第三章：数据拟合A.pptVIP

 3 Data Approximating Mehtod 3 数据拟合方法 主要性质 性质1:‖-x‖=‖x‖ Ex: 设A＝(aij)∈M. 定义 相容性 （1）矩阵范数与矩阵范数的相容:‖AB‖≤‖A‖‖B‖ H=[1 1/2 1/3;1/2 1/3 1/4;1/3 1/4 1/5] H = 1.0000 0.5000 0.3333 0.5000 0.3333 0.2500 0.3333 0.2500 0.2000 cond(H,1) ans = 748.0000 cond(H,2) ans = 524.0568 cond(H,inf) ans = 748.0000 inv(H) ans = 9.0000 -36.0000 30.0000 -36.0000 192.0000 -180.0000 30.0000 -180.0000 180.0000 Definition : 设线性方程组的系数矩阵是非奇异的,如果cond(A)越大,就称这个方程组越病态.反之,cond(A)越小,就称这个方程组越良态. 两种重要的内积空间 ?n维欧氏空间Rn，内积就是两向量的数量积，即 (x，y)=xＴy=∑xi yi. ?连续函数空间C［a,b］，内积可以定义为积分的运算或带权函数的积分运算，即 (f(x),g(x))=∫f(x)g(x) dx, f(x),g(x)∈C［a,b］ 或(f(x),g(x))=∫?(x)g(x)f(x)dx, f(x),g(x)∈C［a,b］, 其中?(x) 称为权函数. 几个概念 (2)线性赋范空间中两元素x,y之间的距离为 §3.0 向量和矩阵范数 向量范数 ( vector norms ) 对任意 Def 1：Rn空间的向量范数 || · || ,对任意 满足下列条件 常用向量范数： ? = = n i i x x 1 1 | | || || v ? = = n i i x x 1 2 2 | | || || v | | max || || 1 i n i x x ? ? ? = v 性质2:｜‖x‖-‖y‖｜≤‖x-y‖ 性质3: 向量范数‖x‖是Rn上向量x的连续函数. 范数等价:设‖·‖A 和‖·‖B是R上任意两种范数，若存在 常数 C1、C2 0 使得 ,则称 ‖·‖A 和‖·‖B 等价. Theorem Rn 上一切范数都等价. Def 2:设｛xk｝是Rn上的向量序列， 令 xk=(xk1,xk2,…，xkn)Ｔ, k=1,2，…., 又设x*＝（x1*，x2*，…，xn*)Ｔ是Rn上的向量. 如果lim xki=xi对所有的i=1,2,…，n成立， 那么,称向量x*是向量序列｛xk｝的极限 ， 若一个向量序列有极限,称这个向量序列是收敛的. 对任意一种向量范数‖·‖而言，向量 序列｛xk｝收敛于向量x*的充分必要条件是 Theorem 矩阵范数 ( matrix norms ) Def 3:对任意 ,称|| · || 为Rm?n空间的矩阵范数, 指|| · ||满足(1)-(3)： 对任意 (4) || AB || ? || A || · || B || 若还满足(4),称为相容的矩阵范数 证明：这样定义的非负实数不是相容的矩阵范数. 证明：设 从而 （2）矩阵范数与向量范数相容 设A∈M，‖A‖是矩阵范数,x∈Rn，‖x‖是 向量范数.如果满足不等式: ‖Ax‖≤‖A‖‖x‖ 则称矩阵范数‖A‖与向量范数‖x‖相容. 常用的算子范数： 由向量范数 || · ||p 导出关于矩阵 A ? Rn?n 的 p 范数: 则 （行和范数） （列和范数） （谱范数 ( spectral norm ) ） 对方阵 和 有: (向量|| · ||2的直接推广) Frobenius范数: ( operator norm ),又称为从属的矩阵范数: 算子范数 Theorem 对任意算子范数 || · || 有: 证明： 由算子范数的相容性，得到 将任意一个特征根 ? 所对应的特征向量 代入 Theorem 若A对称，则有: 证明： 若? 是 A 的一个特征根，则?2 必是 A2 的特征根。 又：对称矩阵的特征根为实数，即 ?2(A) 为非负实数， 故得证。 对某个 A 的特征根? 成立 所以2-范数亦称为谱范数 Theorem 若矩阵 A 对