范数理论
2023年11月16日
1. 向量的范数
向量的长度也称为向量的二范数
[!quote]- 长度的定理
设 x , y , z ∈ C n , λ ∈ C {x,y,z\in \mathbb C^n \,\,,\,\, \lambda\in \mathbb C} x,y,z∈Cn,λ∈C
- 非负性:长度大于等于 0 {0} 0 ,仅当向量为 0 {0} 0 时取等。
- 齐次性: ∣ ∣ λ x ∣ ∣ = ∣ λ ∣ ⋅ ∣ ∣ x ∣ ∣ || \lambda x||=| \lambda| \cdot ||x|| ∣∣λx∣∣=∣λ∣⋅∣∣x∣∣。
- 三角不等式性: ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ ||x+y||\le||x||+||y|| ∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣。
定义 设 ∣ ∣ ⋅ ∣ ∣ {|| \cdot ||} ∣∣⋅∣∣ 是 C n { \mathbb C^n } Cn 上的一个泛函,满足
- 正定性: ∀ x ∈ C n {\forall x\in \mathbb C^n} ∀x∈Cn , ∣ ∣ x ∣ ∣ ≥ 0 {||x||\ge 0} ∣∣x∣∣≥0 ,且 ∣ ∣ x ∣ ∣ = 0 {||x||=0} ∣∣x∣∣=0 的充要条件是 x = 0 {x=0} x=0
- 齐次性: ∀ λ ∈ C {\forall \lambda \in \mathbb C} ∀λ∈C , x ∈ C n {x\in \mathbb C^n} x∈Cn , ∣ ∣ λ x ∣ ∣ = ∣ λ ∣ ⋅ ∣ ∣ x ∣ ∣ {|| \lambda x||=| \lambda| \cdot ||x||} ∣∣λx∣∣=∣λ∣⋅∣∣x∣∣
- 三角不等式性: ∀ x , y ∈ C n { \forall x,y\in \mathbb C^n} ∀x,y∈Cn , ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ {||x+y|| \le ||x||+||y||} ∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣
则称 ∣ ∣ ⋅ ∣ ∣ {|| \cdot ||} ∣∣⋅∣∣ 是 C n { \mathbb C^n} Cn 上的一个向量范数。
定理 对任意 x , y ∈ C n {x,y\in \mathbb C^n} x,y∈Cn ,有
- ∣ ∣ − x ∣ ∣ = ∣ ∣ x ∣ ∣ {||-x||=||x||} ∣∣−x∣∣=∣∣x∣∣
- ∣ ∣ ∣ x ∣ ∣ − ∣ ∣ y ∣ ∣ ∣ ≤ ∣ ∣ x − y ∣ ∣ {|||x||-||y|||\le||x-y||} ∣∣∣x∣∣−∣∣y∣∣∣≤∣∣x−y∣∣
2. 常用向量范数
设 x ∈ C n {x\in \mathbb C^n} x∈Cn ,定义
- 向量的1范数:
∣ ∣ x ∣ ∣ 1 = ∑ i = 1 n ∣ x i ∣ ||x||_1= \sum_{i=1}^{ n}|x_i| ∣∣x∣∣1=i=1∑n∣xi∣
为每个分量的绝对值之和。 - 向量的2范数:
∣ ∣ 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
长度,欧几里得空间中的距离。 - 向量的
p
{p}
p 范数:
∣ ∣ x ∣ ∣ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 p , 1 ≤ p ≤ + ∞ ||x||_p= (\sum_{i=1}^{ n}|x_i|^p)^{\frac{1}{p}} \,\,,\,\, 1\le p\le +\infty ∣∣x∣∣p=(i=1∑n∣xi∣p)p1,1≤p≤+∞ - 向量的无穷范数(
p
→
∞
{p\to\infty}
p→∞ )
