精华内容
下载资源
问答
  • 范数运算

    2020-06-13 16:02:44
    L0范数:主要被用来度量向量中非零元素的个数。 L1范数:向量x中非零元素的绝对值之和。(曼哈顿距离、最小绝对误差)使用L1范数可以度量两个向量间的差异,如绝对误差和。 L2范数:A的转置共轭矩阵与矩阵A的积的...
    L0范数:主要被用来度量向量中非零元素的个数。
    

    L1范数:向量x中非零元素的绝对值之和。(曼哈顿距离、最小绝对误差)使用L1范数可以度量两个向量间的差异,如绝对误差和。

    L2范数:A的转置共轭矩阵与矩阵A的积的最大特征根的平方根值,是指空间上两个向量矩阵的直线距离(欧几里德范数,谱范数)。

    L无穷范数:无穷范数,它主要被用来度量向量元素的最大值。

     

    转载于:https://www.cnblogs.com/lin-kid/p/11178328.html

    展开全文
  • 本片借鉴于https://blog.csdn.net/u013534498/article/details/52674008https://blog.csdn.net/left_la/article/details/9159949向量范数当p=1时,即为各个向量的元素绝对值之和>> norm(x,1) ans = ...

    本片借鉴于

    https://blog.csdn.net/u013534498/article/details/52674008

    https://blog.csdn.net/left_la/article/details/9159949

    向量范数


    当p=1时,即为各个向量的元素绝对值之和

    >> norm(x,1)
    
    ans =
    
        21
    
    >> x
    
    x =
    
         1     2     3     4     5     6
    
    >> norm(x,1)
    
    ans =
    
        21

    当p=2时,向量元素绝对值的平方和再开方

    >> norm(x,2)
    
    ans =
    
        9.5394

    当p=+∞,即所有向量元素绝对值中的最大值

    当p=-∞,即所有向量元素绝对值中的最小值

    >> norm(x,inf)
    
    ans =
    
         6
    
    >> norm(x,-inf)
    
    ans =
    
         1

    矩阵范数

           即所有矩阵列向量绝对值之和的最大值  

        即A'A矩阵的最大特征值的开平方

    当矩阵维数较大时,会导致计算矩阵范数的时间比较长,并且当一个近似的范数满足要求时,可以考虑使用函数normest( )来估计二阶范数值。

    【这里额外补充一下怎么求矩阵的最大特征值】

    eig(A):求包含矩阵A的特征值的向量

    [X,D]=eig(A),产生一个矩阵A的特征值在对角线上的对角矩阵D和矩阵X,他们的列是相应的特征向量,满足AX=XD。

    >> a=[0.8 0.2;0.2 0.8]
    
    a =
    
        0.8000    0.2000
        0.2000    0.8000
    
    >> [q,d]=eig(a)
    
    q =
    
       -0.7071    0.7071
        0.7071    0.7071
    
    
    d =
    
        0.6000         0
             0    1.0000

        即所有矩阵行向量绝对值之和的最大值

    >> a=[1 2 3;4 5 6;7 8 9]
    
    a =
    
         1     2     3
         4     5     6
         7     8     9
    
    >> norm(a)
    
    ans =
    
       16.8481
    
    >> norm(a,1)
    
    ans =
    
        18
    
    >> norm(a,2)
    
    ans =
    
       16.8481
    
    >> norm(a,inf)
    
    ans =
    
        24

    展开全文
  • 1.范数(norm)的意义 要更好的理解范数,就要从函数、几何与矩阵的角度去理解。 我们都知道,函数与几何图形往往是有对应的关系,这个很好想象,特别是在三维以下的空间内,函数是几何图像的数学概括,而几何图像是...

