• 矩阵分析与应用+张贤达


    第一章 矩阵与线性方程组(十一)

    1.向量的内积与范数

    根据元素取值方式的不同,向量分为常数向量、函数向量和随机向量。

    • 常数向量是元素为常数的向量
    • 函数向量是元素取某个变量的函数值的向量
    • 随机向量是元素为随机变量的向量。
      虽然常数向量、函数向量和随机向量的内积定义公式有所不同,但是无论向量取何种形式,向量的内积和范数都必须服从一定的公理。
      由于实向量是复向量的特例,下面以复向量作为讨论对象,并用 R R R C C C分别代表实数域和复数域。

    V V V是复向量空间。
    函数 < x , y > : V ∗ V → C <x,y>:V*V→C <x,y>:VVC称为向量 x x x y y y内积,若对所有 x , y , z ∈ V x,y,z \in V x,y,zV,以下内积公理满足:
    (1) < x , x > ≥ 0 <x,x> ≥ 0 <x,x>0 (非负性)
    (1a) < x , x > = 0 <x,x>=0 <x,x>=0,当且仅当 x = 0 x=0 x=0 (正性)
    (2) < x + y , z > = < x , z > + < y , z > <x+y,z>=<x,z>+<y,z> <x+y,z>=<x,z>+<y,z> (可加性)
    (3) < c x , y > = c ∗ < x , y > <cx,y>=c*<x,y> <cx,y>=c<x,y>,对所有复常数c成立 (齐次性)
    (4) < x , y > = < y , x > ∗ <x,y>=<y,x>* <x,y>=<y,x> (Hermitian性)
    式中,*表示复数共轭

    令V是复向量空间。
    函数 ∣ ∣ x ∣ ∣ : V → R ||x||:V→R x:VR称为向量 x x x的范数,若对所有 x , y ∈ V x,y \in V x,yV,下面的范数公理成立:
    (1) ∣ ∣ x ∣ ∣ ≥ 0 ||x||≥0 x0 (非负性)
    (1a) ∣ ∣ x ∣ ∣ = 0 ||x||=0 x=0,当且仅当 x = 0 x=0 x=0 (正性)
    (2) ∣ ∣ c x ∣ ∣ = ∣ c ∣ ∣ ∣ x ∣ ∣ ||cx||=|c| ||x|| cx=cx,对所有复常数c成立 (齐次性)
    (3) ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ ||x+y||≤||x||+||y|| x+yx+y (三角不等式)
    上述公理是平面上的Euclidean长度的熟知性质。满足公理(1),(2),(3),但不一定满足公理(1a)的函数称为向量的半范数

    2.常数向量的内积与范数

    两个 m x I mxI mxI维常数向量 x = [ x 1 , x 2 , … , x m ] T x=[x_1,x_2,…,x_m]^T x=[x1,x2,,xm]T y = [ y 1 , y 2 , … , y m ] T y=[y_1,y_2,…,y_m]^T y=[y1,y2,,ym]T的内积(或叫点积)定义为
    < x , y > = x H y = ∑ i = 1 m x i ∗ y i <x,y>=x^Hy=\sum_{i=1}^mx_i^*y_i <x,y>=xHy=i=1mxiyi
    两个向量之间的夹角定义为
    在这里插入图片描述
    显然,若 x H y = 0 x^Hy=0 xHy=0,则 θ = π / 2 θ=\pi/2 θ=π/2。此时,称常数向量 x x x y y y正交。因此,两个常数向量正交的数学定义如下。

    两个常数向量称为正交,若它们的内积等于零,即 x H y = 0 x^Hy=0 xHy=0并记作 x ⊥ y x \bot y xy.
    根据定义知,零向量 0 0 0与同一空间的任何向量都正交

    • 序列 e x p ( j 2 π f m ) {exp(j2πfm)} exp(j2πfm)是一个以单位时间间隔被采样的频率为 f f f正弦波。复正弦波向量 e m ( f ) e_m(f) em(f)定义为 ( m + 1 ) x 1 (m+1)x1 (m+1)x1向量,即
      在这里插入图片描述
      这样一来, N N N个数据样本 x ( n ) , n = 0 , 1 , ⋅ ⋅ ⋅ , N − 1 x(n),n=0,1,···,N-1 x(n)n=0,1,N1的离散Fourer变换(DFT)就可以用向量的内积表示为
      在这里插入图片描述
      其中, x = [ x ( 0 ) , x ( 1 ) , … , x ( N − 1 ) ] T x=[x(0),x(1),…,x(N-1)]^T x=[x(0),x(1),,x(N1)]T常称为数据向量

    • 几种常用的向量范数
      (1) l 1 l_1 l1范数
      在这里插入图片描述
      上述范数有时也叫和范数 1 1 1范数
      (2) l 2 l_2 l2范数
      ∣ ∣ x ∣ ∣ 2 = ( ∣ x 1 ∣ 2 + ∣ x 2 ∣ 2 + … + ∣ x n ∣ 2 ) 1 / 2 ||x||_2 =(|x_1|^2 +|x_2|^2 +…+|x_n|^2)^{1/2} x2=(x12+x22++xn2)1/2
      这一范数常称Euclidean范数,有时也称Frobenius范数。
      (3) l ∞ l_∞ l范数
      ∣ ∣ x ∣ ∣ ∞ = m a x ( ∣ x 1 ∣ , ∣ x 2 ∣ , ⋅ ⋅ ⋅ , ∣ x n ∣ ) ||x||_∞= max(|x_1|,|x_2|,···,|x_n|) x=max(x1,x2,,xn)
      也称无穷范数极大范数
      (4) l p l_p lp范数
      ∣ ∣ x p ∣ ∣ = ( ∑ i = 1 m ∣ x i ∣ p ) 1 / p , p ≥ 1 ||x_p||=(\sum_{i=1}^m|x_i|^p)^{1/p},p≥1 xp=(i=1mxip)1/p,p1
      l p l_p lp范数也叫 Hölder 范数
      当p=2时 l p l_p lp范数与Euclidean范数完全等价
      另外,无穷范数是 l p l_p lp范数的极限形式,即有
      在这里插入图片描述
      范数||x||称为酉不变的,若 ∣ ∣ U x ∣ ∣ = ∣ ∣ x ∣ ∣ ||Ux||=||x|| Ux=x对所有向量 x ∈ C m x \in C^m xCm和所有酉矩阵 U ∈ C m x m U \in C^{mxm} UCmxm恒成立。

    • Euclidean范数 ∣ ∣ ⋅ ∣ ∣ ||·|| 是酉不变的。
      假定向量 x x x y y y有共同的起点(即原点 O O O),它们的端点分别为 x x x y y y,则 ∣ ∣ x − y ∣ ∣ 2 ||x-y||_2 xy2度量两个向量 x , y x,y x,y两端点x,y之间的标准Euclidean距离
      特别地,非负的标量 < x , x > 1 / 2 <x,x>^{1/2} <x,x>1/2称为向量 x x xEuclidean长度Euclidean长度为1的向量叫做归一化(或标准化)向量。对于任何不为零的向量 x ∈ C m x\in C^m xCm,向量 x / < x , x > 1 / 2 x/<x,x>^{1/2} x/<x,x>1/2都是归一化的,并且它与 x x x同方向。

    • Euclidean范数是应用最为广泛的向量范数定义。在本书后面的讨论中,如无特别声明,向量范数均指 Euclidean范数。
      常数向量 w w w v v v的外积(乂叫叉积)记作 w v H wv^H wvH,定义为
      在这里插入图片描述

  • 相关阅读:
    【Git】安装和常用命令的使用与讲解及项目搭建和团队开发的出现的问题并且给予解决
    数字孪生景区丨直观展示景区整体态势,提高运行效益及管理效率
    安全扫描项目
    信息系统项目管理师考试重点汇总,看完这篇再拿十分!
    动态规划——62. 不同路径
    协程(二)——kotlin中协程启动的条件
    微型操作系统内核源码详解系列五(1):arm cortex m3架构
    使用MD5算法和sha512sum校验和检验文件完整性
    整理ArrayList和LinkedList中的方法
    三十分钟带你玩转Python异常处理
  • 原文地址:https://blog.csdn.net/m0_45085885/article/details/125473435