∣
∣
x
∣
∣
||x||
∣∣x∣∣ ,并满足以下三个条件(称为范数公理):
(1) 正定性:
x
≠
0
x\neq 0
x=0时,
∣
∣
x
∣
∣
>
0
||x||>0
∣∣x∣∣>0;
x
=
0
x=0
x=0时,
∣
∣
x
∣
∣
=
0
||x||=0
∣∣x∣∣=0
(2) 齐次性:
∣
∣
a
x
∣
∣
=
∣
a
∣
∣
∣
x
∣
∣
||ax||=|a| \ ||x||
∣∣ax∣∣=∣a∣ ∣∣x∣∣,
a
∈
K
a \in K
a∈K,
x
∈
V
x \in V
x∈V
(3) 三角不等式:
∣
∣
x
+
y
∣
∣
≤
∣
∣
x
∣
∣
+
∣
∣
y
∣
∣
||x+y||\leq||x||+||y||
∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣ ,
x
,
y
∈
V
x,y \in V
x,y∈V
则称
∣
∣
x
∣
∣
||x||
∣∣x∣∣ 为
V
V
V 上向量
x
x
x 的范数,
V
V
V 称为赋范线性空间
- 对于赋范线性空间 V V V 上任意的 x x x ,定义实值函数 $ f (x) =|| x|| $,则 f ( x ) f (x) f(x) 为 $V $ 上的连续函数,即 x → x 0 x \rightarrow x_0 x→x0 时, f ( x ) → f ( x 0 ) f (x)\rightarrow f (x_0 ) f(x)→f(x0),其中 x 0 ∈ V x_0 \in V x0∈V 。
- 设 P P P 为 $n $ 阶可逆矩阵,对于 n n n 维向量 x ∈ C n x \in C^n x∈Cn , ∣ ∣ x ∣ ∣ 1 ||x||_1 ∣∣x∣∣1为 C n C^n Cn 中的一个范数,令 ∣ ∣ x ∣ ∣ 2 = ∣ ∣ P x ∣ ∣ 1 ||x||_2 = ||Px||_1 ∣∣x∣∣2=∣∣Px∣∣1 ,则 ∣ ∣ x ∣ ∣ 2 ||x||_2 ∣∣x∣∣2 也为 C n C^n Cn 中的范数。
- 设 ∣ ∣ x ∣ ∣ a ||x||_a ∣∣x∣∣a 为 C n C^n Cn 中的一个范数,令 ∣ ∣ x ∣ ∣ b = r ∣ ∣ x ∣ ∣ a ||x||_b = r \ ||x||_a ∣∣x∣∣b=r ∣∣x∣∣a , r ∈ R + r\in R^+ r∈R+ ,则 ∣ ∣ x ∣ ∣ b ||x||_b ∣∣x∣∣b 也为 C n C^n Cn 中的范数。
- 内积空间是赋范线性空间,但赋范线性空间不一定构成内积空间。
2、 n n n 维向量的 p − p - p− 范数 ( 1 ≤ p ≤ ∞ 1 \leq p \leq \infty 1≤p≤∞)
对于 n n n 维向量 x = ( ξ 1 , ξ 2 , . . . , ξ n ) T ∈ C n x=(\xi_1,\xi_2,...,\xi_n)^T \in C^n x=(ξ1,ξ2,...,ξn)T∈Cn:
- ∣ ∣ x ∣ ∣ 1 = ∑ i = 1 n ∣ ξ i ∣ ||x||_1= \sum\limits_{i=1}^{n} |\xi_i| ∣∣x∣∣1=i=1∑n∣ξi∣ 称为 x x x 的 1 − 1- 1−范数,记为 ∣ ∣ x ∣ ∣ 1 ||x||_1 ∣∣x∣∣1,由此诱导出的距离称为街区距离。