    refer:    http://blog.csdn.net/bitcarmanlee/article/details/51945271

    1.范数(norm)的意义

    要更好的理解范数,就要从函数、几何与矩阵的角度去理解。
    我们都知道,函数与几何图形往往是有对应的关系,这个很好想象,特别是在三维以下的空间内,函数是几何图像的数学概括,而几何图像是函数的高度形象化,比如一个函数对应几何空间上若干点组成的图形。
    但当函数与几何超出三维空间时,就难以获得较好的想象,于是就有了映射的概念,映射表达的就是一个集合通过某种关系转为另外一个集合。通常数学书是先说映射,然后再讨论函数,这是因为函数是映射的一个特例。
    为了更好的在数学上表达这种映射关系,(这里特指线性关系)于是就引进了矩阵。这里的矩阵就是表征上述空间映射的线性关系。而通过向量来表示上述映射中所说的这个集合,而我们通常所说的基,就是这个集合的最一般关系。于是,我们可以这样理解,一个集合(向量),通过一种映射关系(矩阵),得到另外一个几何(另外一个向量)。
    那么向量的范数,就是表示这个原有集合的大小。
    而矩阵的范数,就是表示这个变化过程的大小的一个度量。

    总结起来一句话,范数(norm),是具有“长度”概念的函数。

    2.范数满足的三个特性

    1.非负性: ||x||0,且||x||=0当且仅当x=0时成立 。
    2.齐次性: ||kx||=|k|||x||
    3.三角不等式: ||x+y||||x||+||y||

    3.向量的范数

    1-范数,计算方式为向量所有元素的绝对值之和。

    ||x||1=in|xi|

    2-范数,计算方式跟欧式距离的方式一致。
    ||x||2=(i=1n|xi|2)2

    -范数,所有向量元素中的最大值。
    ||x||=maxi|xi|

    -范数,所有向量元素中的最小值。
    ||x||=mini|xi|

    p-范数,所有向量元素绝对值的p次方和的1/p次幂。
    ||x||p=(i=1n|xi|p)1p

    4.矩阵的范数

    首先假设矩阵的大小为mn,即m行n列。

    1-范数,又名列和范数。顾名思义,即矩阵列向量中绝对值之和的最大值。

    ||A||1=maxji=1m|aij|

    2-范数,又名谱范数,计算方法为ATA矩阵的最大特征值的开平方。
    ||A||2=λ1

    其中λ1ATA的最大特征值。

    -范数,又名行和范数。顾名思义,即矩阵行向量中绝对值之和的最大值。

    ||A||=maxji=1n|aij|

    F-范数,Frobenius范数,计算方式为矩阵元素的绝对值的平方和再开方。

    ||A||F=i=1mj=1n|aij|212

    5.在python里计算范数

    numpy包里的linalg模块,是专门处理基本线性代数问题的模块。借助该模块中的norm()函数可以轻松计算向量与矩阵的范数。

    先看看norm()方法的原型:

    def norm(x, ord=None, axis=None, keepdims=False):
        """
        Matrix or vector norm.
    
        This function is able to return one of eight different matrix norms,
        or one of an infinite number of vector norms (described below), depending
        on the value of the ``ord`` parameter.
    
        Parameters
        ----------
        x : array_like
            Input array.  If `axis` is None, `x` must be 1-D or 2-D.
        ord : {non-zero int, inf, -inf, 'fro', 'nuc'}, optional
            Order of the norm (see table under ``Notes``). inf means numpy's
            `inf` object.
        axis : {int, 2-tuple of ints, None}, optional
            If `axis` is an integer, it specifies the axis of `x` along which to
            compute the vector norms.  If `axis` is a 2-tuple, it specifies the
            axes that hold 2-D matrices, and the matrix norms of these matrices
            are computed.  If `axis` is None then either a vector norm (when `x`
            is 1-D) or a matrix norm (when `x` is 2-D) is returned.
        keepdims : bool, optional
            If this is set to True, the axes which are normed over are left in the
            result as dimensions with size one.  With this option the result will
            broadcast correctly against the original `x`.
    
            .. versionadded:: 1.10.0
    
        Returns
        -------
        n : float or ndarray
            Norm of the matrix or vector(s).
    
        Notes
        -----
        For values of ``ord <= 0``, the result is, strictly speaking, not a
        mathematical 'norm', but it may still be useful for various numerical
        purposes.
    
