定义Definition

矩阵范数与诱导算子范数

Matrix norm · Induced matrix norm · Operator norm of a matrix

用诱导范数和常用可计算矩阵范数度量线性映射的放大能力，并区分算子范数、Frobenius 范数与谱半径。

形式陈述

矩阵空间上的范数首先满足正定性、绝对齐次性与三角不等式。若还对可乘矩阵满足

\|AB\|\le \|A\|\,\|B\|,

则称它次乘；若给定输入、输出向量范数后满足 $\|Ax\|_Y\le\|A\|\|x\|_X$ ，则称它与这组向量范数相容。选择定义域范数 $\|\cdot\|_X$ 与值域范数 $\|\cdot\|_Y$ 后，由矩阵代表的线性映射自然得到诱导范数

\|A\|_{X\to Y} =\sup_{x\ne0}\frac{\|Ax\|_Y}{\|x\|_X} =\sup_{\|x\|_X=1}\|Ax\|_Y.

上述两个上确界公式用于非零定义域；若定义域是零空间，唯一线性映射的算子范数按最小放大常数取为零，不对空单位球取通常实数上确界。

它正是抽象算子范数在有限维坐标中的形式，表示单位输入可能遭受的最大放大。若矩阵串接 $A:X\to Y$ 与 $B:Z\to X$ ，相应尺度给出 $\|AB\|_{Z\to Y}\le\|A\|_{X\to Y}\|B\|_{Z\to X}$ ；省略空间下标只在首尾范数约定清楚时安全。

对 $A=(a_{ij})\in\mathbb F^{m\times n}$ 、 $m,n\ge1$ ，最常用的三种诱导范数为

\|A\|_1=\max_{1\le j\le n}\sum_{i=1}^m|a_{ij}|, \qquad \|A\|_\infty=\max_{1\le i\le m}\sum_{j=1}^n|a_{ij}|,

以及

\|A\|_2=\sigma_{\max}(A).

若行数或列数为零，矩阵代表零映射，各范数均为零；此时不使用没有元素的最大值或最大奇异值记号。前两式分别是最大绝对列和与最大绝对行和。无穷范数的上界来自 $|(Ax)_i|\le\sum_j|a_{ij}|\|x\|_\infty$ ；选最大行和对应的行，再选各 $x_j$ 的符号或复相位使这一行的各项同向，就能取到上界。列和公式可用最大列对应的单位向量取到。因此二者确实是最坏方向的放大量； $2$ -范数由最大奇异值给出。Frobenius 范数

\|A\|_F =\left(\sum_{i,j}|a_{ij}|^2\right)^{1/2} =\left(\sum_i\sigma_i^2\right)^{1/2}

也次乘，并满足 $\|Ax\|_2\le\|A\|_F\|x\|_2$ ，但在维数大于一时不是某个同空间向量范数的诱导矩阵范数：任何这样的诱导范数都有 $\|I\|=1$ ，而 $\|I_n\|_F=\sqrt n$ 。奇异值还给出

\|A\|_2\le\|A\|_F \le\sqrt{\operatorname{rank}(A)}\,\|A\|_2,

所以二者可以互相估计，维数因子却不能无声省略。

直觉

向量范数规定输入和输出各自怎样量尺寸，诱导矩阵范数就在这套尺子下寻找最容易被放大的方向。变量若带不同物理单位，先选缩放再量范数尤其重要；否则“最大增益”可能只是单位换算的产物。换一种向量范数或坐标尺度，同一矩阵的数值大小都会改变。

Frobenius 范数采用另一幅图像：它把矩阵的全部元素，等价地全部奇异值，当作一个长向量计算总能量。它容易求、对酉变换不变，却不直接回答某个单位输入最多会被放大多少。把两类范数都统称为 operator norm，会抹掉这个区别。

例子与边界

取

A=\begin{pmatrix}1&-2\\3&0\end{pmatrix}.