- ∣ ∣ x ∣ ∣ 2 = ( ∑ i = 1 n ∣ ξ i ∣ 2 ) 1 2 ||x||_2= (\sum\limits_{i=1}^{n} |\xi_i|^2)^{\frac{1}{2}} ∣∣x∣∣2=(i=1∑n∣ξi∣2)21 称为 x x x 的 2 − 2- 2−范数,记为 ∣ ∣ x ∣ ∣ 2 ||x||_2 ∣∣x∣∣2 ,由此诱导出的距离称为欧氏距离。若是复数向量,那么2范数为其内积的开方,即共轭转置与本身相乘,再开方。
- ∣ ∣ x ∣ ∣ ∞ = ( max 1 ≤ i ≤ n ∣ ξ i ∣ ) ||x||_\infty = ( \max \limits_{1 \leq i \leq n} |\xi_i| ) ∣∣x∣∣∞=(1≤i≤nmax∣ξi∣) 称为 x x x 的 ∞ − \infty- ∞−范数,记为 ∣ ∣ x ∣ ∣ ∞ ||x||_\infty ∣∣x∣∣∞ ,由此诱导出的距离称为棋盘距离(也称契比雪夫距离 Chebyshev distance)。
-
∣
∣
x
∣
∣
p
=
(
∑
i
=
1
n
∣
ξ
i
∣
p
)
1
p
||x||_p= (\sum\limits_{i=1}^{n} |\xi_i|^p)^{\frac{1}{p}}
∣∣x∣∣p=(i=1∑n∣ξi∣p)p1称为
x
x
x 的
p
−
p -
p−范数,记为
∣
∣
x
∣
∣
p
||x||_p
∣∣x∣∣p。
- ∣ ∣ x ∣ ∣ P = ∣ ∣ P x ∣ ∣ 2 = x H P H P x ||x||_P = ||Px||_2 = \sqrt{x^HP^HPx} ∣∣x∣∣P=∣∣Px∣∣2=xHPHPx称之为加权范数或椭圆范数,其中 P P P 为可逆矩阵
在平面上,斜向量 P Q PQ PQ 的 2 − 2- 2−范数、 ∞ − \infty- ∞− 范数和 1 − 1- 1−范数分别是直角三角形 Δ P R Q \Delta PRQ ΔPRQ 斜边 P Q PQ PQ 的长度、较长的直角边长度和两直角边长度之和。
3、范数的等价性
对任意 x ∈ V x\in V x∈V,存在正数 C 1 C_1 C1 、 C 2 C_2 C2满足不等式 C 1 ∣ ∣ x ∣ ∣ β ≤ ∣ ∣ x ∣ ∣ α ≤ C 2 ∣ ∣ x ∣ ∣ β C_1 \ ||x||_{\beta} \ \leq ||x||_{\alpha } \leq C_2 \ ||x||_\beta C1 ∣∣x∣∣β ≤∣∣x∣∣α≤C2 ∣∣x∣∣β 的两种范数称为是等价的。
- 对于
n
n
n 维向量
x
∈
C
n
x \in C^n
x∈Cn ,总成立着
∣ ∣ x ∣ ∣ 2 ≤ ∣ ∣ x ∣ ∣ 1 ≤ n ∣ ∣ x ∣ ∣ 2 ||x||_2 \ \leq ||x||_1 \leq \sqrt{n} \ ||x||_2 ∣∣x∣∣2 ≤∣∣x∣∣1≤n ∣∣x∣∣2 ,
∣ ∣ x ∣ ∣ ∞ ≤ ∣ ∣ x ∣ ∣ 2 ≤ n ∣ ∣ x ∣ ∣ ∞ ||x||_\infty \leq ||x||_2 \leq \sqrt{n} \ ||x||_\infty ∣∣x∣∣∞≤∣∣x∣∣2≤n ∣∣x∣∣∞ ,
∣ ∣ x ∣ ∣ ∞ ≤ ∣ ∣ x ∣ ∣ 1 ≤ n ∣ ∣ x ∣ ∣ ∞ ||x||_\infty \leq ||x||_1 \leq \ \ \ n \ ||x||_\infty ∣∣x∣∣∞≤∣∣x∣∣1≤ n ∣∣x∣∣∞ ,
