{
  "id": "matrix-norm",
  "title": "矩阵范数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "矩阵范数用于衡量矩阵的大小，为线性变换、近似误差、数值条件性和收敛性的定量分析提供工具。",
  "category": "mathematics",
  "subcategory": "algebra",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/matrix-norm/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/matrix-norm/",
      "json": "https://aiwiki.page/en/matrix-norm.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "矩阵范数是定义在由矩阵组成的向量空间上的范数，它为每个矩阵赋予一个非负数，用来衡量矩阵的大小。根据所选范数的不同，这种大小可以表示矩阵元素的大小、矩阵对向量的最大放大倍数，或其奇异值的总体大小。矩阵范数是线性代数和数值分析中的基本工具，用于量化误差、敏感性、近似质量和收敛性。"
    },
    {
      "heading": "定义与约定",
      "text": "设 \\(\\mathbb F\\) 为实数域或复数域。\\(\\mathbb F^{m\\times n}\\) 上的范数是满足以下条件的函数 \\(A\\mapsto\\|A\\|\\)：\n\n- 正定性：\\(\\|A\\|\\geq 0\\)，且等号成立当且仅当 \\(A=0\\)。\n- **绝对齐次性：**对任意标量 \\(\\alpha\\)，都有 \\(\\|\\alpha A\\|=|\\alpha|\\|A\\|\\)。\n- 三角不等式：\\(\\|A+B\\|\\leq\\|A\\|+\\|B\\|\\)。\n\n第三条性质就是矩阵加法的三角不等式。\n\n不同文献中的术语约定有所不同。有些作者将矩阵空间上的任意范数都称为矩阵范数；另一些作者还要求它满足次乘性：\n\n\\[\\|AB\\|\\leq\\|A\\|\\,\\|B\\|.\\]\n\n对于方阵，这一要求涉及同一矩阵空间内的乘积。对于矩形矩阵，它则涉及相关各维数上彼此相容的一族范数。\n\n这一区别很重要：基于矩阵元素定义的范数未必具有次乘性。除非另有说明，涉及乘积的性质都必须加以验证，不能仅由三条范数公理推断出来。"
    },
    {
      "heading": "诱导范数",
      "text": "矩阵 \\(A\\in\\mathbb F^{m\\times n}\\) 表示从 \\(\\mathbb F^n\\) 到 \\(\\mathbb F^m\\) 的一个线性映射。给定这两个向量空间上的范数，其诱导范数又称算子范数或从属范数，定义为\n\n\\[\\|A\\|_{\\alpha\\to\\beta} = \\sup_{x\\neq 0} \\frac{\\|Ax\\|_\\beta}{\\|x\\|_\\alpha} = \\max_{\\|x\\|_\\alpha=1}\\|Ax\\|_\\beta.\\]\n\n由于有限维空间中的单位球面是紧的，上述最大值存在。\n\n这一范数衡量输入向量所能受到的最大放大倍数：\n\n\\[\\|Ax\\|_\\beta\\leq \\|A\\|_{\\alpha\\to\\beta}\\|x\\|_\\alpha.\\]\n\n它是使该不等式对所有 \\(x\\) 都成立的最小常数。\n\n当定义域和值域采用同一种类型的向量范数时，通常将记号简写为 \\(\\|A\\|_p\\)。诱导范数满足\n\n\\[\\|AB\\|_{\\alpha\\to\\gamma} \\leq \\|A\\|_{\\beta\\to\\gamma}\\, \\|B\\|_{\\alpha\\to\\beta}.\\]\n\n特别地，每一种诱导 \\(p\\)-范数都具有次乘性。单位矩阵满足 \\(\\|I\\|_p=1\\)。