矩阵范数详解
2.2矩阵的范数

§2.2 矩阵的范数我们知道:向量本身可以看作是矩阵,而一般的矩阵又有自身的运算特点,比如矩阵的乘法运算。
因此,我们定义矩阵的范数时需要考虑矩阵的本身的特点,这就有了我们以下要讨论的内容:一、 矩阵的范数1.矩阵范数的定义设||||:m n C R ×→i 是实值函数,若它满足下述三个条件: (1) 非负性:,||||0,and ||||00m n A C A A A ×∀∈≥=⇔= (2) 齐次性:,,||||||||||m n k C A C kA k A ×∀∈∈= (3) 三角不等式:,,||||||||||||m n A B C A B A B ×∀∈+≤+ 则称||||i 为广义矩阵范数,若||||i 还满足下述第四个性质: (4) 相容性:,,||||||||||||m n n l A C B C AB A B ××∀∈∈≤i 则称||||i 为矩阵范数。
注:在相容性的定义中,n l B C ×∈,m l AB C ×∈,实数||||B ,||||AB 的定义规则与实数||||A 的定义规则相同。
2. 矩阵范数的连续性与向量的情况一样,对于矩阵序列而言,它也有极限的概念。
设矩阵序列(){}k A ,其中()k m n A C ×∈,若()k A 的每一个元素()k ij a 均有极限ij a ,则称矩阵序列(){}k A 有极限()ij A a =,或者说(){}k A 收敛到矩阵A ,记作()()lim ()k k k A A A A →+∞=→不收敛的矩阵序列称为发散的。
当然,也可按照范数定义矩阵的收敛性。
即若()lim 0k k A A →∞−=则称(){}k A 在范数||||i 意义下收敛于A 。
由三角不等式,可推知,,m n A B C ×∀∈有||||||||||||||A B A B −≥−。
矩阵的范数

矩阵的范数文章目录•前言•一、诱导范数(Induced norm)••谱范数•二、向量式范数(Entry-wise norm)••F-范数•三、Schatten 范数(Schatten norm)•四、矩阵2-范数•总结前言矩阵分析学习笔记之矩阵范数。
三类重要的矩阵范数:诱导范数(Induced norm),向量式范数(Entry-wise norm),Schatten 范数(Schatten norm)。
矩阵A ∈ K m × n A\in K^{m\times n}A∈Km×n表示其定义在实数域或者复数域上。
一、诱导范数(Induced norm)诱导范数也称算子范数(operator norm)。
诱导p-范数的定义如下:∥ A ∥ p = s u p x ≠ 0 ∥ A x ∥ p ∥ x ∥ p \Vert A\Vert_p=\underset{x\neq 0}{\rm sup}\frac{\Vert Ax \Vert_p}{\Vert x\Vert_p}∥A∥p=x=0sup∥x∥p∥Ax∥p特别的,当p = 1 p=1p=1时,有∥ A ∥ 1 = max 1 ≤ j ≤ n ∑ i = 1 m ∣ a i j ∣ \Vert A\Vert_1=\max_{1\le j\le n}\sum_{i=1}^{m}\vert a_{ij}\vert∥A∥1=1≤j≤nmax i=1∑m∣aij∣也就是绝对值的列和的最大值。
当p = ∞ p=\inftyp=∞时,有∥ A ∥ ∞ = max 1 ≤ i ≤ m ∑ j = 1 n ∣ a i j ∣ \Vert A\Vert_{\infty}=\max_{1\le i\lem}\sum_{j=1}^{n}\vert a_{ij}\vert∥A∥∞=1≤i≤mmax j=1∑n∣aij∣也就是绝对值的行和的最大值。
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。
矩阵范数详解.docx

《周国标师生交流讲席010》向量和矩阵的范数的若干难点导引(二)一.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A C m n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C mn上的向量范数来作为A C m n的矩阵范数。
