Máy Tính Chuẩn Frobenius

Máy Tính Chuẩn Frobenius

Phổ biến AI Skill PRO

Nhập phép tính

Kết quả

Chuẩn Frobenius
16,8819

Ma trận đầu vào:

1,2,3|4,5,6|7,8,9

Kích thước ma trận:

3 x 3

Ma trận:

1
2
3
4
5
6
7
8
9

Công thức

‖A‖F=∑i=1m∑j=1naij2A=Ma trận\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Ma trận}
Thống kê sử dụng

Quảng cáo

Báo lỗi nội dung trang này

Máy Tính Chuẩn Frobenius

Chuẩn Frobenius là một loại chuẩn ma trận dùng để đo "độ lớn" của ma trận. Nó được tính bằng căn bậc hai của tổng bình phương giá trị tuyệt đối của tất cả các phần tử trong ma trận. Công cụ này giúp bạn tính chuẩn Frobenius của bất kỳ ma trận nào một cách nhanh chóng và chính xác.

Chuẩn Frobenius là gì?

Chuẩn Frobenius (còn gọi là chuẩn Euclid của ma trận) được định nghĩa là căn bậc hai của tổng bình phương tất cả các phần tử trong một ma trận. Với ma trận \(A\) có các phần tử \(a_{ij}\), chuẩn Frobenius được ký hiệu là \(\lVert A \rVert_F\).

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$

Chuẩn này cho ta một thước đo về "kích thước" của ma trận, tương tự như cách chuẩn Euclid đo độ lớn của một vector. Nó được sử dụng rộng rãi trong đại số tuyến tính, phân tích ma trận và các phép tính số học (numerical computation).

Lưới ma trận với mỗi phần tử được bình phương, cộng lại và lấy căn bậc hai để ra chuẩn Frobenius
Chuẩn Frobenius bình phương từng phần tử của ma trận, cộng lại rồi lấy căn bậc hai.

Khi nào nên dùng chuẩn Frobenius?

Chuẩn Frobenius đặc biệt hữu ích trong nhiều ứng dụng khác nhau:

  • Xấp xỉ ma trận: Dùng để đo mức độ "gần nhau" giữa hai ma trận trong các bài toán như xấp xỉ hạng thấp (low-rank approximation) và lấy mẫu nén (compressed sensing).
  • Giải tích số: Dùng để đánh giá sai số hoặc độ chênh lệch giữa các ma trận trong các phương pháp lặp hay thuật toán số.
  • Xử lý tín hiệu: Dùng khi phân tích năng lượng của các tín hiệu được biểu diễn dưới dạng ma trận.
Ma trận được trải phẳng thành một vectơ dài duy nhất có độ dài Euclid bằng chuẩn Frobenius
Tương đương, chuẩn Frobenius là độ dài Euclid của ma trận được trải phẳng thành một vectơ.

Ví dụ minh họa

Ví dụ 1: Ma trận 2×2

Tính chuẩn Frobenius của ma trận \(A = [1, 2; 3, 4]\)

Ma trận Cách tính Kết quả
[1, 2;
3, 4]
$$\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}$$ 5.4772

Ví dụ 2: Ma trận 3×3

Tính chuẩn Frobenius của ma trận \(B = [2, 0, 1; -1, 3, 5; 4, 2, 1]\)

Ma trận Cách tính Kết quả
[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

Ví dụ 3: Ma trận không vuông

Tính chuẩn Frobenius của ma trận 2×3 \(C = [5, 2, 1; 3, 4, 0]\)

Ma trận Cách tính Kết quả
[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
Quảng cáo

Cách Tính Chuẩn Frobenius Từng Bước

Chuẩn Frobenius (còn được gọi là chuẩn Hilbert–Schmidt hoặc chuẩn ma trận Euclid) được định nghĩa theo phần tử bằng công thức mà máy tính này hiển thị:

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$
  1. Viết ma trận và ghi lại các chiều của nó. Ghi lại \(A\) với \(m\) hàng và \(n\) cột, vì vậy nó có \(m \times n\) phần tử tổng cộng. Trong hộp nhập liệu ở trên, các giá trị trong một hàng được phân tách bằng dấu phẩy và các hàng được phân tách bằng |. Các giới hạn \(i = 1 \ldots m\) và \(j = 1 \ldots n\) trong tổng kép chính xác là các chiều này.
  2. Bình phương mỗi phần tử. Thay thế mỗi \(a_{ij}\) bằng \(a_{ij}^{2}\) — đây là số hạng bên trong tổng kép. Bình phương loại bỏ dấu, vì vậy \(-4\) và \(+4\) đều đóng góp \(16\); chuẩn không bao giờ phụ thuộc vào mẫu dấu của ma trận. Đối với ma trận phức, số hạng chính xác là mô đun bình phương \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\), là thực và không âm (ví dụ \(|3 + 4i|^2 = 9 + 16 = 25\)).
  3. Cộng tất cả \(m \times n\) giá trị bình phương. Làm việc từng hàng một: tính tổng các bình phương trong hàng 1, sau đó hàng 2, v.v., sau đó cộng tổng các hàng. Tích lũy đó là tổng kép \(\sum_{i}\sum_{j} a_{ij}^{2}\).
  4. Lấy căn bậc hai không âm. Áp dụng \(\sqrt{\;\cdot\;}\) vào tổng. Vì mỗi số hạng là bình phương, tổng là \(\ge 0\) và căn chính (không âm) luôn được định nghĩa; \(\lVert A \rVert_F \ge 0\) theo cách xây dựng.
  5. Làm tròn đến độ chính xác mong muốn. Căn bậc hai thường là số vô tỉ, vì vậy báo cáo bao nhiêu chữ số thập phân ứng dụng của bạn cần — và giữ độ chính xác đầy đủ trong các bước trung gian nếu chuẩn được sử dụng cho tính toán tiếp theo.

Ví dụ đã giải

Lấy ma trận \(2 \times 3\)

$$A = \begin{bmatrix} 1 & -2 & 3 \\ 4 & 0 & -5 \end{bmatrix}$$

Bước 2 và 3, thay thế mỗi phần tử:

$$\sum_{i}\sum_{j} a_{ij}^{2} = 1^{2} + (-2)^{2} + 3^{2} + 4^{2} + 0^{2} + (-5)^{2} = 1 + 4 + 9 + 16 + 0 + 25 = 55$$

Bước 4 và 5:

$$\lVert A \rVert_F = \sqrt{55} \approx 7.416198$$

Vì vậy chuẩn Frobenius là 7.416198 (làm tròn thành sáu chữ số thập phân).

Hai tính chất giúp đơn giản hóa công việc

  • Thứ tự không quan trọng. Phép cộng có tính chất giao hoán và kết hợp, vì vậy các phần tử bình phương có thể được cộng với nhau theo bất kỳ thứ tự nào — từng hàng một, từng cột một, hoặc tất cả cùng một lúc. Giá trị \(\lVert A \rVert_F\) giống hệt như vậy, đó là lý do tại sao chuẩn thường được mô tả là "san phẳng" ma trận thành một danh sách các số duy nhất.
  • Chuyển vị không thay đổi gì. Chuyển vị hoán đổi \(a_{ij}\) với \(a_{ji}\) nhưng sử dụng lại chính xác tập hợp các phần tử giống nhau, vì vậy \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\). Trong ví dụ trên, ma trận chuyển vị \(3 \times 2\) cũng cho kết quả \(\sqrt{55}\).

Kiểm tra nhanh: chuẩn phải ít nhất lớn bằng giá trị tuyệt đối lớn nhất, vì bình phương phần tử đó là một trong các số hạng trong tổng. Trong ví dụ, \(\sqrt{55} \approx 7.42 \ge 5\), như mong đợi.

