En matrisnorm är en norm i ett linjärt utrymme av matriser, vanligtvis relaterat på något sätt till motsvarande vektornorm (konsekvent eller underordnad ).
Låt K vara markfältet (vanligtvis K = R eller K = C ) och vara det linjära rummet för alla matriser med m rader och n kolumner som består av element av K . En norm ges på utrymmet av matriser om varje matris är associerad med ett icke-negativt reellt tal , kallat dess norm, så att
När det gäller kvadratiska matriser (det vill säga m = n ), kan matriserna multipliceras utan att lämna utrymmet, och därför uppfyller normerna i dessa utrymmen vanligtvis också den submultiplikativa egenskapen :
Submultiplikativitet kan också utföras för normerna för icke-kvadratmatriser, men definieras för flera nödvändiga storlekar samtidigt. Nämligen, om A är en ℓ × m matris och B är en m × n matris , så är A B en ℓ × n matris .
En viktig klass av matrisnormer är operatornormer , även kallade underordnade eller inducerade normer . Operatornormen är unikt uppbyggd av två normer definierade i och , baserat på det faktum att vilken m × n matris som helst representeras av en linjär operator från till . Specifikt,
[2]Under villkoret av en konsekvent specificering av normer på vektorrum, är en sådan norm submultiplikativ (se ovan ).
Spektralnormens egenskaper:
Det finns matrisnormer som inte är operatörsnormer. Begreppet icke-operatörsnormer för matriser introducerades av Yu. I. Lyubich [3] och studerades av G. R. Belitsky .
Tänk till exempel på två olika operatornormer och till exempel rad- och kolumnnormerna. Låt oss skapa en ny norm . Den nya normen har ringegenskapen , bevarar identiteten och är inte operatör [4] .
Låta vara en vektor av matriskolumner. Per definition är normen lika med summan av de euklidiska normerna för matriskolumnerna:
Normen kan generaliseras till normen
Vector -normDu kan tänka på en matris som en storleksvektor och använda standardvektornormerna. Till exempel erhålls vektorn p -norm från normen vid :
Denna norm skiljer sig från den inducerade p - normen och från Schattens p -norm (se nedan), även om samma notation används.
Frobenius-normen , eller euklidisk norm (för euklidiskt rum ) är ett specialfall av p - normen för p = 2 :.
Frobeniusnormen är lätt att beräkna (jämfört med t.ex. spektralnormen). Den har följande egenskaper:
Maximimodulnormen är ett annat specialfall av p -normen för p = ∞ .
Schatten-normer uppstår när -normen appliceras på en vektor med singulära värden i en matris. Om vi betecknar med det -th singularvärdet för en matris av storlek , så definieras Schatten -normen som
Schatten-normerna betecknas på samma sätt som de inducerade och vektor -normerna, men sammanfaller inte med dem.
För alla är Schatten-normen submultiplikativ och enhetligt invariant, det vill säga för alla matriser och för alla enhetsmatriser och .
Vid , sammanfaller Schatten-normen med Frobenius-normen, vid , med spektralnormen och vid , med kärnnormen (även känd som spårnormen och Ki Fan-normen ), som definieras som
Kärnnormen är det konvexa skrovet av rangfunktionen på uppsättningen matriser med enhetsspektralnorm , så den används ofta i optimeringsproblem för att hitta lågrankade matriser [6] .
Matrisnormen på kallas överensstämmande med normerna på och på om:
för någon . Genom konstruktion överensstämmer operatörsnormen med den ursprungliga vektornormen.
Exempel på konsekventa men inte underordnade matrisnormer:
Alla normer i utrymmet är ekvivalenta, det vill säga, för alla två normer och och för vilken matris som helst, är den dubbla olikheten sann:
där konstanterna och inte beror på matrisen .
För följande ojämlikheter är sanna:
där , och är operatörsnormer [8] .
Matrisnormer används ofta i analysen av linjära algebraberäkningsmetoder . Till exempel kan ett program för att lösa system med linjära algebraiska ekvationer ge ett felaktigt resultat om koefficientmatrisen är dåligt konditionerad ("nästan degenererad "). För att kvantitativt karakterisera närheten till degeneration måste man kunna mäta avståndet i matrisrummet. Denna möjlighet tillhandahålls av matrisnormer [9] .