02-4:向量范数

本文最后更新于:2023年9月10日 下午

矩阵论02-4:向量范数

1 向量范数

现在对一般定义的范数进行推广,使其可以被自定义。
定义:设V是数域F上的线性空间,如果对于V中任意一个向量x,都有一个实数x||x||与之对应,且满足:

  1. 正定:x0|x|\geq 0,仅当x=0x=0x=0||x||=0
  2. 齐次:kx=kx||kx|| = |k|\cdot ||x||
  3. 三角不等式:x+yx+y||x+y||\leq ||x||+||y||

那么称||\cdot||式向量空间V上的向量范数,定义了向量范数的线性空间称为赋范线性空间。记作(V,)(V,||\cdot||)

向量范数的性质:

  1. θ=0||\theta|| = 0
  2. x1x=1||||x||^{-1}\cdot x|| = 1, x0||x||\neq 0
  3. x=x||-x|| = ||x||
  4. xyxy|||x|| - ||y|||\leq ||x-y||

1.1 在CnC^n上常用的向量范数及性质

1-范数:绝对值或模度量

x1=i=1nxi||x||_1 = \sum_{i=1}^n |x_i|

2-范数:平方或欧式度量

x2=i=1nxi2=(xHx)||x||_2 = \sqrt{\sum_{i=1}^n |x_i|^2} = \sqrt{(x^Hx)}

\infty-范数:最大值度量

x=maxixi||x||_{\infty} = \max_i |x_i|

p-范数:p度量

xp=(i=1nxip)1p,       (p1)||x||_p = (\sum_{i=1}^n|x_i|^p)^{\frac{1}{p}},\ \ \ \ \ \ \ (p\geq 1)

补充两个重要不等式
a1,biC\forall a_1, b_i\in C

  1. Holder不等式

    i=1naibi(i=1naip)1p(i=1nbiq)1q \sum_{i=1}^n|a_ib_i|\leq(\sum_{i=1}^n|a_i|^p)^{\frac{1}{p}}(\sum_{i=1}^n|b_i|^q)^{\frac{1}{q}}

    参数需满足p>1,q>1p>1, q>1,且1/p+1/q=11/p + 1/q=1

  2. Minkowski不等式

    (i=1nai+bip)1p(i=1naip)1p+(i=1nbip)1p(\sum_{i=1}^n |a_i+b_i|^p)^{\frac{1}{p}}\leq (\sum_{i=1}^n|a_i|^p)^{\frac{1}{p}}+(\sum_{i=1}^n|b_i|^p)^{\frac{1}{p}}

    参数需满足p1p\geq 1

1.2 向量范数的等价性

定义:给出n维线性空间CnC^n中定义了两种向量范数α||\cdot||_\alpha, β||\cdot||_\beta,若存在两个常数m>0m>0, M>0M>0,使得xV(F)\forall x\in V(F),有

mxβxαMxβm||x||_\beta \leq ||x||_\alpha \leq M||x||_\beta

α||\cdot||_\alpha, β||\cdot||_\beta等价。等价具有自反性(自己与自己等价),对称性(αβ,βα\alpha\sim \beta, \beta\sim \alpha),传递性(αβ,βγ,αγ\alpha\sim \beta,\beta\sim \gamma,\alpha \sim \gamma)

1.3 重要定理

定理1:设||\cdot||Cn(Rn)C^n(或R^n)中的一种向量范数,则xCn\forall x\in C^nx=[x1,,xn]Tx=[x_1,\dots,x_n]^Tx||x||是其分量x1,,xnx_1,\dots,x_n的连续函数。

定理2:n维线性空间CnC^n(或RnR^n)中任意两种向量范数等价。


02-4:向量范数
https://jesseprince.github.io/2023/09/06/master/matrixanalysis/vecnorm/
作者
林正
发布于
2023年9月6日
许可协议