工程矩阵理论(第5章-范数及矩阵函数)
第56章范数理论及其应用矩阵函数-
X' (t) X(0)
AX(t) C0
f
(t)，
其中A12
0 1
0 1
e2t
1,C0 1 , f (t) e2t
1 1 3 0
0
x
1
x2
x3
0
x1 2 x 2 x 3 1
最小二乘解的问题(2): 最小二乘解的表示
利用广义逆表示最小二乘解 (P127, Theorem 5.3.7) 不相容线性方程Ax=b的 全部最小二乘解为 xAb(EAA)C
最小二乘解的问题(3): 极小范数的最小二乘解
第5章：范数理论及其应 用
Norm Theory & its Applications
5.1 向量范数
• Problem：
线性空间的向量是否定义其他形式的长度？
• Motivation：
欧氏空间的内积可以定义向量的范数 范数的本性特征。
• 范数的公理化定义
Definition (P108) :
0
，计算
d e At/dt
1 0 3
2. 对任意方阵A，计算d e At/dt
6.4 矩阵函数的应用（求解常系数微分方程组）
1. 微分方程组的一般形式
X ' （t）=A（t）X（t）+f（t） X（t 0 ）=C。
齐次：f（t）=0 非齐次：f（t）0 常系数：A（t）=A
2. 一阶线性常系数齐次微分方程组
f(3)
4
f(4)
1 0 1
例
A
1
2
(整理)工程矩阵理论
双语国际教育版系统分析的数学工具——工程矩阵理论（适用于数学专业和其它理工科研究生）倪郁东编著合肥工业大学数学学院目录第一章线性空间与线性变换 1 §1.1 线性空间 1§1.2 线性变换及其矩阵 3§1.3 内积空间8§1.4 正交变换及其几何与代数特征§1.5 应用于小波变换的框架理论15 第二章矩阵的标准形理论§2.1 线性变换的特征值和特征向量29 §2.2 矩阵的相似对角化32 §2.3 特征矩阵的Smith标准形34 §2.4 矩阵的Jordan标准形34 §2.5 矩阵的最小多项式第三章矩阵分解29 §3.1 Gauss消去法与矩阵三角分解29 §3.2 矩阵的QR分解32 §3.3 矩阵的满秩分解34 §3.4 矩阵的奇异值分解34 §3.5 矩阵分解的应用第四章矩阵范数理论及其应用16 §4.1 范数与赋范线性空间§4.2 向量范数及其性质17 §4.3 矩阵的范数18 §4.4 范数的应用19 第五章矩阵分析及其应用20 §5.1 矩阵序列20 §5.2 矩阵级数21 §5.3 矩阵函数22 §5.4 矩阵的微分和积分25§5.5 矩阵函数的一些应用26 §5.6 梯度分析和最优化27 第六章特征值估计及极性38 §6.1 特征值的估计38 §6.2 广义特征值问题40 §6.3 对称矩阵特征值的极性41 §6.4 广义特征值分析的应用42 第七章广义逆矩阵43 §7.1 投影矩阵43 §7.2 广义逆矩阵46 §7.3 总体最小二乘方法49 第八章Matlab中的矩阵运算简介50 §8.1 基本矩阵运算50 §8.2 矩阵分解52 §8.3 广义逆矩阵和解线性系统54 参考文献57编著者说明1、体例格式为：知识要点，章节内容，各章习题。
矩阵范数详解
向量和矩阵的范数的若干难点导引矩阵范数的定义引入矩阵范数的原因与向量范数的理由是相似的，在许多场合需要“测量”矩阵的“大小”，比如矩阵序列的收敛，解线性方程组时的误差分析等，具体的情况在这里不再复述。
最容易想到的矩阵范数，是把矩阵m nA C ⨯∈可以视为一个mn 维的向量（采用所谓“拉直”的变换），所以，直观上可用mn C上的向量范数来作为m nA C⨯∈的矩阵范数。
比如在1l -范数意义下，111||||||mniji j A a===∑∑()12tr()HA A =； （1.1）在2l -范数意义下，12211||||||mnF iji j A a ==⎛⎫=⎪⎝⎭∑∑， （1.2） 注意这里为了避免与以后的记号混淆，下标用“F ”，这样一个矩阵范数，称为Frobenius范数，或F-范数。
可以验证它们都满足向量范数的3个条件。
那么是否矩阵范数就这样解决了？因为数学上的任一定义都要与其对象的运算联系起来，矩阵之间有乘法运算，它在定义范数时应予以体现，也即估计AB 的“大小”相对于A B 与的“大小”关系。
定义1 设m nA C ⨯∈，对每一个A ，如果对应着一个实函数()N A ，记为||||A ，它满足以下条件：（1）非负性：||||0A ≥；（1a ）正定性：||||0m nA O A ⨯=⇔=（2）齐次性：||||||||||,A A C ααα=∈；（3）三角不等式：||A ||||||||||||,m nA B A B B C ⨯+≤+∀∈则称()||||N A A =为A 的广义矩阵范数。
进一步，若对,,m nn l m l C C C ⨯⨯⨯上的同类广义矩阵范数||||•，有（4）（矩阵相乘的）相容性：||A ||||||||||||AB A B ≤， n lB C ⨯∈，则称()||||N A A =为A 的矩阵范数。
我们现在来验证前面（1.1）和（1.2）定义的矩阵范数是否合法？我们这里只考虑（1.2）,把较容易的（1.1）的验证留给同学们，三角不等式的验证。
工程矩阵理论教学大纲与授课计划
研究生《工程矩阵理论》课程教学大纲与授课计划一、基本信息1.课程名称：工程矩阵理论2.英文名称：Matrix Analysis3.课程类别：学位课程□公共学位课 专业基础学位课□专业必修学位课非学位课程□专业选修课□全校公共选修课4.课程编号：5.开课学院：自动化学院6.授课教师：周绍生、赖晓平7.授课教师职称：教授8.开课学期：第一学期9.学分： 310.总学时： 4811.适用专业：控制科学与工程、新能源电力及其控制、控制工程（专业硕士）12.预修课程：高等数学、线性代数二、教学目标矩阵理论是理工课学生从事理论研究和工程应用的基础，通过本课程的学习，使学生在大学线性代数的基础上，学习和掌握矩阵分析的理论知识，为进一步学习其它专业知识、开展学术研究和进行工程计算打下必备的专业基础。
三、教学方式课堂教学四、教学内容1. 课程简介矩阵是许多理工学科如数学物理、电子通信、系统控制、模式识别、土木建筑、航空航天、经济管理、计算机等学科最重要的数学工具之一。
矩阵理论和线性代数本身极富创造性，其创造性丰富了其它学科的内容，推动了其它学科的发展。
《工程矩阵理论》课程主要包括矩阵特征值、Jordan标准型、内积空间及标准正交基、矩阵分解、矩阵范数、矩阵函数、矩阵广义逆及矩阵张量积及矩阵导数等内容。
2. 学习重点与难点第一章线性空间与线性映射。
学习和掌握线性空间、线性子空间、线性映射以及线性变换的不变子空间等知识。
重点内容：基与坐标、坐标变换，线性映射及其值域与核，特征值和特征向量，矩阵的相似对角形。
难点内容：不变子空间。
第二章λ-矩阵与矩阵的Jordan标准形。
学习和掌握λ-矩阵及Smith标准形，初等因子与相似条件，矩阵的Jordan标准形等内容。
重点内容：矩阵的Jordan标准形。
难点内容：矩阵的Jordan标准形。
第三章内积空间、正规矩阵、Hermite矩阵。
学习和掌握内积空间及其标准正交基，酉变换、正交投影变换及其矩阵表示，正规变换与正规矩阵，Hermite 矩阵与Hermite二次齐式，Reyleigh商等相关内容。
第五章矩阵分析
一般地，对于任何不小于1的正数 p , 向量
x x1, x2 ,, xn T 的函数
1
x
p
n i1
xi
p p
也构成向量范数，称为向量的P-范数。
由 p 范数的存在，可知向量的范数有无穷多种，而且，向量的范数并不
仅限于 p 范数.在验证向量的范数定义中，三角不等式的过程中常涉及到两 个著名的不等式，即： 1、Hölder 不等式 设正实数 p, q 满足 1 1 1, 则对任意的 x, y Cn , 有
有了谱半径的概念，可以对矩阵范数作如下的初步估计.