∣ ∣ x ∣ ∣ ∞ ≤ ∣ ∣ x ∣ ∣ p ≤ n p ∣ ∣ x ∣ ∣ ∞ ||x||_\infty \leq ||x||_p \leq \sqrt[p]{n} \ ||x||_\infty ∣∣x∣∣∞≤∣∣x∣∣p≤pn ∣∣x∣∣∞ - 设 α 1 , α 2 , . . . , α n \alpha_1, \alpha_2 ,..., \alpha_n α1,α2,...,αn是 n n n 维赋范线性空间 E E E 的一组基,则存在正数 A , B A, B A,B ,使得对一切 x = ∑ k = 1 n ξ k α k ∈ E x = \sum\limits_{k=1}^{n}\xi_k\alpha_k \in E x=k=1∑nξkαk∈E,成立着 A ∣ ∣ x ∣ ∣ ≤ ( ∑ k = 1 n ∣ ξ k ∣ 2 ) 1 2 ≤ B ∣ ∣ x ∣ ∣ A||x|| \leq (\sum\limits_{k=1}^{n}|\xi_k|^2)^{\frac{1}{2}} \leq B||x|| A∣∣x∣∣≤(k=1∑n∣ξk∣2)21≤B∣∣x∣∣
- 有限维赋范空间的范数是等价的,即对于 n n n 维赋范线性空间 E E E 中的范数 ∣ ∣ x ∣ ∣ a , ∣ ∣ x ∣ ∣ b ||x||_a,||x||_b ∣∣x∣∣a,∣∣x∣∣b ,存在正数 A , B A, B A,B ,使得对一切 x ∈ E x \in E x∈E ,成立着 A ∣ ∣ x ∣ ∣ a ≤ ∣ ∣ x ∣ ∣ b ≤ B ∣ ∣ x ∣ ∣ a A||x||_a \leq ||x||_b \leq B||x||_a A∣∣x∣∣a≤∣∣x∣∣b≤B∣∣x∣∣a
- 范数 ∣ ∣ x ∣ ∣ a , ∣ ∣ x ∣ ∣ b ||x||_a , ||x||_b ∣∣x∣∣a,∣∣x∣∣b 等价时, lim x → ∞ ∣ ∣ x n ∣ ∣ a = 0 \lim\limits_{x \rightarrow \infty}||x_n||_a = 0 x→∞lim∣∣xn∣∣a=0 等价于 lim x → ∞ ∣ ∣ x n ∣ ∣ b = 0 \lim\limits_{x \rightarrow \infty}||x_n||_b = 0 x→∞lim∣∣xn∣∣b=0
- $n $ 维赋范线性空间必与 n n n 维向量空间 P n P^n Pn 同构并且同胚。
- n n n 维向量序列 { x k = ( ξ 1 k , ξ 2 k , . . . , ξ n k ) T ∈ C n x_k = (\xi_1^k, \xi_2^k,...,\xi_n^k)^T \in C^n xk=(ξ1k,ξ2k,...,ξnk)T∈Cn} 收敛于向量 x = ( ξ 1 k , ξ 2 k , . . . , ξ n k ) T ∈ C n x = (\xi_1^k, \xi_2^k,...,\xi_n^k)^T \in C^n x=(ξ1k,ξ2k,...,ξnk)T∈Cn 的充分必要条件为 lim x → ∞ ξ i k = ξ i , i = 1 , 2 , . . . , n \lim\limits_{x \rightarrow \infty } \xi_i^k =\xi_i,i=1,2,...,n x→∞limξik=ξi,i=1,2,...,n,即按坐标收敛。
二、矩阵范数
1、矩阵范数
满足四条范数公理:
正定性
齐次性
三角不等式
相容性:
∀
A
,
B
∈
C
m
×
n
\forall A,B \in C^{m\times n}
∀A,B∈Cm×n,有
∣
∣
A
B
∣
∣
≤
∣
∣
A
∣
∣
∣
∣
B
∣
∣
||AB|| \leq ||A|| \ ||B||
∣∣AB∣∣≤∣∣A∣∣ ∣∣B∣∣
2、常见的矩阵范数
