矩阵分析系统学习笔记
本系列所有文章来自东北大学韩志涛老师的矩阵分析课程学习笔记,系列如下:
矩阵分析 (一) 线性空间和线性变换
矩阵分析 (二) 内积空间
矩阵分析 (三) 矩阵的标准形
矩阵分析 (四)向量和矩阵的范数
矩阵分析 (五) 矩阵的分解
矩阵分析 (六) 矩阵的函数
矩阵分析 (七) 矩阵特征值的估计
矩阵分析 (八) 矩阵的直积
我们曾经用内积定义了向量空间中一个元素的长度,它是几何长度的推广,利用这个长度的概念我们可以讨论极限、逼近的问题。在分析解决这些问题时最重要的是利用了长度的基本性质、非负性、齐次性和三角表达式。
向量的范数
范数的定义
- 定义4.1:若对任意的 x ∈ C n x \in C^{n} x∈Cn都有一个实数 ∣ ∣ x ∣ ∣ ||x|| ∣∣x∣∣与之对应,且满足:
- 非负性: x ≠ 0 x \neq 0 x=0时, ∣ ∣ x ∣ ∣ > 0 ||x||>0 ∣∣x∣∣>0,当 x = 0 x=0 x=0时, ∣ ∣ x ∣ ∣ = 0 ||x||=0 ∣∣x∣∣=0;
- 齐次性:对任意的 k ∈ C k \in C k∈C, ∣ ∣ k x ∣ ∣ = ∣ k ∣ ⋅ ∣ ∣ x ∣ ∣ ||kx||=|k| \cdot ||x|| ∣∣kx∣∣=∣k∣⋅∣∣x∣∣;
- 三角不等式:对任意的 x x x, y y y ∈ C n \in C^{n} ∈Cn都有:
∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ ||x+y|| \leq ||x|| + ||y|| ∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣
则称 ∣ ∣ x ∣ ∣ ||x|| ∣∣x∣∣为 C n C^{n} Cn上的向量范数,简称向量范数。
几种常见的范数
- 2范数
设:
x = ( x 1 , x 2 , ⋯ , x n ) T ∈ C n x=(x_{1},x_{2}, \cdots, x_{n})^{T} \in C^{n} x=(x1,x2,⋯,xn)T∈Cn
规定:
∣ ∣ x ∣ ∣ 2 = ∑ i = 1 n ∣ x i ∣ 2 ||x||_{2} = \sqrt{\sum_{i=1}^{n}|x_{i}|^{2}} ∣∣x∣∣2=i=1∑n∣xi∣2
很容易证明这是范数,叫作向量的2范数。2范数在酉变换下不变。
- 1范数
设:
x ∈ C n x \in C^{n} x∈Cn
规定:
∣ ∣ x ∣ ∣ 1 = ∑ i = 1 n ∣ x i ∣ ||x||_{1} = \sum_{i=1}^{n}|x_{i}| ∣∣x∣∣1=i=1∑n∣xi∣
则 ∣ ∣ x ∣ ∣ 1 ||x||_{1} ∣∣x∣∣1是范数,叫做向量的1范数。
- 向量的 ∞ \infty ∞范数
设:
x ∈ C n x \in C^{n} x∈Cn
规定:
∣ ∣ x ∣ ∣ ∞ = m a x i ∣ x i ∣ ||x||_{\infty} = max_{i}|x_{i}| ∣∣x∣∣∞=maxi∣xi∣
则 ∣ ∣ x ∣ ∣ ∞ ||x||_{\infty} ∣∣x∣∣∞是范数,叫做向量的 ∞ \infty ∞范数。
- 向量的 p p p范数
设 x ∈ R n x \in R^{n} x∈Rn,规定,
∣ ∣ x ∣ ∣ p = ( ∑ ∣ x i ∣ p ) 1 p ||x||_{p} = (\sum |x_{i}|^{p})^{\frac{1}{p}} ∣∣x∣∣p=(∑∣xi∣p)p1
则 ∣ ∣ x ∣ ∣ p ||x||_{p} ∣∣x∣∣p也是范数,叫做向量的 p p p范数。
- 其它:
规定:
∣ ∣ f ∣ ∣ = m a x ∣ f ( x ) ∣ ||f||=max|f(x)| ∣∣f∣∣=max∣f(x)∣
则 ∣ ∣ f ∣ ∣ ||f|| ∣∣f∣∣是函数的范数
在连续函数的空间中,规定:
∣ ∣ f ( x ) ∣ ∣ = ∫ a b ∣ f ( x ) ∣ d x ||f(x)|| = \int_{a}^{b} |f(x)|dx ∣∣f(x)∣∣=∫ab∣f(x)∣dx
则 ∣ ∣ f ∣ ∣ ||f|| ∣∣f∣∣也是范数。
生成范数
在一个向量空间之中可以构造无穷多种范数,前面所述只是最常用的范数。下面给出从已知范数构造新的向量范数的方法。
- 例4 设:
x = ( x 1 , x 2 , ⋯ , x n ) T ∈ C n x=(x_{1},x_{2}, \cdots, x_{n})^{T} \in C^{n} x=(x1,x2,⋯,xn)T∈Cn
规定
∣ ∣ x ∣ ∣ = a ∣ ∣ x ∣ ∣ 1 + b ∣ ∣ x ∣ ∣ 2 ( a , b > 0 ) ||x||=a||x||_{1} + b||x||_{2} \ \ \ (a,b > 0) ∣∣x∣∣=a∣∣x∣∣1+b∣∣x∣∣2 (a,b>0)
则 ∣ ∣ x ∣ ∣ ||x|| ∣∣x∣∣是范数。
- 例5 设 A ∈ C n m × n A \in C_{n}^{m \times n} A∈Cnm×n, ∣ ∣ ⋅ ∣ ∣ a || \cdot ||_{a} ∣∣⋅∣∣a是 C m C^{m} Cm上的一种范数,对于任意的 x ∈ C n x \in C^{n} x∈Cn,规定 ∣ ∣ x ∣ ∣ = ∣ ∣ A x ∣ ∣ a ||x||=||Ax||_{a} ∣∣x∣∣=∣∣Ax∣∣a,则 ∣ ∣ x ∣ ∣ ||x|| ∣∣x∣∣是 C n C^{n} Cn上的范数。
由于矩阵 A A A可以有无穷多,所以用这种方法可以构造无穷多种范数。
范数的等价
- 定义4.2:给定 C n C^{n} Cn上的向量序列 { x k } \{x^{k}\} {xk},其中
x k = ( x 1 k , x 2 k , ⋯ , x n k ) ( k = 1 , 2 , ⋯ ) x^{k}=(x_{1}^{k},x_{2}^{k},\cdots ,x_{n}^{k}) \ \ \ (k=1,2,\cdots) xk=(x1k,x2k,⋯,xnk) (k=1,2,⋯)
如果:
l i m ∞ x i k = x i lim_{\infty} x_{i}^{k} = x_{i} lim∞xik=xi
则称 { x k } \{x^{k}\} {xk}收敛,记作:
l i m k → ∞ x k = x lim_{k \rightarrow \infty} x^{k} = x limk→∞xk=x
不收敛的序列叫作发散序列。
- 定理4.1 C n C^{n} Cn中的向量序列 { x k } \{x^{k}\} {xk}收敛于 x x x的充分必要条件是,对于 C n C^{n} Cn上的范数 ∣ ∣ ⋅ ∣ ∣ ∞ ||\cdot||_{\infty} ∣∣⋅∣∣∞,
l i m ∞ ∣ ∣ x k − x ∣ ∣ ∞ = 0 lim_{\infty}||x^{k}-x||_{\infty} = 0 lim∞∣∣xk−x∣∣∞=0
收敛是向量序列的性质,这种性质不应该受到度量方式的影响,也就是一个向量序列在一种范数的意义下收敛,那么它在另一种范数的意义下也应该收敛。一个空间中的序列在一种范数下收敛,那么它在另一种范数下也是收敛的。
- 定义4.3 设 ∣ ∣ x ∣ ∣ a ||x||_{a} ∣∣x∣∣a和 ∣ ∣ x ∣ ∣ b ||x||_{b} ∣∣x∣∣b是 C n C^{n} Cn上的两种向量范数,如果存在正数 k k k和 l l l使得对于任意的 x x x都有:
k ∣ ∣ x ∣ ∣ b ≤ ∣ ∣ x ∣ ∣ a ≤ l ∣ ∣ x ∣ ∣ b k||x||_{b} \leq ||x||_{a} \leq l ||x||_{b} k∣∣x∣∣b≤∣∣x∣∣a≤l∣∣x∣∣b
则称向量范数 ∣ ∣ x ∣ ∣ a ||x||_{a} ∣∣x∣∣a和 ∣ ∣ x ∣ ∣ b ||x||_{b} ∣∣x∣∣b等价。
- 定理4.2: C n C^{n} Cn空间上所有范数等价。