定理 6 设 A C nn ,则对 C nn 上的任一矩阵范数 ，皆有
( A) A
证 设 是 A 的特征值， x 为 A 的属于特征值 的特征向量，故 x 0 ，所 以 x 0 .另设 是 Cn 上与矩阵范数 相容的向量范数，由 Ax x ，应有
则有正实数 C1,C2 , 使对一切矩阵 A 恒有
C1
A
A
C2
A
第二节 向量与矩阵序列的收敛性
定义5：设有向量序列xk : xk x1(k) , x2(k) ,, xn(k) T ,
如果对i 1,2,, n ,
数列
x(k) i
均收敛且有lim k
xi( k
)
xi
则说向量序列xk 收敛，如记 x (x1, x2,...,xn)T ,
k
xi(k
)
xi
i 1,2,...,n
lim
k
xi(k )
xi
0,
i 1,2,...,n
lim
k
max
1in
xi(k
)
xi
矩阵范数的表示形式
矩阵范数的表示形式矩阵范数是一种衡量矩阵性质的数学工具，它可以帮助我们理解矩阵的几何结构和性质。
在本文中，我们将介绍矩阵范数的表示形式，并探讨其在实际问题中的应用。
我们来定义矩阵范数。
矩阵范数是一个函数，它将一个矩阵映射到一个非负的实数。
矩阵范数满足以下性质：1. 非负性：对于任意矩阵A，矩阵范数的值必须大于等于0。
2. 齐次性：对于任意矩阵A和标量c，矩阵范数满足∥cA∥=|c|∥A∥。
3. 三角不等式：对于任意矩阵A和B，矩阵范数满足∥A+B∥≤∥A∥+∥B∥。
常见的矩阵范数有多种表示形式，每种表示形式都有其独特的特点和应用场景。
下面我们将介绍其中几种常见的矩阵范数表示形式。
1. 1-范数（L1范数）：矩阵的1-范数是矩阵的每一列元素绝对值之和的最大值，表示为∥A∥1=max_{1≤j≤n}∑_{i=1}^{m}|a_{ij}|。
2. ∞-范数（L∞范数）：矩阵的∞-范数是矩阵的每一行元素绝对值之和的最大值，表示为∥A∥∞=max_{1≤i≤m}∑_{j=1}^{n}|a_{ij}|。
3. 2-范数（L2范数）：矩阵的2-范数是矩阵的最大奇异值，表示为∥A∥2=σ_{max}，其中σ_{max}是矩阵A的最大奇异值。
这些矩阵范数在实际问题中有着广泛的应用。
例如，在机器学习领域，矩阵范数可以用来度量特征向量的稀疏性。
对于稀疏矩阵，其1-范数或∞-范数较小；而对于稠密矩阵，其2-范数较大。
矩阵范数还可以用于解决优化问题。
例如，在凸优化中，矩阵范数可以用来定义约束条件或目标函数，从而帮助我们找到最优解。
在信号处理中，矩阵范数可以用来估计信号的噪声水平或信号的复杂度。
除了上述常见的矩阵范数表示形式，还有其他一些矩阵范数，如Frobenius范数、核范数等。
每种范数都有其独特的性质和应用场景。
因此，在实际问题中，我们需要根据具体的需求选择合适的矩阵范数。
矩阵范数是一种重要的数学工具，它可以帮助我们理解矩阵的几何结构和性质。
矩阵论范数知识点总结
矩阵论范数知识点总结一、概述矩阵论是线性代数的一个分支，它研究矩阵及其性质。
矩阵的范数是矩阵的一种性质的度量，它在矩阵分析、数值线性代数、优化理论等领域中有着广泛的应用。
本文将对矩阵范数的定义、性质、应用以及相关的其他知识点进行总结和介绍。
二、矩阵的定义在数学中，矩阵是一个按照矩形排列的复数或实数集合。
也可以看成是一个数域上的矩形阵列。
矩阵的元素可以是实数、复数或者是其他的数学对象。
一个n×n矩阵A是一个由n×n个元素（a_ij）组成的矩形数组。
三、范数的定义在数学中，范数是定义在向量空间中的一种函数，它通常被用来衡量向量的大小或长度。
对于矩阵来说，范数是一种度量矩阵大小的方法。
对于一个矩阵A，它的范数通常记作||A||。
矩阵的范数满足以下性质：1. 非负性：||A|| ≥ 0，并且当且仅当A = 0时，||A|| = 02. 齐次性：对于任意标量c，||cA|| = |c| * ||A||3. 三角不等式：||A+B|| ≤ ||A|| + ||B||四、矩阵范数的种类矩阵范数一般有几种不同的类型。
1. Frobenius范数：矩阵A的Frobenius范数定义为||A||_F = sqrt(Σ_(i=1)^m Σ_(j=1)^n|a_ij|^2)2. 1-范数：矩阵A的1-范数定义为||A||_1 = max(Σ_(i=1)^n |a_ij|)3. 2-范数：矩阵A的2-范数定义为||A||_2 = max(Σ_(i=1)^m Σ_(j=1)^n |a_ij|^2)^(1/2)4. ∞-范数：矩阵A的∞-范数定义为||A||_∞ = max(Σ_(j=1)^n |a_ij|)五、矩阵范数的性质矩阵范数具有一些重要的性质，下面将介绍其中一些主要性质。
1. 非负性：||A|| ≥ 0，并且当且仅当A = 0时，||A|| = 02. 齐次性：对于任意标量c，||cA|| = |c| * ||A||3. 三角不等式：||A+B|| ≤ ||A|| + ||B||4. 乘法范数：||AB|| ≤ ||A|| * ||B||5. 谱半径：对于任意矩阵A，它的谱半径定义为rho(A) = max|λ_i(A)|6. 对称矩阵：对于对称矩阵A，其2-范数定义为rho(A)，即||A||_2 = rho(A)，其中rho(A)是A的最大特征值六、矩阵范数的应用矩阵范数在数学和工程领域有着广泛的应用，下面将介绍一些主要的应用。
工程计算5矩阵基础
a2n
an1
an2
ann
2020/11/3
18
1.2 基与坐标、坐标变换
称n阶方阵
a11 a12 P a21 a22
an1 an2
a1n
a2n
ann
是由基α1，α2，…，an 到基β1，β2，…，βn 的过渡矩阵
(β1，β2，…，βn) =(α1，α2，…，an) P 定理1.2.1 过渡矩阵P是可逆的
则称α1，α2，…，ar线性相关。
2020/11/3
12
1.1 线性空间
如果一组向量α1，α2，…，ar不线性相关，就称为线性无关 换言之，若 k1α1+ k2α2+…+krar = 0 则只有k1=k2=…=kr＝0，便称α1，α2，…，ar线性无关。 一组向量α1，α2，…，ar要么线性相关，要么线性无关， 非此即彼。 对于任何一组向量α1，α2，…，ar，都能满足等式
α = k1α1+ k2α2+…+krar 则称α可由，α1，α2，…，ar线性表示（出） 也称α为α1，α2，…，ar的线性组合 定义1.1.3 设线性空间V中一组向量α1，α2，…，ar (r≥1)，如果
在数域F中有r个不全为零的数k1，k2，…，kr，使得 k1α1 + k2α2 +…+ krar＝0
2020/11/3
3
1 线性空间与线性变换
• 1.1 线性空间 • 1.2 基与坐标、坐标变换 • 1.3 线性子空间 • 1.4线性映射 • 1.5 线性映射的值域、核 • 1.6 线性变换的不变子空间 • 1.7 特征值和特征向量