        The following norms can be calculated:
    
        =====  ============================  ==========================
        ord    norm for matrices             norm for vectors
        =====  ============================  ==========================
        None   Frobenius norm                2-norm
        'fro'  Frobenius norm                --
        'nuc'  nuclear norm                  --
        inf    max(sum(abs(x), axis=1))      max(abs(x))
        -inf   min(sum(abs(x), axis=1))      min(abs(x))
        0      --                            sum(x != 0)
        1      max(sum(abs(x), axis=0))      as below
        -1     min(sum(abs(x), axis=0))      as below
        2      2-norm (largest sing. value)  as below
        -2     smallest singular value       as below
        other  --                            sum(abs(x)**ord)**(1./ord)
        =====  ============================  ==========================
    
        The Frobenius norm is given by [1]_:
    
            :math:`||A||_F = [\\sum_{i,j} abs(a_{i,j})^2]^{1/2}`
    
        The nuclear norm is the sum of the singular values.
    
        References
        ----------
        .. [1] G. H. Golub and C. F. Van Loan, *Matrix Computations*,
               Baltimore, MD, Johns Hopkins University Press, 1985, pg. 15
     


    再看看更为详细的计算说明:

    Examples
        --------
        >>> from numpy import linalg as LA
        >>> a = np.arange(9) - 4
        >>> a
        array([-4, -3, -2, -1,  0,  1,  2,  3,  4])
        >>> b = a.reshape((3, 3))
        >>> b
        array([[-4, -3, -2],
               [-1,  0,  1],
               [ 2,  3,  4]])
    
        >>> LA.norm(a)
        7.745966692414834
        >>> LA.norm(b)
        7.745966692414834
        >>> LA.norm(b, 'fro')
        7.745966692414834
        >>> LA.norm(a, np.inf)
        4.0
        >>> LA.norm(b, np.inf)
        9.0
        >>> LA.norm(a, -np.inf)
        0.0
        >>> LA.norm(b, -np.inf)
        2.0
    
        >>> LA.norm(a, 1)
        20.0
        >>> LA.norm(b, 1)
        7.0
        >>> LA.norm(a, -1)
        -4.6566128774142013e-010
        >>> LA.norm(b, -1)
        6.0
        >>> LA.norm(a, 2)
        7.745966692414834
        >>> LA.norm(b, 2)
        7.3484692283495345
    
        >>> LA.norm(a, -2)
        nan
        >>> LA.norm(b, -2)
        1.8570331885190563e-016
        >>> LA.norm(a, 3)
        5.8480354764257312
        >>> LA.norm(a, -3)
        nan
    
        Using the `axis` argument to compute vector norms:
    
        >>> c = np.array([[ 1, 2, 3],
        ...               [-1, 1, 4]])
        >>> LA.norm(c, axis=0)
        array([ 1.41421356,  2.23606798,  5.        ])
        >>> LA.norm(c, axis=1)
        array([ 3.74165739,  4.24264069])
        >>> LA.norm(c, ord=1, axis=1)
        array([ 6.,  6.])
    
        Using the `axis` argument to compute matrix norms:
    
        >>> m = np.arange(8).reshape(2,2,2)
        >>> LA.norm(m, axis=(1,2))
        array([  3.74165739,  11.22497216])
        >>> LA.norm(m[0, :, :]), LA.norm(m[1, :, :])
        (3.7416573867739413, 11.224972160321824)
    
        """


    看到上面这个表以后,同学们应该特别清楚了吧。

    展开全文
  • 向量范数与矩阵范数定义和python相关运算示例1.范数(norm)的意义要更好的理解范数,就要从函数、几何与矩阵的角度去理解。 我们都知道,函数与几何图形往往是有对应的关系,这个很好想象,特别是在三维以下的空间内...

