范数的定义.docVIP

3.3 范　数 　　3.3.1 向量范数 　　在一维空间中，实轴上任意两点距离用两点差的绝对值表示。绝对值是一种度量形式的定义。　　范数是对函数、向量和矩阵定义的一种度量形式。任何对象的范数值都是一个非负实数。使用范数可以测量两个函数、向量或矩阵之间的距离。向量范数是度量向量长度的一种定义形式。范数有多种定义形式，只要满足下面的三个条件即可定义为一个范数。同一向量，采用不同的范数定义，可得到不同的范数值。 若X是数域K上的线性空间，泛函 ║·║: X-R 满足： 　　1. 正定性：║x║≥0，且║x║=0 = x=0； 　　2. 正齐次性：║cx║=│c│║x║； 　　3. 次可加性(三角不等式)：║x+y║≤║x║+║y║ 。 　　那么║·║称为X上的一个范数。常用范数 　　这里以C^n空间为例，R^n空间类似。 　　最常用的范数就是p-范数。若x=[x1,x2,...,xn]^T，那么 　　║x║p=(|x1|^p+|x2|^p+...+|xn|^p)^{1/p} 　　可以验证p-范数确实满足范数的定义。其中三角不等式的证明不是平凡的，这个结论通常称为闵可夫斯基(Minkowski)不等式。 　　当p取1，2，∞的时候分别是以下几种最简单的情形： 　　1-范数：║x║1=│x1│+│x2│+…+│xn│ 　　2-范数：║x║2=(│x1│^2+│x2│^2+…+│xn│^2)^1/2 　　∞-范数：║x║∞=max(│x1│,│x2│,…,│xn│) 　　其中2-范数就是通常意义下的距离。 矩阵范数 　　一般来讲矩阵范数除了正定性，齐次性和三角不等式之外，还规定其必须满足相容性：║XY║≤║X║║Y║。所以矩阵范数通常也称为相容范数。 　　如果║·║α是相容范数，且任何满足║·║β≤║·║α的范数║·║β都不是相容范数，那么║·║α称为极小范数。对于n阶实方阵(或复方阵)全体上的任何一个范数║·║，总存在唯一的实数k0，使得k║·║是极小范数。 　　注：如果不考虑相容性，那么矩阵范数和向量范数就没有区别，因为mxn矩阵全体和mn维向量空间同构。引入相容性主要是为了保持矩阵作为线性算子的特征，这一点和算子范数的相容性一致，并且可以得到Mincowski定理以外的信息。特殊矩阵类别 　　对称矩阵是相对其主对角线（由左上至右下）对称， 即是 ai,j=aj,i。 　　埃尔米特矩阵（或自共轭矩阵）是相对其主对角线以复共轭方式对称， 即是 ai,j=a*j,i。 　　特普利茨矩阵在任意对角线上所有元素相对， 是 ai,j=ai+1,j+1。 　　随机矩阵所有列都是概率向量， 用于马尔可夫链。逆矩阵： 设A是数域上的一个n阶方阵，若在相同数域上存在另一个n阶矩阵B，使得： AB=BA=E。 则我们称B是A的逆矩阵，而A则被称为可逆矩阵。 矩阵可逆的条件 　　A是可逆矩阵的充分必要条件是A∣≠0，即可逆矩阵就是非奇异矩阵。（当A∣=0时，A称为奇异矩阵）[1] 逆矩阵的求法: 　　A^(-1)=(1/|A|)×A* ，其中A^(-1)表示矩阵A的逆矩阵，其中|A|为矩阵A的行列式，A*为矩阵A的伴随矩阵。 　　逆矩阵的另外一种常用的求法： 　　(A|E)经过初等变换得到(E|A^(-1))。 　　注意：初等变化只用行运算，不能用列运算。E为单位矩阵。 逆矩阵具有以下性质： 　　1 矩阵A可逆的充要条件是A的行列式不等于0。 　　2 可逆矩阵一定是方阵。 　　3 如果矩阵A是可逆的，A的逆矩阵是唯一的。 　　4 可逆矩阵也被称为非奇异矩阵、满秩矩阵。 　　5 两个可逆矩阵的乘积依然可逆。 　　6 可逆矩阵的转置矩阵也可逆。 　　7 矩阵可逆当且仅当它是满秩矩阵。 matlab中的求法： 　　inv(a)或a^-1。 　　例如： 　　 a = 　　8 4 9 　　2 3 5 　　7 6 1 　　 a^-1 　　ans = 　　0.1636 -0.3030 0.0424 　　-0.2000 0.3333 0.1333 　　0.0545 0.1212 -0.0970 　　 inv(a) 　　ans = 　　0.1636 -0.3030 0.0424 　　-0.2000 0.3333 0.1333 　　0.0545 0.1212 -0.0970 　　以下是对MATLAB中Inv用法的解释。 　　原文（来自matlab help doc） 　　In practice, it is seldom necessary to form the explicit inverse of a matrix. A frequent misuse of inv 　　a