高等数学:矩阵的酉不变范数,樊畿控制定理,次可乘性质,p次对称度规函数

这篇具有很好参考价值的文章主要介绍了高等数学:矩阵的酉不变范数,樊畿控制定理,次可乘性质,p次对称度规函数。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

酉不变范数与对称度规函数

∥ ⋅ ∥ : C m × n → R + \lVert\cdot\rVert : \mathbb{C}^{m\times n} \to \mathbb{R}_+ :Cm×nR+ 是范数,且 ∥ ★ ∥ = ∥ U ∗ ★ V ∥ \lVert \bigstar \rVert = \lVert U^{*} \bigstar V \rVert =UV 对所有酉矩阵 U , V U,V U,V 成立(此时称 ∥ ⋅ ∥ \lVert\cdot\rVert 酉不变);考虑奇异值分解 A = U Σ ( A ) V ∗ A = U \Sigma(A) V^{*} A=UΣ(A)V,其中 Σ ( A ) ∈ C m × n \Sigma(A) \in \mathbb{C}^{m\times n} Σ(A)Cm×n的主对角元为 σ 1 ( A ) ≥ ⋯ ≥ σ q ( A ) ≥ 0 ,   q = min ⁡ ( m , n ) \sigma_{1}(A) \geq \dots \geq \sigma_{q}(A) \geq 0 ,\ q = \min(m, n) σ1(A)σq(A)0, q=min(m,n),则 ∥ A ∥ = ∥ Σ ( A ) ∥ \lVert A \rVert = \lVert \Sigma(A) \rVert A=Σ(A)∥ 只依赖于 sv ⁡ ( A ) = ( σ i ( A ) ) 1 ≤ i ≤ q ∈ R + q \operatorname{sv}(A) = (\sigma_{i}(A))_{1\leq i\leq q} \in \mathbb{R}_{+}^{q} sv(A)=(σi(A))1iqR+q
设 g : F n → R + \mathbb{F}^n \to\mathbb{R}_+ FnR+ 是范数:
g ( ⋅ ) = g ( τ ( ⋅ ) ) ,   ∀ τ ∈ S n g(\cdot) = g( \tau(\cdot) ), \ \forall \tau\in S_n g()=g(τ()), τSn ,则称 g对称或置换不变;
g ( ⋅ ) = g ( abs ⁡ ( ⋅ ) ) g(\cdot) = g( \operatorname{abs}(\cdot) ) g()=g(abs()),则称 g绝对或度规不变;
若 g 对称且绝对,则称 g 为对称度规函数。
固定正整数 m,n 和 q = min ⁡ ( m , n ) q = \min(m, n) q=min(m,n) ,von Neumann发现

