向量范数和矩阵范数[通俗易懂]

向量范数和矩阵范数[通俗易懂]本文分别介绍了向量范数和矩阵范数的定义,以及几种常见的向量范数和矩阵范数

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

  1. ∣ ∣ x ∣ ∣ ≥ 0 ||x||≥0 x0(当且仅当 x = 0 x=0 x=0 时, ∣ ∣ x ∣ ∣ = 0 ||x||=0 x=0) (非负性或正定性
  2. ∣ ∣ α x ∣ ∣ = ∣ α ∣ ∣ ∣ x ∣ ∣ ||\alpha x||=|\alpha| ||x|| αx=αx ∀ α ∈ R ( 或 C ) \forall \alpha ∈R(或C) αRC齐次性
  3. ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ ||x+y||≤||x||+||y|| x+yx+y三角不等式

则称 N ( x ) N(x) N(x) 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

  1. | ∣ ∣ x ∣ ∣ − ∣ ∣ y ∣ ∣ ||x||-||y|| xy | ≤ ∣ ∣ x − y ∣ ∣ ≤||x-y|| xy

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)Ty=(y1,y2,,yn)TRn(Cn),则

  1. 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=max1inxi
  2. 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 |} x1=i=1nxi
  3. 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} x2=(x,x)1/2=(i=1nxi2)1/2
  4. 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,∞) xp=(i=1nxip)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} ARn×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

  1. ∣ ∣ A ∣ ∣ ≥ 0 ( ∣ ∣ A ∣ ∣ = 0 ⇔ A = 0 ) ||A||≥0(||A||=0\hArr A=0) A0A=0A=0(正定条件)
  2. ∣ ∣ c A ∣ ∣ = ∣ c ∣   ∣ ∣ A ∣ ∣ ||cA||=|c|\ ||A|| cA=c A,c为实数(齐次条件
  3. ∣ ∣ A + B ∣ ∣ ≤ ∣ ∣ A ∣ ∣ + ∣ ∣ B ∣ ∣ ||A+B||≤||A||+||B|| A+BA+B三角不等式
  4. ∣ ∣ A B ∣ ∣ ≤ ∣ ∣ A ∣ ∣   ∣ ∣ B ∣ ∣ ||AB||≤||A||\ ||B|| ABA B

则称 N ( A ) N(A) N(A) 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} ARn×n,则

  1. 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=max1inj=1naij
  2. 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}| A1=max1jni=1naij
  3. 矩阵A的2-范数 ‖ A ‖ 2 = λ m a x ( A T A ) ‖A‖_2=\sqrt{λ_{max} (A^T A)} A2=λmax(ATA)
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/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...

(0)


相关推荐

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