    向量范数与矩阵范数定义和python向量矩阵运算示例

    1.范数(norm)的意义

    要更好的理解范数,就要从函数、几何与矩阵的角度去理解。 
    我们都知道,函数与几何图形往往是有对应的关系,这个很好想象,特别是在三维以下的空间内,函数是几何图像的数学概括,而几何图像是函数的高度形象化,比如一个函数对应几何空间上若干点组成的图形。 
    但当函数与几何超出三维空间时,就难以获得较好的想象,于是就有了映射的概念,映射表达的就是一个集合通过某种关系转为另外一个集合。通常数学书是先说映射,然后再讨论函数,这是因为函数是映射的一个特例。 
    为了更好的在数学上表达这种映射关系,(这里特指线性关系)于是就引进了矩阵。这里的矩阵就是表征上述空间映射的线性关系。而通过向量来表示上述映射中所说的这个集合,而我们通常所说的基,就是这个集合的最一般关系。于是,我们可以这样理解,一个集合(向量),通过一种映射关系(矩阵),得到另外一个几何(另外一个向量)。 
    那么向量的范数,就是表示这个原有集合的大小。 
    而矩阵的范数,就是表示这个变化过程的大小的一个度量。

    总结起来一句话,范数(norm),是具有“长度”概念的函数。

    2.范数满足的三个特性

    1.非负性: ||x||0||x||≥0,且||x||=0||x||=0当且仅当x=0x=0时成立 。 
    2.齐次性: ||kx||=|k|||x||||k⋅x||=|k|⋅||x|| 
    3.三角不等式: ||x+y||||x||+||y||||x+y||≤||x||+||y||

    3.向量的范数

    1-范数,计算方式为向量所有元素的绝对值之和。 

    ||x||1=in|xi|||x||1=∑in|xi|

    2-范数,计算方式跟欧式距离的方式一致。 
    ||x||2=(i=1n|xi|2)12||x||2=(∑i=1n|xi|2)12

    -范数,所有向量元素中的最大值。 
    ||x||=maxi|xi|||x||∞=maxi|xi|

    −∞-范数,所有向量元素中的最小值。 
    ||x||=mini|xi|||x||−∞=mini|xi|

    pp-范数,所有向量元素绝对值的p次方和的1/p次幂。 
    ||x||p=(i=1n|xi|p)1p||x||p=(∑i=1n|xi|p)1p

    4.矩阵的范数

    首先假设矩阵的大小为mnm∗n,即m行n列。

    1-范数,又名列和范数。顾名思义,即矩阵列向量中绝对值之和的最大值。 

    ||A||1=maxji=1m|aij|||A||1=maxj∑i=1m|aij|

    2-范数,又名谱范数,计算方法为ATAATA矩阵的最大特征值的开平方。 
    ||A||2=λ1||A||2=λ1

    其中λ1λ1ATAATA的最大特征值。

    -范数,又名行和范数。顾名思义,即矩阵行向量中绝对值之和的最大值。 

    ||A||=maxji=1n|aij|||A||∞=maxj∑i=1n|aij|

    F-范数,Frobenius范数,计算方式为矩阵元素的绝对值的平方和再开方。 

    ||A||F=(i=1mj=1n|aij|2)12||A||F=(∑i=1m∑j=1n|aij|2)12

    5.在python里计算范数

    numpy包里的linalg模块,是专门处理基本线性代数问题的模块。借助该模块中的norm()函数可以轻松计算向量与矩阵的范数。

    先看看norm()方法的原型:

    def norm(x, ord=None, axis=None, keepdims=False):
        """
        Matrix or vector norm.
    
        This function is able to return one of eight different matrix norms,
        or one of an infinite number of vector norms (described below), depending
        on the value of the ``ord`` parameter.
    
        Parameters
        ----------
        x : array_like
            Input array.  If `axis` is None, `x` must be 1-D or 2-D.
        ord : {non-zero int, inf, -inf, 'fro', 'nuc'}, optional
            Order of the norm (see table under ``Notes``). inf means numpy's
            `inf` object.
        axis : {int, 2-tuple of ints, None}, optional
            If `axis` is an integer, it specifies the axis of `x` along which to
            compute the vector norms.  If `axis` is a 2-tuple, it specifies the
            axes that hold 2-D matrices, and the matrix norms of these matrices
            are computed.  If `axis` is None then either a vector norm (when `x`
            is 1-D) or a matrix norm (when `x` is 2-D) is returned.
        keepdims : bool, optional
            If this is set to True, the axes which are normed over are left in the
            result as dimensions with size one.  With this option the result will
            broadcast correctly against the original `x`.
    
