【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(15):矩阵的范数
目录
- 前言
- 往期文章
- 4.2 矩阵的范数
- 4.2.1 矩阵范数的定义与性质
- 定义4.3:矩阵范数
- m1范数m1范数m1范数
- m∞范数m\infty范数m∞范数
- F−范数(或m2范数)F-范数(或m2范数)F−范数(或m2范数)
- 定义4.4
- 酉矩阵
- 定理4.2.1
- 定理4.2.2
- 定理4.2.3
- 4.2.2 几种常用的矩阵范数
- 定义4.5:算子范数
- 定理4.2.4
- 定义4.6
- 补充
- 定理4.2.6
- 结语
前言
Hello!小伙伴!
非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出~
自我介绍 ଘ(੭ˊᵕˋ)੭
昵称:海轰
标签:程序猿|C++选手|学生
简介:因C语言结识编程,随后转入计算机专业,有幸拿过一些国奖、省奖…已保研。目前正在学习C++/Linux/Python
学习经验:扎实基础 + 多做笔记 + 多敲代码 + 多思考 + 学好英语!
机器学习小白阶段
文章仅作为自己的学习笔记 用于知识体系建立以及复习
知其然 知其所以然!
往期文章
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(2):线性空间定义及其性质
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(3):线性空间的基与坐标
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(4):基变换与坐标变换
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(5):线性子空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(7):欧氏空间
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(9):正交补与投影定理
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(10):线性变换定义
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(12):相似形理论
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
4.2 矩阵的范数
4.2.1 矩阵范数的定义与性质
定义4.3:矩阵范数
设A、B∈Cn×n,a∈CA、B\in C^{n×n},a\in CA、B∈Cn×n,a∈C,按某一法则在Cn×nC^{n×n}Cn×n上定义一个AAA的实值函数,记为∣∣A∣∣||A||∣∣A∣∣
其满足下面四个条件
- 非负性:如果A≠0A\neq 0A=0,则∣∣A∣∣>0||A||>0∣∣A∣∣>0;若A=0A=0A=0,则∣∣A∣∣=0||A||=0∣∣A∣∣=0
- 齐次性:对任意的a∈Ca\in Ca∈C,∣∣aA∣∣=∣a∣∣∣A∣∣||aA||=|a|||A||∣∣aA∣∣=∣a∣∣∣A∣∣
- 三角不等式:∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣||A+B||\leq||A||+||B||∣∣A+B∣∣≤∣∣A∣∣+∣∣B∣∣
- 相容性:∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣||AB||\leq||A||\cdot||B||∣∣AB∣∣≤∣∣A∣∣⋅∣∣B∣∣
则称∣∣A∣∣||A||∣∣A∣∣为矩阵范数或乘积范数
m1范数m1范数m1范数
定义A∈Cn×n,A=(aij)n×nA\in C^{n×n},A=(a_{ij})_{n×n}A∈Cn×n,A=(aij)n×n,则
∣∣A∣∣m1=∑i,jn∣aij∣||A||_{m1}=\sum_{i,j}^{n}|a_{ij}|∣∣A∣∣m1=i,j∑n∣aij∣
为m1m1m1范数
m∞范数m\infty范数m∞范数
定义A∈Cn×n,A=(aij)n×nA\in C^{n×n},A=(a_{ij})_{n×n}A∈Cn×n,A=(aij)n×n,则
