[线性代数] - 矩阵范数

向量范数

设是数域F\mathbf{F}上的线性空间,如对V\mathbf{V}中任意向量a\mathbf{a},
都有唯一的一个实数∥a∥\Vert{}\mathbf{a}\Vert{}与之对应,且满足下条件:

  • 非负性:∥a∥≥0\Vert{}\mathbf{a}\Vert{} \geq 0,且∥a∥=0⇔a=0\Vert{}\mathbf{a}\Vert{} = 0 \Leftrightarrow \mathbf{a} = 0
  • 齐次性:∥ka∥=∣k∣⋅∥a∥\Vert{}k\mathbf{a}\Vert{} = |k| \cdot \Vert{}\mathbf{a}\Vert{}
  • 三角不等式:∥a+b∥≤∥a∥+∥b∥\Vert{}\mathbf{a}+\mathbf{b}\Vert{} \leq \Vert{}\mathbf{a}\Vert{} + \Vert{}\mathbf{b}\Vert{}

则称∥a∥\Vert{}\mathbf{a}\Vert{}为向量a\mathbf{a}的范数

赋范线性空间

定义了范数的线性空间称为赋范线性空间

不同的向量范数

2−2-范数:∥x∥=∣x1∣2+∣x2∣2+⋯+∣xn∣2\Vert{}\mathbf{x}\Vert{} = \sqrt{|x_1|^2 + |x_2|^2 + \cdots + |x_n|^2}
1−1-范数:∥x∥=∣x1∣+∣x2∣+⋯+∣xn∣\Vert{}\mathbf{x}\Vert{} = |x_1| + |x_2| + \cdots + |x_n|
∞−\infty-范数:max{∣x1∣,∣x2∣,⋯ ,∣xn∣}max\lbrace|x_1|, |x_2|, \cdots, |x_n|\rbrace

同一个线性空间可定义不同的范数

设Vn\mathbf{V}^n是线性空间{a1,a2,⋯ ,an}\lbrace a_1, a_2, \cdots, a_n \rbrace是Vn\mathbf{V}^n的基,设Vn\mathbf{V}^n中向量a\mathbf{a}在基{a1,a2,⋯ ,an}\lbrace a_1, a_2, \cdots, a_n \rbrace下的坐标为

x=[x1x2⋯xn]\mathbf{x} = \begin{bmatrix} x_1 & x_2 & \cdots & x_n \end{bmatrix}

则可定义向量a\mathbf{a}的范数为

∥a∥2=∑i=1n∣xi∣2\Vert{}a\Vert{}_2 = \sqrt{\sum_{i=1}^n|x_i|^2}

矩阵范数

若对任意的方阵A∈Cn×n\mathbf{A} \in \mathbb{C}^{n\times n},存在一个实数∥A∥\Vert{}\mathbf{A}\Vert{}与之对应,且满足

  • ∥A∥\Vert{}\mathbf{A}\Vert{}是范数
  • 相容性:∥AB∥≤∥A∥⋅∥B∥\Vert{}\mathbf{A}\mathbf{B}\Vert{} \leq \Vert{}\mathbf{A}\Vert{} \cdot \Vert{}\mathbf{B}\Vert{}

则称∥A∥\Vert{}\mathbf{A}\Vert{}为矩阵A\mathbf{A}的矩阵范数

范数等价

设∥a∥a,∥a∥b\Vert{}\mathbf{a}\Vert{}_a, \Vert{}\mathbf{a}\Vert{}_b是nn维线性空间V\mathbf{V}上定义的两种向量范数,如果存在两个与a\mathbf{a}无关的整数d1,d2d_1, d_2使得

d1∥a∥b≤∥a∥a≤d2∥a∥b,∀a∈Vd_1\Vert{}\mathbf{a}\Vert{}_b \leq \Vert{}\mathbf{a}\Vert{}_a \leq d_2\Vert{}\mathbf{a}\Vert{}_b, \forall \mathbf{a} \in \mathbf{V}

则称两个范数等价。

有限维实线性空间Vn\mathbf{V}^n上的任意范数都是等价的。

Frobenius范数

对任意的方阵A∈Cn×n\mathbf{A} \in \mathbb{C}^{n\times n},定义

∥A∥F=∑i=1n∑j=1n∣aij∣2=tr(AHA)\Vert{}\mathbf{A}\Vert{}_F = \sqrt{\sum_{i=1}^n\sum_{j=1}^n|a_{ij}|^2} = \sqrt{tr(A^HA)}

为A\mathbf{A}的Frobenius范数

性质1

若A=[a1a2⋯an]\mathbf{A} = \begin{bmatrix}a_1 & a_2 & \cdots & a_n\end{bmatrix},则

∥A∥F=∑i=1n∥ai∥22\Vert{}\mathbf{A}\Vert{}_F = \sum_{i=1}^n\Vert{}\mathbf{a}_i\Vert{}^2_2

其中∥ai∥22=aiHai\Vert{}\mathbf{a}_i\Vert{}^2_2 = a^H_ia_i

性质2

∥A∥m22=tr(AHA)=∑i=1nλi(AHA)\Vert{}\mathbf{A}\Vert{}^2_{m_2} = tr(A^HA) = \sum_{i=1}^n\lambda_i(A^HA)

性质3

对于任何mm阶阶酉矩阵U\mathbf{U}与nn阶酉矩阵V\mathbf{V}都有等式

∥A∥F=∥UA∥F=∥AH∥F=∥AV∥F=∥UAV∥F\Vert{}\mathbf{A}\Vert{}_F = \Vert{}\mathbf{U}\mathbf{A}\Vert{}_F = \Vert{}\mathbf{A}^H\Vert{}_F = \Vert{}\mathbf{A}\mathbf{V}\Vert{}_F = \Vert{}\mathbf{U}\mathbf{A}\mathbf{V}\Vert{}_F

证明:

∥Am22∥=tr(AHA)=tr(AAH)=tr(AVVHAH)=tr(AV(AV)H)=tr((AV)HAV)=tr(VHAHAV)=tr(VHAHUUHAV)=tr((UHAV)H(UHAV))=∥UHAV∥m22\begin{aligned} \Vert{}\mathbf{A}^2_{m_2}\Vert{} &= tr(A^HA) \\ &= tr(AA^H) \\ &= tr(A\color{red}VV^H\color{black}A^H) \\ &= tr(AV(AV)^H) \\ &= tr((AV)^HAV) \\ &= tr(V^HA^HAV) \\ &= tr(V^HA^H\color{red}UU^H\color{black}AV) \\ &= tr((U^HAV)^H(U^HAV)) \\ &= \Vert{}U^HAV\Vert{}^2_{m_2} \end{aligned}