Frobenius 范数计算器

Frobenius 范数计算器

增长中 AI Skill PRO

输入计算

结果

Frobenius 范数
16.8819

输入矩阵:

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

矩阵大小:

3 x 3

矩阵:

1
2
3
4
5
6
7
8
9

数学公式

‖A‖F=∑i=1m∑j=1naij2A=矩阵\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{矩阵}
使用统计

广告

报告本页错误

Frobenius 范数计算器

Frobenius 范数是一种用来衡量矩阵"大小"的矩阵范数,其计算方法为:将矩阵中所有元素的绝对值平方后求和,再开平方根。借助本计算器,您可以快速、准确地求出任意矩阵的 Frobenius 范数。

什么是 Frobenius 范数?

Frobenius 范数(也称为欧几里得范数)是一种矩阵范数,定义为矩阵中所有元素平方和的平方根。对于元素为 \(a_{ij}\) 的矩阵 \(A\),其 Frobenius 范数记作 \(\lVert A \rVert_F\)。

它衡量一个矩阵的"规模"或"幅度",就如同欧几里得范数衡量向量的长度一样。该范数在线性代数、矩阵分析和数值计算中应用十分广泛。

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}} \qquad A = \text{Matrix}$$
矩阵网格,每个元素求平方、求和并取平方根以得到弗罗贝尼乌斯范数
弗罗贝尼乌斯范数对矩阵的每个元素求平方,相加后再取平方根。

何时使用 Frobenius 范数

Frobenius 范数在以下多种场景中尤为实用:

  • 矩阵逼近:在低秩逼近、压缩感知等应用中,用于衡量一个矩阵与另一个矩阵的接近程度。
  • 数值分析:在迭代法或数值算法中,用于评估矩阵之间的误差或差异。
  • 信号处理:在分析以矩阵形式表示的信号能量时使用。
矩阵展平为一个长向量,其欧几里得长度等于弗罗贝尼乌斯范数
等价地,弗罗贝尼乌斯范数就是把矩阵展平成一个向量后的欧几里得长度。

计算示例

示例 1:2×2 矩阵

计算矩阵 A = [1, 2; 3, 4] 的 Frobenius 范数

矩阵 计算过程 结果
[1, 2;
3, 4]
$$\sqrt{1^2 + 2^2 + 3^2 + 4^2} = \sqrt{1 + 4 + 9 + 16} = \sqrt{30}$$ 5.4772

示例 2:3×3 矩阵

计算矩阵 B = [2, 0, 1; -1, 3, 5; 4, 2, 1] 的 Frobenius 范数

矩阵 计算过程 结果
[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

示例 3:非方阵

计算 2×3 矩阵 C = [5, 2, 1; 3, 4, 0] 的 Frobenius 范数

矩阵 计算过程 结果
[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
广告

如何逐步计算Frobenius范数

Frobenius范数(也称为Hilbert–Schmidt范数或欧几里得矩阵范数)由该计算器显示的公式逐项定义:

$$\lVert A \rVert_F = \sqrt{\sum_{i=1}^{m}\sum_{j=1}^{n} a_{ij}^{2}}$$
  1. 写出矩阵并注意其维度。 记录 \(A\) 有 \(m\) 行和 \(n\) 列,总共有 \(m \times n\) 个条目。在上面的输入框中,一行内的值用逗号分隔,行之间用 | 分隔。双求和中的限制 \(i = 1 \ldots m\) 和 \(j = 1 \ldots n\) 恰好就是这些维度。
  2. 对每一项进行平方。 用 \(a_{ij}^{2}\) 替换每个 \(a_{ij}\) — 这是双求和内部的项。平方会消除符号,所以 \(-4\) 和 \(+4\) 都贡献 \(16\);范数永远不依赖于矩阵的符号模式。对于复矩阵,正确的项是平方模 \(|a_{ij}|^{2} = a_{ij}\,\overline{a_{ij}}\),它是实数且非负的(例如 \(|3 + 4i|^2 = 9 + 16 = 25\))。
  3. 将所有 \(m \times n\) 个平方值相加。 按行进行:总结第1行中的平方,然后第2行,等等,然后将行总数相加。该累积是双求和 \(\sum_{i}\sum_{j} a_{ij}^{2}\)。
  4. 取非负平方根。 对求和应用 \(\sqrt{\;\cdot\;}\)。由于每一项都是平方,求和是 \(\ge 0\),主(非负)根总是有定义的;\(\lVert A \rVert_F \ge 0\) 由构造。
  5. 四舍五入到所需精度。 平方根通常是无理数,所以根据应用需要报告尽可能多的小数位数 — 如果范数被用于进一步计算,在中间步骤保持完整精度。