比如m n 1在∣1 -范数意义下,IIAl1 ;二Ia ijI= tr(A H A) 2; (1.1 )1Zl mn A2在I2-范数意义下,∣∣A∣∣F=∑∑同|2,(1.2)Iy j A J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与B的“大小”关系。
定义1设A C mn,对每一个A ,如果对应着一个实函数N(A),记为IlAll ,它满足以下条件:(1)非负性:|| A||_0 ;(1 a)正定性:A=O mn= IIAII= 0(2)齐次性:||〉A||=| |||A||, • C ;(3)三角不等式:||A||A B||—||A|| ||B||, -B C m n则称N(A)=|| A||为A的广义矩阵范数。
进一步,若对C m n,C n 1C m l上的同类广义矩阵范数|| || ,有(4)(矩阵相乘的)相容性:|| A || AB ||_|| A|||| B ||, B C n I , 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。
理解矩阵范数与距离

理解矩阵范数与距离矩阵范数是矩阵理论中的一个重要概念,它可以用来度量矩阵的特征和性质。
矩阵距离是基于矩阵范数来定义的一种距离度量方法。
在本文中,我们将深入探讨矩阵范数和矩阵距离的概念,并解释它们的应用和意义。
一、矩阵范数矩阵范数是对矩阵进行度量的一种方式,它可以衡量矩阵的重要特征。
在矩阵范数中,有几个常见的范数定义,包括最大范数、F范数、核范数等。
1. 最大范数最大范数是矩阵的一种常见范数定义方法,也称为无穷范数。
对于一个矩阵A,它的最大范数记作||A||∞,表示A的所有元素中绝对值最大的那个元素。
2. F范数F范数是另一种常见的矩阵范数定义方法,也称为Frobenius范数。
对于一个矩阵A,它的F范数记作||A||F,表示A的所有元素的平方和的平方根。
3. 核范数核范数是在矩阵奇异值分解(SVD)的基础上定义的一种范数。
对于一个矩阵A,它的核范数记作||A||*,表示A的奇异值的和。
二、矩阵距离矩阵距离是基于矩阵范数来定义的一种距离度量方法,它可以用来衡量两个矩阵之间的差异或相似性。
常见的矩阵距离包括欧氏距离、马氏距离等。
1. 欧氏距离欧氏距离是矩阵之间的一种常见距离度量方法,它在空间中衡量两个点之间的距离。
对于两个矩阵A和B,它们的欧氏距离记作d(A, B),表示二者之间的平方和的平方根。
2. 马氏距离马氏距离是一种考虑矩阵协方差的距离度量方法,它在多变量统计分析中被广泛应用。
对于两个矩阵A和B,它们的马氏距离记作d(A,B),表示二者之间的平方差的平方根。
三、应用和意义矩阵范数和矩阵距离在数学和工程领域中有着广泛的应用和意义。
1. 矩阵范数的应用矩阵范数在矩阵分析、线性代数、最优化等领域具有重要作用。
通过矩阵范数,我们可以衡量矩阵的条件数、稳定性和收敛速度等属性,并为矩阵计算提供基础。
2. 矩阵距离的应用矩阵距离在图像处理、模式识别、数据挖掘等领域扮演着重要的角色。
通过矩阵距离,我们可以度量不同图像或数据之间的相似性,并进行分类、聚类等任务。
矩阵范数标准详解

《周国标师生交流讲席010》向量和矩阵的范数的若干难点导引(二)一. 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 =; ()在2l -范数意义下,12211||||||mnF ij i j A a ==⎛⎫= ⎪⎝⎭∑∑, () 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()和()定义的矩阵范数是否合法我们这里只考虑(),把较容易的()的验证留给同学们,三角不等式的验证。
矩阵范数的表示形式

矩阵范数的表示形式矩阵范数是用来衡量矩阵的大小的一种方法。
在线性代数中,矩阵是由行和列组成的二维数组。
矩阵范数可以用来衡量矩阵在不同方面的表现,比如矩阵的大小、稳定性和特征等。
在数学中,矩阵范数有多种表示形式。
