Калькулятор нормы Фробениуса
Норма Фробениуса — это матричная норма, которая характеризует «величину» матрицы. Она равна квадратному корню из суммы квадратов абсолютных значений всех элементов матрицы. С помощью этого калькулятора вы быстро и точно вычислите норму Фробениуса для матрицы любого размера.
Что такое норма Фробениуса?
Норма Фробениуса (её также называют евклидовой матричной нормой) определяется как квадратный корень из суммы квадратов всех элементов матрицы. Для матрицы A с элементами \(a_{ij}\) норму Фробениуса обозначают как \(\lVert A \rVert_F\).
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$Эта норма даёт представление о «размере» матрицы — подобно тому, как евклидова норма измеряет длину вектора. Она широко применяется в линейной алгебре, матричном анализе и численных методах.
Когда применяется норма Фробениуса
Норма Фробениуса особенно полезна в целом ряде задач:
- Аппроксимация матриц: когда нужно оценить, насколько одна матрица близка к другой — например, в малоранговых приближениях и сжатии данных (compressed sensing).
- Численный анализ: для оценки погрешности или разницы между матрицами в итерационных методах и численных алгоритмах.
- Обработка сигналов: при анализе энергии сигналов, представленных в матричной форме.
Примеры
Пример 1: матрица 2×2
Вычислим норму Фробениуса матрицы \(A = [1, 2; 3, 4]\)
| Матрица | Вычисление | Результат |
|---|---|---|
| [1, 2; 3, 4] |
$$\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}$$ | 5.4772 |
Пример 2: матрица 3×3
Вычислим норму Фробениуса матрицы \(B = [2, 0, 1; -1, 3, 5; 4, 2, 1]\)
| Матрица | Вычисление | Результат |
|---|---|---|
| [2, 0, 1; -1, 3, 5; 4, 2, 1] |
$$\sqrt{2^2 + 0^2 + 1^2 + (-1)^2 + 3^2 + 5^2 + 4^2 + 2^2 + 1^2} = \sqrt{4 + 0 + 1 + 1 + 9 + 25 + 16 + 4 + 1} = \sqrt{61}$$ | 7.8102 |
Пример 3: прямоугольная матрица
Вычислим норму Фробениуса прямоугольной матрицы 2×3: \(C = [5, 2, 1; 3, 4, 0]\)
| Матрица | Вычисление | Результат |
|---|---|---|
| [5, 2, 1; 3, 4, 0] |
$$\sqrt{5^2 + 2^2 + 1^2 + 3^2 + 4^2 + 0^2} = \sqrt{25 + 4 + 1 + 9 + 16 + 0} = \sqrt{55}$$ | 7.4162 |
Как вычислить норму Фробениуса пошагово
Норма Фробениуса (также называется нормой Гильберта–Шмидта или евклидовой матричной нормой) определяется поэлементно по формуле, которую отображает этот калькулятор:
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$- Запишите матрицу и отметьте её размеры. Запишите \(A\) с \(m\) строками и \(n\) столбцами, так что всего она содержит \(m \times n\) элементов. В поле ввода выше значения в строке разделены запятыми, а строки разделены
|. Пределы \(i = 1 \ldots m\) и \(j = 1 \ldots n\) в двойной сумме — это ровно эти размеры. - Возведите в квадрат каждый элемент. Замените каждый \(a_{ij}\) на \(a_{ij}^{2}\) — это слагаемое внутри двойной суммы. Возведение в квадрат убирает знаки, так что \(-4\) и \(+4\) дают \(16\); норма никогда не зависит от знакового паттерна матрицы. Для комплексной матрицы правильный член — это квадрат модуля \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\), который действительный и неотрицательный (например \(|3 + 4i|^2 = 9 + 16 = 25\)).
- Сложите все \(m \times n\) квадратов значений. Работайте строка за строкой: суммируйте квадраты в строке 1, затем строке 2 и так далее, затем сложите суммы строк. Это накопление — двойная сумма \(\sum_{i}\sum_{j} a_{ij}^{2}\).
- Возьмите неотрицательный квадратный корень. Примените \(\sqrt{\;\cdot\;}\) к сумме. Так как каждый член был квадратом, сумма \(\ge 0\) и главный (неотрицательный) корень всегда определён; \(\lVert A \rVert_F \ge 0\) по построению.