\n\n诱导 \\(1\\)-范数\n\n对于向量范数 \\(\\|x\\|_1=\\sum_j|x_j|\\)，其诱导矩阵范数是各列元素绝对值之和的最大值：\n\n\\[\\|A\\|_1=\\max_{1\\leq j\\leq n}\\sum_{i=1}^m|a_{ij}|.\\]\n\n诱导无穷范数\n\n对于向量范数 \\(\\|x\\|_\\infty=\\max_j|x_j|\\)，其诱导矩阵范数是各行元素绝对值之和的最大值：\n\n\\[\\|A\\|_\\infty=\\max_{1\\leq i\\leq m}\\sum_{j=1}^n|a_{ij}|.\\]\n\n谱范数\n\n由向量的欧几里得范数诱导的范数称为谱范数：\n\n\\[\\|A\\|_2 = \\sigma_{\\max}(A) = \\sqrt{\\lambda_{\\max}(A^*A)}.\\]\n\n这里，\\(A^*\\) 是共轭转置，\\(\\sigma_{\\max}(A)\\) 是最大奇异值，\\(\\lambda_{\\max}(A^*A)\\) 是半正定矩阵 \\(A^*A\\) 的最大特征值。\n\n从几何上看，谱范数是 \\(A\\) 对欧几里得空间中向量的最大拉伸倍数。它可以通过奇异值分解求得。尽管名为“谱范数”，它一般并不等于 \\(A\\) 的特征值绝对值的最大值。"
    },
    {
      "heading": "逐元素范数与弗罗贝尼乌斯范数",
      "text": "也可以把矩阵看成由其各元素组成的向量。对于 \\(1\\leq p<\\infty\\)，逐元素 \\(p\\)-范数定义为\n\n\\[\\|A\\|_{\\mathrm{entry},p} = \\left(\\sum_{i,j}|a_{ij}|^p\\right)^{1/p},\\]\n\n逐元素最大范数则定义为\n\n\\[\\|A\\|_{\\max}=\\max_{i,j}|a_{ij}|.\\]\n\n这些都是范数，但通常不同于诱导 \\(p\\)-范数。特别是，“矩阵 \\(1\\)-范数”通常指最大绝对列和，而不是所有元素绝对值的总和。同样，“矩阵无穷范数”通常指最大绝对行和，而不是元素绝对值的最大值。\n\n最大元素范数一般不满足常数为 \\(1\\) 的次乘性。例如，若 \\(J\\) 是所有元素均为 \\(1\\) 的 \\(n\\times n\\) 矩阵，则\n\n\\[\\|J\\|_{\\max}=1, \\qquad \\|J^2\\|_{\\max}=n.\\]\n\n对于乘积有定义且内维数为 \\(n\\) 的矩阵，一般估计为\n\n\\[\\|AB\\|_{\\max} \\leq n\\|A\\|_{\\max}\\|B\\|_{\\max}.\\]\n\n弗罗贝尼乌斯范数\n\n逐元素 \\(2\\)-范数称为弗罗贝尼乌斯范数，也称希尔伯特–施密特范数：\n\n\\[\\|A\\|_F = \\left(\\sum_{i,j}|a_{ij}|^2\\right)^{1/2}.\\]\n\n它由矩阵内积\n\n\\[\\langle A,B\\rangle_F=\\operatorname{tr}(A^*B),\\]\n\n诱导，其中 \\(\\operatorname{tr}\\) 表示矩阵的迹。因此，\n\n\\[\\|A\\|_F^2 = \\operatorname{tr}(A^*A) = \\sum_j\\sigma_j(A)^2.\\]\n\n弗罗贝尼乌斯范数具有次乘性：\n\n\\[\\|AB\\|_F\\leq\\|A\\|_F\\|B\\|_F.\\]\n\n一般而言，它并不是由底层输入、输出空间上的向量范数诱导的：对于 \\(n\\times n\\) 单位矩阵，\n\n\\[\\|I\\|_F=\\sqrt n,\\]\n\n而在同一空间上由同一向量范数诱导的任何范数都满足 \\(\\|I\\|=1\\)。"
    },
    {
      "heading": "酉不变范数与 Schatten 范数",