∥ ⋅ ∥ : C m × n → R + \lVert\cdot\rVert : \mathbb{C}^{m\times n} \to \mathbb{R}_+ :Cm×nR+ 是酉不变范数,则 g ∥ ⋅ ∥ : ( x i ) ∈ F q ↦ ∥ X ∥ g_{\lVert\cdot\rVert} : (x_{i})\in\mathbb{F}^{q} \mapsto \lVert X\rVert g:(xi)FqX是对称度规函数,其中 X ∈ F m × n X \in \mathbb{F}^{m\times n} XFm×n diag ⁡ ( x 1 , … , x q ) \operatorname{diag}(x_{1}, \dots, x_{q}) diag(x1,,xq)添补零得到;
g : F q → R + g : \mathbb{F}^{q} \to\mathbb{R}_+ g:FqR+ 是对称度规函数,则 ∥ ⋅ ∥ g : A ∈ C m × n ↦ g ( sv ⁡ ( A ) ) \lVert\cdot\rVert_{g} : A\in\mathbb{C}^{m\times n} \mapsto g(\operatorname{sv}(A)) g:ACm×ng(sv(A)) 是酉不变范数。
证明:对于范数 ∥ ⋅ ∥ \lVert\cdot\rVert ,易见 g ∥ ⋅ ∥ g_{\lVert\cdot\rVert} g 仍是范数;而置换矩阵和 diag ⁡ ( exp ⁡ ( − 1 θ 1 ) , … , exp ⁡ ( − 1 θ q ) ) \operatorname{diag}\left( \exp(\sqrt{-1}\theta_{1}), \dots, \exp(\sqrt{-1}\theta_{q}) \right) diag(exp(1 θ1),,exp(1 θq))都是酉矩阵,所以酉不变范数确实诱导了对称度规函数。反之,由 sv ⁡ ( U ∗ A V ) = sv ⁡ ( A ) \operatorname{sv}(U^{*}AV) = \operatorname{sv}(A) sv(UAV)=sv(A) 可知 ∥ ⋅ ∥ g \lVert\cdot\rVert_{g} g酉不变,而正定性和齐次性容易验证,只需说明三角不等式成立。任取 A , B ∈ C m × n A, B \in \mathbb{C}^{m\times n} A,BCm×n,奇异值的樊畿不等式断言 ( σ i ( A + B ) ) 1 ≤ i ≤ q ≺ w ( σ i ( A ) + σ i ( B ) ) 1 ≤ i ≤ q (\sigma_{i}(A+B))_{1 \leq i \leq q} \prec_\mathrm{w} ( \sigma_{i}(A) + \sigma_{i}(B) )_{1 \leq i \leq q} (σi(A+B))1iqw(σi(A)+σi(B))1iq,弱受控表明存在双随机矩阵 D 适合 D ( sv ⁡ ( A ) + sv ⁡ ( B ) ) ≥ sv ⁡ ( A + B ) D( \operatorname{sv}(A)+ \operatorname{sv}(B) ) \geq \operatorname{sv}(A+B) D(sv(A)+sv(B))sv(A+B),而双随机矩阵是置换矩阵的凸组合,应用下述引理通过简单推导即证。 ■ \blacksquare

[引理] 设 g : F n → R + 是范数,若 g ( v ) ≥ g ( w ) ,   ∀ v , w ∈ F n ,   abs ⁡ ( v ) ≥ abs ⁡ ( w ) g : \mathbb{F}^n \to\mathbb{R}_+ 是范数,若 g(v)\geq g(w),\ \forall v,w\in\mathbb{F}^n,\, \operatorname{abs}(v)\geq \operatorname{abs}(w) g:FnR+是范数,若g(v)g(w), v,wFn,abs(v)abs(w) ,则称 g单调;范数 g 单调当且仅当 g 绝对。
证明:若 g 单调,则 g ( ⋅ ) ≥ g ( abs ⁡ ( ⋅ ) ) ≥ g ( ⋅ ) g(\cdot) \geq g\left( \operatorname{abs}(\cdot) \right) \geq g(\cdot) g()g(abs())g() 。若 g 绝对,设 ∣ α ∣ ≤ 1 |\alpha| \leq 1 α1 ,则
   g ( z 1 , … , z k − 1 , α z k , z k + 1 , … , z n ) = g ( z 1 , … , ∣ α ∣ z k , … , z n ) ≤ 1 + ∣ α ∣ 2 g ( z 1 , … , z k , … , z n ) + 1 − ∣ α ∣ 2 g ( z 1 , … , − z k , … , z n ) = g ( z 1 , … , z n ) , 1 ≤ k ≤ n . \begin{align} &\ \ g(z_1, \dots, z_{k-1}, \alpha z_k , z_{k+1}, \dots, z_n) = g(z_1, \dots, |\alpha| z_k , \dots, z_n) \\ &\leq \frac{1+|\alpha|}{2}g(z_1, \dots, z_k , \dots, z_n) + \frac{1-|\alpha|}{2}g(z_1, \dots, -z_k , \dots, z_n) \\ &= g(z_1, \dots, z_n), \quad 1\leq k\leq n. \end{align}   g(z1,,zk1,αzk,zk+1,,zn)=g(z1,,αzk,,zn)21+αg(z1,,zk,,zn)+21αg(z1,,zk,,zn)=g(z1,,zn),1kn.
归纳即知 g 单调。 ■ \blacksquare