- Округлите до требуемой точности. Квадратный корень обычно иррациональный, поэтому выводите столько десятичных знаков, сколько нужно вашему приложению — и сохраняйте полную точность на промежуточных шагах, если норма используется в дальнейшем расчёте.
Пример расчёта
Возьмите матрицу \(2 \times 3\)
$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$Шаги 2 и 3, подставляя каждый элемент:
$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$Шаги 4 и 5:
$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$Таким образом, норма Фробениуса равна 7.416198 (округлено до шести десятичных знаков).
Два свойства, упрощающих расчёт
- Порядок не важен. Сложение коммутативно и ассоциативно, поэтому квадраты элементов могут быть суммированы в любом порядке — строка за строкой, столбец за столбцом или все вместе. Значение \(\lVert A \rVert_F\) одинаково в любом случае, и поэтому норму часто описывают как «сглаживание» матрицы в единый список чисел.
- Транспонирование ничего не меняет. Транспонирование меняет местами \(a_{ij}\) и \(a_{ji}\), но переиспользует ровно тот же набор элементов, поэтому \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\). В примере выше транспонирование матрицы \(3 \times 2\) также даёт \(\sqrt{55}\).
Быстрая проверка здравого смысла: норма должна быть по меньшей мере не меньше самого большого по модулю элемента, так как квадрат этого элемента — один из членов суммы. В примере \(\sqrt{55} \approx 7.42 \ge 5\), как и ожидалось.
Ключевые термины и обозначения
| Термин | Символ | Определение |
|---|---|---|
| Матрица | \(A\) | Прямоугольный массив чисел, расположенных в строках и столбцах. Её размеры записываются как \(m \times n\), что означает \(m\) строк и \(n\) столбцов, всего \(m \cdot n\) элементов. |
| Элемент (запись) | \(a_{ij}\) | Одно число, расположенное в строке \(i\) и столбце \(j\) матрицы \(A\). Первый индекс всегда относится к строке. |
| Норма Фробениуса | \(\lVert A \rVert_F\) | Квадратный корень из суммы квадратов всех элементов, \(\sqrt{\sum_i \sum_j a_{ij}^2}\). Также называется нормой Гильберта–Шмидта или (в старых текстах) евклидовой матричной нормой. |
| Евклидова норма / векторная 2-норма | \(\lVert x \rVert_2\) | Для вектора \(x\), \(\sqrt{\sum_k x_k^2}\) — его обычная длина. Если вы развернёте \(A\) в единый вектор \(\mathrm{vec}(A)\) длины \(mn\), то \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\); норма Фробениуса — это буквально векторная 2-норма развёрнутой матрицы. |
| Поэлементная норма | — | Норма, вычисляемая непосредственно из отдельных элементов, трактуя матрицу как список чисел. Норма Фробениуса — это поэлементная 2-норма. |
| Индуцированная (операторная) норма | \(\lVert A \rVert_p\) | Норма, определённая тем, насколько \(A\) может растянуть вектор: \(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\). Индуцированные нормы описывают \(A\) как отображение, а не как массив данных; норма Фробениуса не является индуцированной нормой. |
| Спектральная норма | \(\lVert A \rVert_2\) | Норма, индуцированная векторной 2-нормой, равная наибольшему сингулярному числу \(\sigma_{\max}(A)\). Обратите внимание на конфликт обозначений: \(\lVert A \rVert_2\) для матрицы означает спектральную норму, а не поэлементную 2-норму. |
| След | \(\operatorname{trace}(A)\) | Сумма диагональных элементов квадратной матрицы, \(\sum_i a_{ii}\). Это даёт тождество \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\) (для комплексных матриц используйте сопряжённое транспонирование \(A^{*}\)), так как диагональ \(A^{\mathsf{T}}A\) содержит квадраты длин столбцов. |
| Сингулярные числа | \(\sigma_i\) | Неотрицательные числа на диагонали \(\Sigma\) в сингулярном разложении \(A = U\Sigma V^{\mathsf{T}}\). Они удовлетворяют \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\), так что норма Фробениуса — это 2-норма вектора сингулярных чисел. |
| Квадратная матрица против неквадратной | \(m = n\) vs \(m \ne n\) | Квадратная матрица имеет одинаковое количество строк и столбцов; неквадратная (прямоугольная) — нет. Норма Фробениуса определена для обоих случаев, в отличие от определителя или собственных значений, которые требуют \(m = n\). |
| Ортогональная / унитарная инвариантность | \(Q^{\mathsf{T}}Q = I\) | Ортогональная матрица \(Q\) (вещественная) или унитарная матрица \(U\) (комплексная) сохраняет длины и углы. Норма Фробениуса инвариантна относительно такого умножения: \(\lVert QAZ \rVert_F = \lVert A \rVert_F\) для ортогональных \(Q\) и \(Z\) совместимого размера. |
| Ранг | \(\operatorname{rank}(A)\) | Количество линейно независимых строк (или, что то же самое, столбцов) матрицы \(A\), равное количеству ненулевых сингулярных чисел. |
Интерпретация результата нормы Фробениуса
Возвращённое число — это одна неотрицательная величина, суммирующая всю матрицу. Ниже приведены установленные свойства этой величины.