∣ ∣ x ∣ ∣ ∞ = max 1 ≤ i ≤ n ∣ x i ∣ ||x||_\infty= \max_{1\le i\le n}|x_i| ∣∣x∣∣∞=1≤i≤nmax∣xi∣
向量分量中绝对值最大的一个。
如果
A
∈
C
n
×
n
{A\in \mathbb C^{n \times n}}
A∈Cn×n 是Hermit正定矩阵,则
∣
∣
x
∣
∣
A
=
x
H
A
x
,
x
∈
C
n
{||x||_A= \sqrt{x^ \mathrm H Ax}\,\,,\,\, x\in \mathbb C^n}
∣∣x∣∣A=xHAx,x∈Cn
也是
C
n
{ \mathbb C^n }
Cn 上的向量范数。
3. 向量范数的等价性
定义 设
∣
∣
⋅
∣
∣
v
1
{|| \cdot ||_{v1}}
∣∣⋅∣∣v1 与
∣
∣
⋅
∣
∣
v
2
{|| \cdot ||_{v2}}
∣∣⋅∣∣v2 是
C
n
{ \mathbb C^n}
Cn 上两个向量范数,如果存在常数
c
1
,
c
2
>
0
{c_1,c_2>0}
c1,c2>0 使得
∀
x
∈
C
n
{ \forall x\in \mathbb C^n}
∀x∈Cn 有
c
1
∣
∣
x
∣
∣
v
1
≤
∣
∣
x
∣
∣
v
2
≤
c
2
∣
∣
x
∣
∣
v
1
c_1||x||_{v1}\le||x||_{v2}\le c_2||x||_{v1}
c1∣∣x∣∣v1≤∣∣x∣∣v2≤c2∣∣x∣∣v1
则称向量范数
∣
∣
⋅
∣
∣
v
1
{|| \cdot ||_{v1}}
∣∣⋅∣∣v1 与
∣
∣
⋅
∣
∣
v
2
{|| \cdot ||_{v2}}
∣∣⋅∣∣v2 等价。
理解 向量空间所有向量的 ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 范数不会小于其 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1 范数的 c 1 {c_1} c1 倍,也不会大于其 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1 范数的 c 2 {c_2} c2 倍。同一个向量的两个范数要么同时大,要么同时小,但不一定成比例。
向量范数的等价实际上是等价关系
- 自身性:所有范数与自己等价
- 对称性:若 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1 与 ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 等价,则 ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 与 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1 等价
- 传递性:若 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1 与 ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 等价, ∣ ∣ ⋅ ∣ ∣ v 3 {|| \cdot ||_{v3}} ∣∣⋅∣∣v3 与 ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 等价,则 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1 与 ∣ ∣ ⋅ ∣ ∣ v 3 {|| \cdot ||_{v3}} ∣∣⋅∣∣v3 等价
定理
C
n
{\mathbb C^n}
Cn 上的所有向量范数等价。
向量范数在向量序列极限概念上的应用
lim
k
→
∞
x
(
k
)
=
x
⟺
lim
k
→
∞
∣
∣
x
(
k
)
−
x
∣
∣
=
0
\lim_{k\to\infty}x^{(k)}=x \iff \lim_{k\to\infty}||x^{(k)}-x||=0
k→∞limx(k)=x⟺k→∞lim∣∣x(k)−x∣∣=0
