向量範數是很常見的,在很多教科書裏都能見到。矩陣範數是對向量範數的一種推廣。下面轉載一篇講解矩陣範數的文章,裏面有對弗羅貝尼烏斯範數的定義,比較適合掃盲。原文如下:
矩陣範數(matrix norm)是數學上向量範數對矩陣的一個自然推廣。
目錄 |
矩陣範數的特性
以下 K 代表實數或複數域。現在考慮 空間,亦即所有 m 行與 n 列的矩陣。
上的矩陣範數滿足向量範數的所有特性,即若 是矩陣 A 的範數,那麼:
- ,且等號成立當且僅當 A = 0 。
- ,對於所有 α 屬於 K 和所有矩陣 A 屬於 成立。
- ,對於所有矩陣 A 和 B 屬於
此外,一些定義在n乘n矩陣上的矩陣範數(但並非所有這類的範數)滿足一個或多個以下與“矩陣比純粹一個向量有更多東西的事實”有關的條件:
一個滿足第一個附加特性的矩陣範數被稱爲服從乘法範數(sub-multiplicative norm)。附上矩陣範數幷包含所有 n×n 矩陣的集合,是巴拿赫代數的一個例子。
(在一些書上,術語“矩陣範數”只指服從乘法範數。)
誘導範數
及上向量範數已知(K 是實數或複數域),可在 矩陣空間上按照下述原則定義相應的“誘導範數”或算子範數:
若 m = n 且在定義域和值域上使用相同的範數,則誘導的算子範數是服從乘矩陣範數。
舉例說明, 與向量的 p-範數對應的算子範數是:
在 p = 1 且 的情況下,其範數可以以下方式計算:
這些與矩陣的 Schatten p-範數不同, 也可以用 來表示。
若滿足 p = 2(歐幾里德範數)且 m = n(方陣)此兩特殊情況時,誘導的矩陣範數就是“譜範數”。矩陣 A 的譜範數是 A 最大的奇異值或半正定矩陣 A*A 的最大特徵值的平方根:
其中 A* 代表 A 的共軛轉置 。
任何矩陣範數滿足此不等式
其中 ρ(A) 是 A 的譜半徑。事實上,可以證明 ρ(A) 是 A 的所有誘導範數的下界。
此外,我們有
矩陣元範數
這些向量範數將矩陣視爲 向量,並使用類似的向量範數。
舉例說明,使用向量的 p-範數,我們得到:
注:不要把矩陣元 p-範數與誘導 p-範數混淆。
弗羅貝尼烏斯範數
對 p = 2,這稱爲弗羅貝尼烏斯範數(Frobenius norm)或希爾伯特-施密特範數(Hilbert–Schmidt norm),不過後面這個術語通常只用於希爾伯特空間。這個範數可用不同的方式定義:
這裏 A* 表示 A 的共軛轉置,是 A 的奇異值,並使用了跡函數。弗羅貝尼烏斯範數與上歐幾里得範數非常類似,來自所有矩陣的空間上一個內積。
弗羅貝尼烏斯範數是服從乘法的且在數值線性代數中非常有用。這個範數通常比誘導範數容易計算。
極大範數
極大範數是 p=∞ 的元素範數,
這個範數不服從乘法。
Schatten 範數
更多資料:Schatten範數
Schaten 範數出現於當 p-範數應用於一個矩陣的奇異值向量時。如果奇異值記做 , 則 Schatten p-範數定義爲
這個範數與誘導、元素 p-範數使用了同樣的記號,但它們是不同的。
所有 Schatten 範數服從乘法。它們也都是酉不變的,這就是說 ||A|| = ||UAV|| 對所有矩陣 A 與所有酉矩陣 U 和 V。
最常見的情形是 p = 1, 2, ∞。p = 2 得出弗羅貝尼烏斯範數,前面已經介紹過了。p = ∞ 得出譜範數,這是由向量 2-範數誘導的矩陣範數(見下)。最後, p = 1 得出跡範數,定義爲
一致範數
一個 上矩陣範數 稱爲與上向量範數 以及 上向量範數 一致,如果
對所有 。根據定義,所有誘導範數是一致範數。
範數的等價
對任何兩個向量範數 and ,我們有
對某個正數 r 與 s, 中所有矩陣 A 成立。換句話說,它們是等價的範數;它們在 上誘導了相同的拓撲。
此外,當 ,則對任何向量範數 ||·||,存在惟一一個正數 k 使得 k||A|| 是一個(服從乘法)矩陣範數。
一個矩陣範數 稱爲“極小的”,如果不存在其它矩陣範數 滿足 ≤ 。
範數等價的例子
這裏,||·||p 表示由向量 p-範數誘導的矩陣範數。
向量範數之間另一個有用的不等式是
參考資料
- ^ Golub, Gene; Van Loan, Charles F., Matrix Computations. 3rd, Baltimore: The Johns Hopkins University Press. 1996: 56-57, ISBN 0-8018-5413-X
- ^ Horn, =Roger; Johnson, Charles, Matrix Analysis, Cambridge University Press. 1985, ISBN 0-521-38632-2