矩阵范数和奇异值分解.pdf
文本预览下载声明
动态系统及控制讲义
Mohammed Dahleh Munther A. Dahleh George Verghese
电气工程与计算机科学系
麻省理工学院1
1©
第四章
矩阵范数和奇异值分解
4.1 引言
在这一讲中,我们将引入矩阵范数的概念。之后会介绍矩阵的奇异值分解或者叫SVD。SVD
揭示了矩阵的2 范数,它的值意义更大:它使一大类矩阵扰动问题得以解决,同时也为后面
稳定鲁棒性的概念打下基础;它还解决了所谓的完全最小二乘问题,该问题是我们前面讲的
最小二乘问题的推广;还帮我们澄清在矩阵求逆计算中碰到的态性的概念。在下一讲中,我
们会花更大的篇幅来叙说SVD 的应用。
例 4.1 为了提高大家对矩阵范数研究和应用的兴趣,我们首先从一个例子开始,该例子提
出了与矩阵求逆有关的矩阵态性问题。我们所感兴趣的问题是矩阵求逆对矩阵扰动的敏
感程度。
考虑求下列矩阵的逆
马上就可以求得
现在我们假设对一个受到扰动的矩阵求逆
求逆后,结果就成了
在这里 表示A 中的扰动, 表示 中的扰动。显然 中一项 的变化
会导致 中 的变化。如果我们解 ,其中 ,得到
,加入扰动后,解得 。
在这个结果中,我们仍然可以清楚的看到开始数据仅有 的变化,却导致解产生
的变化。
以上例子中我们看到的要比在标量情况下差的多。如果 是标量,那么
,所以 的倒数中小数部分的变化和 的变化在同一量级上。
因此,在上例中的现象完全是在矩阵的时候才出现的。看上去好像和 是近似奇异的事实
有关——因为它的列几乎不独立,且它的行列式值要比它的最大元素小很多,等等。随后(见
下一讲),我们会找到衡量奇异程度的合理方法,同时还要说明在求逆情况下,这种方法和
灵敏度的关系如何。
在理解这种灵敏度和扰动的细节关系之前,我们首先要找到度量向量和矩阵量级的方
法。在第一讲中我们已经引入了向量范数的概念,所以我们现在来看一下矩阵范数的定义。
4.2 矩阵范数
一个 维复数矩阵可以看成(有限维)赋范向量空间 中的一个算子:
其中,这里的范数指的是标准欧氏范数。定义 的归纳2-范数如下:
术语“归纳”是指在向量 和 的范数的基础上,使得以上矩阵范数的定义有意义。该定
义中,归纳范数表示矩阵 在 中单位圆上向量扩大的倍数,也就是说,它表示矩阵的
增益。
除了用2-范数来度量向量 和 ,我们还可以用 范数,感兴趣的是 的情
况。它的定义是:
需要考虑的一个很重要的问题是,在第一讲向量范数定义的情况下,归纳范数是否是真
正的范数呢?下面,我们来回顾定义范数的三个条件:
现在我们证明 是 上的范数——利用前面的定义:
1.对任意 都有 ,所以 。进一步有 ,因为
是 在单位圆上的最大值。
2 .对任意的 ,由 得 。
3 .三角不等式仍然成立,因为:
归纳范数有两条额外重要的性质:
1. ,它是由定义直接推得的结论;
2 .对于
称为子乘性质。也可以直接由定义得出:
除以 得:
由此我们得出结果。
归纳 2-范数将是本讲以及下一讲的重点,在我们深入研究它的更多细
显示全部