4. 矩阵的范数
定义 设 ∣ ∣ ⋅ ∣ ∣ {|| \cdot ||} ∣∣⋅∣∣ 是 C n × n { \mathbb C^{n \times n} } Cn×n 上的一个泛函,满足
- 正定性: ∀ A ∈ C n × n {\forall A\in \mathbb C^{n \times n}} ∀A∈Cn×n , ∣ ∣ x ∣ ∣ ≥ 0 {||x||\ge 0} ∣∣x∣∣≥0 ,且 ∣ ∣ x ∣ ∣ = 0 {||x||=0} ∣∣x∣∣=0 的充要条件是 x = 0 {x=0} x=0
- 齐次性: ∀ λ ∈ C {\forall \lambda \in \mathbb C} ∀λ∈C , A ∈ C n × n {A\in \mathbb C^{n \times n}} A∈Cn×n , ∣ ∣ λ A ∣ ∣ = ∣ λ ∣ ⋅ ∣ ∣ A ∣ ∣ {|| \lambda A||=| \lambda| \cdot ||A||} ∣∣λA∣∣=∣λ∣⋅∣∣A∣∣
- 三角不等式性: ∀ A , B ∈ C n × n { \forall A,B\in \mathbb C^{n \times n}} ∀A,B∈Cn×n , ∣ ∣ A + B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ + ∣ ∣ B ∣ ∣ {||A+B|| \le ||A||+||B||} ∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣
- 乘积不等式(相容性): ∀ A , B ∈ C n × n { \forall A,B\in \mathbb C^{n \times n}} ∀A,B∈Cn×n , ∣ ∣ A B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ⋅ ∣ ∣ B ∣ ∣ {||AB|| \le ||A|| \cdot ||B||} ∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣
则称 ∣ ∣ ⋅ ∣ ∣ {|| \cdot ||} ∣∣⋅∣∣ 是 C n × n { \mathbb C^{n \times n}} Cn×n 上的一个矩阵范数。
5. 常用的矩阵范数
设 A = ( a i j ) ∈ C n × n {A=(a_{ij})\in \mathbb C^{n \times n}} A=(aij)∈Cn×n ,定义
- 矩阵的
m
1
{m_1}
m1 范数
∣ ∣ A ∣ ∣ m 1 = ∑ i = 1 n ∑ j = 1 n ∣ a i j ∣ ||A||_{m1}= \sum_{i=1}^{ n}\sum_{j=1}^{ n}|a_{ij}| ∣∣A∣∣m1=i=1∑nj=1∑n∣aij∣ - 矩阵的
F
{F}
F 范数
∣ ∣ A ∣ ∣ F = ( ∑ i = 1 n ∑ j = 1 n ∣ a i j ∣ 2 ) 1 2 = tr ( A H A ) ||A||_F= (\sum_{i=1}^{ n}\sum_{j=1}^{ n}|a_{ij}|^2)^{ \frac{1}{2}}= \sqrt{\text{tr}(A^{\mathrm H}A) } ∣∣A∣∣F=(i=1∑nj=1∑n∣aij∣2)21=tr(AHA)
为每个元素平方再求和最后开方。 - 矩阵的
m
∞
{m_\infty}
m∞ 范数
∣ ∣ A ∣ ∣ m ∞ = n ⋅ max 1 ≤ i , j ≤ n ∣ a i j ∣ ||A||_{m\infty}=n \cdot \max_{1\le i,j\le n}|a_{ij}| ∣∣A∣∣m∞=n⋅1≤i,j≤nmax∣aij∣
6. 矩阵范数与向量范数的相容性
定义 设
∣
∣
⋅
∣
∣
m
{|| \cdot ||_{m}}
∣∣⋅∣∣m 是
C
n
×
n
{ \mathbb C^{n \times n} }
Cn×n 上的矩阵范数,
∣
∣
⋅
∣
∣
v
{|| \cdot ||_{v}}
