电子科大MATLAB第6节-范数与条件数.pptVIP

良态问题的不稳定算法 前面提到，“病态”是问题的固有属性，与选择的算法无关。下面给一个良态问题但存在不稳定算法的例子。 良态问题的不稳定算法 良态问题的不稳定算法 因此，“良态”问题可能存在不稳定的算法。 良态问题的不稳定算法 clear all close all clc E1(1) = exp(-1); for iii = 2 : 40 E1(iii) = 1 - iii * E1(iii - 1); end plot(E1) NN = 40; E2(NN) = 10.0; for iii = 1 : (NN - 1) kkk = NN - iii E2(kkk) = (1 - 1 * E2(kkk + 1)) / kkk; end % E2(70) % figure hold on tt = 1 : 30; plot((E2)) 第三章 线性方程组求解的数值方法 第二节 范数与条件数 向量范数（Vector norm） 公理化定义：向量范数：满足如下性质的函数： 正定性 齐次性 三角不等性 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。 lp范数： √ √ √ 最常用的范数 不满足性质 3 × 不满足性质 2 × 向量范数的几何意义 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。 除了范数等于0以外，任意范数取值都对应无穷多向量，上述向量构成了高维空间的连续曲面。 向量范数的几何意义 clear all % close all clc % figure hold on axis equal p = 0.4; for iii = 1 : 200 t = (iii - 1) / 200 * pi / 2; x1 = (sin(t)) .^ (2 / p); y1 = (cos(t)) .^ (2 / p); plot((x1), (y1), r) plot((-x1), (y1), r) plot((x1), (-y1), r) plot((-x1), (-y1), r) end 利用参数法绘制等范数曲线。 向量范数应用 应用：判断向量的大小 × 向量不能比大小 √ 向量通过定义范数比大小 向量范数应用 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 向量范数的等价性定理： 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。 思考题： 度量（距离）的公理化定义： 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（Matrix norm） 满足性质1~4的 的函数 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 矩阵的算子范数（Induced norm） 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 常见算子范数： 列和范数 行和范数 谱范数 矩阵的算子范数 例：已知矩阵A，求算子1范数和算子∞范数。 矩阵算子 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 线性时不变算子的矩阵表示 差分算子 累加算子 不考虑边界问题 线性时不变算子的矩阵表示 时移算子 记作：D 线性微分方程 线性时变算子的矩阵表示 傅立叶变换 可采用矩阵理论分析线性算子的性能。 矩阵范数的性质 相容性：设‖‖a是向量范数， ‖‖m是矩阵范数 则矩阵范数‖‖m为与向量范数‖‖a 相容的矩阵范数。 矩阵范数相容性：设‖‖矩阵范数，满足： 则矩阵范数‖‖为相容矩阵范数。 矩阵范数的性质 性质1：算子范数与其对应的向量范数相容，即： 性质2：算子范数是相容范数： 矩阵范数与谱半径的关系 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) = ，其中?i 为 A 的特征根。 矩阵范数与谱半径的关系 性质4：若A对称矩阵，则有： 若? 是 A 的一个特征根，则?2 必是 A2 的特征根。 ?若 （最大