[理学]35向量与矩阵的范数.ppt

*/35 计算方法三⑤ 上节课回顾 直接法是通过有限步运算后得到线性方程组的解.包含:高斯消元法(列主元消去法)、三角分解法、追赶法. 解线性方程组的所有直接的方法比较适用于中小型方程组.对高阶方程组,即使系数矩阵是稀疏的,但在计算中很难保持稀疏性,因而有存储量大，程序复杂等不足，这些不足之处可用迭代法来弥补解决. 线性方程组 AX=b LY=b UX=Y A=LU 列主元素法的精度虽稍低些,但计算简单,且具有良好的数值稳定性。 三角分解法 迭代过程中经常要遇到向量范数，矩阵范数以及序列极限的概念。为此，下面先介绍这方面的知识和有关概念。 3.5 向量与矩阵的范数 一、. 向量范数： 对n维实空间Rn中任一向量X ，按一定规则有一确定的实数与其相对应，该实数记为||X||，若||X||满足下面三个性质： (1)(非负性)||X||?0，||X||=0当且仅当X=0。 (2)(齐次性)对任意实数? ，|| ? X||=| ? | ||X||。 (3)(三角不等式)对任意向量Y?Rn，||X+Y||?||X||+||Y|| 则称该实数||X||为向量X的范数 几种常用的向量范数：设X=(x1,x2,...,xn)T （1）向量的1—范数： （2）向量的2—范数： （3）向量的∞—范数： （4）向量的p—范数： (1≤p≤∞) 例 ：设 x=(1 , -4, 0, 2)T 求它的向量范数 =7 =4 注：前三种范数都是p—范数的特殊情况。其中 向量范数的连续性: 定理3.3 设f(X)=||X||为Rn上的任一向量范数,则f(X)为X的分量x1,x2,…,xn的连续函数. 定理3.4 若||X||p与||X||q为Rn上任意两种范数，则存在C1，C20，使得对任意X∈Rn，都有： C1 ||X||p≤ ||X||q ≤C2 ||X||p （证明略） 注：同样有下列结论：存在C3,C40 使得： C3 ||X||q≤ ||X||p ≤C4 ||X||q 向量范数的等价性 注：上述性质，称为向量范数的等价性。也就是说， Rn上任意两种范数都是等价的。在讨论向量序列的收敛性时要用到向量范数的等价性。 向量序列的收敛问题 定义：假定给定了Rn空间中的向量序列X(1),X(2),...,X(k),...，简记为{X(k)}，其中X(k)=(x1(k),x2(k),...,xn(k))T，若X(k)的每一个分量xi(k)都存在极限xi，即 则称向量X= (x1，x2，...，xn)T为向量序列{X(k)}的极限，或者说向量序列{X(k)}收敛于向量X，记为 x1 x2 xn ………… (k→∞) (k→∞) 例：设 解: 显然，当k→∞时， 注：显然有： 定理3.5 在空间Rn中，向量序列{X(k)}收敛于向量X的充要条件是对X的任意范数||·||，有： 定理3.5 在空间Rn中，向量序列{X(k)}收敛于向量X的充要条件是对X的任意范数||·||，有： 二、矩阵范数：设A是n?n 阶矩阵，A∈Rn×n X∈Rn， ||X||为Rn中的某范数，称 为矩阵A的从属于该向量范数的范数，或称为矩阵A的算子，记为||A||。 ||A||= 几种常用的矩阵范数 常用的矩阵范数有A的1—范数、 A的2—范数、 A的∞—范数，可以证明下列定理: 定理3.6 设A∈Rn×n，X∈Rn，则 (又称为A的列范数) (λ为ATA的特征值中绝对值最大者) (又称为A的行范数) 列元素绝对值之和的最大值 行元素绝对值之和的最大值 例：设A= 求A的各种范数 解： ||A||1=6，||A||∞=7 |λE-A’A|=0 λ2-30λ+4=0 ——弗罗贝尼乌斯 (Frobenius)范数 简称F范数 注： 弗罗贝尼乌斯 (Frobenius)范数简称F范数 几种常用的矩阵范数： Matlab中计算矩阵的范数的命令(函数)： (1) n = norm(A) 矩阵A的谱范数(2范数), = A’A的最大特征值的算术根 . (2) n = norm(A,1) 矩阵A的列范数（1-范数） 等 于A的最大列之和. (3)n = norm(A,inf) 矩阵A的行范数(无穷范数) 等于A的最大行之和. (4)n = norm(A, fr