矩阵的范数与函数
来源:互联网 发布:网站域名加急备案 编辑:程序博客网 时间:2024/05/18 22:18
- 矩阵与线性方程组
- 记号
- 性质
- 定义
- 集合的运算
- 范数
- 向量空间线性空间
- 矩阵的标量函数
- 二次型
- 迹
- 行列式
- 秩
- 参考资料
矩阵与线性方程组
记号:
- A的转置:
AT/A′ (在不至于混淆的情况下采用第二种记法) - A的复数共轭:
A∗ - A的复共轭转置:
AH ,又叫Hermitian 转置。在A的元素是实数时,AH=AT - 取子阵:
A(i1:i2,j1:j2)
性质
(AB)′=B′A′ (AB)−1=B−1A−1 (A′)−1=(A−1)′
定义
- 矩阵A称为幂等矩阵,若
A2=A - 矩阵A称为对合矩阵,若
A2=I - 矩阵的内积
<A,B>=AHB
集合的运算
- 并集
X=A∪B={x∈X:x∈A∨x∈B} - 交集
X=A∩B={x∈X:x∈A∧x∈B} - 和集
Z=A+B={z=x+y∈Z:x∈A,y∈B} - 集合差
X=A−B={x∈X:x∈A,x∉B} ,也作A∖B - 子集A在集合X中的补集
Ac=X−A - 笛卡尔积
A×B={(x,y):x∈X,y∈Y}
注:集合中的冒号与竖线是一样的,是另一种记法。
对于一个正整数,实数的所有有序n元组
实内积空间是满足内积公理的实向量空间。
如果对实n阶向量空间
则称
范数
内积公理:满足正定性、可加性、齐次性、对称性的数叫内积。
范数公理:满足正定性、齐次性、三角不等式的数叫范数。
向量范数:
可以证明
无穷(
对n个正数
范数
Euclidean范数
向量之间的距离:
特别地,对于n维欧氏空间,向量范数取
常数向量w和v的外积记作
Pythagorean定理:若
Cauchy-Schwartz不等式:
平行四边形法则:
定义:若
命题:若
矩阵范数具有以下性质:
正定性,齐次性,三角不等式,两个矩阵乘积的范数小于或等于两个矩阵范数的乘积
典型的矩阵范数:
* F范数(Frobenius,fro):
*
* 行和范数:
* 谱范数(spectrum norm)
其中
注意,向量x的p范数相当于该向量的长度。矩阵A作用于长度为||x||的向量x时,得到的线性变换的结果为向量Ax,其长度为||Ax||,线性变换的矩阵可视为一个线性放大器算子。比率||Ax||/||x||提供了线性变换Ax相对于x的放大倍数,而矩阵A的p范数是由A产生的最大放大倍数。
矩阵内积:
矩阵范数满足平行四边形法则,Cauchy-Schwartz不等式,Pathagoras定理。
综上所述:在实内积空间里,范数有以下性质:
*
*
* 极化恒等式:
* 平行四边形法则:
* Cauchy-Schwartz不等式
* 三角不等式:
映射T的值域:
将矩阵与向量的乘法
向量的内积是一种线性映射,T:
向量空间(线性空间)
同构:两个实内积空间同构,若存在一个一一线性映射
一般把
向量
生成子空间W的线性无关的向量
Gram-Schmidt正交化
定义投影向量
1.
