矩阵2范数与向量2范数的关系

向量2范数是对应元素平方和:
\lVert\bm{x}\rVert_2=\left(\sum_{i=1}^{n}x_i^2\right)^{\frac{1}{2}}

矩阵2范数是:
\lVert A\rVert_2=\sqrt{\lambda_{1}}
其中\lambda_1是矩阵A^TA的最大特征值.

除此之外,矩阵有一个F范数(Frobenius范数)倒是跟向量的2范数比较相似,是矩阵内所有元素平方和:
\lVert A\rVert_F=\left(\sum_{i=1}^{m}\sum_{j=1}^{n}a_{i,j}^2\right)^{\frac{1}{2}}

矩阵的2范数是向量二范数对应的诱导范数。给定某一种向量范数\|x\| ,它所对应的矩阵范数定义为:

\|A\|=\sup_{x\neq 0}\frac{\|Ax\|}{\|x\|}

左边的范数\|A\|是矩阵范数,而右边分子分母都是向量范数,因为Ax也是一个向量,通过这种方式定义出来的矩阵范数称为矩阵的诱导范数。可以证明,矩阵的2范数是由向量2范数诱导定义的。

更多的诱导范数的例子可以参照维基百科:Matrix norm - Wikipedia

参考:https://www.zhihu.com/question/57316170/answer/152423607

猜你喜欢

转载自www.cnblogs.com/wzdLY/p/10111427.html