其中,常见的矩阵范数包括谱范数、F范数、一范数和无穷范数等。
谱范数是矩阵的最大奇异值,它衡量了矩阵在所有方向上的最大放大率。
谱范数的定义是矩阵A的最大奇异值,即∥A∥₂=max│λ│,其中λ表示A的特征值。
谱范数可以用来衡量矩阵的稳定性和敏感度。
F范数是矩阵元素的平方和的平方根,它衡量了矩阵在所有方向上的平均放大率。
F范数的定义是∥A∥_F=√(∑_i∑_j|a_ij|^2),其中a_ij 表示矩阵A的第i行第j列的元素。
F范数可以用来衡量矩阵的大小和稳定性。
一范数是矩阵的列向量的绝对值之和的最大值,它衡量了矩阵在所有方向上的最大放大率。
一范数的定义是∥A∥_1=max(∑_i|a_ij|),其中a_ij表示矩阵A的第i行第j列的元素。
一范数可以用来衡量矩阵的稀疏性和稳定性。
无穷范数是矩阵的行向量的绝对值之和的最大值,它衡量了矩阵在所有方向上的最大放大率。
无穷范数的定义是∥A∥_∞=max(∑_j|a_ij|),其中a_ij表示矩阵A的第i行第j列的元素。
无穷范数可以用来衡量矩阵的稀疏性和稳定性。
除了以上常见的矩阵范数,还有其他一些矩阵范数的表示形式,比如Hilbert-Schmidt范数、Schatten范数和重量范数等。
这些范数可以用来衡量矩阵的特征和性质。
总结起来,矩阵范数是用来衡量矩阵的大小和性质的一种方法。
不同的矩阵范数可以从不同的角度来描述矩阵的特征和性质。
在实际应用中,选择合适的矩阵范数可以更好地理解和分析矩阵的行为和特点。
矩阵范数的表示形式有多种,每种表示形式都有其独特的特点和应用场景。
了解和掌握不同矩阵范数的表示形式,可以帮助我们更好地理解和应用线性代数的知识。
矩阵范数详解

《周国标师生交流讲席010》向量和矩阵的范数的若干难点导引(二)一. 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 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Fro be nius 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 nn l m l CC 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)。
《周国标师生交流讲席010》向量和矩阵的范数的若干难点导引(二)一. 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||||||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 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。
按列分块,记1212(,,,),(,,,)n n A a a a B b b b ==。
222112||)(,),(),(||||||F n n F b a b a b a B A +++=+ 2222222211||||||||||||n n b a b a b a ++++++=()()22121222||||||||||||||||n n a b a b ≤++++()()()2222122121222122||||||||2||||||||||||||||||||||||n n n n a a a b a b b b =++++++++对上式中第2个括号内的诸项,应用Cauchy 不等式,则有222||||||||2||||||||||||F F F F F A B A A B B +≤++2(||||||||)F F A B =+ (1.3)于是,两边开方,即得三角不等式。
再验证矩阵乘法相容性。
222111111||||||||m l nm ln Fik kj ik ki i j k i j k AB a b a b ======⎛⎫=≤ ⎪⎝⎭∑∑∑∑∑∑221111||||m l n nik sj i j k s a b ====⎛⎫⎛⎫≤ ⎪⎪⎝⎭⎝⎭∑∑∑∑ (这一步用了Cauchy 不等式) 22221111||||||||||||m n n lik sj F F i k s j a b A B ====⎛⎫⎛⎫== ⎪ ⎪⎝⎭⎝⎭∑∑∑∑ (1.4)可见,矩阵相容性满足。