2020/11/3
4
1.1 线性空间
工程矩阵理论
双语国际教育版系统分析的数学工具——工程矩阵理论（适用于数学专业和其它理工科研究生）倪郁东编著合肥工业大学数学学院目录第一章线性空间与线性变换 1 §1.1 线性空间 1§1.2 线性变换及其矩阵 3§1.3 内积空间8§1.4 正交变换及其几何与代数特征§1.5 应用于小波变换的框架理论15 第二章矩阵的标准形理论§2.1 线性变换的特征值和特征向量29 §2.2 矩阵的相似对角化32 §2.3 特征矩阵的Smith标准形34 §2.4 矩阵的Jordan标准形34 §2.5 矩阵的最小多项式第三章矩阵分解29 §3.1 Gauss消去法与矩阵三角分解29 §3.2 矩阵的QR分解32 §3.3 矩阵的满秩分解34 §3.4 矩阵的奇异值分解34 §3.5 矩阵分解的应用第四章矩阵范数理论及其应用16 §4.1 范数与赋范线性空间§4.2 向量范数及其性质17 §4.3 矩阵的范数18 §4.4 范数的应用19 第五章矩阵分析及其应用20 §5.1 矩阵序列20 §5.2 矩阵级数21 §5.3 矩阵函数22 §5.4 矩阵的微分和积分25§5.5 矩阵函数的一些应用26 §5.6 梯度分析和最优化27 第六章特征值估计及极性38 §6.1 特征值的估计38 §6.2 广义特征值问题40 §6.3 对称矩阵特征值的极性41 §6.4 广义特征值分析的应用42 第七章广义逆矩阵43 §7.1 投影矩阵43 §7.2 广义逆矩阵46 §7.3 总体最小二乘方法49 第八章Matlab中的矩阵运算简介50 §8.1 基本矩阵运算50 §8.2 矩阵分解52 §8.3 广义逆矩阵和解线性系统54 参考文献57编著者说明1、体例格式为：知识要点，章节内容，各章习题。
矩阵与范数—扫盲讲解
矩阵与范数、谱半径、奇异值矩阵论主要研究的是线性空间以及在线性空间中的一些操作，主要是线性变换。
当然书中主要是针对有限维的情况来讨论的，这样的话就可以用向量和矩阵来表示线性空间和线性变换，同其他的数学形式一样，矩阵是一种表达形式（notation）,而这一方面可以简洁地表达出我们平时遇到的如线性方程和协方差关系的协方差矩阵等，另一方面又给进一步的研究或者问题的简化提供了一个平台。
如特征值分析、稳定性分析就对应着诸如统计分布和系统稳定性等实际问题。
而一系列的分解则可以方便方程的数值计算。
作为矩阵论的学习，我们需要了解具体的一些计算究竟是怎么算的，但更关键的是要知道各个概念和方法的实际意义，各个概念之间的关系。
首先介绍的是线性空间，对于线性空间中的任意一个向量的表示有基（相当于度量单位）和坐标（相当于具体的尺度），基既然作为度量标准了，当然要求对每一个向量都适用，同时这个标准本身也应该尽可能的简洁，那么就得到了基定义的两点约束：1、基的组成向量线性无关；2、线性空间中的任一个向量都可以由基的线性表示。
基作为一种“计量标准”，当然可能会存在多种形式，只要满足上面的两点条件，因而就有必要解决不同的度量标准之间的转换关系，从而得到过渡矩阵的概念，同时可以使用这种转换关系（过渡矩阵）去完成度量量（坐标）之间的转换。
在完成了线性空间这一对象的认识和表达之后，下面需要研究对象和对象之间的关系。
这里主要是线性变换，线性变换针对于实际对象主要完成类似于旋转和尺度变换方面的操作，而这种操作也牵涉到表达的问题。
为了保持与空间的一致性，我们也同样是在特定的基下来表示，从而线性变换就具体化为一个变换矩阵，并且，在不同的基下对应的变换矩阵当然也不相同，这里的不同的变换矩阵的关系就是相似的概念。
到此，我们完成了空间中向量的表示和线性变换的矩阵表达。
这里涉及了基、坐标、过渡矩阵、变换矩阵、相似矩阵这几个重要的概念。
上面算是内涵上的认识，下面我们需要知道线性空间里究竟有些什么东西，它是如何组成的，各个组成成分之间的关系，也就是空间的结构性方面的东西。
矩阵范数解读
1-范数：，即向量元素绝对值之和，matlab调用函数norm(x, 1) 。
2-范数：，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)。
∞-范数：，即所有向量元素绝对值中的最大值，matlab调用函数norm(x, inf)。
-∞-范数：，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：，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)。
2、矩阵范数
1-范数：，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：，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)。
∞-范数：，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：，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‘)。
矩阵分析第五章
例1：矩阵A 的Frobenius范数与向量2-范数相容
(∑ ∑ ) (∑ ) A = F
m i =1
n|
j =1
aij
|2
1/ 2
,
x= 2
n|
j =1
xj
|2
1/ 2
∑ ∑ ∑ ∑ ∑ Ax 2 = 2
m i =1
a x n
j =1 ij j
2
≤
(4) 矩阵乘法相容性: ||AB|| ≤ ||A|| ||B||, ∀A, B: AB可相乘
则称实数||A||为矩阵A的范数.
∑ ∑ 例1：A =(aij)∈Cm×n, 定义 A =
m i =1
n|
j =1
aij
|
是A的范数,
是向量1-范数的推广
证明：(1)(2)(3)自然满足, 只需验证(4).
∑ (1) 若A = (α1, α2, L, αn), 则
A2 = F
α n
2
i=1 i 2 ;
∑ (2) A 2 = trace( AH A) = F
n i =1
λi
(
AH
A)
(3)
∀U
∈
U
m×m m
,
V
∈U
n×n n
,
A = UA = AH = AV = UAV
F
F
F
F
F
( ) ( ) 证明(3)： UA 2 = trace (UA)H (UA) = trace AH (U HU ) A
+
b n
k =1 k
ak
+ bk
第五章 矩阵函数及其微积分
例 5.1.6 按照矩阵的 1- 范数或 ∞- 范数, 所有基本矩阵 Eij, 所有置换矩阵 (单位矩阵通
过任意次交换行列的变换得到的矩阵) 等都在单位球面上. 按照 F- 范数, 所有基本矩阵仍在单
位球面上,
但任何
n
≥
2
阶置换矩阵的范数均为
√ n,
从而都不在单位球面上.
从前面的讨论及上述例子我们知道, F ( F = C 或 R) 上 n 维线性空间 V 中可以定义无穷 多种向量范数. 那么, 这些向量范数之间有什么关系呢? 为回答此问题, 我们先引入一个定义.
d(x, y) = ||x − y||.
请读者在平面上或者空间中画出两点间的距离的示意图. 如果连接两点间的最短曲线称为线 段, 请问 1- 范数下的线段是什么? ∞- 范数下的线段是什么?
例 5.1.3 (各种范数下的单位圆) 下面的图从左至右依次展示了 1- 范数, 普通范数 (欧几 里得范数) 和 ∞- 范数下的平面上的单位圆 ( 1 维单位球面):
||kx|| = |k| ||x||;
(3) 三角不等式: 对 ∀ x, y ∈ V, 有
||x + y|| ≤ ||x|| + ||y||,
则称 V 是一个赋范线性空间或赋范空间, 记为 (V, || · ||)(常简记为 V , 如果范数是不需要强调 的), 称 ||x|| 是 V 中向量 x 的范数.
最小.
(5.0.1)
例 5.0.1 相当于求以矩阵 U 为自变量的函数 J(U ) = U α − β 在约束条件 U T U = I 或 U U T = I 下的最小值点 (矩阵), 这样的优化问题具有普遍意义 (属于运筹学的研究领域). 比较一元或多元微分学可知, 解决此问题的一个可行办法是求函数 J(U ) = U α − β 关于未 知矩阵 U 的导数, 这就需要研究矩阵函数的微积分 (如果将 U 的元素都作为未知数列出, 则目 标函数 U α − β 就是一个 mn 元函数, 可以使用多元微分学来研究此问题, 但那将是什么样 的场景!). 我们在大学的许多课程和实践中对微积分的强大作用已经深有体会, 如果矩阵能与 微积分相结合, 无疑将会产生更为巨大的作用. 那么如何才能将微积分引入到矩阵的研究中来 呢? 比较数学分析或高等数学课程, 我们首先需要研究矩阵序列的收敛性, 这就需要计算两个 矩阵之间的距离. 一旦有了距离概念, 就能够和数学分析或高等数学几乎完全平行地讨论矩阵 序列的极限和矩阵函数的连续性, 进而讨论矩阵函数的微分学与积分学等理论. 我们在第一章 内积空间中已经看到, 距离概念可以由长度或范数导出, 而长度或范数可以由内积导出, 因此研 究矩阵函数的微积分实际上可以通过在矩阵空间中引入适当的内积后顺利进行. 但一般的无限 维线性空间可能没有内积概念 (所有 m × n 阶函数矩阵构成的线性空间当然是无限维的), 因此 我们将在本章第一节研究比内积导出的范数更为广泛的概念, 以使范数能够应用在更大的范围. 那么, 什么是矩阵的范数呢? 我们先看下面简单的例时, lp 范数仍然满足向量范数的前两个条件, 但不满足三角不等式, 见 习题 5.
矩阵的范数计算公式
矩阵的范数计算公式
矩阵的范数计算公式是用来衡量矩阵的大小或者称之为矩阵的“长度”。
在线性代数中，范数是一个向量空间中的长度或大小的概念的推广。
矩阵的范数计算公式可以帮助我们更好地理解矩阵的性质和特点，对于矩阵的分析和运算具有重要的意义。
矩阵的范数计算公式有很多种，比如矩阵的1-范数、2-范数和∞-范数等。
每种范数都有其特定的定义和计算方式，用来衡量矩阵在不同情况下的大小或者“长度”。
1-范数是矩阵的列和范数，表示矩阵的各列向量的模的最大值。
2-范数是矩阵的谱范数，表示矩阵的特征值的平方根的最大值。
∞-范数是矩阵的行和范数，表示矩阵的各行向量的模的最大值。
这三种范数分别从不同的角度衡量了矩阵的大小，可以根据具体的问题和需求选择合适的范数进行计算。
矩阵的范数计算公式可以帮助我们衡量矩阵的大小，进而分析矩阵的性质和特点。
在实际应用中，矩阵的范数计算公式常常用于优化问题、控制系统、信号处理和统计分析等领域。
通过计算矩阵的范数，我们可以更好地理解矩阵的结构和性质，为问题的求解和分析提供有力的工具和方法。
总的来说，矩阵的范数计算公式是线性代数中重要的概念之一，对于矩阵的分析和运算具有重要的意义。
通过熟练掌握矩阵的范数计
算公式，我们可以更好地理解矩阵的性质和特点，为问题的求解和分析提供有力的支持。
希望通过本文的介绍，读者能够对矩阵的范数有更深入的了解，并能够灵活运用范数计算公式解决实际问题。
矩阵论——范数及矩阵函数
第六章 范数及矩阵函数§1范数的基本概念范数是更为一般反映向量间“距离”的量。
定义 设数域F 为复数域或实数域，)(F V 为线性空间，v 为)(F V 到R 的映射，满足：（1） 正定性 对V 中一切非零向量α，有0)(>αv ； （2） 齐次性 对V 中一切向量α及F 中一切数k ，有)()(ααv k k v =；（3） 三角不等式 对V 中一切向量α，β有)()()(βαβαv v v +=+； 则称v 是V 上得范数，赋范线性空间。
注：由0)(,0=⇒=θαθv 。
〉〈=ααα,是V 的一种范数。
例1 在n C 中，有三种常用的向量范数，设T n x x x X ),,,(21 = 1—范数 ∑==ni i x X 11；2—范数 2121122)()(X X x X Hni i ==∑=；∞—范数 {}ii x Xm a x=∞pni pi Px X11)(∑==⇒，其中1≥p 。
p ⋅是n C 上的P 范数。
引理 若实数1,>q p ，且111=+qp ，则对一切正实数a,b 有qb p a ab qp +≤。
证明 如图1111---==⇒=q p p y y x x yx⎰==-app p a dx x S 011，⎰==-b qq qb dy y S 012。
而ab S S ≥+21，得证。
定理 1.1 （Holder 不等式）设T n x x x X ),,,(21 =，n T n C y y y Y ∈=),,,(21 ，则∑∑∑∑====≤≤=ni qqi ni ppi i n i i ni ii H y x y x yx Y Y 111111)()(，其中+∈R q p ,，且111=+qp 。
证明 第一个不等式显然成立，证最后一个不等式 首先当X 和Y 至少有一个为θ时，命题成立。
当θθ≠≠Y X ,时，令 ∑∑====ni qqi ii ni ppi ii y y b x x a 1111)(,)(⇒∑∑∑∑====+≤n i qiqin i pi pini qqi ni ppi ii y q y x p x y x y x 111111)()(qn i q i p ni p i q iqi pip in i i i y x y y q x x p y x 11111)()(11∑∑∑∑∑∑∑===⎥⎥⎦⎤⎢⎢⎣⎡+⋅≤ ⇒qni qi pni pi ni i i y x y x 11111)()(∑∑∑===≤定理 1.2 （Minkowski 不等式）设,,,1C y x p i i ∈≥则 pni pi pni pi pni pi i y x y x 111111)()()(∑∑∑===+≤+证明 当1=p 时，命题成立。
长沙理工大学高等工程数学第5章课件
范数有多种定义形式, 只要满足上述定义即可定义一个范数.
常用向量范数： Euclid范数
n
|| x ||1 | x i |
i1
n
|| x ||
| x |2
2
i1
i
例：（见教材p94 例5.1）
||
x
||
max
1 i n
|
xi
|
Lp范数 （Hölder范数）
11..9979
精确解为
x
11
.
计算cond (A)2 。
求方程组的A解1 =即求0两.010条01直 线00.的9.989
0.99 1
解：考察 A 的特征根 交点, 条件数大表明这两条直线
det(I A) 0 接近1 平1行.9,8求00解5中05对04误差敏感
|| I || 1
常用矩阵范数：
n
特别有： || A || max | aij | （行和范数） 1in j1 n || A ||1 max | aij | （列和范数） 1 jn i 1
|| A ||2 max( AT A) （谱范数 ）
如果A是对称矩阵，有
(4)* || AB || || A || ·|| B || （相容 /* consistent */ 当 m = n 时)
nn
Frobenius 范数 || A ||F | aij |2 — 向量|| ·||2的直接
i 1 j1
推广, 易于计算.
对方阵 A Rnn
以及
x
量
x0
使得
Ax0
矩阵范数详解
《周国标师死接流道席010》之阳早格格创做背量战矩阵的范数的若搞易面导引(二)一． 矩阵范数的定义引进矩阵范数的本果与背量范数的缘由是相似的，正在许多场合需要“丈量”矩阵的“大小”，比圆矩阵序列的支敛，解线性圆程组时的缺面分解等，简曲的情况正在那里没有再复述.最简单料到的矩阵范数，是把矩阵m n A C ⨯∈不妨视为一个mn 维的背量（采与所谓“推曲”的变更），所以，曲瞅上可用mn C 上的背量范数去动做m n A C ⨯∈的矩阵范数.比圆正在1l -范数意思下，111||||||mnij i j A a ===∑∑()12tr()HAA =； （1.1）正在2l -范数意思下，12211||||||m n F ij i j A a ==⎛⎫= ⎪⎝⎭∑∑，（1.2）注意那里为了预防与以去的暗号殽杂，下标用“F ”，那样一个矩阵范数，称为Frobenius 范数，大概F-范数.不妨考证它们皆谦脚背量范数的3个条件.那么是可矩阵范数便那样办理了？果为数教上的任一定义皆要与其对付象的运算通联起去，矩阵之间有乘法运算，它正在定义范数时应给予体现，也即预计AB 的“大小”相对付于A B 与的“大小”闭系.定义1 设m n A C ⨯∈，对付每一个A ，如果对付应着一个真函数()N A ，记为||||A ，它谦脚以下条件：（1）非背性：||||0A ≥；（1a ）正定性：||||0m n A O A ⨯=⇔=（2）齐次性：||||||||||,A A C ααα=∈；（3）三角没有等式：||A ||||||||||||,m n A B A B B C ⨯+≤+∀∈则称()||||N A A =为A 的广义矩阵范数.进一步，若对付,,m n n l m l C C C ⨯⨯⨯上的共类广义矩阵范数||||•，有（4）（矩阵相乘的）相容性：||A ||||||||||||AB A B ≤， n l B C ⨯∈， 则称()||||N A A =为A 的矩阵范数.咱们当前去考证前里（1.1）战（1.2）定义的矩阵范数是可合法？咱们那里只思量（1.2）,把较简单的（1.1）的考证留给共教们，三角没有等式的考证.按列分块，记1212(,,,),(,,,)n n A a a a B b b b ==.对付上式中第2个括号内的诸项，应用Cauchy 没有等式，则有222||||||||2||||||||||||F F F F F A B A A B B +≤++2(||||||||)F F A B =+ （1.3） 于是，二边启圆，即得三角没有等式. 再考证矩阵乘法相容性.221111||||mlnn iksj i j k s a b ====⎛⎫⎛⎫≤ ⎪⎪⎝⎭⎝⎭∑∑∑∑ （那一步用了Cauchy 没有等式）22221111||||||||||||m nn l ik sj F F i k s j a b A B ====⎛⎫⎛⎫== ⎪ ⎪⎝⎭⎝⎭∑∑∑∑ （1.4） 可睹，矩阵相容性谦脚.那样便完毕了对付矩阵F-范数的考证.是没有是那样间接将背量范数使用到矩阵范数便不妨了吗？No!使用l ∞-范数于矩阵范数时便出了问题.如果11||||max ||ij i mj nA a ∞≤≤≤≤=，那么,那样的矩阵范数正在底下一个例子上便止短亨.设21122,21122A A A ⎛⎫⎛⎫=== ⎪ ⎪⎝⎭⎝⎭.果此，按上述矩阵∞-范数的定义，||||1,||A A ∞=2||||1,||||2A A ∞∞==，于是然而那是冲突的.所以简朴天将l ∞-范数使用于矩阵范数，是没有成止的.虽然那仅是一个反例，然而是数教的定义是没有成以有例中的.由此，咱们必须认识到，没有克没有及随便套用背量范数的形式去构制矩阵范数. 为此,咱们仅给出矩阵范数的定义是没有敷的，还需要钻研怎么样形成简曲的矩阵范数的要领.天然，您也不妨没有去思量形成要领，一个函数一个函数去试，只消谦脚条件便止.没有过那样搞的处事量太大，也很盲目.第二，正在本量预计时，往往矩阵与背量出当前共一个预计问题中，所以正在思量构制矩阵范数时，该当使它与背量范数相容.比圆要思量Ax 的“大小”，Ax 是一个背量，然而它由A 与x 相乘而得的，它与A 的“大小”战x 的“大小”的闭系怎么样？ 那提出了二类范数相容的观念.定义2 对付于m n C ⨯上的矩阵范数||||M •战,m n C C 上的共类背量范数||||V •，如果创制||||||||||||,,m n n V M V Ax A x A C x C ⨯≤⋅∀∈∀∈ （1.5）则称矩阵范数||||M •与背量范数||||V •是相容的. 例1．1 不妨道明 12211||||||mnF ij i j A a ==⎛⎫= ⎪⎝⎭∑∑()12tr()HA A = 是与背量范数2||||•相容.究竟上，正在（1.2）中，与1n B x C ⨯=∈，那么 二． 矩阵算子范数当前给出一种构制矩阵范数的普遍要领，它不妨使构制出的矩阵范数与背量范数相容，天然，它也谦脚定义1确定的4个条件.定义3 设,m n C C 上的共类背量范数为||||V •，m n A C ⨯∈，定义正在m n C ⨯空间上的矩阵A 的由背量范数||||V •诱导给出的矩阵范数为||||||||max||||V V x VAx A x ≠= （2.1）不妨考证，那样定义出的矩阵范数||||V A 谦脚定义1确定的4个条件，共时又谦脚矩阵范数与背量范数相容性央供（定义2）.由于有什么样的背量范数||||V •，便有什么样的矩阵范数，所以，那样的矩阵范数称为由背量范数诱导出的，简称诱导范数；又果为（2.1）本量上确定了一个函数（大概算子），故又称为算子范数.（2.1）给定的范数本量是觅供一个最劣化问题的最劣值，供目标函数||||||||V VAx x 的最大值，拘束条件是0x ≠，也便正在n C 空间中除本面中的面中，找一个n 维背量x ，使||||||||VVAx x 博得最大值.如果间接思量那样一个劣化问题,仍旧有艰易的. 不妨道明，它不妨下列等价办法定义,使问题的处理简朴.0||||||||max ||||V V x VAx A x ≠=||||1||||1||||max max ||||||||VVVV x x VAx Ax x ==== （2.2）究竟上, 分母上的||||V x 是一个正数(0x ≠), 那么根据背量范数的齐次性有上头第3个等号创制是果为背量||||Vx z x =为一个单位背量.底下咱们从表里上道明那样的矩阵范数||||V A 谦脚定义1确定的4个条件，共时又谦脚矩阵范数与背量范数相容性央供.定理2.1 由（2.1）大概（2.2）给定的m n C ⨯上的矩阵范数谦脚矩阵范数定义1的4个条件，且与相映的背量范数相容. 