矩阵范数不等式_范数三角不等式取等号

矩阵范数不等式_范数三角不等式取等号矩阵范数不等式∣∣A∣∣2≤∣∣A∣∣1∣∣A∣∣∞||A||_2\le||A||_1||A||_{\infty}∣∣A∣∣2​≤∣∣A∣∣1​∣∣A∣∣∞​证明引理1严格对角占优的矩阵行列式为正n维实矩阵A,满足aii>∑1≤j≤n,j≠i∣aij∣a_{ii}\gt\sum_{1\lej\len,j\nei}|a_{ij}|aii​>1≤j≤n,j​=i∑​∣aij​∣则称A为严格对角占优的矩阵,而∣A∣>0|A|>0∣A∣>0引理1的证

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

矩阵范数不等式

∣ ∣ A ∣ ∣ 2 ≤ ∣ ∣ A ∣ ∣ 1 ∣ ∣ A ∣ ∣ ∞ ||A||_2 \le ||A||_1||A||_{\infty} A2A1A

证明

引理1 严格对角占优的矩阵行列式为正

n维实矩阵A, 满足
a i i > ∑ 1 ≤ j ≤ n , j ≠ i ∣ a i j ∣ a_{ii}\gt \sum_{1\le j\le n, j\ne i}|a_{ij}| aii>1jn,j=iaij
则称A为严格对角占优的矩阵,而
∣ A ∣ > 0 |A|>0 A>0

引理1的证明

对矩阵A的维数n使用数学归纳法证明

1° 当n=1时,显然成立

2° 假设当n=k时,显然成立

当n=k+1时,

A = [ a 11 b ⃗ 1 T b ⃗ 2 C ] A = \left[ \begin{matrix} a_{11} & \vec b_1^T\\ \vec b_2 & C\\ \end{matrix} \right] A=[a11b
2
b
1T
C
]

严格对角占优条件得到, a 11 > 0 a_{11} \gt 0 a11>0,所以通过行的初等变换,将 b ⃗ 2 \vec b2 b
2
转换为 0 ⃗ \vec 0 0
,此时C变为 C ′ { c i j ′ } C’\{c’_{ij}\} C{
cij}
,取任一行i-1行
c i − 1   j − 1 ′ = 1 a 1   1 ( a 1   1 a i j − a 1 j a i 1 ) c’_{i-1\ j-1} = \frac 1{a_{1\ 1}}({a_{1\ 1}a_{ij} – a_{1j}a_{i1}}) ci1 j1=a1 11(a1 1aija1jai1)
所以
∑ 2 ≤ j ≤ n , j ≠ i ∣ c i − 1   j − 1 ′ ∣ = ∑ 2 ≤ j ≤ n , j ≠ i 1 a 1   1 ∣ a 1   1 a i j − a 1 j a i 1 ∣ ≤ ∑ 2 ≤ j ≤ n , j ≠ i ∣ a i j ∣ + ∣ a i 1 ∣ a 1   1 ∑ 2 ≤ j ≤ n , j ≠ i ∣ a 1 j ∣ < a i i − ∣ a i 1 ∣ + ∣ a i 1 ∣ − ∣ a i 1 ∣ ∣ a 1 i ∣ a 1   1 = a i i − ∣ a i 1 ∣ ∣ a 1 i ∣ a 1   1 \begin{aligned} \sum_{2\le j \le n, j\ne i}|c’_{i-1\ j-1}| &= \sum_{2\le j \le n, j\ne i} \frac 1{a_{1\ 1}}|{a_{1\ 1}a_{ij} – a_{1j}a_{i1}}|\\ &\le \sum_{2\le j \le n, j\ne i} |a_{ij}| + \frac {|a_{i1}|}{a_{1\ 1}} \sum_{2\le j \le n, j\ne i}|a_{1j}|\\ &\lt a_{ii} – |a_{i1}| + |a_{i1}| – \frac {|a_{i1}||a_{1i}|}{a_{1\ 1}} \\ &= a_{ii} – \frac {|a_{i1}||a_{1i}|}{a_{1\ 1}} \end{aligned} 2jn,j=ici1 j1=2jn,j=ia1 11a1 1aija1jai12jn,j=iaij+a1 1ai12jn,j=ia1j<aiiai1+ai1a1 1ai1a1i=aiia1 1ai1a1i

