Frobenius 範數計算機
Frobenius 範數(Frobenius norm)是一種矩陣範數,用來衡量矩陣的「大小」或量值。它的計算方式為:將矩陣中所有元素的絕對值平方相加後,再開平方根。這款計算機能幫你又快又準地求出任意矩陣的 Frobenius 範數。
什麼是 Frobenius 範數?
Frobenius 範數(又稱歐幾里得範數,Euclidean norm)是一種矩陣範數,定義為矩陣中所有元素平方總和的平方根。對於元素為 \(a_{ij}\) 的矩陣 \(A\),其 Frobenius 範數記作 \(\lVert A \rVert_F\)。
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$這個範數提供了衡量矩陣「規模」的一種方法,就像歐幾里得範數用來衡量向量的量值一樣。它在線性代數、矩陣分析與數值計算中都被廣泛運用。
什麼時候會用到 Frobenius 範數?
Frobenius 範數在以下各種應用中特別實用:
- 矩陣近似:在低秩近似(low-rank approximation)、壓縮感知(compressed sensing)等應用中,用來衡量一個矩陣與另一個矩陣有多接近。
- 數值分析:在迭代法或數值演算法中,用來評估矩陣之間的誤差或差異。
- 訊號處理:分析以矩陣形式表示之訊號的能量含量時使用。
範例
範例 1:2×2 矩陣
計算矩陣 \(A = [1, 2; 3, 4]\) 的 Frobenius 範數
| 矩陣 | 計算過程 | 結果 |
|---|---|---|
| [1, 2; 3, 4] |
$$\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}$$ | 5.4772 |
範例 2:3×3 矩陣
計算矩陣 \(B = [2, 0, 1; -1, 3, 5; 4, 2, 1]\) 的 Frobenius 範數
| 矩陣 | 計算過程 | 結果 |
|---|---|---|
| [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 |
範例 3:非方陣
計算 2×3 矩陣 \(C = [5, 2, 1; 3, 4, 0]\) 的 Frobenius 範數
| 矩陣 | 計算過程 | 結果 |
|---|---|---|
| [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 |
如何逐步計算 Frobenius 範數
Frobenius 範數(也稱為 Hilbert–Schmidt 範數或歐幾里得矩陣範數)按以下計算器顯示的公式逐項定義:
$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$- 寫出矩陣並記下其維數。記錄矩陣 \(A\),有 \(m\) 行和 \(n\) 列,因此共有 \(m \times n\) 個元素。在上面的輸入框中,同一行內的值由逗號分隔,行與行之間由
|分隔。雙重求和中的極限 \(i = 1 \ldots m\) 和 \(j = 1 \ldots n\) 正好對應這些維數。 - 對每個元素平方。將每個 \(a_{ij}\) 替換為 \(a_{ij}^{2}\) ——這是雙重求和內部的項。平方消除符號,所以 \(-4\) 和 \(+4\) 都貢獻 \(16\);範數不取決於矩陣的符號模式。對於複矩陣,正確的項是平方模量 \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\),這是實數且非負(例如 \(|3 + 4i|^2 = 9 + 16 = 25\))。
- 相加所有 \(m \times n\) 個平方值。逐行處理:先計算第 1 行的平方和,再計算第 2 行,依此類推,然後相加所有行的總和。該累加過程就是雙重求和 \(\sum_{i}\sum_{j} a_{ij}^{2}\)。
- 求非負平方根。對求和應用 \(\sqrt{\;\cdot\;}\)。因為每一項都是平方,所以求和 \(\ge 0\),主平方根(非負)始終有定義;根據構造 \(\lVert A \rVert_F \ge 0\)。
- 四捨五入至所需精度。平方根通常是無理數,因此報告應用程式需要的小數位數——如果範數用於進一步計算,請在中間步驟中保持完整精度。
計算範例
取 \(2 \times 3\) 矩陣
$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$第 2 和 3 步,代入每個元素:
$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$第 4 和 5 步:
$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$因此 Frobenius 範數為 7.416198(四捨五入至六位小數)。
簡化計算的兩個性質
- 順序無關緊要。加法滿足交換律和結合律,因此平方的元素可以按任何順序相加——逐行、逐列或一次全部。\(\lVert A \rVert_F\) 的值無論如何都相同,這就是為什麼範數經常被描述為將矩陣「展平」成單個數字列表。
- 轉置不改變什麼。轉置會交換 \(a_{ij}\) 和 \(a_{ji}\),但重複使用完全相同的元素集合,因此 \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\)。在上面的例子中,\(3 \times 2\) 轉置也給出 \(\sqrt{55}\)。
快速合理性檢查:範數必須至少與最大絕對值元素一樣大,因為該元素的平方是求和中的一個項。在範例中,\(\sqrt{55} \approx 7.42 \ge 5\),正如預期。
關鍵術語和符號
| 術語 | 符號 | 定義 |
|---|---|---|
| 矩陣 | \(A\) | 按行和列排列的矩形數字陣列。其維數寫為 \(m \times n\),表示 \(m\) 行和 \(n\) 列,共 \(m \cdot n\) 個元素。 |
| 元素(項目) | \(a_{ij}\) | 位於 \(A\) 的第 \(i\) 行和第 \(j\) 列的單個數字。第一個索引始終指行。 |
| Frobenius 範數 | \(\lVert A \rVert_F\) | 所有元素平方和的平方根,\(\sqrt{\sum_i \sum_j a_{ij}^2}\)。也稱為 Hilbert–Schmidt 範數或(在較舊的文本中)歐幾里得矩陣範數。 |
| 歐幾里得/向量 2-範數 | \(\lVert x \rVert_2\) | 對於向量 \(x\),\(\sqrt{\sum_k x_k^2}\) ——其普通長度。如果將 \(A\) 展平為長度為 \(mn\) 的單個向量 \(\mathrm{vec}(A)\),則 \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\);Frobenius 範數實際上是展開矩陣的向量 2-範數。 |
