向量与矩阵的范数及其在matlab中的用法(norm) |
您所在的位置:网站首页 › matlab矩阵1范数 › 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
\(\Vert x \Vert _0\overset{def}=\)向量中非零元素的个数 其在matlab中的用法: sum( x(:) ~= 0 ) \(L_1\) 范数\(\Vert x \Vert_1\overset{def} = \sum\limits_{i=1}^{m} \vert x_{i}\vert = \vert x_{1}\vert + \cdots +\vert x_{m}\vert\),即向量元素绝对值之和 其在matlab中的用法: norm(x, 1) \(L_2\) 范数\(\Vert x \Vert_2 = \left({\vert x_1 \vert}^2 + \cdots + {\vert x_m \vert}^2\right)^{1/2}\),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\(\Vert x \Vert_{\infty}= max \{ \vert x_1\vert, \cdots,\vert x_m\vert \}\),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\(\Vert x \Vert_{\infty}= min \{ \vert x_1 \vert, \cdots, \vert x_m\vert \}\),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)\(\Vert A \Vert_1= \underset{1\leqslant j\leqslant n}{\mathop{\max }}\sum\limits_{i=1}^{m}\{ \vert a_{ij}\vert \}\),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)\(\Vert A \Vert_{\infty}= \underset{1\leqslant i\leqslant m}{\mathop{\max }}\sum\limits_{j=1}^{n}\{\vert a_{ij}\vert\}\),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) 2. "元素形式"范数 \(L_{0}\) 范数\(\Vert A \Vert_0\overset{def}=矩阵的非零元素的个数\) 其在matlab中的用法: sum(sum(A ~= 0)) \(L_{1}\) 范数\(\Vert A \Vert_1\overset{def}=\sum\limits_{i=1}^{m}\sum\limits_{j=1}^{n}\vert a_{ij}\vert\),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\(\Vert A \Vert_F\overset{def}=(\sum\limits_{i=1}^{m}\sum\limits_{j=1}^{n}\vert a_{ij}\vert^2)^{1/2}\),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\(\Vert A \Vert_{*}= \sum\limits_{i=1}^{n}\lambda_i\),\(\lambda_i\) 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)) |
今日新闻 |
推荐新闻 |
CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |