矩阵分析与应用

矩阵的范数与内积

实矩阵A\in R^{m\times n}的范数记作\left \| A \right \|,它是矩阵A的实值函数,必须具有以下性质:

  1. 对于任何非零矩阵A\neq 0,其范数大于零,即\left \| A \right \|> 0,并且\left \| 0 \right \|=0
  2. 对于任何复数c有\left \| cA \right \|=|c|\left \| A \right \|
  3. 矩阵范数满足三角不等式\left \| A+B \right \|\leqslant \left \| A \right \|+\left \| B \right \|
  4. 两个矩阵乘积的范数小于或等于两个矩阵范数的乘积,即\left \| AB\right \|\leqslant \left \| A \right \|\left \| B \right \|

实函数f(A)=\sum_{i=1}^{n}\sum_{j=1}^{n}|a_{ij}|是一种矩阵范数。

举例:A=\begin{bmatrix} 1 & -2 &0 \\ 2& 0& 1\\ 1 & 1 & 1 \end{bmatrix},则有f(A)=1+|-2|+0+2+0+1+1+1+1=9

容易验证:

(1)f(A)\geqslant 0,且当A=0a_{ij}=0f(A)=0

(2)f(cA)=\sum_{i=1}^{n}\sum_{j=1}^{n}|ca_{ij}|=|c|\sum_{i=1}^{n}\sum_{j=1}^{n}|a_{ij}|=|c |f(A)

(3)f(A+B)=\sum_{i=1}^{n}\sum_{j=1}^{n}|a_{ij}+b_{ij}|\leqslant \sum_{i=1}^{n}\sum_{j=1}^{n}(|a_{ij}|+|b_{ij}|)=f(A)+f(B)

(4)对于两个矩阵的乘积,有:

f(AB)=\sum_{i=1}^{n}\sum_{j=1}^{n}\left | \sum_{k=1}^{n}a_{ik}b_{kj}\right |\\\leqslant \sum_{i=1}^{n}\sum_{j=1}^{n}\sum_{k=1}^{n}|a_{ik}||b_{kj}|\\\leqslant \sum_{i=1}^{n}\sum_{j=1}^{n}\left (\sum_{k=1}^{n}|a_{ik}|\sum_{l=1}^{n}|b_{kl}| \right )\\=f(A)f(B)

以下是几种典型的矩阵范数

Frobenius范数

\left \| A \right \|_{F}=\left ( \sum_{i=1}^{n}\sum_{j=1}^{n}|a_{ij}|^{2} \right )^{1/2}

这一定义可以视为向量的Euclidean范数按照矩阵各行排列的“长向量”

x=[a_{11},.. .,a_{1n},a_{21},.. .,a_{2n},.. .,a_{m1},.. .a_{mn}]

的推广。矩阵的Frobenius范数也称Euclidean范数或者l_{2}范数

举例:A=\begin{bmatrix} 1 & -2 &0 \\ 2& 0& 1\\ 1 & 1 & 1 \end{bmatrix},则有\left \| A \right \|_{F}=(1+4+0+4+0+1+1+1+1)^{1/2}=\sqrt{13}

l_{p}范数

\left \| A \right \|_{p}=\max_{x\neq 0}\frac{\left \| Ax \right \|_{p}}{\left \| x \right \|_{p}}

式中,\left \| x \right \|_{p}是向量x的l_{p}范数,l_{p}范数也称p范数。

行和范数

\left \| A \right \|_{row}=\max_{1\leqslant i\leqslant m}\left \{ \sum_{j=1}^{n}|a_{ij}| \right \}

举例:A=\begin{bmatrix} 1 & -2 &0 \\ 2& 0& 1\\ 1 & 1 & 1 \end{bmatrix},则\left \| A \right \|_{row}=\max\left \{ (1+2+0),(2+0+1),(1+1+1) \right \}=3

列和范数

\left \| A \right \|_{col}=\max_{1\leqslant j\leqslant n}\left \{ \sum_{i=1}^{m}|a_{ij}| \right \}

举例:A=\begin{bmatrix} 1 & -2 &0 \\ 2& 0& 1\\ 1 & 1 & 1 \end{bmatrix},则\left \| A \right \|_{col}=\max\left \{ (1+2+1),(2+0+1),(0+1+1) \right \}=4

若A,B是m*n的矩阵,则矩阵的范数有以下性质。

\left \| A+B \right \|+\left \| A-B \right \|=2\left ( \left \| A \right \| ^{2}+\left \| B \right \|^{2}\right )

\left \| A+B \right \|\left \| A-B \right \|\leqslant \left \| A \right \| ^{2}+\left \| B \right \|^{2}

与矩阵的范数密切相关的量是矩阵的内积。对于任意m*n的复矩阵A和B,矩阵的内积记作\left \langle A,B \right \rangle,定义为:\left \langle A,B \right \rangle=A^{H}B

以下是矩阵的内积和范数之间的关系。

1.Cauchy-Schwartz不等式

\left | \left \langle A,B \right \rangle \right |^{2}\leqslant \left \| A \right \|^{2}\left \| B \right \|^{2}

当且仅当A=cB时(其中c为某个复常数),等号成立。

2.Pathagoras定理

\left \langle A,B\right \rangle=0\Rightarrow \left \| A+B \right \|^{2}=\left \| A \right \|^{2}+\left \| B \right \|^{2}

3.极化恒等式

Re\left ( \left \langle A,B \right \rangle \right )=\frac{1}{4}\left ( \left \| A+B \right \|^{2}- \left \| A-B \right \|^{2} \right )

Re\left ( \left \langle A,B \right \rangle \right )=\frac{1}{2}\left ( \left \| A+B \right \|^{2}- \left \| A \right \|^{2} - \left \| B\right \|^{2} \right )

其中Re()表示取复数的实部。


 

  

你可能感兴趣的:(矩阵)