产生正交基
2. 将这组正交基标准化即得。
标准正交化
matlab:
矩阵的标量函数
前面介绍的矩阵范数是矩阵的标量函数,下面介绍另外几个:矩阵的二次型,迹,行列式,秩
二次型
一般将A变为对称阵。
一个对称阵A称为
正定矩阵,若
半正定矩阵,若
正矩阵:A的所有元素为正,简记为
非负矩阵:A的所有元素非负,简记为
注意也有文件中用上面两个简记号表示正定矩阵和半正定矩阵。
迹
性质
tr(A±B)=tr(A)±tr(B) tr(cA)=ctr(A) (前两个称为线性性)tr(A′)=tr(A) - 迹是相似不变量,若
Am×n,Bn×m ,则tr(AB)=tr(BA) - 若矩阵A、B均为m阶方阵,且B非奇异,则:
tr(BAB−1)=tr(B−1AB)=tr(A) - 若A是一个
m×n 矩阵,则tr(A′A)=0⟺A=O x′Ax=tr(Axx′),y′x=tr(xy′) tr(A′A)=tr(AA′) tr(A)=∑λi ,迹等于特征值之和tr(Ak)=∑λki ,k次幂的迹等于A的特征值的k次矩之和。
迹的不等式
tr(A′A)=tr(AA′)≥0 - A,B均为
m×n 矩阵tr(A′B)2≤tr(A′A)tr(B′B) tr(A′B)2≤tr(A′AB′B) tr(A′B)2≤tr(AA′BB′) - Schur不等式:
tr(A2)≤tr(A′A) tr[(A+B)(A+B)′]≤2[tr(AA′)+tr(BB′)] - A、B均为m阶对称阵,
tr(AB)≤12tr(A2+B2) m×n 实矩阵的F范数可以定义为:||A||F=tr(A′A)‾‾‾‾‾‾√=tr(AA′)‾‾‾‾‾‾√
行列式
相等关系
det(A)=det(A′) det(AB)=det(A)det(B) det(cA)=cndet(A) det(A−1)=det−1(A)
不等关系
- Cauchy-Schwartz不等式
|det(A′B)|2≤det(A′A)det(B′B) - 正定矩阵A的行列式大于0,
det(A)>0 - 半正定矩阵的行列式大于等于0,
det(A)≥0
秩
rank,rk
根据系数矩阵秩的大小,矩阵方程
* 适定(well-determined)方程,若
* 欠定(underdetermined)方程,若
* 超定(overdetermined)方程,若
是否有解不能看未知数个数和方程个数,要比较系数阵和增广矩阵的秩。
每个未知数可以被视为一个自由度,每个方程可以被视为一个限制了一个自由度的约束。行满秩,则每个方程都是独立方程,列满秩,则每个未知数都被涉及到(不存在自由未知数),如参数平差中限定列满秩(保证参数能求出),还要求超定(有多于观测)。
矩阵的秩等于其列空间的维数,等于其行空间的维数。
参考资料
- 矩阵分析与应用,张贤达
- Invertible matrix,wiki
- underdetermined system,overdetermined system,wiki
- generlized inverse,wiki
- 矩阵的范数与函数
- 向量范数与矩阵范数的理解
- 矩阵范数与矩阵的模
- 向量范数与矩阵范数
- 向量范数与矩阵范数
- 向量范数与矩阵范数
- 向量范数与矩阵范数
- 向量范数与矩阵范数
- 向量范数与矩阵范数
- Matlab与线性代数 -- 矩阵的范数
- 向量与矩阵范数
- 常见向量范数与矩阵范数
- 什么是矩阵的范数
- 矩阵的范数求导
- 矩阵的范数
- 矩阵的各种范数
- 向量,矩阵的范数
- 矩阵的范数求导
- Java征途之第一天——
- RxJava2和Handler两种方法实现轮播图
- 字符串(一)——基本操作及存储实现
- c#
- 转折点一
- 矩阵的范数与函数
- (洛谷 1090 ssl 1040)合并果子
- 这是您的圣诞祝福程序,请开始运行!
- C# 设计模式-抽象工厂(Abstract Factory)
- Ubuntu修改文件权限
- 归并排序
- Java之instanceof 关键字的深一步理解
- 【News】伊隆•马斯克终于承认特斯拉正在构建自己的定制AI芯片
- BZOJ 3510: 首都 LCT维护子树信息 启发式合并