即若 { x k } \{x^{k}\} {xk}在 ∣ ∣ ⋅ ∣ ∣ ∞ ||\cdot||_{\infty} ∣∣⋅∣∣∞意义下收敛,则 { x k } \{x^{k}\} {xk}在 ∣ ∣ x ∣ ∣ ||x|| ∣∣x∣∣意义下也收敛。向量序列的收敛不受范数选择影响。
同一个向量在不同的范数下长度一般不同,如:
x = ( 1 , 1 , ⋯ , 1 ) ∈ C n x=(1,1,\cdots ,1) \in C^{n} x=(1,1,⋯,1)∈Cn
则:
∣ ∣ x ∣ ∣ 2 = n , ∣ ∣ x ∣ ∣ 1 = n , ∣ ∣ x ∣ ∣ ∞ = 1 ||x||_{2} = \sqrt{n},||x||_{1} = n , \ ||x||_{\infty}=1 ∣∣x∣∣2=n,∣∣x∣∣1=n, ∣∣x∣∣∞=1
相差很大,但是在讨论收敛时,效果也是一样的,但是要注意,这里讨论的是有限维的空间,无穷维空间可以不等价。
矩阵的范数
由于一个 m × n m \times n m×n矩阵可以看作 m × n m \times n m×n维向量,因此可以按照定义向量范数的方法来定义矩阵范数,但是矩阵之间还有矩阵的乘法,在研究矩阵范数时应该给予考虑。
方阵的范数
- 定义4.4 :若对于任意的 A ∈ C n × n A \in C^{n \times n} A∈Cn×n都有一个实数 ∣ ∣ A ∣ ∣ ||A|| ∣∣A∣∣与之对应,且满足:
- 非负性: A ≠ O A \neq O A=O, ∣ ∣ A ∣ ∣ > 0 ||A|| >0 ∣∣A∣∣>0; A = O A=O A=O, ∣ ∣ A ∣ ∣ = 0 ||A||=0 ∣∣A∣∣=0;
- 齐次性:对任意的 k ∈ C k \in C k∈C:
∣ ∣ k A ∣ ∣ = ∣ k ∣ ∣ ∣ A ∣ ∣ ||kA||=|k|\ ||A|| ∣∣kA∣∣=∣k∣ ∣∣A∣∣
- 三角不等式:对任意的 A , B ∈ C n × n A,B \in C^{n \times n} A,B∈Cn×n,
∣ ∣ A + B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ + ∣ ∣ B ∣ ∣ ||A+B|| \leq ||A|| +||B|| ∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣
- 相容性:对任意的 A , B ∈ C n × n A,B \in C^{n \times n} A,B∈Cn×n都有 ∣ ∣ A B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ⋅ ∣ ∣ B ∣ ∣ ||AB|| \leq ||A|| \cdot ||B|| ∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣
则称 ∣ ∣ A ∣ ∣ ||A|| ∣∣A∣∣为 C n × n C^{n \times n} Cn×n上矩阵的范数,简称矩阵范数。
- 由于定义中的前三条与向量范数一致,因此矩阵范数有与向量范数有类似的性质,如:
∣ ∣ − A ∣ ∣ = ∣ ∣ A ∣ ∣ , ∣ ∣ ∣ A ∣ ∣ − ∣ ∣ B ∣ ∣ ∣ ≤ ∣ ∣ A − B ∣ ∣ ||-A|| = ||A||,| \ \ || A|| -||B|| \ \ | \leq ||A-B|| ∣∣−A∣∣=∣∣A∣∣,∣ ∣∣A∣∣−∣∣B∣∣ ∣≤∣∣A−B∣∣
以及 C n × n C^{n \times n} Cn×n上的两个矩阵范数等价。
常用的范数
- 矩阵 m 1 m_{1} m1范数:
与 ∣ ∣ x ∣ ∣ 1 ||x||_{1} ∣∣x∣∣1相仿,设 A = ( a i j ) n × n ∈ C n × n A=(a_{ij})_{n \times n} \in C^{n \times n} A=(aij)n×n∈Cn×n,规定:
∣ ∣ A ∣ ∣ m 1 = ∑ i , j ∣ a i j ∣ ||A||_{m_{1}} = \sum_{i,j} |a_{ij}| ∣∣A∣∣m1=i,j∑∣aij∣