道明： 最先，矩阵范数与背量范数的相容性是没有易道明的，究竟上，对付||||V x =1, ||||1||||||||||||max ||||||||VV V V V V z A x A Az Ax ===≥, 果此,矩阵范数与背量范数的相容性条件（1.5）创制.咱们底下去考证（2.1）大概（2.2）谦脚矩阵范数的4个条件.那4个条件中，前2个也简单考证，果此那里只去观察第3,4个条件.三角没有等式的考证: 对付于任一m n B C ⨯∈矩阵相乘相容性的考证: 由（1.5），没有易有当0x ≠时，||||||||||||||||VV V VABx A B x ≤ 所以 0||||||||max||||||||||||VV V V x VABx AB A B x ≠=≤至此，证据了用算子范数确能给出谦脚矩阵范数定义战矩阵范数与背量范数的相容性 的矩阵范数.推论1 对付于n n C ⨯上的任一种背量诱导范数，皆有 ||||1||||max ||||1x I Ix === （2.3）然而是要注意的是，对付普遍的矩阵范数，对付任一背量n x C ∈，有故有 ||||1I ≥.比圆，||||F A 没有是诱导矩阵范数，所以 ||||1F I ≥. 三．几个时常使用的诱导矩阵范数上头的叙述标明，诱导矩阵范数与背量范数稀切相闭，有何种背量范数，便有什么样的诱导矩阵范数.底下便去简曲天构制几个时常使用的诱导矩阵范数.设m n A C ⨯∈.例3．1 设m n A C ⨯∈，由背量1l -范数诱导而去的最大列战诱导矩阵范数111||||max ||mi j j ni A a ≤≤==∑ （3.1）道明：按列分块，记12(,,,)n A a a a =，则由（3.1）战背量1l -范数的定义可知设12(,,,)n n n x x x x C =∈，且有1||||1x =果此, 111||||1||||max ||||x A Ax ==1max ||mij ji a =≤∑ (+) 另一圆里,采用k ,使得令0x 为第k 的单位背量(0,0,1,0,,0)Tk e =,那么012(,,,)T k k k mk Ax a a a a ==11101||||111||||max ||||||||||max ||mmik ij x ji i A Ax Ax a a ====≥==∑∑ (++)概括(+)与(++)可知, 由背量1l -范数诱导出的矩阵范数既是1||||A 的上界,又是其下界,果此必有(3.1).设m n A C ⨯∈，矩阵谱范数由2l -范数诱导得出的矩阵范数，定义为21||||max{|}H A A A λλ==是的特征值 (3.2)其中 1σ为A 的最大偶同值, 当n n A R ⨯∈时, 2||||A = (3.3)道明:最先由线性代数, H A A 是半正定矩阵, 究竟上,对付任一n x C ∈,有果此,H A A 的特性值皆为非背真数,记为 120n λλλ≥≥≥≥,而且H A A 具备n 个相互正接的,2l -范数等于1(即尺度化了的)特性背量(1)(2)(),,,n x x x ,它们分别对付应于特性值120n λλλ≥≥≥≥.故那组特性背量形成了一组尺度正接基，用它们可表示任一个范数2||||1x =的背量x ：()1ni i i x x α==∑而且，由2||||1x =， 可得到 211ni i α==∑.那样， ()()()111()n n nHHi Hi i i i i i i i i A Ax A A x A Ax x αααλ======∑∑∑.由此22221122111||||||n n n i i λαλαλαλαλ=⎛⎫=+++≤= ⎪⎝⎭∑，也便是2||||Ax ≤由x 的任性性战算子范数的定义2221||||1||||max ||||x A Ax λ==≤ （*）另一圆里，由2||||1x =，而且与1λ对付应的特性背量(1)x ，思量 所以2(1)2221||||1||||max ||||||||x A Ax Ax λ==≥= （**）概括（*）战（**），由2l -范数诱导得出的矩阵范数应为21||||max{|}H A A A λλ==是的特征值.例3．3 设m n A C ⨯∈，l ∞-范数诱导得出的矩阵范数11||||max ||nij i mj A a ∞≤≤==∑ （3.4）道明：设12||||1(,,,),T n x x x x x =∞=且，即 max ||1i ix =.由算子范数，||||1||||max ||||x A Ax ∞∞∞==≤1max ||nij ij a =∑ （*）另一圆里，采用k ，使得 令12(,,,),T n y y y y =其中1,0||,0kj kj j kj kjif a a y if a a =⎧⎪=⎨≠⎪⎩，则 ||||max ||1j jy y ∞==，进而有 1**||**n kj j a Ay =⎛⎫ ⎪ ⎪ ⎪ ⎪ ⎪= ⎪ ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭∑，由算子范数||||111||||max ||||||||||max ||nnkj ij x ij j A Ax Ay a a ∞∞∞∞====≥≥=∑∑. （**）概括（*）战（**），便得11||||max ||nij i mj A a ∞≤≤==∑.除了上述3种时常使用的矩阵范数中，Frobenius 范数虽然没有是算子范数，然而也时常所用，正在计划序列支敛等问题上是等价的.例3．4 设1234A -⎛⎫= ⎪-⎝⎭，供其百般矩阵范数.解： 1||||A =最大列战 = 6；||||A ∞=最大止战 = 7；|||| 5.477F A ==≈；四． 由矩阵范数推出的背量范数矩阵范数可由背量范数诱导，反过去，背量范数偶尔也可从矩阵范数推出.例4．1 设||||M •是n n C ⨯上的矩阵范数，任与n C 中的非整背量y ，则函数||||||||,H n V M x xy x C =∀∈ （4.1）是n C 上的背量范数，且矩阵范数||||M •与背量范数||||V •相容. 道明：欲证 ||||V x 是一个背量范数，只须考证它谦脚背量范数得个条件.非背性：当x ≠时，由于y非整，故||||||||0,H n V M x xy x C =>∀∈；当0x =时，H n n xy O ⨯=，故||||||||0H V M x xy ==. 齐次性：对付任一常数c C ∈，有 ||||||||||||||||||||H H V M M V cx cxy c xy c x ===.三角没有等式： 对付任性的,n x z C ∈，有 ||||||||V M x z =+.果此由背量范数的定义知，||||V x 是一个背量范数.底下再证二种范数的相容性.如果,n n n A C x C ⨯∈∈，那么 ||||||()||||()||||||||||||||||||H H H V M M M M M V Ax Ax y A xy A xy A x ==≤=. 可睹，矩阵范数||||M •与背量范数||||V •相容.五． 范数的若搞应用范数的应用很广大，那里只举2例. 1． 矩阵偶同性的条件对付于矩阵n n A C ⨯∈，是可根据其范数的大小，去判别的()I A -偶同性？判别一个矩阵的偶同性，本去没有便当（比圆预计A 的止列式的值是可非整，推断A 的诸列是可线性无闭等，均没有大简单），然而矩阵的范数的预计，如1||||,||||A A ∞，仍旧便当的.定理5.1 (Banach 引理)设矩阵n n A C ⨯∈,且对付矩阵n n C ⨯上的某种矩阵范数||||•,有||||1A <,则矩阵()I A ±非偶同,且有1||||||()||1||||I I A A --≤- (5.1)道明: 假设矩阵范数||||A 与背量范数||||x 相容.