c i − 1   i − 1 ′ = 1 a 1   1 ( a 1   1 a i i − a 1 i a i 1 ) ≥ a i i − ∣ a i 1 ∣ ∣ a 1 i ∣ a 1   1 c’_{i-1\ i-1} = \frac 1{a_{1\ 1}}({a_{1\ 1}a_{ii} – a_{1i}a_{i1}})\ge a_{ii} – \frac {|a_{i1}||a_{1i}|}{a_{1\ 1}} ci1 i1=a1 11(a1 1aiia1iai1)aiia1 1ai1a1i
所以
c i − 1   i − 1 ′ > ∑ 2 ≤ j ≤ n , j ≠ i ∣ c i − 1   j − 1 ′ ∣ c’_{i-1\ i-1} \gt \sum_{2\le j \le n, j\ne i}|c’_{i-1\ j-1}| ci1 i1>2jn,j=ici1 j1
所以C’是严格对角占优矩阵, C’的维数是k,所以|C’|>0, 而 ∣ A ∣ = a 1   1 ∣ C ′ ∣ |A| = a_{1\ 1}|C’| A=a1 1C 所以|A|>0成立。

综合1° 2°, ∣ A ∣ > 0 |A|>0 A>0

原命题证明

C { c i j } = A T A C\{c_{ij}\} = A^TA C{
cij}=
ATA
,则 A T A A^TA ATA的特征多项式f(λ)
f ( λ ) = ∣ λ E − C ∣ f(λ) = |λE – C| f(λ)=λEC
任取 λ ′ > ∣ ∣ A ∣ ∣ 1 ∣ ∣ A ∣ ∣ ∞ λ’ \gt ||A||_1||A||_{\infty} λ>A1A, 令 D { d i j } = λ ′ E − C A D\{d_{ij}\} = λ’E – CA D{
dij}=
λECA

d i i = λ ′ − c i i d_{ii} = λ’ – c_{ii} dii=λcii
d i j = c i j , j ≠ i d_{ij} = c_{ij}, j\ne i dij=cij,j=i
d i i − ∑ 1 ≤ j ≤ n , j ≠ i ∣ d i j ∣ ≤ λ ′ − ∑ j = 1 n ∣ c i j ∣ d_{ii} – \sum_{1\le j \le n, j\ne i} |d_{ij}| \le λ’ – \sum_{j=1}^n |c_{ij}| dii1jn,j=idijλj=1ncij

∣ c i j ∣ = ∣ ∑ k = 1 n a k i a j k ∣ ≤ ∑ k = 1 n ∣ a k i ∣ ∣ a j k ∣ |c_{ij}| = |\sum_{k=1}^n a_{ki}a{jk}| \le \sum_{k=1}^n |a_{ki}||a_{jk}| cij=k=1nakiajkk=1nakiajk
所以
∑ j = 1 n ∣ c i j ∣ ≤ ∑ j = 1 n ∑ k = 1 n ∣ a k i ∣ ∣ a j k ∣ = ∑ k = 1 n ( ∣ a k i ∣ ∑ j = 1 n ∣ a j k ∣ ) ≤ ∑ k = 1 n ( ∣ a k i ∣ ∣ ∣ A ∣ ∣ ∞ ) = ∣ ∣ A ∣ ∣ ∞ ∑ k = 1 n ∣ a k i ∣ ≤ ∣ ∣ A ∣ ∣ ∞ ∣ ∣ A ∣ ∣ 1 \begin{aligned} \sum_{j=1}^n |c_{ij}| &\le \sum_{j=1}^n\sum_{k=1}^n |a_{ki}||a_{jk}|\\ &=\sum_{k=1}^n(|a_{ki}|\sum_{j=1}^n |a_{jk}|) \\ &\le \sum_{k=1}^n(|a_{ki}|||A||_{\infty}) \\ &= ||A||_{\infty} \sum_{k=1}^n|a_{ki}| \\ &\le ||A||_{\infty} ||A||_1 \end{aligned} j=1ncijj=1nk=1nakiajk=k=1n(akij=1najk)k=1n(akiA)=Ak=1nakiAA1
所以
d i i − ∑ 1 ≤ j ≤ n , j ≠ i ∣ d i j ∣ ≥ λ ′ − ∣ ∣ A ∣ ∣ ∞ ∣ ∣ A ∣ ∣ 1 > 0 d_{ii} – \sum_{1\le j \le n, j\ne i} |d_{ij}| \ge λ’ – ||A||_{\infty} ||A||_1 \gt 0 dii1jn,j=idijλAA1>0
所以D是严格对角占优矩阵,根据引理1,得到|D|>0,最后得到f(λ’)>0.