则 ∣ ∣ A ∣ ∣ m 1 ||A||_{m_{1}} ∣∣A∣∣m1是 C n × n C^{n \times n} Cn×n上的矩阵范数,称为 m 1 m_{1} m1范数。
- 矩阵 F F F范数:
与 ∣ ∣ x ∣ ∣ 2 ||x||_{2} ∣∣x∣∣2相仿,对于 A = ( a i j ) n × n A=(a_{ij})_{n \times n} A=(aij)n×n,规定:
∣ ∣ A ∣ ∣ F = ∑ i , j ∣ a i j ∣ 2 = t r ( A H A ) ||A||_{F} = \sqrt{\sum_{i,j}|a_{ij}|^{2}}=\sqrt{tr(A^{H}A)} ∣∣A∣∣F=i,j∑∣aij∣2=tr(AHA)
则 ∣ ∣ A ∣ ∣ F ||A||_{F} ∣∣A∣∣F是 C n × n C^{n \times n} Cn×n上的一种矩阵范数,称为矩阵的Frobenius范数,简称 F F F范数。
- 矩阵的 ∞ \infty ∞范数:
设 A = ( a i j ) n × n A=(a_{ij})_{n \times n} A=(aij)n×n,规定:
∣ ∣ A ∣ ∣ m ∞ = n ⋅ m a x i , j ∣ a i j ∣ ||A||_{m_{\infty}} = n \cdot max_{i,j} |a_{ij}| ∣∣A∣∣m∞=n⋅maxi,j∣aij∣
则 ∣ ∣ A ∣ ∣ m ∞ ||A||_{m_{\infty}} ∣∣A∣∣m∞是 C n × n C^{n \times n} Cn×n上的矩阵范数。
与向量范数的相容性
- 定义4.5:设 ∣ ∣ ⋅ ∣ ∣ m ||\cdot||_{m} ∣∣⋅∣∣m是 C n × n C^{n \times n} Cn×n上的矩阵范数, ∣ ∣ ⋅ ∣ ∣ v ||\cdot||_{v} ∣∣⋅∣∣v是 C n C^{n} Cn上的向量范数,对任意的 A ∈ C n × n A \in C^{n\times n} A∈Cn×n, x ∈ C n x \in C^{n} x∈Cn,都有:
∣ ∣ 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 ∣ ∣ ⋅ ∣ ∣ m ||\cdot||_{m} ∣∣⋅∣∣m与向量范数 ∣ ∣ ⋅ ∣ ∣ v ||\cdot||_{v} ∣∣⋅∣∣v是相容的。
- C n × n C^{n \times n} Cn×n上的 m 1 m_{1} m1范数与 C n C^{n} Cn上的1范数相容。
- C n × n C^{n \times n} Cn×n上的 F F F范数与 C n C^{n} Cn上的2范数相容。
用矩阵范数来定义向量范数
- 设 ∣ ∣ ⋅ ∣ ∣ ||\cdot|| ∣∣⋅∣∣是 C n × n C^{n \times n} Cn×n上的一种矩阵范数,则在 C n C^{n} Cn上可以定义一种向量范数。以二维空间为例,如设 x ∈ C 2 x \in C^{2} x∈C2,取 α = ( α 1 , α 2 ) T ≠ 0 \alpha=(\alpha_{1},\alpha_{2})^{T} \neq 0 α=(α1,α2)T=0 ,设 ∣ ∣ ⋅ ∣ ∣ m 1 ||\cdot||_{m_{1}} ∣∣⋅∣∣m1是 C 2 × 2 C^{2 \times 2} C2×2中的范数,任取:
A = ( a i j ) 2 × 2 ∈ C 2 × 2 A=(a_{ij})_{2 \times 2} \in C^{2 \times 2} A=(aij)2×2∈C2×2
则:
∣ ∣ A ∣ ∣ m 1 = ∣ a 11 ∣ + ∣ a 12 ∣ + ∣ a 21 ∣ + ∣ a 22 ∣ ||A||_{m_{1}} = |a_{11}|+|a_{12}|+|a_{21}|+|a_{22}| ∣∣A∣∣m1=∣a11∣+∣a12∣+∣a21∣+∣a22∣
现在任取:
