向量范数的维基百科介绍

最新推荐文章于 2024-07-18 16:21:01 发布

taeyeon_myfavor

最新推荐文章于 2024-07-18 16:21:01 发布

阅读量1.1k

点赞数

范数的一般性质:

严格正定性：对任意矩阵 $A \in \mathcal{M}_{m, n}(\mathbb{K})$ ，都有 $\|A\|\ge 0$ ，且等号成立当且仅当 $A=0$ ；
线性性：对任意系数 $\alpha \in \mathbb{K}$ 、任意矩阵 $A \in \mathcal{M}_{m, n}(\mathbb{K})$ ，都有 $\|\alpha A\|=|\alpha| \|A\|$ ；
三角不等式：任意矩阵 $A, B \in \mathcal{M}_{m, n}(\mathbb{K})$ ，都有 $\|A+B\| \le \|A\|+\|B\|$ 。则称之为 $\mathcal{M}_{m, n}(\mathbb{K})$ 上的一个矩阵范数。

此外，某些定义在方块矩阵组成空间 $\mathcal{M}_{n}(\mathbb{K})$ 上的矩阵范数满足一个或多个以下与的条件：

一致性： $\|AB\| \le \|A\|\|B\|$ ；
共轭转置相等条件： $\|A\|=\|A^*\|$ 。其中 $A^*$ 表示矩阵 $A$ 的共轭转置（在实矩阵中就是普通转置）。

这里主要看下p-范数:

p-范数诱导的矩阵范数

当 $V$ 和 $W$ 中装备的向量范数都是 $p$ -范数的时候，诱导的矩阵范数也称为矩阵的诱导 $p$ -范数。具体来说就是：

\left\| A \right\|_p = \max \limits_{x \ne 0} \frac{\left\| A x \right\|_p}{\left\| x \right\|_p} = \max \limits_{x \ne 0} \frac{\left(\sum_{i=1}^n | \sum_{j=1}^m A_{ij} x_j |^p\right)^{1/p}}{\left(\sum_{i=1}^m | x_i |^p\right)^{1/p}}

在 $p=1$ 和 $p=\infty$ 的情况下，其范数可以以下方式计算：

\begin{align}& \left \| A \right \| _1 = \max \limits _{1 \leq j \leq n} \sum _{i=1} ^m | a_{ij} | \\& \left \| A \right \| _\infty = \max \limits _{1 \leq i \leq m} \sum _{j=1} ^n | a_{ij} | .\end{align}

这些与矩阵的Schatten p-范数不同，也可以用 $\left \| A \right \| _p$ 。来表示。

当p = 2（欧几里德范数）且m = n（方阵）时，诱导的矩阵范数就是谱范数。矩阵A的谱范数是A最大的奇异值或半正定矩阵A^*A的最大特征值的平方根：

\left \| A \right \| _2=\sqrt{\lambda_{\text{max}}(A^* A)}

其中A^*代表A的共轭转置。

任何诱导的矩阵范数都满足此不等式

\left \| A \right \| \ge \rho(A),

其中ρ(A)是A的谱半径。事实上，可以证明ρ(A)是A的所有诱导范数的下界。

此外，我们有

\lim_{r\rarr\infty}\|A^r\|^{1/r}=\rho(A)

。

其实,一般用到的为最简单的形式:

若

，那么

当p取1，2，∞的时候分别是以下几种最简单的情形：

1-范数：║x║1=│x ₁│+│x ₂│+…+│x _n│

2-范数：║x║2=（│x ₁│ 2+│x ₂│ 2+…+│x _n│ 2） 1/2

∞-范数：║x║∞=max（│x ₁│，│x ₂│，…，│x _n│）

taeyeon_myfavor

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。