A T A A^TA ATA的最大特征值为 λ m a x λ_{max} λmax,而f(λ_max) = 0,所以 λ m a x ≤ ∣ ∣ A ∣ ∣ 1 ∣ ∣ A ∣ ∣ ∞ λ_{max} \le ||A||_1||A||_{\infty} λmaxA1A
所以
∣ ∣ A ∣ ∣ 2 = λ m a x ≤ ∣ ∣ A ∣ ∣ 1 ∣ ∣ A ∣ ∣ ∞ ||A||_2 = λ_{max} \le ||A||_1||A||_{\infty} A2=λmaxA1A

1-范数相容性

A是mxn矩阵,B是nxs矩阵,则
∣ ∣ A B ∣ ∣ 1 ≤ ∣ ∣ A ∣ ∣ 1   ∣ ∣ B ∣ ∣ 1 ||AB||_1 \le ||A||_1\ ||B||_1 AB1A1 B1

证明

C { c i j } = A B C\{c_{ij}\} = AB C{
cij}=
AB
,则
c i j = ∑ k = 1 n a i n b n j c_{ij} = \sum_{k=1}^na_{in}b{nj} cij=k=1nainbnj
所以
∑ i = 0 m ∣ c i j ∣ = ∣ ∑ i = 0 ∑ k = 1 n a i n b n j ∣ ≤ ∑ k = 1 n ( ∣ b n j ∣ ∑ i = 0 m ∣ a i n ∣ ) ≤ ∑ k = 1 n ( ∣ b n j ∣ ∣ ∣ A ∣ ∣ 1 ) = ∣ ∣ A ∣ ∣ 1 ∑ k = 1 n ∣ b n j ≤ ∣ ∣ A ∣ ∣ 1   ∣ ∣ B ∣ ∣ 1 \begin{aligned} \sum_{i=0}^m |c_{ij}| &= |\sum_{i=0} \sum_{k=1}^na_{in}b{nj}| \\ &\le \sum_{k=1}^n (|b_{nj}| \sum_{i=0}^m |a_{in}|) \\ &\le \sum_{k=1}^n (|b_{nj}| ||A||_1) \\ &= ||A||_1 \sum_{k=1}^n |b_{nj} \\ &\le ||A||_1\ ||B||_1 \end{aligned} i=0mcij=i=0k=1nainbnjk=1n(bnji=0main)k=1n(bnjA1)=A1k=1nbnjA1 B1
所以
∣ ∣ A B ∣ ∣ 1 ≤ ∣ ∣ A ∣ ∣ 1   ∣ ∣ B ∣ ∣ 1 ||AB||_1\le ||A||_1\ ||B||_1 AB1A1 B1

2-范数相容性

A是mxn矩阵,B是nxs矩阵,则
∣ ∣ A B ∣ ∣ 2 ≤ ∣ ∣ A ∣ ∣ 2   ∣ ∣ B ∣ ∣ 2 ||AB||_2 \le ||A||_2\ ||B||_2 AB2A2 B2