      "text": "如果对任意一对尺寸适当的酉矩阵 \\(U,V\\)，都有\n\n\\[\\|UAV\\|=\\|A\\|\\]\n\n则称该范数具有酉不变性。在实数域上，相应的变换使用正交矩阵。\n\n这类范数仅取决于奇异值。其中一类重要的例子是 Schatten 范数：\n\n\\[\\|A\\|_{S_p} = \\left(\\sum_j\\sigma_j(A)^p\\right)^{1/p}, \\qquad 1\\leq p<\\infty,\\]\n\n以及\n\n\\[\\|A\\|_{S_\\infty}=\\max_j\\sigma_j(A).\\]\n\n主要的特殊情形包括：\n\n- \\(p=1\\)：核范数或迹范数，\n\n\\[\\|A\\|_*=\\sum_j\\sigma_j(A);\\]\n- \\(p=2\\)：弗罗贝尼乌斯范数；\n- \\(p=\\infty\\)：谱范数。\n\n因此，在记号上必须区分诱导 \\(1\\)-范数与 Schatten \\(1\\)-范数，以及诱导 \\(2\\)-范数与 Schatten \\(2\\)-范数。\n\n核范数在凸优化中很重要，因为它是矩阵的秩的凸替代函数。对核范数施加惩罚，会促使解只有相对较少的显著奇异值，但这并不总能得到与直接最小化秩相同的解。"
    },
    {
      "heading": "比较与等价性",
      "text": "对于秩为 \\(r\\) 的 \\(A\\in\\mathbb F^{m\\times n}\\)，有\n\n\\[\\|A\\|_2\\leq\\|A\\|_F\\leq\\sqrt r\\,\\|A\\|_2,\\]\n\n以及\n\n\\[\\|A\\|_F\\leq\\|A\\|_* \\leq\\sqrt r\\,\\|A\\|_F.\\]\n\n这些不等式可通过比较奇异值的最大值、欧几里得范数及其总和得到。\n\n其他有用的界包括\n\n\\[\\|A\\|_2 \\leq\\sqrt{\\|A\\|_1\\|A\\|_\\infty}\\]\n\n和\n\n\\[\\|A\\|_{\\max} \\leq\\|A\\|_F \\leq\\sqrt{mn}\\,\\|A\\|_{\\max}.\\]\n\n固定的有限维矩阵空间上的所有范数都是等价的：对于任意两个范数 \\(\\|\\cdot\\|_a,\\|\\cdot\\|_b\\)，都存在常数 \\(c,C>0\\)，使得\n\n\\[c\\|A\\|_a\\leq\\|A\\|_b\\leq C\\|A\\|_a\\]\n\n对该空间中的每个矩阵都成立。因此，它们定义了相同的拓扑，也具有相同的收敛序列。\n\n这并不意味着不同范数在定量上可以互换。等价关系中的常数可能依赖于维数，并且可能随着矩阵尺寸增大而无限增长。"
    },
    {
      "heading": "特征值、矩阵幂与收敛性",
      "text": "方阵的谱半径定义为\n\n\\[\\rho(A)=\\max_j|\\lambda_j(A)|.\\]\n\n对于每个具有次乘性的矩阵范数，都有\n\n\\[\\rho(A)\\leq\\|A\\|.\\]\n\n对于正规矩阵，即满足 \\(A^*A=AA^*\\) 的矩阵，谱范数等于谱半径。对于非正规矩阵，二者可能相差很大。例如，\n\n\\[A= \\begin{pmatrix} 0&M\\\\ 0&0 \\end{pmatrix}\\]\n\n满足 \\(\\rho(A)=0\\)，但 \\(\\|A\\|_2=|M|\\)。\n\n由次乘性可得\n\n\\[\\|A^k\\|\\leq\\|A\\|^k.\\]\n\n因此，\\(\\|A\\|<1\\) 是 \\(A^k\\to0\\) 的一个充分条件。其充要条件是 \\(\\rho(A)<1\\)；即使矩阵的幂最终趋于零，某个选定范数的值仍可能大于 \\(1\\)。\n\n更一般地，盖尔范德公式指出，对于固定的有限维方阵空间上的任意范数，\n\n\\[\\rho(A)=\\lim_{k\\to\\infty}\\|A^k\\|^{1/k}.\\]\n\n当某个具有次乘性的范数满足 \\(\\|A\\|<1\\) 时，矩阵等比级数满足\n\n\\[(I-A)^{-1}=\\sum_{k=0}^{\\infty}A^k.\\]\n\n对于诱导范数，还可得到\n\n\\[\\|(I-A)^{-1}\\| \\leq\\frac{1}{1-\\|A\\|}.\\]"