x ∈ C 2 , x = ( x 1 , x 2 ) T x \in C^{2},x =(x_{1},x_{2})^{T} x∈C2,x=(x1,x2)T
则:
x α H = ( x 1 x 2 ) ( α ˉ 1 α ˉ 2 ) = ( x 1 α ˉ 1 x 1 α ˉ 2 x 2 α ˉ 1 x 2 α ˉ 2 ) x \alpha^{H}=\left(\begin{array}{l} {x_{1}} \\ {x_{2}} \end{array}\right)\left(\bar{\alpha}_{1} \quad \bar{\alpha}_{2}\right)=\left(\begin{array}{ll} {x_{1} \bar{\alpha}_{1}} & {x_{1} \bar{\alpha}_{2}} \\ {x_{2} \bar{\alpha}_{1}} & {x_{2} \bar{\alpha}_{2}} \end{array}\right) xαH=(x1x2)(αˉ1αˉ2)=(x1αˉ1x2αˉ1x1αˉ2x2αˉ2)
是 C 2 × 2 C^{2 \times 2} C2×2的矩阵。规定:
∥ x ∥ = ∥ x α H ∥ m 1 = ∣ x 1 α ˉ 1 ∣ + ∣ x 1 α ˉ 2 ∣ + ∣ x 2 α ˉ 1 ∣ + ∣ x 2 α ˉ 2 ∣ \|x\|=\left\|x \alpha^{\mathrm{H}}\right\|_{m_{1}}=\left|x_{1} \bar{\alpha}_{1}\right|+\left|x_{1} \bar{\alpha}_{2}\right|+\left|x_{2} \bar{\alpha}_{1}\right|+\left|x_{2} \bar{\alpha}_{2}\right| ∥x∥= xαH m1=∣x1αˉ1∣+∣x1αˉ2∣+∣x2αˉ1∣+∣x2αˉ2∣
则在 C 2 C^{2} C2中定义了一种运算。
- 如取:
α = ( 1 , 2 ) T , x = ( 1 , 1 ) T \alpha = (1,2)^{T},x=(1,1)^{T} α=(1,2)T,x=(1,1)T
则:
∥ x ∥ = ∥ x α H ∥ m 1 = ∥ ( 1 1 ) ( 1 , 2 ) ∥ m 1 = 6 \|x\|=\left\|x \alpha^{H}\right\|_{m_{1}}=\left\|\left(\begin{array}{l} {1} \\ {1} \end{array}\right)(1,2)\right\|_{m_{1}}=6 ∥x∥= xαH m1= (11)(1,2) m1=6
取:
α = ( 1 , i ) T , x = ( 1 , 1 ) \alpha = (1,i)^{T},x=(1,1) α=(1,i)T,x=(1,1)
则:
∣ ∣ x ∣ ∣ = ∣ ∣ x α H ∣ ∣ m 1 = 4 ||x||=||x \alpha^{H}||_{m_{1}}=4 ∣∣x∣∣=∣∣xαH∣∣m1=4
- 定理4.3:设 ∣ ∣ ⋅ ∣ ∣ ||\cdot|| ∣∣⋅∣∣是 C n × n C^{n \times n} Cn×n上的一种范数,则在 C n C^{n} Cn上必存在与它相容的向量范数。
从属范数
前面介绍了由矩阵范数定义向量范数的方法,接下来将要介绍由向量范数来定义矩阵范数的方法。
我们知道,单位矩阵在矩阵的乘法中的作用类似于1在乘法中的作用。但是对于已经知道的矩阵范数,如 m 1 m_{1} m1, F F F, m ∞ m_{\infty} m∞范数, n n n阶单位矩阵 E E E的范数。
∣ ∣ E ∣ ∣ m 1 = n , ∣ ∣ E ∣ ∣ F = n , ∣ ∣ E ∣ ∣ m ∞ = n ||E||_{m_{1}} = n,||E||_{F} = \sqrt{n},||E||_{m \infty} = n ∣∣E∣∣m1=n,∣∣E∣∣F=n,∣∣E∣∣m∞=n
能否构造出使得 ∣ ∣ E ∣ ∣ = 1 ||E||=1 ∣∣E∣∣=1的范数呢?
