标签：le limits max 矩阵 范数 向量

1..向量的范数

• \(非负性:x\ne 0,则||x||>0,如果x=0,则||x||=0\)
• \(齐次性:||kx||=|k|||x||,k\in P\)
• \(三角不等式:||x+y||\le ||x||+||y||\)

1-范数

\[||x||_1=\sum\limits_{i=1}^{n}|x_i| \]

2-范数/欧式范数

\[||x||_2=\sqrt{x_1^2+x_2^2+...,+x_n^2}=(x^Tx)^{\frac{1}{2}} \]

无穷范数

\[||x||=\max\limits_{i}|x_i| \]

p范数

\[||x||_p=(\sum\limits_{i=1}^{n}|x_i|^p)^{\frac{1}{p}} \]

2.向量范数的性质

• \(有限维线性空间上的不同范数是等价的\)
• \(等价的概念:||x||_a,||x||_b是两种范数，若存在两个与x无关的正常数c_1,c_2,使得\)

\[c_1||x||_b\le ||x||_a \le c_2 ||x||_b \]

\(则称||x||_a,||x||_b是等价的\)

• \(两个范数等价的充要条件是\)

\[\lim\limits_{n\to \infty}||x_n-x^*||_a =0 \Leftrightarrow \lim\limits_{n\to \infty}||x_n-x^*||_b =0,x^*是线性空间中的给定向量 \]

\(此时称序列\{x_n\}按范数收敛于x^*\)
\(也就是说等价的充要条件是他们具有相同的敛散性(即有相同的极限)\)

3.矩阵的范数

• \(非负性:A\ne 0,则||A||>0,如果A=0,则||A||=0\)
• \(齐次性:||kA||=|k|\ ||A||\)
• \(三角不等式:||A+B||\le ||A||+||B||\)
• \(次乘性:当矩阵乘积AB有意义时，有:||AB||\le ||A||||B||\)

设\(A=(a_{ij})\in C^{n\times n}\)

矩阵1范数

\[||A||_{m_1}=\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}|a_{ij}| \]

矩阵2范数/F-范数/弗罗贝尼斯范数

\[||A||_{m_{2}}=(\sum\limits_{i=1}^{n}\sum\limits_{j=1}^{n}|a_{ij}|^2)^{\frac{1}{2}} \]

• \(A\in C^{m\times n},有正交矩阵U和V,||UA||_F=||A||_F=||AV||_F,即左乘或者右乘正交矩阵，矩阵的F范数都不变\)

矩阵无穷范数

\[||A||_{m_{\infty}}=n\cdot \max\limits_{i,j}|a_{ij}| \]

4.算子范数

矩阵范数和向量范数的相容问题

若将向量视为矩阵，则根据矩阵范数的次乘性，应当有

\[||Ax||\le ||A||\ ||x|| \]

\[||A||\ge \frac{||Ax||}{||x||} \]

\(但显然，右式可能不是一个常数,而是和向量x有关，而且肯定不能按照上面的推导将矩阵A的范数定义为 \frac{||Ax||}{||x||},因为如果A是不可逆的矩阵，则有非零向量x，可以使得Ax=0,这与矩阵的非负性相悖\)

• 定义矩阵范数和向量范数的相容
  \(如果取定的向量范数||x||和矩阵范数||A||满足不等式\)

\[||Ax||=||A||\cdot ||x|| \]

\(则称向量范数||x||和矩阵范数||A|| 相容\)

算子范数/诱导范数的定义

\[||A||=\sup\limits_{||x||\ne 0} \frac{||Ax||}{||x||}=\max\limits_{||x||=1}||Ax|| \]

\(称该范数为向量范数诱导的矩阵范数或算子范数\)
\(虽然是算子范数，但实际还是一个矩阵范数\)

列范数

\[||A||_1=\max\limits_{j}\sum\limits_{i=1}^{m}|a_{ij}| \]

谱范数

\[||A||_2=\sqrt{\lambda_{max}(A^TA)},\lambda_{max}(A^TA)是指矩阵A^TA特征值的绝对值的最大值 \]

行范数

\[||A||_{\infty}=\max\limits_{i}\sum\limits_{j=1}^{m}|a_{ij}| \]

对于任何一种算子范数有

\[||(I-A)^{-1}||\le (1-||A||)^{-1} \]

5.谱范数的性质和谱半径

性质

• \(||A||_2=\max\limits_{||x||_2=||y||_2=1}|y^TAx|\)
• \(||A^T||_2=||A||_2\)
• \(||A^TA||_2=||A||_2^2\)
• \(A\in C^{m\times n},有U\in C^{m\times m},V\in C^{n\times n},U,V是正交矩阵,即,U^TU=I,V^TV=I,则\)

\[||UAV||_2=||A||_2 \]

谱半径

\(设A\in C^{n\times n},\lambda_1,\lambda_2,...,\lambda_n为A的特征值,谱半径定义为\)

\[\rho(A)=\max\limits_{i}|\lambda_i| \]

• \(A\in C^{m\times n},总有\)

\[\rho(A)\le ||A|| \]

\(即A的谱半径不会超过A的任何一种范数\)

• \(若A是方阵，A为正规矩阵,则\)

\[\rho(A)=||A||_2 \]

标签：le,limits,max,矩阵,范数,向量
来源： https://www.cnblogs.com/boyknight/p/16210430.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。