樊畿控制定理

前述证明其实突出了樊畿范数的重要性(弱受控),整理可得如下命题。

g : F n → R + g : \mathbb{F}^n \to\mathbb{R}_+ g:FnR+是对称度规函数,若 ∥ v ∥ [ k ] ≤ ∥ w ∥ [ k ] ,   1 ≤ k ≤ n \lVert v\rVert_{[k]} \leq \lVert w\rVert_{[k]}, \ 1\leq k\leq n v[k]w[k], 1kn,则 g ( v ) ≤ g ( w ) g(v) \leq g(w) g(v)g(w)
∥ ⋅ ∥ : C m × n → R + \lVert\cdot\rVert : \mathbb{C}^{m\times n} \to \mathbb{R}_+ :Cm×nR+是酉不变范数,若 ∥ A ∥ [ k ] ≤ ∥ B ∥ [ k ] ,   1 ≤ k ≤ min ⁡ ( m , n ) \lVert A\rVert_{[k]} \leq \lVert B\rVert_{[k]}, \ 1\leq k\leq \min(m,n) A[k]B[k], 1kmin(m,n) ,则 ∥ A ∥ ≤ ∥ B ∥ \lVert A\rVert \leq \lVert B\rVert AB
至此,矩阵的酉不变范数有了较清晰的图景。特别地,如果对称度规函数取为向量的 l_p 范数,则相应的矩阵酉不变范数即为Schatten范数,满足次可加性。

酉不变范数的次可乘性质

∥ ⋅ ∥ : C n × n → R + \lVert\cdot\rVert : \mathbb{C}^{n\times n} \to \mathbb{R}_+ :Cn×nR+ 是酉不变范数,则对 P , A , Q ∈ C n × n P, A, Q \in \mathbb{C}^{n\times n} P,A,QCn×n ∥ P A Q ∥ ≤ σ max ⁡ ( P ) ∥ A ∥ σ max ⁡ ( Q ) \lVert PAQ \rVert \leq \sigma_{\max}(P) \lVert A \rVert \sigma_{\max}(Q) PAQσmax(P)Aσmax(Q)
证明:在 ∥ ★ ∥ = g ∥ ⋅ ∥ ( sv ⁡ ( ★ ) ) \lVert\bigstar\rVert = g_{\lVert\cdot\rVert}(\operatorname{sv}(\bigstar)) =g(sv()) 中利用 g ∥ ⋅ ∥ g_{\lVert\cdot\rVert} g的单调性,只需说明 σ max ⁡ ( P ) σ max ⁡ ( Q ) sv ⁡ ( A ) ≥ sv ⁡ ( P A Q ) \sigma_{\max}(P)\sigma_{\max}(Q)\operatorname{sv}(A) \geq \operatorname{sv}(PAQ) σmax(P)σmax(Q)sv(A)sv(PAQ),这通过下述引理易得。 ■ \blacksquare

[引理] 将奇异值(计入 0 )排列为 σ 1 ( ⋅ ) ≥ ⋯ ≥ σ n ( ⋅ ) \sigma_{1}(\cdot) \geq \dots \geq \sigma_{n}(\cdot) σ1()σn(),则对 A , B ∈ C n × n A, B \in \mathbb{C}^{n\times n} A,BCn×n 1 ≤ i ≤ n 有 σ i ( A B ) ≤ σ max ⁡ ( A ) σ i ( B ) 和 σ i ( A B ) ≤ σ max ⁡ ( B ) σ i ( A ) 1\leq i\leq n 有 \sigma_{i}(AB) \leq \sigma_{\max}(A)\sigma_{i}(B) 和 \sigma_{i}(AB) \leq \sigma_{\max}(B)\sigma_{i}(A) 1inσi(AB)σmax(A)σi(B)σi(AB)σmax(B)σi(A)
证明:在奇异值的变分刻画 σ i ( ★ ) = sup ⁡ dim ⁡ ( W ) = i inf ⁡ v ∈ W : ∥ v ∥ 2 = 1 ∥ ★ v ∥ 2 \sigma_{i}(\bigstar) = \sup_{\dim(W)=i} \inf_{v \in W : \lVert v \rVert_{2} = 1} \lVert \bigstar v \rVert_{2} σi()=supdim(W)=iinfvW:v2=1v2中,利用 ∥ A B v ∥ 2 ≤ ∥ ∣ A ∣ ∥ 2 ∥ B v ∥ 2 = σ max ⁡ ( A ) ∥ B v ∥ 2 \lVert AB v \rVert_{2} \leq \lVert\lvert A \rvert\rVert_{2} \lVert Bv \rVert_{2} = \sigma_{\max}(A) \lVert Bv \rVert_{2} ABv2∥∣A2Bv2=σmax(A)Bv2即得 σ i ( A B ) ≤ σ max ⁡ ( A ) σ i ( B ) \sigma_{i}(AB) \leq \sigma_{\max}(A)\sigma_{i}(B) σi(AB)σmax(A)σi(B) 。另一方面,我们有 sv ⁡ ( ★ ) = sv ⁡ ( ★ ∗ ) 。 ■ \operatorname{sv}(\bigstar) = \operatorname{sv}(\bigstar^{*}) 。 \blacksquare sv()=sv()