这样就完成了对矩阵F-范数的验证。
是不是这样直接将向量范数运用到矩阵范数就可以了吗?No!运用l ∞-范数于矩阵范数时便出了问题。
如果11||||max ||ij i m j nA a ∞≤≤≤≤=,那么,这样的矩阵范数在下面一个例子上就行不通。
设21122,21122A A A ⎛⎫⎛⎫===⎪ ⎪⎝⎭⎝⎭。
因此,按上述矩阵∞-范数的定义,||||1,||A A ∞=2||||1,||||2A A ∞∞==,于是22||||||||||||||||1A A A A A ∞∞∞∞==⋅≤=但这是矛盾的。
所以简单地将l ∞-范数运用于矩阵范数,是不可行的。
虽然这仅是一个反例,但是数学的定义是不可以有例外的。
由此,我们必须认识到,不能随便套用向量范数的形式来构造矩阵范数。
为此,我们仅给出矩阵范数的定义是不够的,还需要研究如何构成具体的矩阵范数的方法。
当然,你也可以不去考虑构成方法,一个函数一个函数去试,只要满足条件就行。
不过这样做的工作量太大,也很盲目。
第二,在实际计算时,往往矩阵与向量出现在同一个计算问题中,所以在考虑构造矩阵范数时,应该使它与向量范数相容。
比如要考虑Ax 的“大小”,Ax 是一个向量,但它由A 与x 相乘而得的,它与A 的“大小”和x 的“大小”的关系如何? 这提出了两类范数相容的概念。
定义2 对于m nC⨯上的矩阵范数||||M •和,m nC C 上的同类向量范数||||V •,如果成立||||||||||||,,m n n V M V Ax A x A C x C ⨯≤⋅∀∈∀∈ (1.5)则称矩阵范数||||M •与向量范数||||V •是相容的。
例1.1 可以证明 12211||||||mnF ij i j A a ==⎛⎫= ⎪⎝⎭∑∑()12tr()HA A = 是与向量范数2||||•相容。
事实上,在(1。
2)中,取1n B x C ⨯=∈,那么 22||||||||||||||||||||||||F F F F Ax AB A B A x =≤=二. 矩阵算子范数现在给出一种构造矩阵范数的一般方法,它可以使构造出的矩阵范数与向量范数相容,当然,它也满足定义1规定的4个条件。
定义3 设,mnC C 上的同类向量范数为||||V •,m n A C ⨯∈,定义在m nC ⨯空间上的矩阵A的由向量范数||||V •诱导给出的矩阵范数为||||||||max||||VV x VAx A x ≠= (2.1)可以验证,这样定义出的矩阵范数||||V A 满足定义1规定的4个条件,同时又满足矩阵范数与向量范数相容性要求(定义2)。
由于有什么样的向量范数||||V •,就有什么样的矩阵范数,所以,这样的矩阵范数称为由向量范数诱导出的,简称诱导范数;又因为(2.1)实际上规定了一个函数(或算子),故又称为算子范数。
(2.1)给定的范数实际是寻求一个最优化问题的最优值,求目标函数||||||||VVAx x 的最大值,约束条件是0x ≠,也就在nC 空间中除原点外的点中,找一个n 维向量x ,使||||||||V VAx x 取得最大值。
如果直接考虑这样一个优化问题, 还是有困难的. 可以证明,它可以下列等价方式定义, 使问题的处理简单。
0||||||||max||||V V x V Ax A x ≠=||||1||||1||||max max ||||||||V V VV x x VAx Ax x ==== (2.2) 事实上, 分母上的||||V x 是一个正数(0x ≠), 那么根据向量范数的齐次性有000||||1||||1||||1max max max max max ||||||||||||V V V V V x x x z x V V V VV Ax x Ax A Az Ax x x x ≠≠≠==⎛⎫==== ⎪⎝⎭ 上面第3个等号成立是因为向量 ||||Vxz x = 为一个单位向量。
下面我们从理论上证明这样的矩阵范数||||V A 满足定义1规定的4个条件,同时又满足矩阵范数与向量范数相容性要求。
定理2。