    },
    {
      "heading": "数值应用",
      "text": "条件性与误差界\n\n对于可逆方阵，基于范数的条件数定义为\n\n\\[\\kappa(A)=\\|A\\|\\,\\|A^{-1}\\|,\\]\n\n其中通常采用诱导范数。在谱范数下，\n\n\\[\\kappa_2(A)=\\frac{\\sigma_{\\max}(A)}{\\sigma_{\\min}(A)}.\\]\n\n考虑线性方程组 \\(Ax=b\\)，设近似解为 \\(\\widehat x\\)，残差为 \\(r=b-A\\widehat x\\)。当 \\(b\\) 非零时，利用相应的诱导范数可得\n\n\\[\\frac{\\|x-\\widehat x\\|}{\\|x\\|} \\leq \\kappa(A)\\frac{\\|r\\|}{\\|b\\|}.\\]\n\n因此，当矩阵病态时，残差小并不一定意味着解的相对误差小。条件性描述数学问题本身的敏感性，与算法的数值稳定性不同。\n\n低秩近似\n\n若\n\n\\[A=U\\Sigma V^*\\]\n\n是一个奇异值分解，仅保留最大的 \\(k\\) 个奇异值，就能得到秩至多为 \\(k\\) 的矩阵 \\(A_k\\)。埃卡特–杨–米尔斯基定理给出\n\n\\[\\min_{\\operatorname{rank}(B)\\leq k}\\|A-B\\|_2 = \\sigma_{k+1}(A)\\]\n\n和\n\n\\[\\min_{\\operatorname{rank}(B)\\leq k}\\|A-B\\|_F = \\left(\\sum_{j>k}\\sigma_j(A)^2\\right)^{1/2}.\\]\n\n这些结果为矩阵压缩及与主成分分析相关的方法提供了理论基础。\n\n正则化与计算成本\n\n不同范数对应不同的误差度量或模型复杂度概念。弗罗贝尼乌斯范数惩罚对所有元素或奇异值施加平方惩罚；谱范数约束控制欧几里得范数意义下最坏情况下的放大倍数；核范数惩罚则促使解具有低秩。因此，它们在正则化中的作用不能相互替代。\n\n对于稠密的 \\(m\\times n\\) 矩阵，诱导 \\(1\\)-范数、无穷范数、最大元素范数和弗罗贝尼乌斯范数都可以用 \\(O(mn)\\) 次算术运算直接求得。谱范数和核范数通常需要进行奇异值计算或采用迭代近似。对于大型稀疏矩阵，往往可以利用与 \\(A\\) 和 \\(A^*\\) 的乘积来估计谱范数，而不必显式构造 \\(A^*A\\)。"
    }
  ],
  "links": [
    "matrix",
    "vector-space",
    "norm-mathematics",
    "linear-algebra",
    "numerical-analysis",
    "triangle-inequality",
    "linear-map",
    "identity-matrix",
    "conjugate-transpose",
    "eigenvalues-and-eigenvectors",
    "euclidean-space",
    "singular-value-decomposition",
    "inner-product",
    "matrix-trace",
    "unitary-matrix",
    "convex-optimization",
    "matrix-rank",
    "topology",
    "geometric-series",
    "condition-number",
    "system-of-linear-equations",
    "numerical-stability",
    "principal-component-analysis",
    "regularization",
    "sparse-matrix"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}