最大列和与最大行和分别给出

\|A\|_1=4,\qquad \|A\|_\infty=3,

而 $\|A\|_F=\sqrt{14}$ 。同时 $\|A^*\|_1=\|A\|_\infty$ ，这项恒等式允许用转置在行和、列和之间切换。由于

A^*A=\begin{pmatrix}10&-2\\-2&4\end{pmatrix}

的最大特征值为 $7+\sqrt{13}$ ，所以 $\|A\|_2=\sqrt{7+\sqrt{13}}\approx3.2566$ 。这些数都正确，只是在回答不同的尺度问题，不能省略下标后直接比较。

对正阶方阵，谱半径 $\rho(A)=\max_i|\lambda_i|$ 不超过任意诱导范数，但通常不等于它。非正规矩阵

B_M=\begin{pmatrix}1&M\\0&1\end{pmatrix}

的谱半径恒为 $1$ ，而 $\|B_M\|_2$ 随 $|M|$ 增大。这说明特征值只描述不变方向上的渐近伸缩，矩阵范数还会看见非正交方向之间的瞬时放大。

推论与应用

矩阵范数为线性系统条件数、残差到前向误差的转换、分解的后向误差与迭代收敛界提供共同尺度。次乘性允许把一串算子作用的误差逐层控制，而诱导范数的相容性保证矩阵界确实能约束向量误差。逐分量不等式 $|\Delta A|\le E$ 比单个 normwise 数字保留更多结构；需要时应先分析分量界，再按目标范数汇总。

奇异值分解解释 $2$ -范数和 Frobenius 范数的谱表达；选择 $1$ -范数或无穷范数时，则可使用矩阵元素直接计算或估计。工程报告必须写明使用的范数，因为“条件数大”或“扰动小”在没有下标时并不是完整结论。

对正阶 Hermitian 随机误差 $S$ ， $\|S\|_2=\sup_{\|x\|_2=1}|x^*Sx|$ ，所以一个谱范数界就是全部方向的统一二次型界。矩阵 Bernstein 不等式据此控制独立中心化矩阵之和；其方差参数是 $\|\sum_k\mathbb EX_k^2\|_2$ ，保留了各项在不同方向上累积的结构。

参考资料

Lloyd N. Trefethen and David Bau III, Numerical Linear Algebra, SIAM, 1997, Lectures 3 and 4.
Nicholas J. Higham, Accuracy and Stability of Numerical Algorithms, 2nd ed., SIAM, 2002, Ch. 6.
LAPACK Users’ Guide, 3rd ed., SIAM, 1999, How to Measure Errors，Table 4.2 的向量与矩阵范数。

关系图谱43 个相邻概念 · 2 类关系

正在载入交互图谱…

前置三跳
前置二跳
前置一跳
当前条目
后续一跳
后续二跳
后续三跳

文字版关系按与当前条目的最短距离分组

类型化关系

被这些条目使用

Sylvester 方程与谱分离

“以 Frobenius 矩阵范数定义”

CHSH 不等式

“这里取Euclidean 诱导算子范数。每个对易子范数至多 $2$，故 $ \mathcal B^2 \le8$，从而 $ \langle\mathcal B\rangle \le2\sqr…”

线性方程组的条件数与扰动

“选定相容的向量与矩阵范数后，定义”

奇异值分解

2 处

“对 $m\times n$ 矩阵，若 $m,n\ge1$，将奇异值补零至 $\min{m,n}$ 项后，有 $ A 2=\sigma{\max}$；若行数或列数为零，则 $A$ 是零算子、范…”

“两种矩阵范数分别度量全部坐标的总平方误差与单位输入上的最大误差。$A A k$ 的奇异值恰为被丢掉的尾部奇异值，所以它达到等式右端。还需证明其他秩至多 $k$ 的矩阵不能更好；两个范数的下界…”

矩阵 Bernstein 不等式

“设 $X 1,\ldots,X m$ 是相互独立的 $d\times d$ 实对称或复 Hermitian 随机矩阵，其中 $d\ge1$。矩阵期望按各条目的实部、虚部分别积分。假设 $\m…”

分解范数通信下界

“上界取 $B=H$，分解 $H=HI$，两侧行范数分别为 $\sqrt N$ 与 $1$。为证明下界，任取合法 $B$；逐格同号且幅值至少 $1$ 给出 $\langle H,B\rangl…”

Hadamard 测试

“若实际数据态与理想态的迹距离至多 $\eta \psi$，实际酉与目标的算子范数误差满足 $ \widetilde U U \le\eta U$，则相应复期望偏差至多”

GSW 近似特征向量同态加密

“新消息为 $1 \mu 1\mu 2$，新误差为 $ (\mu 2e 1+C 1e 2)$。因为进入每一门的 $C 1$ 已经 Flatten，系数都是0或1，用无穷范数与行和界可得”

GMRES 方法

“给定方阵线性系统 $Ax=b$ 和初值 $x 0$，按二范数衡量残差，令”

主成分分析

“这里的 Frobenius 范数平方是所有样本欧氏残差平方的总和。只要总方差非零，保留方差比例就是 $\sum {i\le k}\lambda i/\sum i\lambda i$。”