- 定理4.4:已知 C n C^{n} Cn上的向量范数 ∣ ∣ ⋅ ∣ ∣ v ||\cdot||_{v} ∣∣⋅∣∣v,对于任意的 A ∈ C n × n A \in C^{n \times n} A∈Cn×n,规定:
∣ ∣ A ∣ ∣ = m a x x ≠ 0 ∣ ∣ A x ∣ ∣ v ∣ ∣ x ∣ ∣ v ||A|| = max_{x \neq 0} \frac{||Ax||_{v}}{||x||_{v}} ∣∣A∣∣=maxx=0∣∣x∣∣v∣∣Ax∣∣v
则 ∣ ∣ A ∣ ∣ ||A|| ∣∣A∣∣是 C n × n C^{n \times n} Cn×n上的矩阵范数,称为由向量范数 ∣ ∣ ⋅ ∣ ∣ v ||\cdot||_{v} ∣∣⋅∣∣v导出的矩阵范数,简称导出范数或者从属范数。
从属范数的计算
从属范数的计算是求多元函数的最大值,计算并不容易,我们只就向量的1,2, ∞ \infty ∞导出的矩阵范数分别是 ∣ ∣ A ∣ ∣ 1 ||A||_{1} ∣∣A∣∣1, ∣ ∣ A ∣ ∣ 2 ||A||_{2} ∣∣A∣∣2, ∣ ∣ A ∣ ∣ ∞ ||A||_{\infty} ∣∣A∣∣∞,则:
- ∣ ∣ A ∣ ∣ 1 = m a x j ∑ i = 1 n ∣ a i j ∣ ||A||_{1} = max_{j} \sum_{i=1}^{n} |a_{ij}| ∣∣A∣∣1=maxj∑i=1n∣aij∣。
- ∣ ∣ A ∣ ∣ ∞ = m a x i ∑ j = 1 n ∣ a i j ∣ ||A||_{\infty} = max_{i} \sum_{j=1}^{n}|a_{ij}| ∣∣A∣∣∞=maxi∑j=1n∣aij∣。
- ∣ ∣ A ∣ ∣ 2 = λ 1 ||A||_{2} = \sqrt{\lambda_{1}} ∣∣A∣∣2=λ1, λ 1 \lambda_{1} λ1为 A H A A^{H}A AHA的最大特征值。
∣ ∣ A ∣ ∣ 1 ||A||_{1} ∣∣A∣∣1是矩阵 A A A的元素取模,然后把每一列元素加起来,取这些列和的最大值。而 ∣ ∣ A ∣ ∣ ∞ ||A||_{\infty} ∣∣A∣∣∞是把每行的模加起来,然后取最大值。
范数的应用举例
-
定义4.6:设 A ∞ C n × n A \infty C^{n \times n} A∞Cn×n, λ 1 , λ 2 , ⋯ , λ n \lambda_{1},\lambda_{2},\cdots,\lambda_{n} λ1,λ2,⋯,λn是 A A A的 n n n个特征值,称 ρ ( A ) = m a x i ∣ λ i ∣ \rho(A) = max_{i}|\lambda_{i}| ρ(A)=maxi∣λi∣为 A A A的谱半径,即 A A A的谱半径是 A A A的特征值模的最大值。
-
定理4.6:设 A ∈ C n × n A \in C^{n \times n} A∈Cn×n,则对 C n × n C^{n \times n} Cn×n上的任何一个矩阵范数 ∣ ∣ ⋅ ∣ ∣ m ||\cdot||_{m} ∣∣⋅∣∣m,都有:
ρ ( A ) ≤ ∣ ∣ A ∣ ∣ m \rho(A) \leq ||A||_{m} ρ(A)≤∣∣A∣∣m
- 定理4.7:设 A ∈ C n × n A \in C^{n \times n} A∈Cn×n,任取一个正数,都可以找到一个矩阵范数 ∣ ∣ ⋅ ∣ ∣ ||\cdot|| ∣∣⋅∣∣,使得:
∣ ∣ A ∣ ∣ ≤ ρ ( A ) + ε ||A|| \leq \rho(A) + \varepsilon ∣∣A∣∣≤ρ(A)+ε
我的微信公众号名称:小小何先生
公众号介绍:主要研究分享深度学习、机器博弈、强化学习等相关内容!期待您的关注,欢迎一起学习交流进步!