02-4:向量范数

Last updated on November 23, 2025 pm

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:∣x∣≥0|x|\geq 0,仅当x=0x=0时∣∣x∣∣=0||x||=0
  2. 齐次:∣∣kx∣∣=∣k∣⋅∣∣x∣∣||kx|| = |k|\cdot ||x||
  3. 三角不等式:∣∣x+y∣∣≤∣∣x∣∣+∣∣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. ∣∣∣∣x∣∣−1⋅x∣∣=1||||x||^{-1}\cdot x|| = 1, ∣∣x∣∣≠0||x||\neq 0
  3. ∣∣−x∣∣=∣∣x∣∣||-x|| = ||x||
  4. ∣∣∣x∣∣−∣∣y∣∣∣≤∣∣x−y∣∣|||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

∣∣x∣∣1=∑i=1n∣xi∣||x||_1 = \sum_{i=1}^n |x_i|

2-范数:平方或欧式度量

∣∣x∣∣2=∑i=1n∣xi∣2=(xHx)||x||_2 = \sqrt{\sum_{i=1}^n |x_i|^2} = \sqrt{(x^Hx)}

∞\infty-范数:最大值度量

∣∣x∣∣∞=max⁡i∣xi∣||x||_{\infty} = \max_i |x_i|

p-范数:p度量

∣∣x∣∣p=(∑i=1n∣xi∣p)1p,       (p≥1)||x||_p = (\sum_{i=1}^n|x_i|^p)^{\frac{1}{p}},\ \ \ \ \ \ \ (p\geq 1)

补充两个重要不等式
设∀a1,bi∈C\forall a_1, b_i\in C

  1. Holder不等式

    ∑i=1n∣aibi∣≤(∑i=1n∣ai∣p)1p(∑i=1n∣bi∣q)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=1n∣ai+bi∣p)1p≤(∑i=1n∣ai∣p)1p+(∑i=1n∣bi∣p)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p≥1p\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∀x∈V(F)\forall x\in V(F),有

m∣∣x∣∣β≤∣∣x∣∣α≤M∣∣x∣∣βm||x||_\beta \leq ||x||_\alpha \leq M||x||_\beta

则∣∣⋅∣∣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(α∼β,β∼α\alpha\sim \beta, \beta\sim \alpha),传递性(α∼β,β∼γ,α∼γ\alpha\sim \beta,\beta\sim \gamma,\alpha \sim \gamma)

1.3 重要定理

定理1:设∣∣⋅∣∣||\cdot||是Cn(或Rn)C^n(或R^n)中的一种向量范数,则∀x∈Cn\forall x\in C^n,x=[x1,…,xn]Tx=[x_1,\dots,x_n]^T,∣∣x∣∣||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://lynx-li.github.io/2023/09/14/master/matrixanalysis/vecnorm/
Author
Lynx Li
Posted on
September 14, 2023
Licensed under