计算示例

取一个 \(2 \times 3\) 矩阵

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

第2和3步,代入每个条目:

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

第4和5步:

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

所以Frobenius范数是 7.416198(四舍五入到六位小数)。

简化工作的两个性质

  • 顺序无关。 加法是交换的和结合的,所以平方条目可以按任何顺序求和 — 按行、按列或全部。\(\lVert A \rVert_F\) 的值无论哪种方式都是相同的,这就是为什么范数经常被描述为"拉平"矩阵成一个数字列表。
  • 转置不改变任何内容。 转置将 \(a_{ij}\) 与 \(a_{ji}\) 互换但重用完全相同的条目集,所以 \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\)。在上面的例子中,\(3 \times 2\) 转置也给出 \(\sqrt{55}\)。

快速健全性检查:范数必须至少与最大绝对条目一样大,因为该条目的平方是求和中的项之一。在例子中,\(\sqrt{55} \approx 7.42 \ge 5\),如预期。

广告

关键术语和符号

术语 符号 定义
矩阵 \(A\) 按行和列排列的数字的矩形阵列。其维度写成 \(m \times n\),表示 \(m\) 行和 \(n\) 列,总共 \(m \cdot n\) 个条目。
元素(条目) \(a_{ij}\) \(A\) 的第 \(i\) 行和第 \(j\) 列中位置的单个数字。第一个索引始终指行。
Frobenius范数 \(\lVert A \rVert_F\) 所有条目的平方和的平方根,\(\sqrt{\sum_i \sum_j a_{ij}^2}\)。也称为Hilbert–Schmidt范数或(在较老的文本中)欧几里得矩阵范数。
欧几里得/向量2-范数 \(\lVert x \rVert_2\) 对于向量 \(x\),\(\sqrt{\sum_k x_k^2}\) — 其普通长度。如果将 \(A\) 拉平成长度为 \(mn\) 的单个向量 \(\mathrm{vec}(A)\),则 \(\lVert A \rVert_F = \lVert \mathrm{vec}(A) \rVert_2\);Frobenius范数就是展开矩阵的向量2-范数。
逐项范数 — 直接从单个条目计算的范数,将矩阵视为数字列表。Frobenius范数是逐项2-范数。
诱导(算子)范数 \(\lVert A \rVert_p\) 通过 \(A\) 能拉伸向量多少来定义的范数:\(\lVert A \rVert_p = \max_{x \ne 0} \lVert Ax \rVert_p / \lVert x \rVert_p\)。诱导范数将 \(A\) 描述为映射,而不是数据数组;Frobenius范数不是诱导范数。
谱范数 \(\lVert A \rVert_2\) 由向量2-范数诱导的范数,等于最大奇异值 \(\sigma_{\max}(A)\)。注意符号的冲突:矩阵的 \(\lVert A \rVert_2\) 表示谱范数,而不是逐项2-范数。
迹 \(\operatorname{trace}(A)\) 方阵的对角条目之和,\(\sum_i a_{ii}\)。它给出恒等式 \(\lVert A \rVert_F = \sqrt{\operatorname{trace}(A^{\mathsf{T}}A)}\)(对于复矩阵使用共轭转置 \(A^{*}\)),因为 \(A^{\mathsf{T}}A\) 的对角线保持平方列长度。
奇异值 \(\sigma_i\) 奇异值分解 \(A = U\Sigma V^{\mathsf{T}}\) 中 \(\Sigma\) 对角线上的非负数。它们满足 \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\),所以Frobenius范数是奇异值向量的2-范数。
方阵vs非方阵 \(m = n\) vs \(m \ne n\) 方阵的行数和列数相等;非方阵(矩形)则不然。Frobenius范数对两者都有定义,不像行列式或特征值那样需要 \(m = n\)。
正交/幺正不变性 \(Q^{\mathsf{T}}Q = I\) 正交矩阵 \(Q\)(实数)或幺正矩阵 \(U\)(复数)保持长度和角度。Frobenius范数在这样的乘法下是不变的:\(\lVert QAZ \rVert_F = \lVert A \rVert_F\),对于正交的 \(Q\) 和 \(Z\) 有相容的大小。
秩 \(\operatorname{rank}(A)\) \(A\) 的线性独立行数(等价地,列数),等于非零奇异值的数量。