∣∣A∣∣m∞=n⋅maxi,j∣aij∣||A||_{m\infty}=n\cdot \max_{i,j}|a_{ij}|∣∣A∣∣m∞=n⋅i,jmax∣aij∣
为m∞m\inftym∞范数
F−范数(或m2范数)F-范数(或m2范数)F−范数(或m2范数)
定义A∈Cn×n,A=(aij)n×nA\in C^{n×n},A=(a_{ij})_{n×n}A∈Cn×n,A=(aij)n×n,则
∣∣A∣∣F=(∑i=1n∑j=1n∣aij∣2)12=tr(ATˉA)12||A||_{F}=(\sum_{i=1}^n\sum_{j=1}^{n}|a_{ij}|^2)^{\frac{1}{2}}=tr(\bar{A^T}A)^{\frac{1}{2}}∣∣A∣∣F=(i=1∑nj=1∑n∣aij∣2)21=tr(ATˉA)21
为F−F-F−范数(或m2m2m2范数)
定义4.4
如果任意向量χ∈Cn\boldsymbol\chi\in C^nχ∈Cn及任意nnn级方阵A∈Cn×nA\in C^{n×n}A∈Cn×n,对于给定的向量范数∣∣χ∣∣||\boldsymbol\chi||∣∣χ∣∣和矩阵范数∣∣A∣∣||A||∣∣A∣∣满足不等式
∣∣Aχ∣∣≤∣∣A∣∣∣∣χ∣∣||A\boldsymbol\chi||\leq||A||\;||\boldsymbol\chi||∣∣Aχ∣∣≤∣∣A∣∣∣∣χ∣∣
则称矩阵范数∣∣A∣∣||A||∣∣A∣∣与向量范数∣∣χ∣∣||\boldsymbol\chi||∣∣χ∣∣相容
酉矩阵
定义
若矩阵AAA满足AHA=AAH=EA^HA=AA^H=EAHA=AAH=E,则称AAA为酉矩阵
AHA^HAH是指:共轭转置,不仅需要进行转置,还需要对虚数进行取反
性质
(1)∣detA∣=1|det A|=1∣detA∣=1:AAA的行列式的模长为1
(2)A−1=AHA^{-1}=A^{H}A−1=AH
(3)对任意向量xxx,有∣∣Ax∣∣2=∣∣x∣∣2||Ax||_2=||x||_2∣∣Ax∣∣2=∣∣x∣∣2,即2-范数的酉不变性
(4)AAA是酉矩阵当且仅当AAA的行(列)向量组是两两正交的单位向量
定理4.2.1
设A∈Cn×n,P,Q∈Cn×n,P,QA\in C^{n×n},P,Q\in C^{n×n},P,QA∈Cn×n,P,Q∈Cn×n,P,Q皆为酉矩阵,则
∣∣PA∣∣F=∣∣A∣∣F=∣∣AQ∣∣F||PA||_F=||A||_F=||AQ||_F∣∣PA∣∣F=∣∣A∣∣F=∣∣AQ∣∣F
AAA是nnn级实方阵时,P、QP、QP、Q都是正交矩阵
说明:正交变换、酉变换对矩阵F-范数具有保范性
定理4.2.2
方阵A∈Cn×nA\in C^{n×n}A∈Cn×n的任一种范数是AAA的元素的连续函数
定理4.2.3
对于Cn×nC^{n×n}Cn×n中任意两种方阵范数∣∣A∣∣a||A||_a∣∣A∣∣a和∣∣A∣∣b||A||_b∣∣A∣∣b,必然存在k2≥k1>0k_2\geq k_1>0k2≥k1>0,使得
k1∣∣A∣∣b≤∣∣A∣∣a≤k2∣∣A∣∣bk_1||A||_b\leq||A||_a\leq k_2||A||_bk1∣∣A∣∣b≤∣∣A∣∣a≤k2∣∣A∣∣b
对于Cn×nC^{n×n}Cn×n中一切方阵AAA都成立
4.2.2 几种常用的矩阵范数
定义4.5:算子范数
设∣∣χ∣∣a||\boldsymbol\chi||_a∣∣χ∣∣a是CnC^nCn的一个向量范数,对于任何A∈Cn×nA\in C^{n×n}A∈Cn×n,则
∣∣A∣∣a=max∣∣χ∣∣a=1∣∣aχ∣∣a||A||_a=\max_{||\boldsymbol\chi||_a=1}||a\boldsymbol\chi||_a∣∣A∣∣a=∣∣χ∣∣a=1max∣∣aχ∣∣a
是一个与∣∣χ∣∣||\boldsymbol\chi||∣∣χ∣∣相容的方阵范数,称这个方阵范数为从属于向量范数∣∣χ∣∣a||\boldsymbol\chi||_a∣∣χ∣∣a的算子范数
定理4.2.4
设A∈Cn×n,χ∈Cn,χ=(ξ1,ξ2,...,ξn)TA\in C^{n×n},\boldsymbol\chi\in C^n,\boldsymbol\chi=(\xi_1,\xi_2,...,\xi_n)^TA∈Cn×n,χ∈Cn,χ=(ξ1,ξ2,...,ξn)T,则从属于向量χ\boldsymbol\chiχ的三种范数∣∣χ∣∣1,∣∣χ∣∣2,∣∣χ∣∣∞||\boldsymbol\chi||_1,||\boldsymbol\chi||_2,||\boldsymbol\chi||_{\infty}∣∣χ∣∣1,∣∣χ∣∣2,∣∣χ∣∣∞的矩阵算子范数分别是
