002:常见范数的定义和性质

范数 ,对应闵可夫斯基距离 (Minkowski distance) ,其定义如下:

【定义2】Lp范数

假设n维向量 x = ( x 1 , x 2 , ⋯   , x n ) T x = (x_1,x_2,\cdots,x_n)^T x=(x1,x2,,xn)T,其Lp范数记作 ∣ ∣ x ∣ ∣ p ||x||_p xp,定义为
∣ ∣ x ∣ ∣ p = ( ∣ x 1 ∣ p + ∣ x 2 ∣ p + ⋯ + ∣ x n ∣ p ) 1 p ||x||_p = (|x_1|^p+|x_2|^p+\cdots+|x_n|^p)^{\frac{1}{p}} xp=(x1p+x2p++xnp)p1

范数具有如下定义:

  • 正定性: ∣ ∣ x ∣ ∣ ≥ 0 ||x|| \ge 0 x0,且有 ∣ ∣ x ∣ ∣ = 0 ⇔ x = 0 ||x||=0 \Leftrightarrow x=0 x=0x=0
  • 正齐次性: ∣ ∣ c x ∣ ∣ = ∣ c ∣   ∣ ∣ x ∣ ∣ ||cx|| = |c| \ ||x|| cx=c x
  • 次可加性(三角不等式): ∣ ∣ x + y ∣ ∣ ≤ ∣ ∣ x ∣ ∣ + ∣ ∣ y ∣ ∣ ||x+y|| \le ||x|| + ||y|| x+yx+y

将0、1、2、 + ∞ +\infty +分别代入上述定义,就得到了常见的 L0范数L1范数L2范数无穷范数

L0范数

【定义3】L0范数

假设n维向量 x = ( x 1 , x 2 , ⋯   , x n ) T x = (x_1,x_2,\cdots,x_n)^T x=(x1,x2,,xn)T,其L0范数记作 ∣ ∣ x ∣ ∣ 0 ||x||_0 x0,定义为向量中非0元素的个数。

L1范数

【定义4】L1范数

假设n维向量 x = ( x 1 , x 2 , ⋯   , x n ) T x = (x_1,x_2,\cdots,x_n)^T x=(x1,x2,,xn)T,其L1范数记作 ∣ ∣ x ∣ ∣ 1 ||x||_1 x1,定义为
∣ ∣ x ∣ ∣ 1 = ∣ x 1 ∣ + ∣ x 2 ∣ + ⋯ + ∣ x n ∣ ||x||_1 = |x_1|+|x_2|+\cdots+|x_n| x1=x1+x2++xn

向量的L1范数即为向量中各个元素绝对值之和,对应曼哈顿距离 (Manhattan distance)。

L2范数

【定义5】L2范数

假设n维向量 x = ( x 1 , x 2 , ⋯   , x n ) T x = (x_1,x_2,\cdots,x_n)^T x=(x1,x2,,xn)T,其L2范数记作 ∣ ∣ x ∣ ∣ 2 ||x||_2 x2,定义为
∣ ∣ x ∣ ∣ 2 = ( ∣ x 1 ∣ 2 + ∣ x 2 ∣ 2 + ⋯ + ∣ x n ∣ 2 ) 1 2 ||x||_2 = (|x_1|^2+|x_2|^2+\cdots+|x_n|^2)^{\frac{1}{2}} x2=(x12+x22++xn2)21

向量的L2范数即为向量中各个元素平方和的平方根,对应欧式距离 (Manhattan distance)。

无穷范数

【定义6】无穷范数

假设n维向量 x = ( x 1 , x 2 , ⋯   , x n ) T x = (x_1,x_2,\cdots,x_n)^T x=(x1,x2,,xn)T,其无穷范数记作 ∣ ∣ x ∣ ∣ ∞ ||x||_\infty x,定义为
∣ ∣ x ∣ ∣ ∞ = m a x ( ∣ x 1 ∣ , ∣ x 2 ∣ , ⋯   , ∣ x n ∣ ) ||x||_\infty = max(|x_1|,|x_2|,\cdots,|x_n|) x=max(x1,x2,,xn)

向量的无穷范数即为向量中各个元素绝对值的最大值,对应切比雪夫距离 (Chebyshev distance)。

已标记关键词 清除标记
相关推荐
©️2020 CSDN 皮肤主题: 游动-白 设计师:白松林 返回首页