解释您的Frobenius范数结果

返回的数字是总结整个矩阵的单个非负幅度。以下是该量的已建立属性。

范围和单位

  • \(\lVert A \rVert_F \ge 0\) 总是,且 \(\lVert A \rVert_F = 0\) 当且仅当每个条目都是零 — 即只有对于零矩阵。
  • 它不是概率、百分比或以1为界的分数。没有上限:当条目或维度增长时,范数无界增长。
  • 结果携带矩阵条目的单位,因为平方然后取平方根会返回到原始比例。如果条目是米,范数就以米为单位。在一个矩阵中混合不同物理单位的条目使范数在物理上无意义,尽管算术仍然进行。
  • 范数至少与最大绝对条目一样大,\(\lVert A \rVert_F \ge \max_{i,j} |a_{ij}|\),最多是它的 \(\sqrt{mn}\) 倍。

它如何响应变换

  • 缩放: \(\lVert cA \rVert_F = |c| \cdot \lVert A \rVert_F\) 对于任何标量 \(c\)。将每一项加倍会加倍范数;对矩阵取负不改变它。
  • 转置: \(\lVert A \rVert_F = \lVert A^{\mathsf{T}} \rVert_F\),因为相同的条目被求和。
  • 正交/幺正不变性: \(\lVert QA \rVert_F = \lVert AZ \rVert_F = \lVert A \rVert_F\) 只要 \(Q\) 和 \(Z\) 是正交的(或幺正的)。旋转、反射和行或列的排列因此不改变值。
  • 三角不等式和次乘性: \(\lVert A + B \rVert_F \le \lVert A \rVert_F + \lVert B \rVert_F\),且 \(\lVert AB \rVert_F \le \lVert A \rVert_F \cdot \lVert B \rVert_F\) 对于相容的 \(A\) 和 \(B\)。

与谱范数的关系

因为 \(\lVert A \rVert_F = \sqrt{\sum_i \sigma_i^2}\) 而 \(\lVert A \rVert_2 = \sigma_{\max}\),两个范数由

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

联系在一起。下界在 \(A\) 有秩1(单个非零奇异值)时达到,上界在所有非零奇异值相等时达到。例如,对于 \(n \times n\) 单位矩阵,\(\lVert I_n \rVert_2 = 1\) 而 \(\lVert I_n \rVert_F = \sqrt{n}\);\(n = 4\) 时Frobenius范数是 2。

作为近似误差

  • \(\lVert A - B \rVert_F\) 是一个矩阵与另一个矩阵距离的标准度量;它是由Frobenius内积 \(\langle A, B\rangle = \operatorname{trace}(A^{\mathsf{T}}B)\) 诱导的距离,最小化它完全就是在所有条目上的最小二乘法拟合。
  • Eckart–Young–Mirsky定理指出,在所有秩最多为 \(k\) 的矩阵 \(B\) 中,截断奇异值分解 \(A_k = \sum_{i=1}^{k} \sigma_i u_i v_i^{\mathsf{T}}\) 最小化 \(\lVert A - B \rVert_F\),最小值为 \(\lVert A - A_k \rVert_F = \sqrt{\sum_{i > k} \sigma_i^{2}}\)。(同样的截断在谱范数中也是最优的,那里的误差是 \(\sigma_{k+1}\)。)

绝对与相对大小

大值本身并不表示大条目 — 它可能只反映一个大矩阵,因为 \(mn\) 条目中的每一个都有贡献。有10000个条目的矩阵,每个都等于0.1,有 \(\lVert A \rVert_F = \sqrt{10000 \times 0.01} = 10\),尽管每个条目都很小。出于这个原因,相对误差

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

在比较近似值 \(B\) 到参考值 \(A\) 时通常是有意义的量;它是无量纲的且独立于 \(A\) 的整体规模。当 \(A\) 是零矩阵时未定义。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器