向量范数和矩阵范数的定义

  • 向量范数

1-范数:

||x||_1 = \sum_{i=1}^N|x_i|,即向量元素绝对值之和,matlab调用函数norm(x, 1) 。

2-范数:

||\textbf{x}||_2 =\sqrt{\sum_{i=1}^Nx_i^2},Euclid范数(欧几里得范数,常用计算向量长度),即向量元素绝对值的平方和再开方,matlab调用函数norm(x, 2)。

\infty-范数:||\textbf{x}||_\infty = \max_{i}|x_i|,即所有向量元素绝对值中的最大值,matlab调用函数norm(x, inf)。


-\infty-范数:||\textbf{x}||_{-\infty}=\min_i|x_i|

,即所有向量元素绝对值中的最小值,matlab调用函数norm(x, -inf)。


p-范数:||\textbf{x}||_p = (\sum_{i=1}^N|x_i|^p)^{\frac{1}{p}}
,即向量元素绝对值的p次方和的1/p次幂,matlab调用函数norm(x, p)。


  • 矩阵范数

1-范数:||A||_1 = \max_j\sum_{i=1}^m|a_{i,j}|
, 列和范数,即所有矩阵列向量绝对值之和的最大值,matlab调用函数norm(A, 1)。


2-范数:||A||_2 = \sqrt{\lambda_1}\lambda<br/>A^TA的最大特征值。

,谱范数,即A'A矩阵的最大特征值的开平方。matlab调用函数norm(x, 2)。

\infty-范数:||A||_\infty = \max_i\sum_{j=1}^N|a_{i,j}|

,行和范数,即所有矩阵行向量绝对值之和的最大值,matlab调用函数norm(A, inf)。


F-范数:||A||_F=\left(\sum_{i=1}^m\sum_{j=1}^n|a_{i,j}|^2\right)^{\frac{1}{2}}

,Frobenius范数,即矩阵元素绝对值的平方和再开平方,matlab调用函数norm(A, ’fro‘)。


核范数:||A||_* = \sum_{i=1}^{n}\lambda_i, \lambda_i是A的奇异值

即奇异值之和。



作者:魏通
链接:https://www.zhihu.com/question/20473040/answer/102907063
来源:知乎
著作权归作者所有。商业转载请联系作者获得授权,非商业转载请注明出处。
.
01-09 1154
### 向量范数矩阵范数的区别 向量范数矩阵范数是数学中用于衡量向量矩阵大小的重要概念,但它们的应用场景意义有所不同。 向量范数用于度量向量空间中向量的大小或长度。它通过不同的方式(如欧几里得范数、L1范数等)来衡量向量的“长度”,从而反映向量的规模。例如,欧几里得范数衡量的是向量欧几里得空间中的几何长度,而L1范数则衡量的是向量各分量绝对值的总。这些范数可以帮助我们从不同的角度理解向量的大小[^1]。 矩阵范数则是用于衡量矩阵引起变化的大小。矩阵可以通过线性变换将一个向量映射到另一个向量,而矩阵范数则反映了这种变换的“强度”或“规模”。矩阵范数可以分为两类:一类是诱导范数,它是基于向量范数定义的,反映了矩阵向量的影响;另一类是非诱导范数,它直接基于矩阵元素的大小进行定义。例如,诱导范数可以通过公式 $\|A\| = \max_{x \neq 0} \frac{\|Ax\|}{\|x\|}$ 来定义,其中 $\|x\|$ 是向量 $x$ 的范数,$\|Ax\|$ 是变换后的向量范数。这表明矩阵范数向量范数之间存在一定的协调性[^2]。 矩阵范数的具体计算方式包括诱导范数非诱导范数。诱导范数通常与向量范数相容,例如当 $p=1$ 时,矩阵范数是各列元素绝对值之的最大值;当 $p=2$ 时,矩阵范数矩阵的最大奇异值;当 $p=\infty$ 时,矩阵范数是各行元素绝对值之的最大值。非诱导范数则直接基于矩阵元素的大小,例如Frobenius范数矩阵所有元素平方的平方根[^4]。 为了更好地理解向量范数矩阵范数的区别,可以通过编程计算它们。以下是一个使用PythonNumPy库计算向量范数矩阵范数的示例: ```python import numpy as np # 计算向量范数 vector = np.array([3, 4]) vector_norm = np.linalg.norm(vector) # 默认为L2范数 print("Vector norm (L2):", vector_norm) # 计算矩阵范数 matrix = np.array([[1, 2], [3, 4]]) matrix_norm_frobenius = np.linalg.norm(matrix, 'fro') # Frobenius范数 print("Matrix norm (Frobenius):", matrix_norm_frobenius) matrix_norm_2 = np.linalg.norm(matrix, 2) # L2范数(最大奇异值) print("Matrix norm (L2):", matrix_norm_2) ``` 这段代码展示了如何使用NumPy库计算向量矩阵的不同范数,从而帮助理解它们的实际应用。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值