向量与矩阵范数_矩阵范数与谱半径的关系

向量与矩阵范数_矩阵范数与谱半径的关系范数(norm),是具有“长度”概念的函数。在线性代数、泛函分析及相关的数学领域,范函是一个函数,其为矢量空间内的所有矢量赋予非零的正长度或大小。半范数反而可以为非零的矢量赋予零长度。举一个简单的例子,在二维的欧氏几何空间R就可定义欧氏范数。在这个矢量空间中的元素常常在笛卡儿坐标系统中被画成一个从原点出发的带有箭头的有向线段。每一个矢量的欧氏范数就是有向线段的长度。其中定义范数的矢量空间就是赋范矢

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

范数(norm),是具有“长度”概念的函数。在线性代数、泛函分析及相关的数学领域,范函是一个函数,其为矢量空间内的所有矢量赋予非零的正长度或大小。半范数反而可以为非零的矢量赋予零长度。

举一个简单的例子,在二维的欧氏几何空间 R就可定义欧氏范数。在这个矢量空间中的元素常常在笛卡儿坐标系统中被画成一个从原点出发的带有箭头的有向线段。每一个矢量的欧氏范数就是有向线段的长度。

其中定义范数的矢量空间就是赋范矢量空间。同样,其中定义半范数的矢量空间就是赋半范矢量空间。


向量范数

概念

设函数 f:RnR ,若 f 满足

  1. 正定性:

    f(x)0xRn
    ,等号当且仅当 x=0 时候成了。

    • 正齐次性: f(αx)=|α|×f(x)xRnαR
    • 次可加性(三角不等式): f(x+y)f(x)+f(y)
    • 例如:

      xp=(i=1n|xi|p)1p,p[1,)Rn

      常见的范数

      这里以 Cn 空间为例, Rn 空间类似。
      最常用的范数就是p-范数。若 x=[x1,x2,,xn]T ,那么

      xp=(|x1|p+|x2|p++|xn|p)1p

      可以验证p-范数确实满足范数的定义。其中三角不等式的证明不是平凡的,这个结论通常称为闵可夫斯基(Minkowski)不等式。

      当p取1,2,∞的时候分别是以下几种最简单的情形:
      1-范数: x1=x1+x2++xn
      2-范数: x2=(x12+x22++xn2)1/2
      ∞-范数(最大范数): x=max(x1x2xn

      其中2-范数就是通常意义下的距离。

      范数的性质

      (1)连续性
      f

      Rn
      上的任意一个范数,则 f 关于

      x
      的每个分量是连续的。

      (2)等价性
      s t Rn 上的任意两个范数,则存在常数 c1 c2 ,使得对任意的 xRn

      c1xsxtc2xs

      (3)不等式

      对于这些常用的范数有以下不等式: xx2x1n12x2nx
      另外,若p和q是赫德尔(Hölder)共轭指标,即1/p+1/q=1,那么有赫德尔不等式:

      |<x,y>|=||xHy|xpyq

      当p=q=2时就是柯西-许瓦兹(Cauchy-Schwarz)不等式。

      (4)向量序列的收敛性

      limkx(k)=xlimkx(k)x=0


      矩阵范数

      概念

      一般来讲矩阵范数除了正定性,齐次性和三角不等式之外,还规定其必须满足相容性: XYXY

      所以矩阵范数通常也称为相容范数。

      如果 α 是相容范数,且任何满足 βα 的范数 β 都不是相容范数,那么 α 称为极小范数。对于 n 阶实方阵(或复方阵)全体上的任何一个范数


      ,总存在唯一的实数 k>0 ,使得 k× 是极小范数。
      注:如果不考虑相容性,那么矩阵范数和向量范数就没有区别,因为 m×n 矩阵全体和 mn 维向量空间同构。引入相容性主要是为了保持矩阵作为线性算子的特征,这一点和算子范数的相容性一致,并且可以得到Mincowski定理以外的信息。

      常见的矩阵范数

      满足以上设定的矩阵范数可以有多种。由于它们都是定义在 Mm,n(K) 这个有限维向量空间上的范数,所以实质上是等价的。常见的矩阵范数通常是在矩阵的应用中自然定义或诱导的范数。

      向量范数诱导的矩阵范数

      考虑从向量空间 V=Km 映射到 W=Kn 的所有线性映射的构成的空间: Lm,n(K) 。设 V

      W
      中分别装备了两个向量范数 V W ,则可以定义 Lm,n(K) 上的算子范数 L

      ALm,n(K)

      AL=max{
      A(x)W;xV,xV1}

      而给定了基底后,每个从V映射到W的线性映射都可以用一个m \times n的矩阵来表示,所以同样地可以定义 Mm,n(K) 上的非负映射 M

      AMm,n(K)

      AL=max{
      A(x)W;xV,xV1}

      可以验证, M 满足矩阵范数的定义,因此是一个矩阵范数。这个矩阵范数被称为是由向量空间范数诱导的矩阵范数,可以看作是算子范数在由有限维向量空间之间线性映射组成的空间上的特例。如果 m=n ,所对应的矩阵空间就是n阶方块矩阵空间 Mn(K) 。这时可以验证,诱导范数 M 满足一致性条件。

      p-范数诱导的矩阵范数

      V

      W
      中装备的向量范数都是p-范数的时候,诱导的矩阵范数也称为矩阵的诱导p-范数。具体来说就是:

      Ap=maxx0Axpxp=maxx0(ni=1|mj=1Aijxj|p)1/p(mi=1|xi|p)1/p

      在p=1和 p= 的情况下,其范数可以以下方式计算:

      A1=max1jni=1m|aij|A=max1imj=1n|aij|.


