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,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,范数是一个函数,是矢量空间内的所有矢量赋予非零的正长度或大小。
1 向量范数
向量范数概念是三维欧式空间中向量长度概念的推广。
1.1 向量范数的定义
如果向量 x ∈ x\in x∈ R n R^n Rn(或 C n C^n Cn)的某个实值函数 N ( x ) = ∣ ∣ x ∣ ∣ N(x)=||x|| N(x)=∣∣x∣∣满足以下条件
- ∣ ∣ x ∣ ∣ ≥ 0 ||x||≥0 ∣∣x∣∣≥0(当且仅当 x = 0 x=0 x=0 时, ∣ ∣ x ∣ ∣ = 0 ||x||=0 ∣∣x∣∣=0) (非负性或正定性)
- ∣ ∣ α x ∣ ∣ = ∣ α ∣ ∣ ∣ x ∣ ∣ ||\alpha x||=|\alpha| ||x|| ∣∣αx∣∣=∣α∣∣∣x∣∣, ∀ α ∈ R ( 或 C ) \forall \alpha ∈R(或C) ∀α∈R(或C)(齐次性)
- ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ ||x+y||≤||x||+||y|| ∣∣x+y∣∣≤∣∣x∣∣+∣∣y∣∣(三角不等式)
则称 N ( x ) N(x) N(x)是 R n R^n Rn(或 C n C^n Cn)上的一个向量范数(或模)。由三角不等式条件,可推得
- | ∣ ∣ x ∣ ∣ − ∣ ∣ y ∣ ∣ ||x||-||y|| ∣∣x∣∣−∣∣y∣∣ | ≤ ∣ ∣ x − y ∣ ∣ ≤||x-y|| ≤∣∣x−y∣∣
1.2 常用的向量范数
设向量 x = ( x 1 , x 2 , … , x n ) T , y = ( y 1 , y 2 , … , y n ) T ∈ R n ( 或 C n ) x=(x_1,x_2,…,x_n)^T,y=(y_1,y_2,…,y_n)^T∈R^n (或C^n) x=(x1,x2,…,xn)T,y=(y1,y2,…,yn)T∈Rn(或Cn),则
- 向量的 ∞ ∞ ∞-范数(最大范数):向量元素绝对值最大的一个,即 ‖ x ‖ ∞ = m a x 1 ≤ i ≤ n ∣ x i ∣ ‖x‖_∞=max_{1≤i≤n}|x_i | ‖x‖∞=max1≤i≤n∣xi∣
- 向量的1-范数:向量元素绝对值的累加和,即 ‖ x ‖ 1 = ∑ i = 1 n ∣ x i ∣ ‖x‖_1=\sum_{i=1}^n{|x_i |} ‖x‖1=∑i=1n∣xi∣
- 向量的2-范数(欧式范数):自身内积的平方根,即 ‖ x ‖ 2 = ( x , x ) 1 / 2 = ( ∑ i = 1 n x i 2 ) 1 / 2 ‖x‖_2=(x,x)^{1/2}=(\sum_{i=1}^n{x_i^2 })^{1/2} ‖x‖2=(x,x)1/2=(∑i=1nxi2)1/2
- 向量的p-范数: ‖ x ‖ p = ( ∑ i = 1 n ∣ x i ∣ p ) 1 / p , p ∈ [ 1 , ∞ ) ‖x‖_p=(\sum_{i=1}^n|x_i |^p )^{1/p},p∈[1,∞) ‖x‖p=(∑i=1n∣xi∣p)1/p,p∈[1,∞)
2 矩阵范数
矩阵范数是向量范数的推广。
2.1 矩阵范数的定义
如果矩阵 A ∈ R n × n A∈R^{n×n} A∈Rn×n的某个非负的实值函数 N ( A ) = ‖ A ‖ N(A)=‖A‖ N(A)=‖A‖,满足以下条件
- ∣ ∣ A ∣ ∣ ≥ 0 ( ∣ ∣ A ∣ ∣ = 0 ⇔ A = 0 ) ||A||≥0(||A||=0\hArr A=0) ∣∣A∣∣≥0(∣∣A∣∣=0⇔A=0)(正定条件)
- ∣ ∣ c A ∣ ∣ = ∣ c ∣ ∣ ∣ A ∣ ∣ ||cA||=|c|\ ||A|| ∣∣cA∣∣=∣c∣ ∣∣A∣∣,c为实数(齐次条件)
- ∣ ∣ A + B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ + ∣ ∣ B ∣ ∣ ||A+B||≤||A||+||B|| ∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣(三角不等式)
- ∣ ∣ A B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ ∣ ∣ B ∣ ∣ ||AB||≤||A||\ ||B|| ∣∣AB∣∣≤∣∣A∣∣ ∣∣B∣∣
则称 N ( A ) N(A) N(A)是 R n × n R^{n×n} Rn×n上的一个矩阵范数(或模)。
2.2 常用的矩阵范数
设矩阵 A ∈ R n × n A∈R^{n×n} A∈Rn×n,则
- 矩阵A的 ∞ ∞ ∞-范数(行范数):行元素之和的最大值,即 ‖ A ‖ ∞ = m a x 1 ≤ i ≤ n ∑ j = 1 n ∣ a i j ∣ ‖A‖_∞=max_{1≤i≤n}\sum_{j=1}^n|a_{ij}| ‖A‖∞=max1≤i≤n∑j=1n∣aij∣
- 矩阵A的1-范数(列范数):列元素之和的最大值,即 ‖ A ‖ 1 = m a x 1 ≤ j ≤ n ∑ i = 1 n ∣ a i j ∣ ‖A‖_1=max_{1≤j≤n}∑_{i=1}^n|a_{ij}| ‖A‖1=max1≤j≤n∑i=1n∣aij∣
- 矩阵A的2-范数: ‖ A ‖ 2 = λ m a x ( A T A ) ‖A‖_2=\sqrt{λ_{max} (A^T A)} ‖A‖2=λmax(ATA)
发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/191925.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...