| 逐項範數 | — | 直接從各個元素計算的範數,將矩陣視為數字列表。Frobenius 範數是逐項 2-範數。 |
| 誘導(算子)範數 | \(\lVert A \rVert_p\) | 由 \(A\) 可以拉伸向量多少定義的範數:\(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\)。誘導範數將 \(A\) 描述為映射,而不是數據陣列;Frobenius 範數不是誘導範數。 |
| 譜範數 | \(\lVert A \rVert_2\) | 由向量 2-範數誘導的範數,等於最大奇異值 \(\sigma_{\max}(A)\)。注意符號的衝突:對於矩陣,\(\lVert A \rVert_2\) 表示譜範數,而不是逐項 2-範數。 |
| 跡 | \(\operatorname{trace}(A)\) | 方陣對角線元素的總和,\(\sum_i a_{ii}\)。它給出恆等式 \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\)(對於複矩陣使用共軛轉置 \(A^{*}\)),因為 \(A^{\mathsf{T}}A\) 的對角線包含平方列長。 |
| 奇異值 | \(\sigma_i\) | 奇異值分解 \(A = U\Sigma V^{\mathsf{T}}\) 中矩陣 \(\Sigma\) 對角線上的非負數。它們滿足 \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\),因此 Frobenius 範數是奇異值向量的 2-範數。 |
| 方陣 vs 非方陣 | \(m = n\) vs \(m \ne n\) | 方陣行數與列數相等;非方陣(矩形)則否。Frobenius 範數對兩者都有定義,不同於行列式或特徵值,後者要求 \(m = n\)。 |
| 正交/酉不變性 | \(Q^{\mathsf{T}}Q = I\) | 正交矩陣 \(Q\)(實)或酉矩陣 \(U\)(複)保持長度和角度。Frobenius 範數在這種乘法下不變:對於正交的 \(Q\) 和 \(Z\)(大小兼容),\(\lVert QAZ \rVert_F = \lVert A \rVert_F\)。 |
| 秩 | \(\operatorname{rank}(A)\) | \(A\) 的線性獨立行(等價地,列)的數量,等於非零奇異值的數量。 |
解釋您的 Frobenius 範數結果
返回的數字是總結整個矩陣的單個非負大小。以下是該量的既定性質。
範圍和單位
- \(\lVert A \rVert_F \ge 0\) 始終成立,且 \(\lVert A \rVert_F = 0\) 當且僅當每個元素都為零——即只有零矩陣。
- 它不是概率、百分比或以 1 為界的分數。沒有上限:隨著元素或維數增長,範數無界增長。
- 結果保留矩陣元素的單位,因為平方然後取平方根會返回原始比例。如果元素是米,則範數以米為單位。在一個矩陣中混合不同物理單位的元素會使範數在物理上無意義,儘管運算仍然進行。
- 範數至少與最大絕對值元素一樣大,\(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\),至多是它的 \(\sqrt{mn}\) 倍。
它如何響應變換
- 縮放:\(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) 對任何標量 \(c\) 成立。將每個元素翻倍會將範數翻倍;否定矩陣使其保持不變。
- 轉置:\(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\),因為相同的元素被相加。
- 正交/酉不變性:只要 \(Q\) 和 \(Z\) 是正交的(或酉的),就有 \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\)。因此,行或列的旋轉、反射和排列不會改變該值。
- 三角不等式和子乘性:\(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\),並且對於相容的 \(A\) 和 \(B\),\(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\)。
與譜範數的關係
因為 \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) 而 \(\lVert A \rVert_2 = \sigma_{\max}\),兩個範數由以下公式聯繫在一起
$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$當 \(A\) 的秩為 1(單個非零奇異值)時達到下界,當所有非零奇異值相等時達到上界。例如,對於 \(n \times n\) 單位矩陣,\(\lVert I_n \rVert_2 = 1\) 而 \(\lVert I_n \rVert_F = \sqrt{n}\);當 \(n = 4\) 時 Frobenius 範數為 2。
作為近似誤差
- \(\lVert A - B \rVert_F\) 是衡量一個矩陣與另一個矩陣相距多遠的標準度量;它是由 Frobenius 內積 \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\) 誘導的距離,最小化它正好是所有元素上的最小二乘擬合。
- Eckart–Young–Mirsky 定理指出,在所有秩至多為 \(k\) 的矩陣 \(B\) 中,截斷奇異值分解 \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) 最小化 \(\lVert A - B \rVert_F\),最小值為 \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\)。(相同的截斷在譜範數中也是最優的,其中誤差為 \(\sigma_{k+1}\)。)
絕對大小與相對大小
大值本身並不表示大元素——它可能只是反映一個大矩陣,因為每一個 \(mn\) 元素都有貢獻。一個有 10,000 個元素且每個都等於 0.1 的矩陣有 \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\),儘管每個元素都很小。因此相對誤差
$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$在將近似值 \(B\) 與參考值 \(A\) 比較時通常是有意義的量;它是無量綱的,並且與 \(A\) 的整體比例無關。當 \(A\) 是零矩陣時它未定義。