Quảng cáo

Các Thuật Ngữ và Ký Hiệu Chính

Thuật Ngữ Ký Hiệu Định Nghĩa
Ma trận \(A\) Một mảng hình chữ nhật các số được sắp xếp thành các hàng và cột. Các chiều của nó được viết là \(m \times n\), có nghĩa là \(m\) hàng và \(n\) cột, cho \(m \cdot n\) phần tử tổng cộng.
Phần tử (nhập) \(a_{ij}\) Số duy nhất nằm ở hàng \(i\) và cột \(j\) của \(A\). Chỉ số đầu tiên luôn đề cập đến hàng.
Chuẩn Frobenius \(\lVert A \rVert_F\) Căn bậc hai của tổng các bình phương của tất cả các phần tử, \(\sqrt{\sum_i \sum_j a_{ij}^2}\). Còn được gọi là chuẩn Hilbert–Schmidt hoặc (trong các văn bản cũ hơn) chuẩn ma trận Euclid.
Chuẩn 2 Euclid / vectơ \(\lVert x \rVert_2\) Đối với vectơ \(x\), \(\sqrt{\sum_k x_k^2}\) — độ dài bình thường của nó. Nếu bạn san phẳng \(A\) thành một vectơ duy nhất \(\mathrm{vec}(A)\) có độ dài \(mn\), thì \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\); chuẩn Frobenius thực chất là chuẩn 2 vectơ của ma trận được mở ra.
Chuẩn theo phần tử — Một chuẩn được tính toán trực tiếp từ các phần tử riêng lẻ, coi ma trận là danh sách các số. Chuẩn Frobenius là chuẩn 2 theo phần tử.
Chuẩn cảm ứng (toán tử) \(\lVert A \rVert_p\) Một chuẩn được định nghĩa bởi mức độ \(A\) có thể kéo căng một vectơ: \(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\). Các chuẩn cảm ứng mô tả \(A\) như một ánh xạ, không phải mảng dữ liệu; chuẩn Frobenius không phải là chuẩn cảm ứng.
Chuẩn quang phổ \(\lVert A \rVert_2\) Chuẩn cảm ứng bởi chuẩn 2 vectơ, bằng giá trị riêng lớn nhất \(\sigma_{\max}(A)\). Lưu ý sự xung đột ký hiệu: \(\lVert A \rVert_2\) cho ma trận có nghĩa là chuẩn quang phổ, không phải chuẩn 2 theo phần tử.
Vết \(\operatorname{trace}(A)\) Tổng các phần tử đường chéo của ma trận vuông, \(\sum_i a_{ii}\). Nó mang lại đồng nhất thức \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\) (sử dụng chuyển vị liên hợp \(A^{*}\) cho ma trận phức), bởi vì đường chéo của \(A^{\mathsf{T}}A\) giữ độ dài cột bình phương.
Giá trị riêng \(\sigma_i\) Các số không âm trên đường chéo của \(\Sigma\) trong phân tích giá trị riêng \(A = U\Sigma V^{\mathsf{T}}\). Chúng thỏa \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\), vì vậy chuẩn Frobenius là chuẩn 2 của vectơ giá trị riêng.
Vuông so với không vuông \(m = n\) so với \(m \ne n\) Ma trận vuông có số hàng và cột bằng nhau; ma trận không vuông (hình chữ nhật) thì không. Chuẩn Frobenius được định nghĩa cho cả hai, không giống định thức hoặc giá trị riêng, chúng yêu cầu \(m = n\).
Bất biến trực giao / đơn nhất \(Q^{\mathsf{T}}Q = I\) Ma trận trực giao \(Q\) (thực) hoặc ma trận đơn nhất \(U\) (phức) bảo toàn độ dài và góc. Chuẩn Frobenius bất biến dưới phép nhân như vậy: \(\lVert QAZ \rVert_F = \lVert A \rVert_F\) với \(Q\) và \(Z\) trực giao có kích thước tương thích.
Hạng \(\operatorname{rank}(A)\) Số hàng độc lập tuyến tính (tương đương, cột) của \(A\), bằng số lượng giá trị riêng khác không.

Diễn Giải Kết Quả Chuẩn Frobenius Của Bạn

Số được trả về là một độ lớn không âm duy nhất tóm tắt toàn bộ ma trận. Sau đây là các tính chất đã thiết lập của đại lượng đó.

