2.1向量及矩阵范数教程范本.ppt

第 2 章 解线性代数方程组的迭代法 解线性方程组的迭代法 2.1 向量、矩阵范数与谱半径 2.1.2 矩阵的范数 2.1.3 谱半径 * * 1 逐步逼近 1.1 Jacobi迭代法 1.2 Gauss-Seidel迭代法 1. 3 超松弛(SOR)迭代法 2 下降法? 2.1 最速下降法 2.2 共轭梯度法 （2）齐次性：对任何实数和向量x || kx ||＝| k | || x || （3）三角不等式：对任何向量x和y，都有 || x＋y ||≤|| x ||＋|| y || （1）非负性：对任何向量x， || x ||≥0，且|| x ||＝0当且仅当x＝0 2.2.1 向量的范数 定义2.1 设 是x的实值函数，且满足条件 则称 为 Rn (或Cn )上的一个向量范数(或向量模)，|| x ||的值为向量 x 的范数。 向量1-范数： 向量2-范数： 向量无穷范数： 理论上存在多种多样的向量范数，但最常用的是如下三种。 设向量x＝(x1，x2，…，xn)T，定义 解:对于 向量 x＝(1，-3，2，0)T ，根据定义可以计算出： || x||1＝| 1 |＋|-3 |＋| 2 |＋| 0 |＝6 向量不同范数的值不一定相同 例2.1 设向量x＝(1，-3，2，0)T，求向量范数|| x ||p，P＝1，2，∞。 定理 （范数的等价性）对于Rn上任何两种范数||·||α和||·||β，存在的正常数 m，M，使得： 范数的等价性表明，一个向量若按某种范数是一个小量，则它按任何一种范数也将是一个小量。常用的三种向量范数满足下述等价关系 || x ||∞ ≤|| x ||1 ≤ n|| x ||∞ || x ||∞ ≤|| x ||2 ≤ || x ||∞ || x ||∞ ≤|| x ||1 ≤ || x ||2 定义2.2 对于向量序列 及向量 如果 则称向量序列 x(k) 收敛于向量 x* 。记作 或 矩阵范数是反映矩阵“大小”的一种度量，具体定义如下。 定义2.3 设 为A的实值函数，且满足条件： （1）|| A ||≥0，且|| A ||＝0时，当且仅当A＝0 （2）||kA||＝|k| || A||，k∈R （3）||A＋B|| ≤ || A ||＋|| B || 则称 上的一个矩阵范数，|| A ||的值为矩阵A的范数。 由向量范数|| x ||p派生出的矩阵范数： 相容范数：满足不等式关系 称之为矩阵A的算子范数，其中 p＝1，2或∞。 定义 矩阵的算子范数 定理2.1 由上式所定义的矩阵范数为相容范数。 证明： 当x=0时，(1)式显然成立。 设 n 阶矩阵 A＝（aij），常用的矩阵范数有： 矩阵1-范数： 矩阵2-范数： 矩阵无穷范数: 列和 行和 A的Frobenius范数: 例2.2 设矩阵 求矩阵A的范数|| A ||p，P＝1，2，∞。 解 根据定义 由于 此方程的根为矩阵ATA的特征值，解得 因此 则它的特征方程为: 矩阵范数同矩阵特征值之间有密切的联系，设λ是矩阵A相应于特征向量x的特征值，即 Ax＝λx,于是利用 向量-矩阵范数的相容性，得到 |λ| || x ||=||λx|| 从而，对A的任何特征值λ均成立 =|| Ax|| ≤ || A || ||x|| |λ|≤|| A || （3） 设n阶矩阵A的n个特征值为λ1,λ2，…λn，称 为矩阵A的谱半径。 *