            .. versionadded:: 1.10.0
    
        Returns
        -------
        n : float or ndarray
            Norm of the matrix or vector(s).
    
        Notes
        -----
        For values of ``ord <= 0``, the result is, strictly speaking, not a
        mathematical 'norm', but it may still be useful for various numerical
        purposes.
    
        The following norms can be calculated:
    
        =====  ============================  ==========================
        ord    norm for matrices             norm for vectors
        =====  ============================  ==========================
        None   Frobenius norm                2-norm
        'fro'  Frobenius norm                --
        'nuc'  nuclear norm                  --
        inf    max(sum(abs(x), axis=1))      max(abs(x))
        -inf   min(sum(abs(x), axis=1))      min(abs(x))
        0      --                            sum(x != 0)
        1      max(sum(abs(x), axis=0))      as below
        -1     min(sum(abs(x), axis=0))      as below
        2      2-norm (largest sing. value)  as below
        -2     smallest singular value       as below
        other  --                            sum(abs(x)**ord)**(1./ord)
        =====  ============================  ==========================

    我的例子:

    #!/usr/bin/env python
    # coding:utf-8
    import numpy as np
    import numpy.linalg as LA
    
    def compute_norm():
        mat = np.matrix([[1,2],[3,4]])
        print "mat:\n", mat
        inv_mat = np.linalg.inv(mat)
        print "inv_mat:\n",inv_mat
    
    def vector_norm():
        a = np.arange(9) - 4
        print a
        print LA.norm(a, np.inf)  # 无穷范数
        print LA.norm(a, -np.inf)  # 负无穷范数
        print LA.norm(a, 1)  # 1范数
        print LA.norm(a, 2)  # 2范数
    
    def matrix_norm():
        a = np.arange(9) - 4
        print a
        b = a.reshape(3, 3)
        print "b:\n",b
        b_t = np.transpose(b)
        print "b_t:\n",b_t
        b_new = np.dot(b_t, b)  # b_new矩阵为b^t * b
        print "b_new:\n",b_new
    
        x_eigvals = np.linalg.eigvals(b_new)  # 求b_new矩阵的特征值
        print "x_eigvals:\n",x_eigvals
    
        print LA.norm(b, 1)  # 列范数
        print LA.norm(b, 2)  # 谱范数,为x里最大值开平方
        print LA.norm(b, np.inf)  # 无穷范数,行范数
        print LA.norm(b, "fro")  # F范数
    print "数组转换为矩阵及矩阵求逆:\n"
    compute_norm()
    print "向量范数相关运算:\n"
    vector_norm()
    print "矩阵范数相关运算:\n"
    matrix_norm()

    结果如下:

    数组转换为矩阵及矩阵求逆:
    
    mat:
    [[1 2]
     [3 4]]
    inv_mat:
    [[-2.   1. ]
     [ 1.5 -0.5]]
    向量范数相关运算:
    
    [-4 -3 -2 -1  0  1  2  3  4]
    4.0
    0.0
    20.0
    7.74596669241
    矩阵范数相关运算:
    
    [-4 -3 -2 -1  0  1  2  3  4]
    b:
    [[-4 -3 -2]
     [-1  0  1]
     [ 2  3  4]]
    b_t:
    [[-4 -1  2]
     [-3  0  3]
     [-2  1  4]]
    b_new:
    [[21 18 15]
     [18 18 18]
     [15 18 21]]
    x_eigvals:
    [  5.40000000e+01   6.00000000e+00   5.99792822e-16]
    7.0
    7.34846922835
    9.0
    7.74596669241
    
    Process finished with exit code 0

    numpy中mat和python的list转换例子

    >>> import numpy
    >>> a=[[1,2],[3,4],[5,6]]
    >>> a
    [[1, 2], [3, 4], [5, 6]]
    >>> b=numpy.mat(a)
    >>> b
    matrix([[1, 2],
            [3, 4],
            [5, 6]])
    >>> c=b.tolist()
    >>> c
    [[1, 2], [3, 4], [5, 6]]