∣∣⋅∣∣v 是
C
n
{ \mathbb C^n}
Cn 上的向量范数,如果
∀
A
∈
C
n
×
n
,
x
∈
C
n
{ \forall A\in \mathbb C^{n \times n},x\in \mathbb C^n}
∀A∈Cn×n,x∈Cn
∣
∣
A
x
∣
∣
v
≤
∣
∣
A
∣
∣
m
⋅
∣
∣
x
∣
∣
v
||Ax||_v\le ||A||_m \cdot ||x||_v
∣∣Ax∣∣v≤∣∣A∣∣m⋅∣∣x∣∣v
总是成立,则称矩阵范数
∣
∣
⋅
∣
∣
m
{|| \cdot ||_{m}}
∣∣⋅∣∣m 与向量范数
∣
∣
⋅
∣
∣
v
{|| \cdot ||_{v}}
∣∣⋅∣∣v 相容。下标m表示matrix,v表示vector。
定理
- 矩阵范数 ∣ ∣ ⋅ ∣ ∣ m 1 {|| \cdot ||_{m1}} ∣∣⋅∣∣m1 , ∣ ∣ ⋅ ∣ ∣ F {|| \cdot ||_{F}} ∣∣⋅∣∣F 分别与 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1, ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 相容
- 矩阵范数 ∣ ∣ ⋅ ∣ ∣ m ∞ {|| \cdot ||_{m\infty}} ∣∣⋅∣∣m∞ 与向量范数 ∣ ∣ ⋅ ∣ ∣ v 1 {|| \cdot ||_{v1}} ∣∣⋅∣∣v1, ∣ ∣ ⋅ ∣ ∣ v 2 {|| \cdot ||_{v2}} ∣∣⋅∣∣v2 , ∣ ∣ ⋅ ∣ ∣ v ∞ {|| \cdot ||_{v\infty}} ∣∣⋅∣∣v∞ 相容
7. 矩阵范数诱导的向量范数
对于任意的矩阵范数,都可以找到与之相容的向量范数。
设
∣
∣
⋅
∣
∣
m
{|| \cdot ||_m}
∣∣⋅∣∣m 是
C
n
×
n
{ \mathbb C^{n \times n}}
Cn×n 上一个矩阵范数,取
a
∈
C
n
{a\in \mathbb C^n}
a∈Cn ,且
a
≠
0
{a\ne0}
a=0 ,定义
∣
∣
x
∣
∣
v
=
∣
∣
x
a
H
∣
∣
m
,
x
∈
C
n
||x||_v=||xa^ \mathrm H||_m \,\,,\,\, x\in \mathbb C^n
∣∣x∣∣v=∣∣xaH∣∣m,x∈Cn
可以证明,它是
C
n
{ \mathbb C^n }
Cn 上的向量范数,称为由矩阵范数
∣
∣
⋅
∣
∣
m
{|| \cdot ||_m}
∣∣⋅∣∣m 所诱导的向量范数。
定理
C
n
×
n
{\mathbb C^{n \times n} }
Cn×n 上任意一矩阵范数
∣
∣
⋅
∣
∣
m
{|| \cdot ||_m}
∣∣⋅∣∣m 与他所诱导的向量范数
∣
∣
⋅
∣
∣
v
{|| \cdot ||_v}
∣∣⋅∣∣v 相容。
∣
∣
A
x
∣
∣
v
=
∣
∣
(
A
x
)
a
H
∣
∣
m
=
∣
∣
A
(
x
a
H
)
∣
∣
m
≤
∣
∣
A
∣
∣
m
∣
∣
(
x
a
H
)
∣
∣
m
=
∣
∣
A
∣
∣
m
∣
∣
x
∣
∣
v
\begin{align*} ||Ax||_v=&||(Ax)a^ \mathrm H||_m=||A(xa^ \mathrm H)||_m \\ \\ \le&||A||_m||(xa^ \mathrm H)||_m=||A||_m||x||_v \end{align*}
∣∣Ax∣∣v=≤∣∣(Ax)aH∣∣m=∣∣A(xaH)∣∣m∣∣A∣∣m∣∣(xaH)∣∣m=∣∣A∣∣m∣∣x∣∣v
8. 由向量范数诱导的矩阵范数
设
∣
∣
⋅
∣
∣
v
{|| \cdot ||_v}
∣∣⋅∣∣v 是
C
n
{ \mathbb C^n}
Cn 上一个向量范数,定义
∣
∣
A
∣
∣
m
=
max
∣
∣
x
∣
∣
v
=
1
∣
∣
A
x
∣
∣
v
=
max
x
≠
0
∣
∣
A
x
∣
∣
v
∣
∣
x
∣
∣
v
,
A
∈
C