设 A ∈ C n × n A \in C^{n\times n} A∈Cn×n,称 [ t r ( A H A ) ] 1 2 = ( ∑ i , j = 1 n ∣ a i j ∣ 2 ) 1 2 [tr(A^HA)]^{\frac{1}{2}} = (\sum\limits_{i,j=1}^{n}|a_{ij}|^2)^{\frac{1}{2}} [tr(AHA)]21=(i,j=1∑n∣aij∣2)21 为 A A A 的 F r o b e n i u s Frobenius Frobenius 范数或 F − F - F−范数,记为 $ ||A||_F$ 。
- ∣ ∣ A ∣ ∣ F ||A||_F ∣∣A∣∣F 满足范数公理构成 C n × n C^{n \times n} Cn×n 中范数,并且 ∣ ∣ E ∣ ∣ F = n ≥ 1 ||E||_F = \sqrt n \geq 1 ∣∣E∣∣F=n≥1
- F − F - F−范数的酉不变性 :设 A ∈ C n × n A\in C^{n \times n} A∈Cn×n 中范数,且 P , Q ∈ C n × n P,Q\in C^{n\times n} P,Q∈Cn×n 都是酉矩阵,则 ∣ ∣ P A ∣ ∣ F = ∣ ∣ A Q ∣ ∣ F = ∣ ∣ A ∣ ∣ F ||PA||_F = ||AQ||_F = ||A||_F ∣∣PA∣∣F=∣∣AQ∣∣F=∣∣A∣∣F , 即给 A 左乘或右乘以酉矩阵后其 ∣ ∣ ⋅ ∣ ∣ F ||·||_F ∣∣⋅∣∣F值不变(在 A ∈ R n × n A\in R^{n \times n} A∈Rn×n 时 P P P 和 Q Q Q 都是正交矩阵)
- 酉(或正交)相似变换下矩阵的 F − F - F−范数保持不变。
设 A ∈ C n × n A\in C^{n\times n} A∈Cn×n,称 ∣ ∣ A ∣ ∣ M 1 = ∑ i , j = 1 n ∣ a i j ∣ ||A||_{M_1}=\sum\limits_{i,j=1}^{n}|a_{ij}| ∣∣A∣∣M1=i,j=1∑n∣aij∣为 M 1 − M_1 - M1−范数 , ∣ ∣ A ∣ ∣ M ∞ = n max 1 ≤ i , j ≤ n ∣ a i j ∣ ||A||_{M_\infty}=n \max \limits_{1 \leq i,j \leq n} |a_{ij}| ∣∣A∣∣M∞=n1≤i,j≤nmax∣aij∣ 为 M ∞ − M_\infty - M∞−范数
- ∣ ∣ A ∣ ∣ M 1 , ∣ ∣ A ∣ ∣ M ∞ ||A||_{M_1} , ||A||_{M_\infty} ∣∣A∣∣M1,∣∣A∣∣M∞ 满足范数公理构成 C n × n C^{n\times n} Cn×n 中范数,并且 ∣ ∣ E ∣ ∣ M 1 = n ≥ 1 , ∣ ∣ E ∣ ∣ M ∞ = n ≥ 1 ||E||_{M_1}=n \geq 1 , ||E||_{M_\infty}=n \geq 1 ∣∣E∣∣M1=n≥1,∣∣E∣∣M∞=n≥1
3、矩阵范数的相容性
满足条件 ∣ ∣ A B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ∣ ∣ B ∣ ∣ ||AB|| \leq ||A|| \ ||B|| ∣∣AB∣∣≤∣∣A∣∣ ∣∣B∣∣的矩阵范数称为具有相容性。
- 满足相容性的矩阵范数必有 ∣ ∣ E ∣ ∣ ≥ 1 ||E|| \geq 1 ∣∣E∣∣≥1。
- 若 A A A 可逆,则 ∣ ∣ A ∣ ∣ ∣ ∣ A − 1 ∣ ∣ ≥ 1 ||A|| \ ||A^{-1}|| \geq 1 ∣∣A∣∣ ∣∣A−1∣∣≥1
4、矩阵范数与向量范数的相容性
