矩阵迹的性质_线性代数中的基础概念(1)：常见符号表示，向量范数与矩阵范数...

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：

1. 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）：

1. 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）：