向量和矩阵的范数.docVIP

一、向量的范数???? 定义1 设x=(x1 ,x2 ,…,xn )n ,y=(y1 ,y2 ,…,yn )n Rn (或Cn )。将实数??????(或复数), 称为向量x,y的数量积。将非负实数??????或??????称为向量x的欧氏范数。对向量x,y的数量积有： ???? 1. (αx,y)=α(x,y).α为实数(或(x,αy)=(x,y),α为复数);???? 2. (x,y)=(y,x)[(x,y)=(,)];???? 3. (x1 +x2 ,y)=(x1 ,y)+(x2 ,y);???? 4. (Cauchy-Schwarz不等式)??????(5.1)等式当且仅当x与y线形相关时成立。对向量x的欧氏范数有： ???? 1. x‖2 ≥0, ‖x‖2 =0当且仅当x=0时成立;???? 2. αx‖2 =|α|‖x‖2 ，任意的αR(或αC),???? 3. ‖x+y‖2 ≤‖x‖2 +‖y‖2 (三角不等式)， (5.2)注 (5.1)和(5.2)有下面的事实得到(x+ty,x+ty)=(x,x)+2(x,y)t+(y,y)t2 ≥0由一元二次方程根的判别定理可知(5.1)成立；取t=1,再利用(5.1)得???即得(5.2)。定义2(向量的范数) 如果向量xRn (或Cn )的某个实值函数N(x)=x‖, 满足条件：??? (1) x‖≥0(‖x‖=0当且仅当x=0)(正定条件)，??? (2)?? αx‖=|α|·‖x‖，任意的αR(或αC),??? (3)??? ‖x+y‖≤‖x‖+‖y‖(三角不等式)，则称N(x)是Rn (或Cn )上的一个向量范数(或模)。下面我们给出几种常用的向量范数。??? 1. 向量的∞-范数(最大范数)：???(5.3)??? 2. 向量的1-范数：?????? 3. 向量的2-范数：????????????? (5.4)??? 4. 向量的p-范数：??????? (5.5)???? 例6 计算向量x=(1,-2,3)T 的各种范数。解： ???? 定理6(N(x)的连续性) 设非负函数N(x)=x‖为Rn 上任一向量范数，则N(x)是x的分量x1 ,x2 ,…,xn 的连续函数。证明 设其中ei =(0,…,1,0,…,0)T, .只须证明当x→y时N(x)→N(y)即成。事实上????????????即????? |N(x)-N(y)|≤cx-y‖∞ → 0 (当x→y时),其中?????????? 定理7 (向量范数的等价性)设x‖s ,‖x‖t , 为Rn 上向量的任意两种范数，则存在常数c1 ,c2 ＞0，使得对一切xRn 有???????? c1 x‖s ≤‖x‖t ≤ c 2‖x‖s (5.6) 证明略二、矩阵的范数??? 类似向量的范数的定义，我们将向量范数概念推广到矩阵，给出矩阵范数的定义。??? 定义4(矩阵的范数) 如果矩阵ARn×n 的某个非负的实值函数N(A)=A‖,满足条件?? (1) A‖≥0(‖A‖=0 A=0) (正定条件)?? (2)?? cA‖=|c|·‖A‖, c为实数(齐次条件)?? (3)??? A+B‖≤‖A‖+‖B‖) (三角不等式)?? (4)????AB‖≤‖A‖·‖B‖ 则称N(A)是Rn×n 上的一个矩阵范数(或模)。定义实值函数如下 ????(5.7)显然F(A)满足定义4，所以F(A)是Rn×n 上的一个矩阵范数，称其为A的Frobenius范数。由于在大多数与估计有关的问题中，矩阵和向量会同时参与讨论,所以希望引进一种与向量范数相关矩阵的范数，且满足范数相容条件,即对任何向量xRn 及ARn×n 都有?????? Ax‖≤‖A‖·‖x‖ (5.8)为此我们再引进一种矩阵的范数。???? 定义5(矩阵的算子范数) 设XRn ,A∈Rn×n , 给出一种向量范数X‖v (如v=1,2 或∞)，相应地定义一个矩阵的非负函数???????可验证A‖v 满足定义4(见下面定理)，所以A‖v 是Rn×n 上矩阵的一个范数，称为A的算子范数。???? 定理8 设x‖v 是R 上一个向量范数，则A‖v 是Rn×n 上矩阵的范数，且满足相容条件?????????? Ax‖v ≤‖A‖v ‖x‖v (5.10)证明 由(5.9)相容性条件(5.10)是显然的. 现只验证定义4中条件(4),由(5.10),有?????????? ABx‖v ≤‖A‖v ‖Bx‖v ≤‖A‖v ‖B‖v ‖x‖v当x≠0时，有???????