p次对称度规函数

g : F n → R + g : \mathbb{F}^n \to\mathbb{R}_+ g:FnR+ 是对称度规函数,任取 p ∈ [ 1 , ∞ ) p\in[1,\infty) p[1,),则 g ( p ) : ( u 1 , … , u n ) ∈ F n ↦ [ g ( ∣ u 1 ∣ p , … , ∣ u n ∣ p ) ] 1 / p g^{(p)} : (u_1,\dots,u_n) \in \mathbb{F}^{n} \mapsto \left[ g(|u_1|^p, \dots, |u_n|^p) \right]^{1/p} g(p):(u1,,un)Fn[g(u1p,,unp)]1/p 也是对称度规函数——只需验证三角不等式。

[Hölder不等式] g ( u ∘ v ) ≤ g ( p ) ( u ) g ( p ′ ) ( v ) ,   1 p + 1 p ′ = 1 g(u\circ v) \leq g^{(p)}(u) g^{(p')}(v) ,\ \tfrac{1}{p}+\tfrac{1}{p'}=1 g(uv)g(p)(u)g(p)(v), p1+p1=1
[Minkowski不等式] g ( p ) ( u + v ) ≤ g ( p ) ( u ) + g ( p ) ( v ) g^{(p)}(u+v) \leq g^{(p)}(u) + g^{(p)}(v) g(p)(u+v)g(p)(u)+g(p)(v)
证明:由Young不等式可知 α β = min ⁡ t > 0 { ( α / t ) p p + ( t β ) p ′ p ′ } ,   ∀ α , β ∈ R + \alpha\beta = \min_{t>0} \left\{ \frac{(\alpha/t)^p}{p} + \frac{(t\beta)^{p'}}{p'} \right\} ,\ \forall \alpha,\beta \in \mathbb{R}_{+} αβ=mint>0{p(α/t)p+p()p}, α,βR+ ,进而利用 g 的单调性、次可加性和齐次性易证Holder不等式。不妨设 u , v ∈ R + n 和 p > 1 u,v \in \mathbb{R}_{+}^{n} 和 p>1 u,vR+np>1,由 ( u + v ) p = u ∘ ( u + v ) p − 1 + v ∘ ( u + v ) p − 1 和 p ′ ( p − 1 ) = p (u+v)^{p} = u\circ(u+v)^{p-1} + v\circ(u+v)^{p-1} 和 p'(p-1) = p (u+v)p=u(u+v)p1+v(u+v)p1p(p1)=p 可得
g ( ( u + v ) p ) ≤ g ( u ∘ ( u + v ) p − 1 ) + g ( v ∘ ( u + v ) p − 1 ) ≤ g ( p ) ( u ) [ g ( ( u + v ) p ) ] 1 / p ′ + g ( p ) ( v ) [ g ( ( u + v ) p ) ] 1 / p ′ = [ g ( p ) ( u ) + g ( p ) ( v ) ] ⋅ [ g ( ( u + v ) p ) ] 1 / p ′ \begin{align} g((u+v)^{p}) &\leq g(u\circ(u+v)^{p-1}) + g(v\circ(u+v)^{p-1}) \\ &\leq g^{(p)}(u) [g((u+v)^{p})]^{1/p'} + g^{(p)}(v) [g((u+v)^{p})]^{1/p'} \\ &= [g^{(p)}(u) + g^{(p)}(v)] \cdot [g((u+v)^{p})]^{1/p'} \end{align} g((u+v)p)g(u(u+v)p1)+g(v(u+v)p1)g(p)(u)[g((u+v)p)]1/p+g(p)(v)[g((u+v)p)]1/p=[g(p)(u)+g(p)(v)][g((u+v)p)]1/p
,两端除以 [ g ( ( u + v ) p ) ] 1 / p ′ [g((u+v)^{p})]^{1/p'} [g((u+v)p)]1/p即证。 ■ \blacksquare