    参考:https://blog.csdn.net/bitcarmanlee/article/details/51945271

    展开全文
  • 范数

    2020-12-18 10:31:17
    范数是一种强化的距离概念,为了便于...对于矩阵范数,学过线性代数,我们知道,通过运算AX=B,可以将向量X变化为B,矩阵范数就是来度量这个变化大小的。 一、向量范数 1. 概念 范数是具有“长度”的函数,用来度量某
  • 接着上一讲,我们继续考虑收缩运算(Shrinkage)的扩展,即如果L1范数优化替换为L2范数优化,是否依然能够得到简洁的解呢? 将L1范数更换为L2范数,考虑如下的优化问题:  (1) 上式关于变量x求导,得到一阶...
  • 1.范数Lp 用处:均方误差MSE。估计用另一个离散信号逼近某离散时间信号所产生的误差 MSE=(1/N)*(||y[n]-x[n]||2)2 2.序列的运算 1.相乘 用处:调制。例如余弦调制。 2.标量乘 用处:音量放大缩小。 3.加 ...
  • 几种范数的简单介绍

    万次阅读 多人点赞 2016-06-25 10:48:05
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵范数...
  • 范数(norm) 几种范数的简单介绍

    万次阅读 多人点赞 2018-06-04 17:06:45
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵范数...
  • 1、向量范数1-范数:,即向量元素绝对值之和,matlab调用函数norm(x,1)。2-范数:,Euclid范数(欧几里得范数,常用计算向量长度),即向量元素绝对值的平方和再开方,matlab调用函数norm(x,2)。∞-范数:,即所有向量...
  • 范数学习

    2019-09-25 11:03:18
    为了掌握各个范数运算 在网上整理一些资料 矩阵二范数是矩阵的最大奇异值 矩阵F范数是矩阵每个元素的平方和。元素平方和可以看为矩阵乘以矩阵本身后所得方阵的迹, 即方阵的奇异值的和,也就是原矩阵的奇异值的...
  • 范数简介

    2018-08-12 19:57:49
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。 在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵范数...
  • 范数理解

    2018-05-02 20:42:43
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。可以简单把范数当作距离来理解。 范数分为:向量范数和矩阵范数。向量范数表征向量空间中向量的大小,矩阵范数表征矩阵引起变化的大小。 并...
  • 已知矩阵A,求证 。证明:设A是 m 行 n 列的矩阵。...那么:因为迹运算返回的是矩阵对角线元素的和,所以:是矩阵 A 第 i 行的行向量。 是矩阵 A 第 i 行行向量的內积。那么:根据Frobenius 范数的定义:
  • 范数知识

    2018-11-05 15:08:03
    欢迎支持原作者 什么是范数?...范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。 在数学上,范数包括向量范数和矩阵范...
  • 难以理解的Axis参数何为axis参数如何记忆 何为axis参数 ...假设有一个三维矩阵X,X.shape=(3,4,5)X.shape = (3, 4, 5)X.shape=(3,4,5),对不同维度进行求和运算,如下: Y1=np.sum(X,axis=0)Y_1=np.sum...
  • 范数和机器学习中的范数

    千次阅读 2018-10-08 10:55:19
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。 在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵范数...
  • 继上次番外篇之后,我们又回归到正篇来,继续学习向量内积运算。如果说定义法是步行,投影法是坐公交,那么今天要学习的极化恒等式就是做地铁,做地铁速度就快了不少,但是地铁的线路就相对少了一些。下面我们来看看...
  • 范数简单理解

    万次阅读 多人点赞 2018-04-20 09:14:22
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵范数...
  • 范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵范数...
  • 什么是范数

    千次阅读 2017-09-05 19:35:30
    范数是一种强化了的距离概念,它在定义上比距离多了一条数乘的运算法则。有时候为了便于理解,我们可以把范数当作距离来理解。 在数学上,范数包括向量范数和矩阵范数,向量范数表征向量空间中向量的大小,矩阵...

空空如也

空空如也

1 2 3 4 5 ... 15
收藏数 292
精华内容 116
关键字:

范数运算