欲证矩阵()I A ±非偶同，可通过det()0I A ±≠.用反证法.假设det()0I A ±=，则齐次线性圆程组 ()0I A x ±= 有非整解0x ，即 于是， 00x Ax =.二边与范数 0000||||||||||||||||||||V V V V x Ax A x x =≤<其中末尾一个没有等号是由于 ||||1A <. 然而上式是冲突的，假设det()0I A ±=没有创制，进而矩阵()I A ±非偶同，故有顺.再由 1()()I A I A I -±±= 可得 11()()I A I I A A --±=±二边与范数，得111||()||||()||||||||()||||||I A I I A A I I A A ---±=±≤+± 再移项，有 1||()||(1||||)||||I A A I -±-≤ 进而 1||||||()||1||||I I A A -±≤-那正是咱们要念道明的.正在推演分解Ax b =的间接法的缺面分解时起要害的效率.请共教们自止道明底下类似的截止.定理5.2 设矩阵n n A C ⨯∈,且对付矩阵n n C ⨯上的某种矩阵范数||||•,有||||1A <，则2．近似顺矩阵的缺面——顺矩阵的摄动正在数值预计中，缺面无处没有正在，思量由于那些缺面存留而戴去的成果，是一项要害的课题.设矩阵n n A C ⨯∈的元素ij a 戴有缺面,(,1,2,,)ij a i j n δ=，则矩阵的真正在的值应为A A δ+，其中()ij A a δδ=称为缺面矩阵，又喊摄动矩阵.若A 为非偶同，其顺阵为1A -.问题是：1()A A δ-+与1A -的近似程度怎么样呢？大概者道，1()A A δ-+与1A -的“距离”大小为几？底下是回问上述问题的摄动定理.设矩阵n n A C ⨯∈非偶同，n n B C ⨯∈，且对付n n C ⨯上的某种矩阵范数||||•，有1||||1A B -<，则（1）A B +非偶同； （2）记11()F I I A B --=-+，那么 11||||||||1||||A B F A B --≤-； （3）11111||()||||||||||1||||A AB A B A A B ------+≤-. 道明：由于1||||1A B -<，所以1||||1A B --<.由定理 5.1，1()I A B -+非偶同，故1()A B A I A B -+=+非偶同.正在定理5.2中，将A 换成1A B --，即得（2）. 又果为 11111()(())A A B I I A B A ------+=-+， 二边与范数，并利用（2）的论断，可得11111||||||()||||||1||||A B A A B A A B ------+≤-， 即可得到（3）. □ 3．矩阵谱半径及其本量矩阵谱半径是一个要害的观念，正在特性值预计，广义顺矩阵，数值预计（特天正在数值线性代数）等表里中，皆占有极其要害的职位.定义4 设矩阵n n A C ⨯∈的n 个特性值为12,,,n λλλ（含沉根），称max ||i iλ为矩阵A 的谱半径，记为()A ρ. 闭于矩阵谱半径的最道明也是最要害的论断是，矩阵A 的谱半径没有超出其任一种矩阵范数.那个截止已经正在课堂上道明过了.动做训练，请共教们对付 1321i A i -⎛⎫= ⎪+⎝⎭考证那个论断.闭于矩阵谱半径的第2个要害论断是，如果矩阵A 为Hermite 矩阵，则2||||()A A ρ=.道明留给大家.虽然Hermite 矩阵的谱半径与其谱范数相等，然而是，普遍矩阵的谱半径与其谱范数大概出进很大.底下闭于矩阵谱半径的第3个要害论断，刻绘了谱半径与矩阵范数之间的另一种定量闭系.，定理5.4 设矩阵n n A C ⨯∈，对付任性正数ε，存留一种矩阵范数||||M •，使得道明： 根据Jordan 尺度型，对付n n A C ⨯∈，存留非偶同的n n P C ⨯∈，使如果记 12(,,,)n diag λλλΛ= 战123100000n I δδδδ-⎛⎫ ⎪ ⎪ ⎪ ⎪= ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭， 01i δ=或 则 Jordan 尺度型 J I =Λ+，其中12,,,n λλλ 为A 的特性值. 又记 21(1,,,,)n D diag εεε-=，则有1111()()PD A PD D P APD D JD Iε----===Λ+1122331n n λεδλεδλεδεδλ-⎛⎫ ⎪ ⎪ ⎪= ⎪ ⎪ ⎪ ⎪ ⎪⎝⎭，记 S PD =，那么S 为非偶同，且有111||||||||()S AS I A ερε-=Λ+≤+.另一圆里，简单考证，11||||||||M A S AS -= 是n n C ⨯上的矩阵范数，所以11||||||||()M A S AS A ρε-=≤+. □5．背量战矩阵范数正在供解Ax b =的间接法的缺面分解中应用那一真量尔正在课堂上道的比较小心，那里便略去了.。
矩阵范数详解
向量和矩阵的范数的若干难点导引矩阵范数的定义引入矩阵范数的原因与向量范数的理由是相似的，在许多场合需要“测量”矩阵的“大小”，比如矩阵序列的收敛，解线性方程组时的误差分析等，具体的情况在这里不再复述。
最容易想到的矩阵范数，是把矩阵m nA C ⨯∈可以视为一个mn 维的向量（采用所谓“拉直”的变换），所以，直观上可用mnC上的向量范数来作为m nA C⨯∈的矩阵范数。
比如在1l -范数意义下，111||||||m niji j A a===∑∑()12tr()HA A =； （1.1）在2l -范数意义下，12211||||||m n F ij i j A a ==⎛⎫= ⎪⎝⎭∑∑， （1.2）注意这里为了避免与以后的记号混淆，下标用“F ”，这样一个矩阵范数，称为Frobenius范数，或F-范数。
可以验证它们都满足向量范数的3个条件。
那么是否矩阵范数就这样解决了？因为数学上的任一定义都要与其对象的运算联系起来，矩阵之间有乘法运算，它在定义范数时应予以体现，也即估计AB 的“大小”相对于A B 与的“大小”关系。
定义1 设m nA C ⨯∈，对每一个A ，如果对应着一个实函数()N A ，记为||||A ，它满足以下条件：（1）非负性：||||0A ≥；（1a ）正定性：||||0m nA O A ⨯=⇔=（2）齐次性：||||||||||,A A C ααα=∈；（3）三角不等式：||A ||||||||||||,m n A B A B B C ⨯+≤+∀∈则称()||||N A A =为A 的广义矩阵范数。
进一步，若对,,m n n l m lC C C ⨯⨯⨯上的同类广义矩阵范数||||∙，有（4）（矩阵相乘的）相容性：||A ||||||||||||AB A B ≤， n lB C ⨯∈， 则称()||||N A A =为A 的矩阵范数。
我们现在来验证前面（1.1）和（1.2）定义的矩阵范数是否合法？我们这里只考虑（1.2）,把较容易的（1.1）的验证留给同学们，三角不等式的验证。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第五章 范数及矩阵函数
§5.1 范数的基本概念
证明: (1) 当|| || = 0时, 假若 0, 则由||||的正定性得|| || > 0, 这与|| || = 0矛盾, 故 = 0. 反之, 若 = 0, 则 || || = ||0|| = ||00|| = |0|||0|| = 0.
