矩阵范数详解.doc

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，是把矩阵可以视为一个维的向量（采用所谓“拉直”的变换），所以，直观上可用上的向量范数来作为的矩阵范数。比如 在范数意义下，； （1.1） 在-范数意义下，， （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，也即估计的“大小”相对于的“大小”关系。 定义1 设，对每一个，如果对应着一个实函数，记为，它满足以下条件： （1）非负性：； （1a）正定性： （2）齐次性：； （3）三角不等式： 则称为的广义矩阵范数。进一步，若对上的同类广义矩阵范数，有 （4）（矩阵相乘的）相容性：， ， 则称为的矩阵范数。 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。 对上式中第2个括号内的诸项，应用Cauchy不等式，则有 （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。 （这一步用了Cauchy不等式） （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-范数于矩阵范数时便出了问题。如果，那么,这样的矩阵范数在下面一个例子上就行不通。设。因此，按上述矩阵∞-范数的定义，，于是 但这是矛盾的。所以简单地将-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。比如要考虑的“大小”，是一个向量，但它由与相乘而得的，它与的“大小”和的“大小”的关系如何？ 这提出了两类范数相容的概念。 定义2 对于上的矩阵范数和上的同类向量范数，如果成立 （1.5） 则称矩阵范数与向量范数是相容的。 例1．1 可以证明 是与向量范数相容。 事实上，在（1。2）中，取，那么 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 设上的同类向量范数为，，定义在空间上的矩阵的由向量范数诱导给出的矩阵范数为 （2.1） 可以验证，这样定义出的矩阵范数满足定义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，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，求目标函数的最大值，约束条件是，也就在空间中除原点外的点中，找一个n维向量，使取得最大值。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。 （2.2） 事实上, 分母上的是一个正数(), 那么根据向量范数的齐次性有 上面第3个等号成立是因为向量 为一个单位向量。 下面我们从理论上证明这样的矩阵范数满足定义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=1, , 因此,矩阵范数与向量范数的相容性条件（1.5）成立。 我