n
×
n
||A||_m=\max_{||x||_v=1}||Ax||_v=\max_{x\ne 0} \frac{||Ax||_v}{||x||_v} \,\,,\,\, A\in \mathbb C^{n \times n}
∣∣A∣∣m=∣∣x∣∣v=1max∣∣Ax∣∣v=x=0max∣∣x∣∣v∣∣Ax∣∣v,A∈Cn×n
(
∣
∣
A
x
∣
∣
v
∣
∣
x
∣
∣
v
=
∣
∣
1
∣
∣
x
∣
∣
v
A
x
∣
∣
v
=
∣
∣
A
(
1
∣
∣
x
∣
∣
v
x
)
∣
∣
v
)
\bigg( \frac{||Ax||_v}{||x||_v}= \bigg| \bigg| \frac{1}{||x||_{v}}Ax \bigg| \bigg| _{v}= \bigg| \bigg| A \bigg( \frac{1}{||x||_{v }}x \bigg) \bigg| \bigg|_v \bigg)
(∣∣x∣∣v∣∣Ax∣∣v=
∣∣x∣∣v1Ax
v=
A(∣∣x∣∣v1x)
v)
称为由向量范数
∣
∣
⋅
∣
∣
v
{ || \cdot ||_{ v}}
∣∣⋅∣∣v 所诱导的矩阵范数(从属范数)。
定理
C
n
{\mathbb C^{n} }
Cn 上任意一向量范数
∣
∣
⋅
∣
∣
v
{|| \cdot ||_v}
∣∣⋅∣∣v 与他所诱导的矩阵范数
∣
∣
⋅
∣
∣
m
{|| \cdot ||_m}
∣∣⋅∣∣m 相容。
将向量范数
∣
∣
⋅
∣
∣
1
{ || \cdot ||_{1 }}
∣∣⋅∣∣1,
∣
∣
⋅
∣
∣
2
{ || \cdot ||_{2 }}
∣∣⋅∣∣2,
∣
∣
⋅
∣
∣
∞
{ || \cdot ||_{\infty }}
∣∣⋅∣∣∞ 诱导的矩阵范数分别记为
∣
∣
⋅
∣
∣
1
{ || \cdot ||_{1 }}
∣∣⋅∣∣1,
∣
∣
⋅
∣
∣
2
{ || \cdot ||_{2 }}
∣∣⋅∣∣2,
∣
∣
⋅
∣
∣
∞
{ || \cdot ||_{\infty }}
∣∣⋅∣∣∞ ,则有在同济大学《数值分析》或者一些数值分析速通网课里面提到的矩阵范数。
列范数
- 矩阵的1范数(列和范数)
∣ ∣ A ∣ ∣ 1 = max 1 ≤ j ≤ n ∑ i = 1 n ∣ a i j ∣ ||A||_1=\max_{1\le j\le n} \sum_{i=1}^{ n}|a_{ij}| ∣∣A∣∣1=1≤j≤nmaxi=1∑n∣aij∣
为每列元素绝对值之和的最大的一个。 - 矩阵的2范数
∣ ∣ A ∣ ∣ 2 = ( A T A 的最大特征值 ) ||A||_2= \sqrt{(A^ \mathrm TA的最大特征值)} ∣∣A∣∣2=(ATA的最大特征值)
行范数 - 矩阵的
∞
{\infty}
∞ 范数(行和范数)
∣ ∣ A ∣ ∣ ∞ = max 1 ≤ i ≤ n ∑ j = 1 n ∣ a i j ∣ ||A||_\infty=\max_{1\le i\le n} \sum_{j=1}^{ n}|a_{ij}| ∣∣A∣∣∞=1≤i≤nmaxj=1∑n∣aij∣
为每行元素绝对值之和的最大的一个。 - 矩阵的 F {F} F 范数也是行范数。
相容关系如下:
∣
∣
A
x
∣
∣
1
≤
∣
∣
A
∣
∣
1
⋅
∣
∣
x
∣
∣
1
∣
∣
A
x
∣
∣
∞
≤
∣
∣
A
∣
∣
∞
⋅
∣
∣
x
∣
∣
∞
∣
∣
A
x
∣
∣
2
≤
∣
∣
A
∣
∣
2
⋅
∣
∣
x
∣
∣
2
∣
∣
A
x
∣
∣
2
≤
∣
∣
A
∣
∣
F
⋅
∣
∣
x
∣
∣
2
\begin{align*} ||Ax||_1\le& ||A||_1 \cdot ||x||_1\\ \\ ||Ax||_\infty\le& ||A||_\infty \cdot ||x||_\infty\\ \\ ||Ax||_2\le& ||A||_2 \cdot ||x||_2\\ \\ ||Ax||_2\le& ||A||_F \cdot ||x||_2\\ \\ \end{align*}