∣∣A∣∣1=maxj∑i=1n∣aij∣(1)||A||_1=\max_j\sum_{i=1}^{n}|a_{ij}|\tag{1}∣∣A∣∣1=jmaxi=1∑n∣aij∣(1)
记忆:先对AAA中对每一列元素取模再求和,然后找出各列模总和中最大的一个值
∣∣A∣∣2=λ1,λ1为AHA的最大特征值(2)||A||_2=\sqrt{\lambda_1},\quad \lambda_1为A^HA的最大特征值\tag{2}∣∣A∣∣2=λ1,λ1为AHA的最大特征值(2)
记忆:先找出AHAA^HAAHA中的最大特征值 再开方
∣∣A∣∣∞=maxi∑j=1n∣aij∣(3)||A||_{\infty}=\max_i\sum_{j=1}^{n}|a_{ij}|\tag{3}∣∣A∣∣∞=imaxj=1∑n∣aij∣(3)
记忆:先对AAA中对每一行元素取模再求和,然后找出各行模总和中最大的一个值
定义4.6
若n×nn×nn×n矩阵AAA的全部特征值为λ1,λ2,...,λn\lambda_1,\lambda_2,...,\lambda_nλ1,λ2,...,λn,则称
ρ(A)=maxi∣λi∣\rho(A)=\max_i|\lambda_i|ρ(A)=imax∣λi∣
为方阵AAA的谱半径
其实就是方阵AAA的∣∣A∣∣2||A||_2∣∣A∣∣2范数
补充
如果∣∣⋅∣∣||\cdot||∣∣⋅∣∣是任意的矩阵函数,且A∈Cn×nA\in C^{n×n}A∈Cn×n,则
ρ(A)≤∣∣A∣∣\rho(A)\leq ||A||ρ(A)≤∣∣A∣∣
定理4.2.6
设A∈Cn×nA\in C^{n×n}A∈Cn×n,则
(1)∣∣A∣∣2=∣∣AH∣∣2=∣∣AT∣∣2=∣∣Aˉ∣∣2||A||_2=||A^H||_2=||A^T||_2=||\bar{A}||_2∣∣A∣∣2=∣∣AH∣∣2=∣∣AT∣∣2=∣∣Aˉ∣∣2
(2)∣∣AHA∣∣2=∣∣AAH∣∣2=∣∣A∣∣22||A^HA||_2=||AA^H||_2=||A||_2^2∣∣AHA∣∣2=∣∣AAH∣∣2=∣∣A∣∣22
(3)对任何nnn阶酉阵UUU及VVV,都有
∣∣UA∣∣2=∣∣AV∣∣2=∣∣UAV∣∣2=∣∣A∣∣2||UA||_2=||AV||_2=||UAV||_2=||A||_2∣∣UA∣∣2=∣∣AV∣∣2=∣∣UAV∣∣2=∣∣A∣∣2
结语
说明:
- 参考于 课本《矩阵理论》
- 配合书中概念讲解 结合了自己的一些理解及思考
文章仅作为学习笔记,记录从0到1的一个过程
希望对您有一点点帮助,如有错误欢迎小伙伴指正
【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(15):矩阵的范数相关推荐
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(14):向量范数及其性质
目录 前言 往期文章 4.1 向量范数及其性质 4.1.1 向量范数的概念及P-范数 定义4.1 例1 向量的几种范数 4.1.2 n n n维线性空间 V V V上的向量范数等价性 定理4.1.1 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(25):幂级数(补充知识)
目录 前言 往期文章 幂级数 一.函数项级数的概念 定义:(函数项)无穷级数 幂级数及其收敛性 幂级数 定理1(阿贝尔定理) 推论 定理2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(17):函数矩阵的微分和积分
目录 前言 往期文章 5.2 函数矩阵的微分和积分 5.2.1 函数矩阵对自变量的微分和积分 定义5.3:函数矩阵 定义5.4:函数矩阵的微分 单元函数矩阵的一些性质 例1 定义5.5 函数矩阵的积分 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(8):标准正交基与Gram-Schmidt过程