酉算子的线性组合实现

“三角不等式给算子范数 $ A \le\sum j\alpha j=\alpha$，所以成功概率确实不超过1。$\alpha$ 可能比 $ A $ 大得多；系数之间的抵消会降低成功概率。”

无关输入态的振幅放大

“用算子范数量误差，设实际成功块为 $V/2$，并有某个酉 $U$ 满足 $0\le V U \le\delta\le1$。由 $ V \le2$ 及逐因子替换，”

同态密文的模数切换

“把 $t^T$ 看成实数行矩阵，其诱导无穷范数是绝对行和 $ t 1$，故”

幂迭代

“给定 $n$ 维实或复空间上的方阵或线性算子 $A$、非零初值 $x 0$、容差和最大迭代数，先按矩阵与向量二范数令 $ x 0 2=1$，再反复计算”

量子奇异值变换

“若只知道编码块 $B$ 与目标收缩 $C$ 满足 $ B C \le\delta$，不能未经证明就把它当作整个 $U$ 的误差。在同型收缩矩阵的算子范数下，一个直接可验的多项式界是：写 $p…”

矩阵指数的缩放平方算法

“用相容矩阵范数可得”

迭代精化

“统一取误差符号 $e k=x \widehat x k$，并选定同一向量范数及其诱导的矩阵范数。若残差、三角求解和更新均精确，则 $r k=Ae k$，所以”

一般 Adversary 界

“矩阵的行列由合法输入 $D$ 标记，$\circ$ 表示逐项乘积，$ \cdot $ 是算子谱范数。商式只对非零 $\Gamma$ 取值：只要 $f$ 非常值，任何非零允许项都连接两个不同输…”

随机化奇异值分解

“$P=QQ^{\mathsf T}$ 是到采样列空间的正交投影。算法产生的两个近似要分清：$QB=PA$ 的秩至多为 $\ell$；最终的 $QB k$ 才保证秩至多为 $k$。对任意这样选…”

列主元 QR 与数值秩证书

“由谱范数的正交不变性，$ A A k 2= R{22} 2$，并且有两个可以共同使用的界：”

量子查询的正权 Adversary 方法

“其中 $ \cdot $ 是矩阵的谱范数 $ \cdot 2$，$\circ$ 是 Hadamard product。若 $f$ 为常函数，非零矩阵的可行集为空，另约定 $\operator…”

固定门集近似与测量误差预算

“给定按时间顺序执行的理想量子门 $U 1,\ldots,U L$，编译后对应 $V 1,\ldots,V L$，均已嵌入同一寄存器空间。总算子为 $U=U L\cdots U 1$、$V=V…”

定常线性迭代法

“因此从任意初值收敛到 $x $ 当且仅当迭代矩阵的谱半径满足 $\rho(G)<1$。谱半径不等于任意指定的矩阵范数；若某个相容范数有 $ G <1$，它是方便的充分条件，而不是必要条件。”

量子 Hamiltonian 模拟问题

“这里采用谱算子范数，因此误差对所有归一化输入统一成立；张量上任意外部参考的恒等算子后仍有同一界。若电路使用辅助位，还要说明辅助是否返回零态，或改用相应等距映射/通道误差，不能只比较某个后选择…”

矩阵函数的 Fréchet 导数

“选定矩阵范数后，绝对条件数为”

矩阵的量子块编码

“式中范数为算子范数，$a$ 是辅助qubit数，不是数据维数。$\alpha$ 表示矩阵尺度；精确编码要求 $ A \le\alpha$，近似定义只必然给 $ A \le\alpha+\va…”

矩阵

“数组与稀疏矩阵表示负责实现，矩阵范数用于误差和放大量化。数学上相等的两种乘法安排，在浮点运算中未必逐位相同；这属于近似算术层，而不是对精确半环结合律的反例。”

迹距离

“矩阵平方根取半正定平方根。这里 $ A 1$ 表示奇异值之和，也称核范数；它不是由向量一范数诱导的最大列和范数，虽然两者常用同一个下标。由于 $\rho \sigma$ 是 Hermitia…”

主元选取与增长因子

“这里的绝对值和不等式按分量理解，并假设相应的 $nu<1$ 与无溢出、下溢条件。因子使用置换后的行坐标，因此左侧是 $ P\Delta A $；若要直接约束原坐标中的 $ \Delta A…”

形式陈述 ​

反向链接

形式陈述