∥ ⋅ ∥ : C n × n → R + \lVert\cdot\rVert : \mathbb{C}^{n\times n} \to \mathbb{R}_+ :Cn×nR+是酉不变范数,则对 A , B ∈ C n × n A, B \in \mathbb{C}^{n\times n} A,BCn×n 有Hölder不等式 ∥ A B ∥ ≤ ∥ ( A A ∗ ) p ∥ 1 / p ∥ ( B B ∗ ) p ′ ∥ 1 / p ′ ,   1 p + 1 p ′ = 1 \lVert AB \rVert \leq \lVert (\sqrt{AA^{*}})^{p} \rVert^{1/p} \lVert (\sqrt{BB^{*}})^{p'} \rVert^{1/p'} ,\ \tfrac{1}{p}+\tfrac{1}{p'}=1 AB∥(AA )p1/p∥(BB )p1/p, p1+p1=1

证明:将奇异值(计入 0 )排列为 σ 1 ( ⋅ ) ≥ ⋯ ≥ σ n ( ⋅ ) \sigma_{1}(\cdot) \geq \dots \geq \sigma_{n}(\cdot) σ1()σn(),由奇异值的乘积型受控 ( σ i ( A B ) ) 1 ≤ i ≤ n ≺ w ( σ i ( A ) σ i ( B ) ) 1 ≤ i ≤ n 可得 g ∥ ⋅ ∥ ( sv ⁡ ( A B ) ) ≤ g ∥ ⋅ ∥ ( sv ⁡ ( A ) ∘ sv ⁡ ( B ) ) ≤ g ∥ ⋅ ∥ ( p ) ( sv ⁡ ( A ) ) g ∥ ⋅ ∥ ( p ′ ) ( sv ⁡ ( B ) ) (\sigma_{i}(AB))_{1\leq i\leq n} \prec_{\mathrm{w}} (\sigma_{i}(A)\sigma_{i}(B))_{1\leq i\leq n} 可得 g_{\lVert\cdot\rVert}(\operatorname{sv}(AB)) \leq g_{\lVert\cdot\rVert}(\operatorname{sv}(A)\circ\operatorname{sv}(B)) \leq g_{\lVert\cdot\rVert}^{(p)}(\operatorname{sv}(A)) g_{\lVert\cdot\rVert}^{(p')}(\operatorname{sv}(B)) (σi(AB))1inw(σi(A)σi(B))1in可得g(sv(AB))g(sv(A)sv(B))g(p)(sv(A))g(p)(sv(B)) ,所以注意到 σ i ( A ) p = σ i ( ( A A ∗ ) p ) ,   1 ≤ i ≤ n \sigma_{i}(A)^{p} = \sigma_{i}((\sqrt{AA^{*}})^{p}) , \ 1\leq i\leq n σi(A)p=σi((AA )p), 1in即可。 ■ \blacksquare 文章来源地址https://www.toymoban.com/news/detail-674391.html

到了这里,关于高等数学:矩阵的酉不变范数,樊畿控制定理,次可乘性质,p次对称度规函数的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 高等工程数学 —— 第一章 (2)矩阵的谱半径与条件数

    谱半径其实就是最大特征值 注意这里谱半径是小于等于矩阵的任意范数的。在求特征值比较麻烦的时候我们就可以用这条性质来估计谱半径的最大值。 当矩阵A为正规矩阵时, A H = A A^H = A A H = A ,所以 ρ ( A ) = ∣ ∣ A ∣ ∣ 2 rho(A) = ||A||_2 ρ ( A ) = ∣∣ A ∣ ∣ 2 ​ 。但是要注