若 ∣ ∣ A X ∣ ∣ V ≤ ∣ ∣ A ∣ ∣ M ∣ ∣ X ∣ ∣ V ||AX||_V \leq ||A||_M \ ||X||_V ∣∣AX∣∣V≤∣∣A∣∣M ∣∣X∣∣V ,则称矩阵范数 ∣ ∣ A ∣ ∣ M ||A||_M ∣∣A∣∣M 与向量范数 ∣ ∣ X ∣ ∣ V ||X||_V ∣∣X∣∣V具有相容性。
- ∣ ∣ x ∣ ∣ V → 0 ||x||_V \rightarrow 0 ∣∣x∣∣V→0时, ∣ ∣ A x ∣ ∣ V → 0 ||Ax||_V \rightarrow 0 ∣∣Ax∣∣V→0,即 ∣ ∣ A x ∣ ∣ V ||Ax||_V ∣∣Ax∣∣V是 x x x的连续函数或 A x Ax Ax是 V V V上线性连续算子。
- 当 x ≠ 0 x \neq 0 x=0时 , ∣ ∣ A x ∣ ∣ V ∣ ∣ X ∣ ∣ V = ∣ ∣ A ( x ∣ ∣ x ∣ ∣ V ) ∣ ∣ V ≤ ∣ ∣ A ∣ ∣ M \frac{||Ax||_V}{||X||_V} = ||A(\frac{x}{||x||_V})||_V \leq ||A||_M ∣∣X∣∣V∣∣Ax∣∣V=∣∣A(∣∣x∣∣Vx)∣∣V≤∣∣A∣∣M ,从而 max x ≠ 0 ∣ ∣ A x ∣ ∣ V ∣ ∣ X ∣ ∣ V ≤ ∣ ∣ A ∣ ∣ M \max\limits_{x\neq 0} \frac{||Ax||_V}{||X||_V} \leq ||A||_M x=0max∣∣X∣∣V∣∣Ax∣∣V≤∣∣A∣∣M
三、矩阵的算子范数
1、算子范数的概念
设
∣
∣
⋅
∣
∣
V
||·||_V
∣∣⋅∣∣V 为
C
n
C^n
Cn 中的范数,
A
∈
C
n
×
n
A \in C^{\ n \times n}
A∈C n×n
∣
∣
A
∣
∣
M
=
max
x
≠
0
∣
∣
A
x
∣
∣
V
∣
∣
X
∣
∣
V
=
max
∣
∣
x
∣
∣
V
=
1
∣
∣
A
x
∣
∣
V
||A||_M= \max\limits_{x\neq 0} \frac{||Ax||_V}{||X||_V} = \max\limits_{ ||x||_V=1}||Ax||_V
∣∣A∣∣M=x=0max∣∣X∣∣V∣∣Ax∣∣V=∣∣x∣∣V=1max∣∣Ax∣∣V
∣
∣
⋅
∣
∣
M
||·||_M
∣∣⋅∣∣M 为与
∣
∣
⋅
∣
∣
V
||·||_V
∣∣⋅∣∣V相容的范数矩阵,如上
∣
∣
A
∣
∣
M
||A||_M
∣∣A∣∣M这样定义的范数称为算子范数。
- 一般算子范数的求解步骤:
- ∣ ∣ A x ∣ ∣ V ≤ K ∣ ∣ x ∣ ∣ V ||Ax||_V \leq K||x||_V ∣∣Ax∣∣V≤K∣∣x∣∣V
- ∣ ∣ x 0 ∣ ∣ V = 1 , ∣ ∣ A x 0 ∣ ∣ V = K ||x_0||_V = 1 \ ,\ ||Ax_0||_V=K ∣∣x0∣∣V=1 , ∣∣Ax0∣∣V=K
2、算子范数的性质
- ∣ ∣ A x ∣ ∣ V ≤ ∣ ∣ A ∣ ∣ T ∣ ∣ x ∣ ∣ V ||Ax||_V \leq ||A||_T \ \ ||x||_V ∣∣Ax∣∣V≤∣∣A∣∣T ∣∣x∣∣V
- ∣ ∣ A B ∣ ∣ T ≤ ∣ ∣ A ∣ ∣ T ∣ ∣ B ∣ ∣ T ||AB||_T \leq ||A||_T \ \ ||B||_T ∣∣AB∣∣T≤∣∣A∣∣T ∣∣B∣∣T