定义5.1.1 设F = 或 , V为F上的线性空间, 映射: V 满足 (1)正定性: () > 0, 0 V; (2)齐次性: (k) = |k|(), V, kF; (3)三角不等式: (+) ()+(), , V, 则称为V上的范数.
第五章 范数及矩阵函数
§5.1 范数的基本概念
p 1 1 记q = p1 , 则q > 1, 且 p+ q = 1,
i=1 n
|xi+yi|p (|xi|+|yi|)p
i=1 n i=1
n
n
= |xi|(|xi|+|yi|)p1 + |yi|(|xi|+|yi|)p1
第五章 范数及矩阵函数
§5.1 范数的基本概念
() (1) 对于任意的非零向量X 由detA 0可得AX 0, 于是||X||A = ||AX|| > 0.
n,
(2) 对于任意的X n, k , ||kX||A = ||A(kX)|| = ||k(AX)|| = |k|||AX|| = |k|||X||A .
工程矩阵理论
主讲: 张小向
第五章 范数及矩阵函数
第一节 范数的基本概念 第二节 矩阵的范数 第三节 两个收敛定理 第四节 矩阵函数 第五节 矩阵函数eAt与 线性微分方程组 第六节 矩阵对矩阵的导数
第五章 范数及矩阵函数
§5.1 范数的基本概念
§5.1 范数的基本概念 一. 定义与例子
赋范线性空间 = 定义了范数的线性空间.
第五章 范数及矩阵函数
§5.1 范数的基本概念
例1
n中的三种常用的向量范数.
X = (x1, x2, …, xn)T (1) ||X||1 = |xi|;
n i=1 n
n,
定义
(2) ||X||2 = ( |xi|2)1/2;
i=1
(3) ||X|| = max{|x1|, |x2|, …, |xn|}, 则||||1, ||||2, ||||都是
,
= || ||V + || ||V .
综上所述, ||||V是V上的范数.
第五章 范数及矩阵函数
§5.1 范数的基本概念
四. 范数的性质 定理5.1.5 设||||是线性空间V( )上的范数, 则 (1) || || = 0 = 0; (2) || || | || || || || |; (3)当dimV = n时, 设1, 2, …, n为V的一组基, = x11 + x22 + … + xnn V, 则|| ||是x1, x2, …, xn的n元连续 函数.
i=1 i=1 n
[ |xi+yi|p]1/p [ (|xi|+|yi|)p]1/p.
i=1 i=1
i=1 n
|xi+yi|p (|xi|+|yi|)p
i=1 n
n
n
…
第五章 范数及矩阵函数
§5.1 范数的基本概念
定理5.1.3 设 p 1. X = (x1, x2, …, xn)T 定义 ||X||p = ( |xi|p)1/p.
i=1
Hale Waihona Puke ( |xi|p)1/p[ (|xi|+|yi|)(p1)q]1/q
n
n
+ ( |yi|p)1/p[ (|xi|+|yi|)(p1)q]1/q
= [( |xi|p)1/p + ( |yi|p)1/p][ (|xi|+|yi|)p](p1)/p.
i=1 i=1 i=1 i=1 n i=1 n n
p+
下面设|xk| = max{|x1|, |x2|, …, |xn|} 0, 则
n n |x | 1 ( i p 1/p p 1/ p | x | ) = [ ( ) ] 1 |x | i k i=1 i=1 |xk|
n1/p 1 (p+), 由此可得
p+
lim ||X||p = |xk| = ||X||.
(3) 对于任意的X, Y n, ||X+Y||A = ||A(X+Y)|| = ||AX+AY|| ||AX|| + ||AY|| = ||X||A + ||Y||A .
第五章 范数及矩阵函数
§5.1 范数的基本概念
定理5.1.4 设V( )为n维线性空间, 1, 2, …, n为V的一组基. = x11 + x22 + … + xnn V, 令X = (x1, x2, …, xn)T, || ||V = ||X||, 则||||V是V上的范数. 证明: (1) 对于任意的非零向量 V, 其坐标向量X 0, 故|| ||V = ||X|| > 0.
第五章 范数及矩阵函数
§5.1 范数的基本概念
事实上, (x1(t), …, xn(t))T = P( y1(t), …, yn(t))T, (a1, …, an)T = lim(x1(t), …, xn(t))T = limP( y1(t), …, yn(t))T = Plim( y1(t), …, yn(t))T = P(b1, …, bn)T, 因而 = a11 + a22 + … + ann = (1, 2, …, n)(a1, …, an)T = (1, 2, …, n)P(b1, …, bn)T = (1, 2, …, n)(b1, …, bn)T = b11 + b22 + … + bnn = .
则对于任意的 x1 y1 X= ,Y= xn yn
n,
有 n n |XHY| = | xiyi| |xi||yi| ( |xi|p)1/p ( |yi|q)1/q.
i=1 i=1 i=1 n i=1 n
…
…
第五章 范数及矩阵函数
§5.1 范数的基本概念
证明: 关键是证明第二个不等式. 不妨设X, Y 0. 对于i = 1, 2, …, n, 令 |xi| |yi| ai = n , bi = n , ( |xi|p)1/p ( |yi|q)1/q
i=1 n
n,
则||||p是
p+
n上的范数,
而且
lim ||X||p = ||X||.
证明: ||||p的正定性和齐次性是显然的; 由定理5.1.2可知||||p满足三角不等式. 故||||p是
n上的范数.
第五章 范数及矩阵函数
§5.1 范数的基本概念
当X = 0, lim ||X||p = ||X||显然成立.
i=1 n
i=1 n
第五章 范数及矩阵函数
§5.1 范数的基本概念
[(
i=1 n
i=1 n
(|xi|+|yi|)p
i=1 n
n
|xi|p)1/p
+(
n
i=1
|yi|p)1/p][
i=1
(|xi|+|yi|)p](p1)/p
n
[ (|xi|+|yi|)p]1/p [( |xi|p)1/p + ( |yi|p)1/p].
i=1 i=1
根据引理5.1.1可得 |xi||yi|
( |xi|p)1/p ( |yi|q)1/q
n n
= aibi |yi|q
aip biq p + q =
i=1
i=1
p |xi|p
i=1
n
|xi|p
+
q |yi|q
i=1
n
.
第五章 范数及矩阵函数
§5.1 范数的基本概念
将上述n个式子相加得
则对于任意的 正实数a, b, 有
ab p + q . ap bq
y b O
y = x p 1 x = yq1 S 2 = b q/ q S1 = ap/p a x
第五章 范数及矩阵函数
§5.1 范数的基本概念
定理5.1.1 (Hö lder不等式)
1 1 若实数p, q > 1, 且 p+ q = 1,
n上的范数.
||||1, ||||2, ||||分别称为1-范数, 2-范数和 -范数.
第五章 范数及矩阵函数
§5.1 范数的基本概念
二. p-范数 设 p 1. X = (x1, x2, …, xn)T ||X||p = ( |xi|p)1/p.
i=1
n,
定义
n
1 1 引理5.1.1 若实数p, q > 1, 且 p+ q = 1,
第五章 范数及矩阵函数
§5.1 范数的基本概念
(3) 对于任意的 = a11 + a22 +…+ ann V,
0 | || || || || | || || = ||(x1a1)1 + … + (xnan)n|| |x1a1|||1|| + … + |xnan|||n|| max{|x1a1|, …, |xnan|}(||1|| +…+ ||n||), 其中max{|x1a1|, …, |xnan|}0 (xiai).