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 _0overset{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_1overset{def} = sumlimits_{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_1vert^2+cdots+vert x_mvert^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_1vert, cdots,vert x_mvert })，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_mvert })，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{1leqslant jleqslant n}{mathop{max }}sumlimits_{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{1leqslant ileqslant m}{mathop{max }}sumlimits_{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)
-
(L_{0}) 范数
(Vert A Vert_0overset{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_1overset{def}=sumlimits_{i=1}^{m}sumlimits_{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_Foverset{def}=(sumlimits_{i=1}^{m}sumlimits_{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_{*}= sumlimits_{i=1}^{n}lambda_i)，(lambda_i) 为 (A) 的奇异值，即所有矩阵奇异值之和
其在matlab中的用法：
sum(svd(A))
本文作者：@qiuhlee
本文为作者原创，转载请注明出处。本文地址：https://www.cnblogs.com/qiuhlee/p/9474650.html