∣∣Ax∣∣1≤∣∣Ax∣∣∞≤∣∣Ax∣∣2≤∣∣Ax∣∣2≤∣∣A∣∣1⋅∣∣x∣∣1∣∣A∣∣∞⋅∣∣x∣∣∞∣∣A∣∣2⋅∣∣x∣∣2∣∣A∣∣F⋅∣∣x∣∣2
9. 矩阵范数的酉不变性
设 A ∈ C n × n {A\in \mathbb C^{n \times n} } A∈Cn×n ,则
- ∣ ∣ A H ∣ ∣ F = ∣ ∣ A ∣ ∣ F {||A^ \mathrm H||_F = || A ||_{F }} ∣∣AH∣∣F=∣∣A∣∣F , ∣ ∣ A H ∣ ∣ 2 = ∣ ∣ A ∣ ∣ 2 { || A^ \mathrm H ||_{ 2} = || A ||_{ 2}} ∣∣AH∣∣2=∣∣A∣∣2
-
酉不变性 对任意酉矩阵
U
,
V
∈
C
n
×
n
{U,V \in \mathbb C^{n \times n} }
U,V∈Cn×n
∣ ∣ U A ∣ ∣ F = ∣ ∣ A V ∣ ∣ F = ∣ ∣ U A V ∣ ∣ F , ∣ ∣ U A ∣ ∣ 2 = ∣ ∣ A V ∣ ∣ 2 = ∣ ∣ U A V ∣ ∣ 2 || UA ||_{ F}= || AV ||_{ F} = || UAV ||_{ F} \,\,,\,\, || UA ||_{ 2}= || AV ||_{ 2}= || UAV ||_{ 2} ∣∣UA∣∣F=∣∣AV∣∣F=∣∣UAV∣∣F,∣∣UA∣∣2=∣∣AV∣∣2=∣∣UAV∣∣2 - 若
A
{A}
A 是正规矩阵,且
λ
1
,
λ
2
,
⋅
,
λ
n
{ \lambda_1, \lambda_2, \cdot , \lambda_n}
λ1,λ2,⋅,λn 是
A
{A}
A 的
n
{n}
n 个特征值,则
∣ ∣ A ∣ ∣ 2 = max k ∣ λ k ∣ || A ||_{2 }= \max_k | \lambda_k | ∣∣A∣∣2=kmax∣λk∣
即如果 A {A} A 正规, A {A} A 的 2 {2} 2 范数是它最大特征值的绝对值(与谱半径相等)。
10. 矩阵范数的等价性
定理 C n × n {\mathbb C^{n \times n} } Cn×n 上所有矩阵范数等价。
11. 长方阵的范数
矩阵范数的相容性
∀
A
∈
C
m
×
n
{\forall A\in \mathbb C^{m \times n}}
∀A∈Cm×n ,
B
∈
C
n
×
l
{B\in \mathbb C^{n \times l}}
B∈Cn×l
∣
∣
A
B
∣
∣
≤
∣
∣
A
∣
∣
⋅
∣
∣
B
∣
∣
|| AB ||_{ }\le || A ||_{ } \cdot || B ||_{ }
∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣
矩阵范数与向量范数的相容性
∀
A
∈
C
m
×
n
{\forall A\in \mathbb C^{m \times n}}
∀A∈Cm×n ,
x
∈
C
n
{x\in \mathbb C^{n}}
x∈Cn
∣
∣
A
x
∣
∣
≤
∣
∣
A
∣
∣
⋅
∣
∣
x
∣
∣
|| Ax ||_{ }\le || A ||_{ } \cdot || x ||_{ }
∣∣Ax∣∣≤∣∣A∣∣⋅∣∣x∣∣
从属范数
∣
∣
A
∣
∣
=
max
∣
∣
x
∣
∣
v
=
1
∣
∣
A
x
∣
∣
v
=
max
x
≠
0
∣
∣
A
x
∣
∣
v
∣
∣
x
∣
∣
v
,
A
∈
C
m
×
n
|| A ||_{ }= \max_{|| x ||_{v }=1} || Ax ||_{ v}=\max_{x\ne 0} \frac{|| Ax ||_{ v}}{|| x ||_{ v}} \,\,,\,\, A\in \mathbb C^{m \times n}
∣∣A∣∣=∣∣x∣∣v=1max∣∣Ax∣∣v=x=0max∣∣x∣∣v∣∣Ax∣∣v,A∈Cm×n
其中
∣
∣
A
x
∣
∣
v
{ || Ax ||_{v }}
∣∣Ax∣∣v 是