      这些与矩阵的Schatten p-范数不同,也可以用 Ap 来表示。
      当p = 2(欧几里德范数)且m = n(方阵)时,诱导的矩阵范数就是谱范数。矩阵A的谱范数是A最大的奇异值或半正定矩阵A*A的最大特征值的平方根:

      A2=λmax(AA)


      其中 A 代表A的共轭转置。

      矩阵元范数

      这些向量范数将矩阵视为 m×n 向量,并使用类似的向量范数。
      举例说明,使用向量的p-范数,我们得到:

      Ap=(i=1mj=1n|aij|p)1/p


      注:不要把矩阵元p-范数与诱导p-范数混淆。

      弗罗贝尼乌斯范数

      p=2 ,这称为弗罗贝尼乌斯范数(Frobenius norm)或希尔伯特-施密特范数(Hilbert–Schmidt norm),不过后面这个术语通常只用于希尔伯特空间。这个范数可用不同的方式定义:

      AF=i=1mj=1n|aij|2=trace(AA)=i=1min{
      m,n}
      σ2i


      这里 A 表示 A 的共轭转置,

      σi
      A 奇异值,并使用了迹函数。弗罗贝尼乌斯范数与

      Kn
      上欧几里得范数非常类似,来自所有矩阵的空间上一个内积。
      弗罗贝尼乌斯范范数是服从乘法的且在数值线性代数中非常有用。这个范数通常比诱导范数容易计算。

      矩阵范数性质

      矩阵范数的性质

      (1)连续性:设 f

      Rn×n
      上的任一矩阵范数,则 f 关于

      A
      的每个分量是连续的。

      (2)等价性:设 s t Rn×n 上的任意两个矩阵范数,则存在常数 c1 c2 ,使得对任意的 ARn×n

      c1AsAtc2As


      (3)
      任何诱导的矩阵范数都满足此不等式

      Aρ(A)


      其中 ρ(A) A 的谱半径。事实上,可以证明

      ρ(A)
      A 的所有诱导范数的下界。
      此外,我们有


      limrAr1/r=ρ(A)

      若A是对称矩阵,则 ρ(A)=A2

      算子范数的性质

      定理:
      Rn 上的任一向量范数,其对应的算子范数也记为 ,则有

      AxA×x

      定理:
      是任一算子范数,则 ρ(A)A

      定理:
      对任意 ε>0 ,总存在一个算子范数 ε ,使得

      ερ(A)+ε

      这个图的计算可能有一些问题
      这里写图片描述

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/191846.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

  • (精华)2020年6月28日 JavaScript高级篇 设计模式-发布订阅模式

    (精华)2020年6月28日 JavaScript高级篇 设计模式-发布订阅模式//发布订阅对象vareventObj={//缓存列表,存放订阅者的信息list:{},//添加订阅listen:function(key,fn){if(!this.list[key]){this.list[key]=[];}typeoffn===’function’&&this.list[key].push(fn);},//发布信息

  • tortoisesvn如何下载(Snes汉化教程)

    (本操作是已经下载TortoiseSVN后,通过官网下载汉化包进行的操作)1、首先进入到官网https://tortoisesvn.net/downloads.html2、进入到官网首页,点击Translations3、进入到翻译页面,点击download4、进入到下载页面,选择适合自己版本的安装包,我下载的是1.14.1-64-bit;5、找到自己下载的汉化包,点击下一步,依次进行即可,便会自动同步6、右键打开TortoiseSVN,选择Sett…

  • Android 小项目之–数据存储【Network】(附源码)

    Android 小项目之–数据存储【Network】(附源码)

  • 最长上升子序列(n*log n)

    最长上升子序列(n*log n)转载于:http://www.cnblogs.com/dongsheng/archive/2013/01/25/2876323.htmlNYOJ-214单调递增子序列(二)单调递增子序列(二)时间限制:1000 ms |          内存限制:65535 KB难度:4 描述给定一整型数列{a1,a2…,an}(0&lt;n&lt;=100000),找出单…

  • 如何制作一个简易的web聊天室(思路)「建议收藏」

    如何制作一个简易的web聊天室(思路)「建议收藏」在这里我先把自己的思路分享一下:聊天室的静态资源如聊天室的外观一类,使用静态的html直接编写。聊天消息则通过ajax去数据库读取并动态输出在页面上,同时设置好定时函数,让数据聊天消息在固定周期

  • 广东电信在线人工服务器,202.96.128.86广东电信DNS故障及解决方法

    广东电信在线人工服务器,202.96.128.86广东电信DNS故障及解决方法广东用户如果遇到能上QQ,但网页打不开,提示“找不到服务器”的现象,而且如果别人能访问,而你不能访问,多数情况下就是你的DNS解析故障造成的。解决这个问题比较有效的方法是换一个DNS服务器。下面是几个常用的广东电信DNS,广东的朋友如果遇到一些网页打不开时,可以更换下DNS看看。61.144.56.100广东省广州市电信61.144.56.101广东省广州市电信202.96.128.68广东…

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