第3节 范数与条件数.pptVIP

第三章 线性方程组求解的数值方法 向量范数（Vector norm） 公理化定义：向量范数：满足如下性质的函数： 向量范数 向量范数 例：判断下面那些是向量范数，那些不是，不满足那些性质。 向量范数的几何意义 向量范数应用 应用：判断向量的大小 向量范数的等价性定理 思考题： 度量（距离）的公理化定义： 矩阵范数（Matrix norm） 满足性质1~4的 的函数 矩阵的算子范数（Induced norm） 常见算子范数： 矩阵的算子范数 矩阵算子 线性时不变算子的矩阵表示 线性时不变算子的矩阵表示 线性时变算子的矩阵表示 矩阵范数的性质 矩阵范数的性质 矩阵范数的性质 矩阵范数的性质 病态问题 “良态”问题和“病态”问题 若原始数据有很小的变化δx，对应的参数误差δy也很小，则称该数学问题是良态问题；若δy很大，则称为病态问题 病态问题中，结果对于数据的变化率都很大（很敏感），因此数据微小变化必将导致参数模型精确解的很大变化 数学问题的病态问题完全取决于该数学问题本身的属性，在采用数值方法求解之前就存在，与数值方法无关。 区分：算法的稳定性与问题的病态 病态问题不能找到稳定的算法； “良态”问题可能存在不稳定的算法； 良态问题的不稳定算法 良态问题的不稳定算法 良态问题的不稳定算法 线性方程组的病态问题 线性方程组的病态问题 问题一，b存在扰动： 给定方程组Ax=b，其解为x*， 另给定包含误差方程组Ax=b+e，其解为x’，分析其误差。 线性方程组的病态问题 问题二，A 存在扰动： 给定方程组Ax=b，其解为x*， 另给定包含误差方程组（A+E）x=b，其解为x’，分析其误差。（A+E 可逆） 线性方程组的病态问题 条件数的性质 条件数的性质 Hilbert 矩阵 小结 作业： P. 87~88 思考题：4 实验题：4 * 课程回顾 线性方程组的定义。 线性方程组解的情况：无解，有唯一解，有无穷多解 线性方程组通解的计算：“null”函数 将一般方程组转化为线性方程组 高斯消去法 全/列主元消去法 LU分解法求解线性方程组 LU分解的计算方法 Matlab的符号计算功能 对称正定矩阵的cholesky分解 已知LU分解，如何计算cholesky分解。 第二节 范数与条件数 正定性 齐次性 三角不等性 “性质+类属”的定义方式 球是所有到定点距离等于定长的点的集合 算法是利用有限（计算机）指令解决问题的有效方法 电视机是用来播放多媒体的家用电器 向量范数是满足性质1~4的n元单值函数。 例：公理化表述：球是满足如下性质的点的集合，记作： 体会：概率论中的概率分布函数的定义 1、单调非减；2、左连续；3、F(∞)=1，F(-∞)=0 lp范数： √ √ √ 最常用的范数。会算1范数（绝对值相加）、2范数（平方和再开方）和无穷范数（绝对值最大的那个） 不满足性质 3 × 不满足性质 2 × P=0.4范数 P=1范数 P=2范数 P=5范数 P大于1，p范数为凸函数 P小于1，p范数不为凸函数 范数的凸性对求解最优化问题很重要。 × 向量不能比大小 √ 向量通过定义范数比大小 最重要的用途之一：分析向量收敛性，定义向量的极限： ξ-δ语言描述： 为什么没有给出具体是那个范数？ 向量范数的等价性定理（79页，定理3A.1）： 推论：向量序列在某范数下收敛，则在任意范数下收敛。 收敛到同一值。 思考： 1、利用范数定义 是不是度量 2、度量和范数的区别有那些？能不能用度量定义范数？ 矩阵范数： Frobenius 范数： — 向量|| · ||2的直接推广 正定性 齐次性 三角不等性 任意矩阵范数等价 矩阵范数应用： 病态问题 分析迭代算法的收敛性 算子（诱导）范数：由向量范数导出的矩阵范数： 向量范数 矩阵范数 列和范数（看后边的例子） 行和范数 谱/2-范数（所有元的平方和再开方） 例：已知矩阵A，求算子1范数和算子∞范数。 为什么叫做“算子范数”？ 任意离散有限线性算子可表示为矩阵形式。 可表示为矩阵形式 尺度算子 LTI：线性时不变系统 线性方程组： Linear equation system Linear system 差分算子 累加算子 不考虑边界问题 时移算子 记作：D 线性微分方程 傅立叶变换 可采用矩阵理论分析线性算子的性能。 相容性：设‖‖a是向量范数， ‖‖m是矩阵范数 则矩阵范数‖‖m为与算子范数‖‖a 相容的矩阵范数。 性质1：算子范数是相容范数，即： 性质2：矩阵的算子范数相容： 性质3：对于任意算子范数有： 证明： 定义：矩阵A的谱半径记为? (A) =