ACoder:线性代数中一些等价的结论zhuanlan.zhihu.com
ACoder:线性代数中的基础概念(2)zhuanlan.zhihu.com
本文的主要内容:
- 常见的符号表示
- 向量乘法与数乘
- 向量范数与矩阵范数
常见的符号表示
: 实数集
: 复数集
: n维实数空间
: n维复数空间
: 所有
的实矩阵构成的集合
: 所有
的复矩阵构成的集合
: 列向量
: 向量
的第
个元素
:矩阵
:矩阵第
行的第
个元素
向量:
即
向量的转置:
(列向量转置成为了行向量)
向量的共轭转置:
(
与
互为共轭)
矩阵:
即
矩阵的转置:
性质:
矩阵的共轭转置:
性质:
矩阵的迹(trace):
性质:
表示一个元素全为0的向量或矩阵
表示一个元素全为1的向量或矩阵
单位向量:
,
只有一个位置为1,其余是0
单位矩阵(identity matrix):
对角矩阵(diagonal matrx):
上三角矩阵(upper triangle matrix)
下三角矩阵(lower triangle matrix)
向量乘法与数乘
如
,
- 向量数乘:
- 向量乘法(内积):
如果
, 则说
和
是正交的。
向量范数与矩阵范数
非零向量
的范数
是一个正数,向量范数
度量向量
的长度。向量范数也可以用来度量2个向量距离的远近,如
。由此可知范数应该是一个函数,需要将一个向量映射到实数空间
,即
同时我们要求向量范数满足以下3条性质:
-
并且
-
-
常见的向量范数:
(也被称为曼哈顿范数或出租车范数)
(欧式范数)
矩阵范数: 和向量范数的定义类似,能够将矩阵映射到一个实数,并满足4条基本性质的函数就是一种矩阵范数。矩阵范数不是对矩阵在空间中长度的一种度量!!!因为矩阵是线性空间中的一个线性变换,没法度量线性变换的长度。
矩阵范数需要满足的4条性质(假设
可以相加或相乘):
-
并且
-
-
-
假设
, 常见的矩阵范数:
Frobenius范数:
诱导范数(induced norm):
的诱导范数(绝对值之和最大的列):
的诱导范数:
的诱导范数(绝对值之和最大的行):