1 由(2.1)或(2.2)给定的m nC ⨯上的矩阵范数满足矩阵范数定义1的4个条件,且与相应的向量范数相容。
证明: 首先,矩阵范数与向量范数的相容性是不难证明的,事实上, 对||||V x =1,||||1||||||||||||max ||||||||V V V V V V z A x A Az Ax ===≥, 因此,矩阵范数与向量范数的相容性条件(1.5)成立。
我们下面来验证(2.1)或(2.2)满足矩阵范数的4个条件。
这4个条件中,前2个也容易验证,因此这里只来考察第3,4个条件。
三角不等式的验证: 对于任一m nB C⨯∈()||||1||||1||||1||||max ||()||max ||||max ||||||||x x x A B A B x Ax Bx A B ===+=+=+≤+||||1||||1max ||||max ||||||||||||x x Ax Bx A B ===+=+矩阵相乘相容性的验证: 由(1.5),不难有||||||||||||||||||||||||V V V V V V ABx A Bx A B x ≤≤当0x ≠时,||||||||||||||||VV V VABx A B x ≤所以 0||||||||max||||||||||||VV V V x VABx AB A B x ≠=≤至此,证实了用算子范数确能给出满足矩阵范数定义和矩阵范数与向量范数的相容性 的矩阵范数。
推论1 对于n nC⨯上的任一种向量诱导范数,都有 ||||1||||max ||||1x I Ix === (2。
3)但是要注意的是,对一般的矩阵范数,对任一向量nx C ∈,有 ||||||||||||||||x Ix I x =≤ 故有 ||||1I ≥。
比如,||||F A 不是诱导矩阵范数,所以 ||||1F I ≥。
三.几个常用的诱导矩阵范数上面的论述表明,诱导矩阵范数与向量范数密切相关,有何种向量范数,就有什么样的诱导矩阵范数。
下面就来具体地构造几个常用的诱导矩阵范数。
设m nA C ⨯∈。
例3.1 设m nA C⨯∈,由向量1l -范数诱导而来的最大列和诱导矩阵范数111||||max ||mi jj ni A a≤≤==∑ (3.1)证明:按列分块,记12(,,,)n A a a a =,则由(3.1)和向量1l -范数的定义可知111||||max ||||j j nA a ≤≤= 设12(,,,)n n n x x x x C =∈,且有1||||1x =1||||Ax 111111||||||||mnmnnm ij j ij j j ij i j i j j i a x a x x a ======⎛⎫=≤= ⎪⎝⎭∑∑∑∑∑∑()()1max ||||max ||nij jijjjj a x a =≤=∑因此, 111||||1||||max ||||x A Ax ==1max||mijji a=≤∑ (+)另一方面,选取k ,使得11||max ||mmikij ji i aa ===∑∑令0x 为第k 的单位向量(0,0,1,0,,0)T k e =,那么012(,,,)T k k k mk Ax a a a a ==11101||||111||||max ||||||||||max ||mmikij x ji i A Ax Ax aa ====≥==∑∑ (++)综合(+)与(++)可知, 由向量1l -范数诱导出的矩阵范数既是1||||A 的上界,又是其下界, 因此必有(3.1).例3. 2 设m nA C⨯∈,矩阵谱范数由2l -范数诱导得出的矩阵范数,定义为21||||max{|}HA A A λλ==是的特征值 (3.2)其中 1σ为A 的最大奇异值, 当n nA R⨯∈时, 2||||A =证明:首先由线性代数, HA A 是半正定矩阵, 事实上,对任一nx C ∈,有22(,)()()||||0H H H H x A Ax x A Ax Ax Ax Ax ===≥因此, H A A 的特征值都为非负实数,记为 120n λλλ≥≥≥≥,而且H A A 具有n 个相互正交的,2l -范数等于1(即标准化了的)特征向量(1)(2)(),,,n x xx ,它们分别对应于特征值120n λλλ≥≥≥≥。