范数的矩阵范数

一般来讲矩阵范数除了正定性，齐次性和三角不等式之外，还规定其必须满足相容性：║XY║≤║X║║Y║。所以矩阵范数通常也称为相容范数。
如果║·║α是相容范数，且任何满足║·║β≤║·║α的范数║·║β都不是相容范数，那么║·║α称为极小范数。对于n阶实方阵（或复方阵）全体上的任何一个范数║·║，总存在唯一的实数k>0，使得k║·║是极小范数。
注：如果不考虑相容性，那么矩阵范数和向量范数就没有区别，因为mxn矩阵全体和mn维向量空间同构。引入相容性主要是为了保持矩阵作为线性算子的特征，这一点和算子范数的相容性一致，并且可以得到Mincowski定理以外的信息。
诱导的范数
把矩阵看作线性算子，那么可以由向量范数诱导出矩阵范数
║A║ = max{║Ax║：║x║=1}= max{║Ax║/║x║： x≠0} ，
它自动满足对向量范数的相容性
║Ax║ ≤ ║A║║x║，
并且可以由此证明：
║AB║ ≤ ║A║║B║。
注：
⒈上述定义中可以用max代替sup是因为有限维空间的单位闭球是紧的（有限开覆盖定理），从而上面的连续函数可以取到最值。
⒉显然，单位矩阵的算子范数为1。
常用的三种p-范数诱导出的矩阵范数是
1-范数：║A║1 = max{ ∑|ai1|，∑|ai2|，……，∑|ain| } （列和范数，A每一列元素绝对值之和的最大值）
（其中∑|ai1|第一列元素绝对值的和∑|ai1|=|a11|+|a21|++|an1|，其余类似）；
2-范数：║A║2 = A的最大奇异值 = (max{ λi(AHA) }) 1/2 （谱范数，即A^HA特征值λi中最大者λ1的平方根，其中AH为A的转置共轭矩阵）；
∞-范数：║A║∞ = max{ ∑|a1j|，∑|a2j|,，∑|amj| } （行和范数，A每一行元素绝对值之和的最大值）
（其中∑|a1j| 为第一行元素绝对值的和，其余类似）；
其它的p-范数则没有很简单的表达式。
对于p-范数而言，可以证明║A║p=║AH║q，其中p和q是共轭指标。
简单的情形可以直接验证：║A║1=║AH║∞，║A║2=║AH║2，一般情形则需要利用║A║p=max{yHAx：║x║p=║y║q=1}。
非诱导范数
有些矩阵范数不可以由向量范数来诱导，比如常用的Frobenius范数（也叫Euclid范数，简称F-范数或者E-范数）：
║A║F= （∑∑ aij2）1/2 (A全部元素平方和的平方根）。
容易验证F-范数是相容的，但当min{m,n}>1时F-范数不能由向量范数诱导（||E11+E22||F=2>1）。
可以证明任一种矩阵范数总有与之相容的向量范数。例如定义
║x║=║X║，其中X=[x,x，…，x]是由x作为列的矩阵。
由于向量的F-范数就是2-范数，所以F-范数和向量的2-范数相容。另外还有以下结论：
║AB║F <= ║A║F ║B║2 以及 ║AB║F ≤ ║A║2 ║B║F
矩阵谱半径
定义：A是n阶方阵，λi是其特征值，i=1,2，…，n。则称特征值的绝对值的最大值为A的谱半径，记为ρ（A）。
注意要将谱半径与谱范数（2-范数）区别开来，谱范数是指A的最大奇异值，即AHA最大特征值的算术平方根。
谱半径是矩阵的函数，但不是矩阵范数。谱半径和范数的关系是以下几个结论：
定理1：谱半径不大于矩阵范数，即ρ（A）≤║A║。
因为任一特征对λ，x,Ax=λx，可得Ax=λx。两边取范数并利用相容性即得结果。
定理2：对于任何方阵A以及任意正数e，存在一种矩阵范数使得║A║<ρ（A)+e。
定理3(Gelfand定理）：ρ（A)=lim_{k->；∞} ║Ak║1/k。
利用上述性质可以推出以下两个常用的推论：
推论1：矩阵序列 I,A,A2，…Ak，… 收敛于零的充要条件是ρ（A)<1。
推论2：级数 I+A+A2+ 收敛到（I-A)-1的充要条件是ρ（A)<1。
酉不变范数
定义：如果范数║·║满足║A║=║UAV║对任何矩阵A以及酉矩阵U,V成立，那么这个范数称为酉不变范数。
容易验证，2-范数和F-范数是酉不变范数。因为酉变换不改变矩阵的奇异值，所以由奇异值得到的范数是酉不变的，比如2-范数是最大奇异值，F-范数是所有奇异值组成的向量的2-范数。
反过来可以证明，所有的酉不变范数都和奇异值有密切联系：
定理（Von Neumann定理）：在酉不变范数和对称度规函数（symmetric gauge function）之间存在一一对应关系。
也就是说任何酉不变范数事实上就是所有奇异值的一个对称度规函数。