- ∣ ∣ A ∣ ∣ T = max ∣ ∣ x ∣ ∣ V = 1 ∣ ∣ A x ∣ ∣ V ≤ ∣ ∣ X ∣ ∣ V ||A||_T = \max\limits_{||x ||_V = 1} ||Ax||_V \ \leq ||X||_V ∣∣A∣∣T=∣∣x∣∣V=1max∣∣Ax∣∣V ≤∣∣X∣∣V (假设 ∣ ∣ A ∣ ∣ M ||A||_M ∣∣A∣∣M与 ∣ ∣ X ∣ ∣ V ||X||_V ∣∣X∣∣V具有相容性)
- ∣ ∣ E ∣ ∣ T = 1 ||E||_T = 1 ∣∣E∣∣T=1
3、常见的算子范数
- 列范数: ∣ ∣ A ∣ ∣ 1 = max 1 ≤ j ≤ n ∑ i = 1 n ∣ a i j ∣ ||A||_1= \max\limits_{ 1 \leq j \leq n} \sum\limits_{i=1}^{n}|a_{ij}| ∣∣A∣∣1=1≤j≤nmaxi=1∑n∣aij∣
- 行范数: ∣ ∣ A ∣ ∣ ∞ = max 1 ≤ i ≤ n ∑ j = 1 n ∣ a i j ∣ ||A||_\infty = \max\limits_{1 \leq i \leq n} \sum\limits_{j=1}^{n}|a_{ij}| ∣∣A∣∣∞=1≤i≤nmaxj=1∑n∣aij∣
- 谱范数:
∣
∣
A
∣
∣
2
=
λ
m
a
x
(
A
T
A
)
||A||_2 = \sqrt{\lambda_{max}(A^T A)}
∣∣A∣∣2=λmax(ATA)
- ∣ ∣ E ∣ ∣ 1 = 1 , ∣ ∣ E ∣ ∣ 2 = 1 , ∣ ∣ E ∣ ∣ ∞ = 1 ||E||_1=1 , ||E||_2=1, ||E||_\infty =1 ∣∣E∣∣1=1,∣∣E∣∣2=1,∣∣E∣∣∞=1
- 当 A A A 为酉矩阵时, ∣ ∣ A ∣ ∣ 2 = 1 ||A||_2=1 ∣∣A∣∣2=1。一般地, ∣ ∣ A ∣ ∣ 2 = σ m a x ( A ) , ∣ ∣ A − 1 ∣ ∣ 2 = 1 σ m i n ( A ) ||A||_2 = \sigma_{max}(A) , ||A^{-1}||_2 = \frac{1}{\sigma_{min}(A)} ∣∣A∣∣2=σmax(A),∣∣A−1∣∣2=σmin(A)1 ,其中 σ m a x ( A ) \sigma_{max}(A) σmax(A) 和 σ m i n ( A ) \sigma_{min}(A) σmin(A) 分别是 A A A 的最大和最小奇异值。
四、矩阵范数的应用
1、矩阵的非奇异性条件
- 设 A ∈ C n × n A\in C^{n \times n} A∈Cn×n ,且对 C n × n C^{n \times n} Cn×n 上的某矩阵算子范数 ∣ ∣ ⋅ ∣ ∣ ||·|| ∣∣⋅∣∣,有 ∣ ∣ A ∣ ∣ < 1 ||A|| < 1 ∣∣A∣∣<1, 则矩阵 E − A E-A E−A非奇异,并且 ∣ ∣ ( E − A ) − 1 ∣ ∣ ≤ 1 1 − ∣ ∣ A ∣ ∣ , ∣ ∣ E − ( E − A ) − 1 ∣ ∣ ≤ ∣ ∣ A ∣ ∣ 1 − ∣ ∣ A ∣ ∣ ||(E-A)^{-1}|| \ \leq \ \frac{1}{1-||A||} , ||E-(E-A)^{-1}|| \leq \frac{||A||}{1-||A||} ∣∣(E−A)−1∣∣ ≤ 1−∣∣A∣∣1,∣∣E−(E−A)−1∣∣≤1−∣∣A∣∣∣∣A∣∣
- 设
A
∈
C
n
×
n
A \in C^{ \ n\times n}
A∈C n×n 非奇异,
B
∈
C
n
×
n
B \in C^{\ n\times n}
B∈C n×n ,且对
C
n
×
n
C^{\ n\times n}