Phạm vi và đơn vị

  • \(\lVert A \rVert_F \ge 0\) luôn luôn, và \(\lVert A \rVert_F = 0\) nếu và chỉ nếu mỗi phần tử bằng không — tức là chỉ dành cho ma trận không.
  • Nó không phải là xác suất, tỷ lệ phần trăm, hay điểm được giới hạn bởi 1. Không có giới hạn trên: chuẩn tăng không giới hạn khi các phần tử hoặc chiều tăng.
  • Kết quả mang các đơn vị của các phần tử ma trận, vì bình phương rồi lấy căn bậc hai trở lại thang đo ban đầu. Nếu các phần tử tính bằng mét, chuẩn tính bằng mét. Trộn lẫn các phần tử có các đơn vị vật lý khác nhau trong một ma trận làm cho chuẩn vô nghĩa về mặt vật lý, mặc dù phép tính vẫn tiếp tục.
  • Chuẩn ít nhất lớn bằng phần tử tuyệt đối lớn nhất, \(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\), và nhiều nhất là \(\sqrt{mn}\) lần.

Cách nó phản hồi các phép biến đổi

  • Chia tỷ lệ: \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) cho bất kỳ vô hướng \(c\) nào. Nhân đôi mỗi phần tử nhân đôi chuẩn; phủ định ma trận để lại nó không thay đổi.
  • Chuyển vị: \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\), vì các phần tử giống nhau được cộng lại.
  • Bất biến trực giao/đơn nhất: \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\) bất cứ khi nào \(Q\) và \(Z\) trực giao (hoặc đơn nhất). Các phép quay, phản xạ, và hoán vị các hàng hoặc cột do đó không thay đổi giá trị.
  • Bất đẳng thức tam giác và tính dưới nhân: \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\), và \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\) cho \(A\) và \(B\) tương thích.

Mối quan hệ với chuẩn quang phổ

Bởi vì \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) trong khi \(\lVert A \rVert_2 = \sigma_{\max}\), hai chuẩn được ghép lại với nhau bằng

$$\lVert A \rVert_2 \;\le\; \lVert A \rVert_F \;\le\; \sqrt{\operatorname{rank}(A)} \cdot \lVert A \rVert_2$$

Cận dưới được đạt được khi \(A\) có hạng 1 (một giá trị riêng khác không duy nhất), và cận trên khi tất cả các giá trị riêng khác không bằng nhau. Ví dụ, đối với ma trận đơn vị \(n \times n\), \(\lVert I_n \rVert_2 = 1\) trong khi \(\lVert I_n \rVert_F = \sqrt{n}\); với \(n = 4\) chuẩn Frobenius là 2.

Như một lỗi xấp xỉ

  • \(\lVert A - B \rVert_F\) là thước đo tiêu chuẩn về khoảng cách giữa một ma trận và ma trận khác; nó là khoảng cách cảm ứng bởi tích trong Frobenius \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\), và việc tối thiểu hóa nó chính xác là khớp bình phương nhỏ nhất trên tất cả các phần tử.
  • Định lý Eckart–Young–Mirsky phát biểu rằng trong tất cả các ma trận \(B\) có hạng tối đa \(k\), phân tích giá trị riêng bị cắt \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) tối thiểu hóa \(\lVert A - B \rVert_F\), với giá trị tối thiểu \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\). (Cắt bớt tương tự cũng là tối ưu trong chuẩn quang phổ, trong đó lỗi là \(\sigma_{k+1}\).)

Kích thước tuyệt đối so với tương đối

Một giá trị lớn không bản thân chỉ ra các phần tử lớn — nó có thể chỉ phản ánh một ma trận lớn, vì mỗi một trong \(mn\) phần tử đều đóng góp. Ma trận có 10.000 phần tử mỗi phần tử bằng 0,1 có \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\), mặc dù mỗi phần tử nhỏ. Vì lý do đó, lỗi tương đối

$$\frac{\lVert A - B \rVert_F}{\lVert A \rVert_F}$$

thường là đại lượng có ý nghĩa khi so sánh một xấp xỉ \(B\) với tham chiếu \(A\); nó không có chiều và độc lập với thang đo tổng thể của \(A\). Nó không được định nghĩa khi \(A\) là ma trận không.

Cập nhật lần cuối:

Phổ biến nhất trong Toán học và Thống kê

Xem tất cả máy tính Toán học và Thống kê