目录 前言 往期文章 2.2 标准正交基与Gram-Schmidt过程 2.2.1 标准正交基 定义2.4 定理2.2.1 定义2.5 2.2.2 求标准正交基的Schmide方法 定理2.2.2 举 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(23):常数项级数的概念和性质(补充知识)
目录 前言 往期文章 常数项级数的概念和性质 一.常数项级数的概念 常数项无穷级数 定义:收敛与发散 例题 二.收敛级数的基本性质 性质1 性质2 性质3 性质4 性质5(级数收敛的必要条件) 三.柯 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(13):Hamliton-Cayley定理、最小多项式
目录 前言 往期文章 3.4 Hamliton-Cayley定理.最小多项式 定义3.19 Hamliton-Cayley定理 定义3.20 定理3.4.1 定理3.4.2 定理3.4.3 定理3.4 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(6):子空间的交与和
目录 前言 往期文章 1.6 子空间的交与和 1.6.1 子空间的交 定理1.6.1 1.6.2 子空间的和 定义1.8 定理1.6 .2 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章, ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(11):线性变换的矩阵表示
目录 前言 往期文章 3.2 线性变换的矩阵表示 定义3.7 命题 定理3.2.1 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方,欢迎您指出- 自我介绍 ଘ(੭ ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(24):常数项级数的审敛法(补充知识)
目录 前言 往期文章 常数项级数的审敛法 一.正项级数及其审敛法 定义:正项级数 定理1 定理2(比较审敛法) 推论 定理3 (比较审敛法的极限形式) 定理4(比值审敛法,达朗贝尔判别法) 定理5(比 ...
- 【机器学习|数学基础】Mathematics for Machine Learning系列之矩阵理论(1):集合与映射
目录 前言 1.1 集合与映射 平凡子集合 和集 映射 满射 单射 一一映射 举例 例 - 1 例 - 2 例 - 3 结语 前言 Hello!小伙伴! 非常感谢您阅读海轰的文章,倘若文中有错误的地方 ...
最新文章
- 英国电信宣布2030年前碳排放削减87%
- Java设计模式-工厂模式(3)抽象工厂模式
- D. Bananas in a Microwave
- java 数组 equals_java中用equals比较两个内容相同的字符数组
- 人工智能 信道估计 深度学习_深度学习人体姿态估计算法综述
- 用脚本实现FTP的上传和下载
- Shell编程-JAVA大数据-Week5-DAY3-linux
- C++下用什么矩阵运算库比较好
- solr html显示,在SOLR中,如何执行索引. html 文件_solr_开发99编程知识库
- 软件测试(三)--标准的测试用例模板
- 警务综合平台情报研判应用建设方案
- 怎样将exe打包成服务运行
- RSA加密算法流程图
- javaWeb项目加入IP黑白名单
- matlab图片投稿,投稿时图片DPI的设置及相关心得
- 看图猜地理-黑龙江篇
- SpringBoot整合邮件发送
- android 查看设备 x86,有了它 x86安卓设备就能用Windows软件了
- 1.8寸TFT屏幕显示汉字 PcToLCD2002完美版配置
- 2016年读书计划---人生第一个读书计划
热门文章
- 基于51单片机+74LS138译码器+8位共阴数码管时钟设计—按键修改时间
- 《数字电子技术基础》6.3 时序逻辑电路——寄存器、计数器及脉冲发生器功能介绍
- QT项目六:简易客户信息管理系统
- 蚂蚁金服Java面试题、笔试题(含答案)-高级
- ubuntu16.04利用SVN下载文件
- 移动100m宽带慢的要死_为什么同样是100M的宽带, 中国移动就是比中国电信卡慢...
- Kodak Preps 8 for Mac(专业拼版软件)
- LabView-之1: 串口驱动
- TFS2010中文版下载
- 计算机软件性能测试的过程,软件性能测试过程研究与应用