矩阵分析 5

向量范数

介绍

  • 定义:如果V是数域P上的线性空间,且对于xV,存在VR的函数||x||,满足
    • 非负性:||x||0,当且仅当x=0取等
    • 齐次性:||kx||=|k|||x||
    • 三角不等式:||x+y||||x||+||y||

这里记录一些常见的范数

  • ||x||=i=1n|xi|2,称作2-范数或者欧式范数,记为||x||2

    • 该函数显然满足非负性和齐次性,利用柯西不等式可以得到三角不等式也满足
  • ||x||=maxi=1n|xi|,称作范数,记为||x||

    • 验证三条性质都是简单的
  • ||x||=(i=1n|xi|p)1p,称作p-范数,其中1p<+,记为||x||p

    • 非负性和齐次性仍然是显然的
    • 三角不等式则可由Young不等式或Holder不等式得出
    • 不难发现p=2p+的情况下,p-范数变为上述两种情况
  • 对于正定埃尔米特矩阵A,定义||x||A=xHAx,称作椭圆范数

    • 非负性和齐次性仍然是显然的

    • 三角不等式:由于A是正定埃尔米特矩阵,因此存在非奇异矩阵P,使得A=PHP

      那么,||x||A=||Px||2,而||P(x+y)||2=||Px+Py||2||Px||2+||Py||2

向量范数的等价性

  • 称向量范数||||a||||b等价,当且仅当存在c1,c2>0,使得对于任意x

    c1||x||b||x||ac2||x||b

  • 两个范数等价,当且仅当它们具有相同的敛散性

    • 充分性是显然的,我们考虑必要性的证明

      反证法,不妨设对于任意大的整数n,都存在xn,使得||xn||b>n||xn||a

      那么,我们考虑序列xn=xn||xn||b1,显然limn||xn||b=1

      ||xn||a=||xn||a||xn||b1<1n,因此limn||xn||a=0,这与有相同的敛散性这一条件矛盾,矛盾的根源在于假设,因此命题是正确的

  • 有限维线性空间上的不同范数是等价的

    • 向量范数的等价关系有传递性,我们只需证明所有范数都与某种范数等价即可

    • 首先,由于是有限维线性空间,我们取一组基底e1,e2,...,en,对于任意向量x,如果x=xiei,那么,对于向量范数||||a,定义f(x1,x2,...,xn)=||x||a,不难证明f(x1,x2,...,xn)是一个连续函数

      不妨设||x||b是另一种范数,我们考虑f(x1,x2,...,xn)||x||b=1上的分布情况,由f的连续性可知它可以取到最大值M和最小值m

      而对于||x||b=k(k0)的一般情况,我们有m||xk1||aM,即m||x||b||x||aM||x||b

矩阵范数

矩阵范数

  • 定义:对于矩阵A,如果存在实值函数||A||,满足

    • 非负性:||A||0,当且仅当A=O时取等
    • 齐次性:||kA||=k||A||
    • 三角不等式:||A+B||||A||+||B||
    • 相容性:||AB||||A||||B||

    称该函数为矩阵范数

定义中的次乘性的一个感性理解是,当||A||<1时,将有limn||A||n=0(n)

  • 不难验证下列函数都是矩阵范数

    ||A||m1=i,j|aij|

    ||A||m2=nmaxi.j|ai,j|

    ||A||F=(i.j|aij|2)1/2

最后一种矩阵范数简称为F-范数,F-范数有不错的性质

  • U,V为酉矩阵,那么||A||F=||UAV||F
    • 注意到||A||F=(tr(AAH))1/2(UAV)(UAV)HAAH相似
  • 矩阵范数在有限维线性空间下也有等价性

算子范数

  • 定义:设||x||是一个向量范数,那么,我们定义||A||=supx0||Ax||||x||=maxx=1||Ax||为由向量范数||||诱导出的算子范数

    • 由定义,算子范数满足||Ax||||A||||x||,此时,我们称矩阵范数||A||和向量范数||x||相容

    • 算子范数是一种矩阵范数

      • 非负性,齐次性,三角不等式都可以转化为向量范数来证明
      • 对于次乘性,设x0是在||x||=1中,使得||ABx||取到最大值的x,那么||AB||=||ABx0||||A||||Bx0||||A||||B||,其中的不等式利用的是算子范数的性质
    • ||I||=1对任何算子范数成立

  • 我们给出几个特例的算子范数

    对应于向量范数||x||1,||x||2,||x||的算子范数分别为

    ||A||1=maxji=1m|aij|

    ||A||2=σmax=λmax

    上式中λmax表示矩阵AAH的最大特征值

    ||A||=maxij=1n|aij|

    它们分别被称作列范数,谱范数,行范数

    • 列范数和行范数不难证明,我们对谱范数稍作解释

      ||x||=1,不难得到||Ax||22=(Ax)HAx=xHAHAx

      AHA的谱分解为λixiHxi,其中λ1...λm,并设x=aixi

      那么xHAHAx=λi|ai|2λ1,当a1=1时可以取到等号

谱范数

性质

谱范数和F-范数一样,有比较好的性质

  • U,V为酉矩阵,那么||A||2=||UAV||2

    • 证明:AAH(UAV)(UVA)H相似
  • ||A||2=||AH||2

    • AAHAHA有相同的非零特征值
  • ||A||2=max||x||2=1,||y||2=1|yHAx|

    • |yHAx|||yH||2||A||2||x||2||A||2

      存在x0满足条件,并且使得||Ax0||2=||A||2,此时,取y0=Ax0||Ax0||1可以取得等号

  • ||AHA||2=||A||22

    • ||AHA||2||AH||2||A||2=||A||22

      ||AHA||2=max|yHAHAx|max|xHAHAx|

谱半径

  • 定义:设A的特征值为λ1,...,λn,那么称ρ(A)=maxi|λi|,称为A谱半径

谱半径有非常良好的性质

  • ρ(A)||A||,谱半径不会超过A任何一种范数

为了证明这个定理,我们需要一个引理 `

  • 引理:对于任何一种矩阵范数||||A,存在与其相容的向量范数||||v

    • 任取y0,yV,那么定义||x||v=||xyH||A

      容易验证这是一个向量范数,我们来考虑相容性

      ||M||A||x||v=||M||A||xyH||A||MxyH||A=||Mx||v

现在让我们回到定理的证明,设λ为其特征值,x为其对应的特征向量,||||v取与其相容的向量范数,那么|λ|||x||v=||λx||v=||Ax||v||A||||x||v,于是|λ|||A||

  • 如果A的正规矩阵,那么ρ(A)=||A||2

即证A的特征值的模的最大值等于A的最大奇异值,这个由特征值的模与奇异值之间的对应关系可以得到

  • ||A||2=ρ(AAH)

这个是显然的