C n×n 上的某矩阵算子范数 ,有
∣
∣
A
−
1
B
∣
∣
<
1
||A^{-1}B||<1
∣∣A−1B∣∣<1,则
- A + B A+B A+B 非奇异
- 记 F = E − ( E + A − 1 B ) − 1 F = E-(E+A^{-1}B)^{-1} F=E−(E+A−1B)−1,则 ∣ ∣ F ∣ ∣ ≤ ∣ ∣ A − 1 B ∣ ∣ 1 − ∣ ∣ A − 1 B ∣ ∣ ||F|| \leq \frac{||A^{-1}B||}{1-||A^{-1}B||} ∣∣F∣∣≤1−∣∣A−1B∣∣∣∣A−1B∣∣
- ∣ ∣ A − 1 − ( A + B ) − 1 ∣ ∣ ∣ ∣ A − 1 ∣ ∣ ≤ ∣ ∣ A − 1 B ∣ ∣ 1 − ∣ ∣ A − 1 B ∣ ∣ \frac {||A^{-1}-(A+B)^{-1}||}{||A^{-1}||} \leq \frac{||A^{-1}B||}{1-||A^{-1}B||} ∣∣A−1∣∣∣∣A−1−(A+B)−1∣∣≤1−∣∣A−1B∣∣∣∣A−1B∣∣
2、矩阵的谱半径及其性质
设 A ∈ C n × n A\in C^{\ n \times n} A∈C n×n 的 n n n个特征值为 λ 1 , λ 2 , . . . , λ n \lambda_1 , \lambda_2 ,..., \lambda_n λ1,λ2,...,λn ,称 ρ ( A ) = max 1 ≤ i ≤ n { ∣ λ i ∣ } \rho(A)= \max\limits_{1 \leq i \leq n} \{ |\lambda_i| \} ρ(A)=1≤i≤nmax{∣λi∣} 为矩阵 A A A 的 谱半径。
- 设 A ∈ C n × n A\in C^{\ n \times n} A∈C n×n , 则对 C n × n C^{\ n \times n} C n×n 上任何一种矩阵范数 ∣ ∣ ⋅ ∣ ∣ ||·|| ∣∣⋅∣∣,都有 ρ ( A ) ≤ ∣ ∣ A ∣ ∣ \rho (A) \leq ||A|| ρ(A)≤∣∣A∣∣
- 对于 A A A 的算子范数(或与向量范数相容的矩阵范数) ∣ ∣ A ∣ ∣ ||A|| ∣∣A∣∣,由 A x 0 = λ x 0 , x ≠ 0 Ax_0=\lambda x_0, x \neq 0 Ax0=λx0,x=0 可得, ∣ λ ∣ ∣ ∣ x 0 ∣ ∣ = ∣ ∣ A x 0 ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ∣ ∣ x 0 ∣ ∣ |\lambda| \ ||x_0|| = ||Ax_0|| \leq ||A|| \ ||x_0|| ∣λ∣ ∣∣x0∣∣=∣∣Ax0∣∣≤∣∣A∣∣ ∣∣x0∣∣,从而 ∣ λ ∣ ≤ ∣ ∣ A ∣ ∣ |\lambda| \leq ||A|| ∣λ∣≤∣∣A∣∣
- 设 A ∈ C n × n A\in C^{\ n \times n} A∈C n×n,对任意的正数 ϵ \epsilon ϵ 存在 A A A 的某种矩阵范数 ∣ ∣ A M ∣ ∣ ||A_M|| ∣∣AM∣∣ ,使得 ∣ ∣ A ∣ ∣ M ≤ ρ ( A ) + ϵ ||A ||_M \leq \rho(A) + \epsilon ∣∣A∣∣M≤ρ(A)+ϵ。
- 矩阵的谱半径 ρ ( ⋅ ) \rho (·) ρ(⋅) 不构成矩阵的范数,只是所有范数的下确界。但 ρ ( A ) < 1 \rho(A) <1 ρ(A)<1 与 ∣ ∣ A ∣ ∣ < 1 ||A||<1 ∣∣A∣∣<1等价。