A是矩阵,则：

1-范数是：max(sum(abs(A)),就是对A的每列的绝对值求和

再求其中的最大值,也叫列范数

2-范数是：求A'A 的特征值,找出其中的最大特征值,求其平方根

相当于max(sqrt(eig(A'A))),也叫谱范数

∞-范数是：max(sum(abs(A')),就是对A的每行的绝对值求和

再求其中的最大值,也叫行范数

当然还有一种F-范数,就是求矩阵每个元素的平方和,后开平方

向量的1-范数：║x║1=│x1│+│x2│+…+│xn│
，x的1-范数是8矩阵的1-范数：║A║1
=
max{
∑|ai1|,
∑|ai2|
,……
,∑|ain|
}
（列和范数，A每一列元素绝对值之和的最大值）

定义：对于任意矩阵 A ，都有一个 确定的实数 与之对应，并且这个实数满足下面4条性质：

说明： 任意矩阵都有范数 ，长方形、正方形、零值、复值矩阵都有范数！但都要满足上面4条。

本文使用的是长方形矩阵：

下面常用的矩阵范数有3种，下面直接给出定义：

（1）无穷范数/行范数：各行绝对值求和，取最大那个

（2）1范数/列范数：各列绝对值求和，取最大那个

（3）2范数：与转置阵相乘后，取最大特征值的开根号

其中 表示 的最大特征值；我们知道： 一个矩阵的转置与它自己想乘，就会得到一个对称正定阵！并且对称正定阵的特征值都是非负的！ 所以2范数根号里的东西不可能是 负数 ，2范数的结果也不可能是 复数 ，故仍满足上面的4个条件。

注意：矩阵 x 哪怕只是个行向量或列向量，所有的范数它也是拥有的！

最后对范数的说明：对于 矩阵而言没必要考虑范数的区别 ，因为有限维空间的 范数都等价 ( Minkowski 定理)。后面要根据范数做判断时，既然范数没区别，那么意思就是 各种范数都要满足条件 。

谱半径只针对" 方阵 "而言！设 为n阶方阵A的全部特征值。则称：

为方阵A的谱半径，含义为： 绝对值最大的那个特征值 (方阵自己的特征值是可以有正有负的)。

注意： 方阵A的谱半径不超过其任何一种范数 ！即：

上述各种范数，对应matlab中的函数是 norm ，已亲测norm函数和上文说的内容是一致的。

给一个2范数的例子：(转置原矩阵)的最大特征的开根号

结果：一致

A=[043 43 2;89 4 21]
(1)

取主对角线元素：

diag(A);
上三角阵：

triu(A)
；

下三角阵：

tril(A);
秩：

rank(A);
范数：

norm(A,1);
或

norm(A);
或

norm(A,inf);
条件数：

cond(A,1);
或

cond(A,2);
或

cond(A,inf)
迹：

trace(A);

矩阵A的2范数就是 A乘以A的转置矩阵特征根 最大值的开根号如A={ 1 -2-3 4 }那么A的2范数就是（15+221^1/2)^1/2 了

一范数和二范数有啥区别：

1、不同的含义：1-范数是指向量（矩阵）中非零元素的个数，2-范数是指空间中两个向量矩阵之间的直线距离。

2、不同方法：1-范数a 1=最大{∑ai1，∑ai2，…，（2）λiA}，2范数：αa＝a＝（max {λi（a^ h＊a）}）{{ 1/2 }的最大奇异值。

扩展资料：

矩阵范数中矩阵A和B及所有实数a，满足以下性质：

1、||A||>=0；

2、||A||=0 iff A=O（零矩阵）；（1和2可统称为正定性）

3、||aA||=|a|·||A||；（齐次性）

4、||A+B||<= ||A|| + ||B||；（三角不等式）

5、||AB||<=||A|| ||B||。（相容性）

参考资料来源：

百度百科-矩阵范数

---