matlab零范数_向量与矩阵的范数及其在matlab中的用法（norm）.pdfVIP

matlab零范数_向量与矩阵的范数及其在matlab中的⽤法 （norm） ⼀、常数向量范数 \(L_0\) 范数 \(\Vert x \Vert _0\overset{def}=向量中⾮零元素的个数\) 其在matlab中的⽤法： sum( x(:) ~= 0 ) \(L_1\) 范数 \(\Vert x \Vert_1\overset{def} = \sum\limits_{i=1}^{m} \vert x_{i}\vert = \vert x_{1}\vert + \cdots +\vert x_{m}\vert\)，即向 量元素绝对值之和 其在matlab中的⽤法： norm(x, 1) \(L_2\) 范数 \(\Vert x \Vert_2=(\vert x_1\vert^2+\cdots+\vert x_m\vert^2)^{1/2}\)，即向量元素绝对值的平⽅和后开⽅ 其在matlab中的⽤法： norm(x, 2) \(L_{\infty}\) 范数 极⼤⽆穷范数 \(\Vert x \Vert_{\infty}= max \{ \vert x_1\vert, \cdots,\vert x_m\vert \}\)，即所有向量元素绝对值中的最⼤值 其在matlab中的⽤法： norm(x, inf) 极⼩⽆穷范数 \(\Vert x \Vert_{\infty}= min \{ \vert x_1 \vert, \cdots, \vert x_m\vert \}\)，即所有向量元素绝对值中的最⼩值 其在matlab中的⽤法： norm(x, -inf) ⼆、矩阵范数 诱导范数和元素形式范数是矩阵范数的两种主要类型。 1. 诱导范数 \(L_1\) 范数(列和范数) \(\Vert A \Vert_1= \underset{1\leqslant j\leqslant n}{\mathop{\max }}\sum\limits_{i=1}^{m}\{ \vert a_{ij}\vert \}\)，即所有 矩阵列向量绝对值之和的最⼤值 其在matlab中的⽤法： norm(A,1) \(L_2\) 范数 \(\Vert A \Vert_2=\sqrt{\lambda _{i}}\)，其中 \(\lambda_i\) 为 \(A^{T}A\) 的最⼤特征值。 其在matlab中的⽤法： norm(A,2) \(L_{\infty}\) 范数(⾏和范数) \(\Vert A \Vert_{\infty}= \underset{1\leqslant i\leqslant m}{\mathop{\max }}\sum\limits_{j=1}^{n}\{\vert a_{ij}\vert\}\)，即 所有矩阵⾏向量绝对值之和的最⼤值 其在matlab中的⽤法： norm(A,inf) 2. 元素形式范数 \(L_{0}\) 范数 \(\Vert A \Vert_0\overset{def}=矩阵的⾮零元素的个数\) 其在matlab中的⽤法： sum(sum(A ~= 0)) \(L_{1}\) 范数 \(\Vert A \Vert_1\overset{def}=\sum\limits_{i=1}^{m}\sum\limits_{j=1}^{n}\vert a_{ij}\vert\)，即矩阵中的每个元素绝对值之和 其在matlab中的⽤法： sum(sum(abs(A))) \(L_{F}\) 范数 \(\Vert A \Vert_F\overset{def}=(\sum\limits_{i=1}^{m}\sum\limits_{j=1}^{n}\vert a_{ij}\vert^2)^{1/2}\)，即矩阵的各个元素平 ⽅之和后开⽅ 其在matlab中的⽤法： norm(A,fro) \(L_{\infty}\) 范数 \(\Vert A \Vert_{\infty}= \underset{i=1,\cdots,m;\ j=1,\cdots,n}{\mathop{\max }}\{\vert a_{ij}\vert \}\)，即矩阵的各个元素绝 对值的最⼤值 其在matlab中的⽤法： max(max(abs(A))) 核范数 \(\Vert A \Vert_{*}= \sum\limits_{i=1}^{n}\lambda_i\)，\(\lambda_i\) 为 \(A\) 的奇异值，即所