证明

任取一个s维向量 x ⃗ \vec x x
满足 ∣ ∣ x ⃗ ∣ ∣ 2 = 1 ||\vec x||_2 = 1 x
2=
1
,则
∣ ∣ B x ⃗ ∣ ∣ 2 ≤ ∣ ∣ B ∣ ∣ 2 ||B\vec x||_2 \le ||B||_2 Bx
2
B2


y ⃗ = B x ⃗ ∣ ∣ B x ⃗ ∣ ∣ 2 \vec y = \frac{B\vec x}{||B\vec x||_2} y
=
Bx
2
Bx


∣ ∣ A y ⃗ ∣ ∣ 2 ≤ ∣ ∣ A ∣ ∣ 2 ||A\vec y||_2 \le ||A||_2 Ay
2
A2

所以
∣ ∣ A B x ⃗ ∣ ∣ 2 = ∣ ∣ B x ⃗ ∣ ∣ 2   ∣ ∣ A y ⃗ ∣ ∣ 2 ≤ ∣ ∣ B ∣ ∣ 2   ∣ ∣ A ∣ ∣ 2 ||AB\vec x||_2 = ||B\vec x||_2\ ||A\vec y||_2 \le ||B||_2\ ||A||_2 ABx
2=
Bx
2 Ay
2
B2 A2

所以
∣ ∣ A B ∣ ∣ 2 ≤ ∣ ∣ A ∣ ∣ 2   ∣ ∣ B ∣ ∣ 2 ||AB||_2 \le ||A||_2\ ||B||_2 AB2A2 B2

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/191789.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 机器学习方法:回归(三):最小角回归Least Angle Regression(LARS),forward stagewise selection

    机器学习方法:回归(三):最小角回归Least Angle Regression(LARS),forward stagewise selection前面两篇回归(一)(二)复习了线性回归,以及L1与L2正则——lasso和ridgeregression。特别描述了lasso的稀疏性是如何产生的。在本篇中介绍一下和lasso可以产生差不多效果的两种方法:stagewise和LARS

  • 成员变量和局部变量的区别是什么_实例变量和成员变量的区别

    成员变量和局部变量的区别是什么_实例变量和成员变量的区别成员变量和局部变量的区别?A:在类中的位置不同成员变量:在类中方法外局部变量:在方法定义中或者方法声明上B:在内存中的位置不同成员变量:在堆内存局部变量:在栈内存C:生命周期不同成员变量:随着对象的创建而存在,随着对象的消失而消失局部变量:随着方法的调用而存在,随着方法的调用完毕而消失D:初始化值不同成员变量:有默认初始化值局部变量:没有默认初始化值,必须定义,赋值,然后才…

    2022年10月26日
  • java propertydescriptor_Spring Integration

    java propertydescriptor_Spring Integration总结满足以下条件才会生成PropertyDescriptor(注意读写方法是否为空,spring中by_type类型注入会筛选出具有写方法不为空的PropertyDescriptor):1、参数个数必须2个以内、方法不是static2、方法没有参数:方法有readMethod没有writeMehtod1、普通get开头方法2、返回值boolean以is开头的3、有一个参数1、有一个参数且int类型,方法get开头的,没有readMethodwriteMehtod等属性2、没有返回值、

  • Java 读写文件工具类

    Java 读写文件工具类今天简单写了一下读写文件用的工具类,方便后面开发或者测试时直接使用。importlombok.Cleanup;importjava.io.*;importjava.util.ArrayList;importjava.util.List;publicclassFileUtils{//逐行读取文件内容返回内容列表publicstaticList<String>readLine(Stringpath){List<Str

  • 挖矿病毒清除记录

    挖矿病毒清除记录转载地址:https://www.52pojie.cn/thread-864849-1-1.html?tdsourcetag=s_pctim_aiomsg起因是同学过年期间因阿里云的服务器Redis弱口令(好像是没设密码)被提权植入了挖矿病毒,CPU长期占用100%。登录服务器后,首先使用Top命令,查看CPU占用。发现CPU占用率达到100%,可是却没有相关占用高的进程。想…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号