    2024年02月03日
    浏览(50)
  • Hermite矩阵的酉对角化

    Hermite矩阵:一个矩阵将被称作Hermite矩阵,如果他的共轭转置等于他本身 对角化:对于矩阵M(n,n)若存在一个可逆矩阵A,使得A^(-1)MA为对角矩阵,则上一操作被称为矩阵的对角化 方阵可被对角化的条件:这个(n,n)矩阵存在n个线性不相关的特征向量 酉矩阵:一个矩阵将被称作酉

    2024年02月07日
    浏览(36)
  • 陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(上篇)

    视频链接: 陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(上篇)_哔哩哔哩_bilibili import Mathlib.LinearAlgebra.Matrix.Determinant import Mathlib.GroupTheory.Perm.Fin import Mathlib.GroupTheory.Perm.Sign import Mathlib.Data.Real.Sqrt import Mathlib.Data.List.Perm -- 本文

    2024年02月03日
    浏览(44)
  • 陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(下篇)

    视频链接,求个赞哦: 陶哲轩必备助手之人工智能数学验证+定理发明工具LEAN4 [线性代数篇2]矩阵乘积的行列式变形(下篇)_哔哩哔哩_bilibili import Mathlib.LinearAlgebra.Matrix.Determinant import Mathlib.GroupTheory.Perm.Fin import Mathlib.GroupTheory.Perm.Sign import Mathlib.Data.Real.Sqrt import Mathlib.Data.Li

    2024年01月23日
    浏览(52)
  • 【数学基础】1范数、2范数、p范数、无穷范数

    我们学习机器人运动规划的时候,经常会用到范数的概念。例如求解两点之间的欧式距离,我们需要求解欧式长度,从数学上来说也就是求解L2范数的问题。下面将介绍范数的概念: 向量的各个元素的绝对值之和: 向量的每个元素的平方的和再开平方根 向量的每个元素的p次

    2024年02月11日
    浏览(31)
  • 【矩阵论】7. 范数理论——基本概念——向量范数与矩阵范数

    矩阵论的所有文章,主要内容参考北航赵迪老师的课件 [注]由于矩阵论对计算机比较重要,所以选修了这门课,但不是专业搞数学的,所以存在很多口语化描述,而且对很多东西理解不是很正确与透彻,欢迎大家指正。我可能间歇性忙,但有空一定会回复修改的。 矩阵论 1

    2023年04月23日
    浏览(43)
  • 计算方法 | 范数(向量:1范数、2范数、无穷范数;矩阵:行范数、列范数)

    0范数: 向量中非零元素的个数。 1范数: 为绝对值之和。 2范数: 通常意义上的模。 无穷范数:取向量的最大值。 行范数:矩阵中每行绝对值之和的最大值 列范数:矩阵中每列绝对值之和的最大值 范数对于数学的意义?1范数、2范数、无穷范数_yangpan011的博客-CSDN博客_无穷

    2024年02月15日
    浏览(41)
  • 矩阵分析与计算学习记录-向量范数与矩阵范数

    本章知识重点: 向量范数:定义、性质、等价性、分析性质 矩阵范数:定义、算子范数 矩阵范数与向量范数的相容性 矩阵的普半径及应用:普半径、矩阵序列及级数中的应用 矩阵的条件数及应用:矩阵的条件数、误差估计中的应用 范数,是具有“长度”概念的函数。 在线

    2024年02月05日
    浏览(51)
  • L1范数,L2范数,L2,1范数(向量范数、矩阵范数、正则化)

    参考文章如下:https://blog.csdn.net/lqzdreamer/article/details/79676305                          https://blog.csdn.net/lqzdreamer/article/details/79676305         一般常用范数来衡量向量,向量的Lp范数定义为:          Lp范数示意图:         从图中可以看出,p的取值在 [0,1) 之间,范数

    2023年04月09日
    浏览(41)
  • 用python实现矩阵和向量的范数(包括一范数,二范数,无穷范数)

    首先,导入需要用到的库: 创建一个矩阵和一个向量并输出: 计算矩阵的第一范数: 计算矩阵的第二范数: 计算矩阵的无穷范数: 计算向量的第一范数: 计算向量的第二范数: 计算向量的无穷范数: 完整代码如下:

    2024年04月22日
    浏览(37)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包