免费矩阵范数计算器

理解矩阵范数

矩阵范数是线性代数中的基本概念，用于量化矩阵对向量的拉伸或压缩效应。与测量向量长度的向量范数不同，矩阵范数表示单位向量与矩阵相乘时被缩放的最大因子。诱导范数的定义表示为：

$$\Vert A \Vert = \max_{\Vert \mathbf{x} \Vert = 1} \Vert A \mathbf{x} \Vert,$$

其中 $A$ 是 $m \times n$ 矩阵，$\mathbf{x}$ 是 $n \times 1$ 单位向量。结果 $\Vert A \mathbf{x} \Vert$ 取决于所选的向量范数，派生出不同的矩阵范数，如1-范数、2-范数和无穷范数。

此计算器计算最大尺寸为 $3 \times 3$ 的矩阵的五个最常见的矩阵范数。它融合了弗罗贝尼乌斯范数计算器、1-范数计算器、2-范数计算器、无穷范数计算器和最大范数计算器于一体。

常见矩阵范数及其公式

1-范数（最大列和）

矩阵的1-范数是最大绝对列和：

$$\Vert A \Vert_1 = \max_{1 \le j \le n} \sum_{i=1}^{m} |a_{ij}|.$$

无穷范数（最大行和）

无穷范数是最大绝对行和：

$$\Vert A \Vert_\infty = \max_{1 \le i \le m} \sum_{j=1}^{n} |a_{ij}|.$$

2-范数（谱范数）

2-范数（也称为谱范数）等于最大奇异值。计算方法为取 $A^T A$ 的最大特征值的平方根：

$$\Vert A \Vert_2 = \sqrt{\lambda_{\max}(A^T A)}.$$

弗罗贝尼乌斯范数（矩阵欧几里得范数）

弗罗贝尼乌斯范数（有时称为矩阵欧几里得范数）是所有元素的平方和的平方根，等价于 $A^T A$ 的迹的平方根：

$$\Vert A \Vert_F = \sqrt{\operatorname{tr}(A^T A)} = \sqrt{\sum_{i=1}^{m} \sum_{j=1}^{n} a_{ij}^2}.$$

值得注意的是，$n \times n$ 单位矩阵的弗罗贝尼乌斯范数是 $\sqrt{n}$。

最大范数

最大范数仅选取矩阵中绝对值最大的元素：

$$\Vert A \Vert_{\max} = \max_{i,j} |a_{ij}|.$$

示例：实际计算范数

为了演示这些公式如何工作，考虑一个 $3 \times 3$ 的矩阵。1-范数和无穷范数分别通过列和与行和得到。对于2-范数，我们构造 $A^T A$，求其特征值（最大特征值 $136.19$），然后取平方根得到 $\Vert A \Vert_2 \approx 11.67$。弗罗贝尼乌斯范数使用 $A^T A$ 的迹。最后，最大范数就是绝对值最大的元素；在此示例中，该元素为 $9$，因此 $\Vert A \Vert_{\max} = 9$。

此示例说明了每个定义的直接应用。

使用矩阵范数计算器

对不同矩阵手动重复这些计算可能很繁琐。此工具简化了流程：选择矩阵尺寸（最大 $3 \times 3$），输入元素，计算器立即显示所有五种范数。无需手动计算特征值或求和——结果会显示1-范数、无穷范数、2-范数、弗罗贝尼乌斯范数和最大范数。

重要说明

• 矩阵范数也对矩形矩阵有定义；涉及的特征值和迹从方阵 $A^T A$ 计算得出。
• 当矩阵压缩向量时，矩阵范数可能小于1；范数为零表示矩阵将所有向量映射为零向量。
• 带下标的符号 $\Vert A \Vert$ 表示特定的诱导范数，不应与行列式 $|A|$ 混淆。

这个矩阵范数计算器提供了一种高效获取这些基本线性代数度量的方式，使其成为学生、工程师以及其他处理矩阵的人员的多功能工具。