Диапазон и единицы
- \(\lVert A \rVert_F \ge 0\) всегда, и \(\lVert A \rVert_F = 0\) тогда и только тогда, когда каждый элемент равен нулю — то есть только для нулевой матрицы.
- Это не вероятность, не процент и не оценка, ограниченная 1. Нет верхнего предела: норма растёт без ограничений при увеличении элементов или размеров.
- Результат имеет единицы элементов матрицы, так как возведение в квадрат и затем извлечение квадратного корня возвращают к исходному масштабу. Если элементы в метрах, то норма в метрах. Смешивание элементов с разными физическими единицами в одной матрице делает норму физически бессмысленной, хотя арифметика всё ещё работает.
- Норма не меньше самого большого по модулю элемента, \(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\), и не более чем в \(\sqrt{mn}\) раз больше него.
Как она реагирует на преобразования
- Масштабирование: \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) для любого скаляра \(c\). Удвоение каждого элемента удваивает норму; отрицание матрицы оставляет её неизменной.
- Транспонирование: \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\), так как суммируются одни и те же элементы.
- Ортогональная/унитарная инвариантность: \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\) всякий раз, когда \(Q\) и \(Z\) ортогональны (или унитарны). Поэтому повороты, отражения и перестановки строк или столбцов не меняют значение.
- Неравенство треугольника и субмультипликативность: \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\), и \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\) для совместимых \(A\) и \(B\).
Связь со спектральной нормой
Так как \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) в то время как \(\lVert A \rVert_2 = \sigma_{\max}\), две нормы связаны следующим образом:
$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$Нижняя граница достигается, когда \(A\) имеет ранг 1 (одно ненулевое сингулярное число), а верхняя граница — когда все ненулевые сингулярные числа равны. Например, для единичной матрицы \(n \times n\) \(\lVert I_n \rVert_2 = 1\), в то время как \(\lVert I_n \rVert_F = \sqrt{n}\); при \(n = 4\) норма Фробениуса равна 2.
Как ошибка приближения
- \(\lVert A - B \rVert_F\) — стандартная мера того, насколько далеко одна матрица находится от другой; это расстояние, индуцированное внутренним произведением Фробениуса \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\), и минимизация его — это ровно подгонка методом наименьших квадратов по всем элементам.
- Теорема Эккарта–Янга–Мирского гласит, что среди всех матриц \(B\) ранга не более \(k\) усечённое сингулярное разложение \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) минимизирует \(\lVert A - B \rVert_F\), с минимальным значением \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\). (То же усечение также оптимально в спектральной норме, где ошибка равна \(\sigma_{k+1}\).)
Абсолютный размер в сравнении с относительным
Большое значение само по себе не указывает на большие элементы — оно может просто отражать большую матрицу, так как каждый из \(mn\) элементов вносит вклад. Матрица из 10 000 элементов, каждый из которых равен 0.1, имеет \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\), несмотря на то, что каждый элемент мал. По этой причине относительная ошибка
$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$обычно является значимой величиной при сравнении приближения \(B\) с эталоном \(A\); она безразмерна и не зависит от общего масштаба \(A\). Она не определена, когда \(A\) — нулевая матрица.