C
m
{ \mathbb C^m }
Cm 上的范数,
∣
∣
x
∣
∣
v
{ || x ||_{ v}}
∣∣x∣∣v 是
C
n
{ \mathbb C^n}
Cn 上的范数。
对任意 A ∈ C m × n {A\in \mathbb C^{m \times n} } A∈Cm×n ,常用的矩阵范数有:文章来源:https://www.toymoban.com/news/detail-814201.html
- 长方阵的
m
1
{m_1}
m1 范数
∣ ∣ A ∣ ∣ m 1 = ∑ i = 1 m ∑ j = 1 n ∣ a i j ∣ ||A||_{m1}= \sum_{i=1}^{ m}\sum_{j=1}^{ n}|a_{ij}| ∣∣A∣∣m1=i=1∑mj=1∑n∣aij∣ - 长方阵的
F
{F}
F 范数
∣ ∣ A ∣ ∣ F = ( ∑ i = 1 m ∑ j = 1 n ∣ a i j ∣ 2 ) 1 2 = tr ( A H A ) ||A||_F= (\sum_{i=1}^{ m}\sum_{j=1}^{ n}|a_{ij}|^2)^{ \frac{1}{2}}= \sqrt{\text{tr}(A^{\mathrm H}A) } ∣∣A∣∣F=(i=1∑mj=1∑n∣aij∣2)21=tr(AHA)
为每个元素平方再求和最后开方。 - 长方阵的
M
{M}
M 范数或最大范数
∣ ∣ A ∣ ∣ M = max { n , m } ⋅ max 1 ≤ i , j ≤ n ∣ a i j ∣ ||A||_{M}=\max \lbrace n,m \rbrace \cdot \max_{1\le i,j\le n}|a_{ij}| ∣∣A∣∣M=max{n,m}⋅1≤i,j≤nmax∣aij∣ - 长方阵的
G
{G}
G 范数或几何平均范数
∣ ∣ A ∣ ∣ G = m n ⋅ max i , j ∣ a i j ∣ || A ||_{ G}= \sqrt{mn} \cdot \max_{i,j}|a_{ij}| ∣∣A∣∣G=mn⋅i,jmax∣aij∣ - 长方阵的
1
{1}
1 范数或列和范数
∣ ∣ A ∣ ∣ 1 = max 1 ≤ j ≤ n ∑ i = 1 m ∣ a i j ∣ || A ||_{ 1}=\max_{1\le j\le n} \sum_{i=1}^{ m}|a_{ij}| ∣∣A∣∣1=1≤j≤nmaxi=1∑m∣aij∣ - 长方阵的
2
{2}
2 范数或谱范数
∣ ∣ A ∣ ∣ 2 = ( A T A 的最大特征值 ) || A ||_{ 2}= \sqrt{(A^ \mathrm TA的最大特征值)} ∣∣A∣∣2=(ATA的最大特征值) - 长方阵的
∞
{\infty}
∞ 范数或行和范数
∣ ∣ A ∣ ∣ ∞ = max 1 ≤ i ≤ m ∑ j = 1 n ∣ a i j ∣ || A ||_{\infty }= \max_{1\le i\le m} \sum_{j=1}^{ n} |a_{ij}| ∣∣A∣∣∞=1≤i≤mmaxj=1∑n∣aij∣
部分性质:文章来源地址https://www.toymoban.com/news/detail-814201.html
- F {F} F 范数, 2 {2} 2 范数,酉不变
- m 1 {m_1} m1 范数与向量 1 {1} 1 范数相容
- F {F} F 范数、 G {G} G 范数与向量 2 {2} 2 范数相容
- M {M} M 范数与向量 1 {1} 1, 2 {2} 2, ∞ {\infty} ∞ 范数相容
- 矩阵 1 {1} 1, 2 {2} 2, ∞ {\infty} ∞ 范数分别由向量 1 {1} 1, 2 {2} 2, ∞ {\infty} ∞ 范数导出,从而相容
- C m × n {\mathbb C^{m \times n} } Cm×n 上所有范数等价
下链
到了这里,关于【线性代数与矩阵论】范数理论的文章就介绍完了。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!