马上注册，结交更多好友，享用更多功能，让你轻松玩转社区。
您需要 登录 才可以下载或查看，没有账号？立即注册
×
对偶范数（Dual Norm） 是在泛函分析和凸优化中非常告急的概念。它用于衡量向量和线性函数之间的关系，尤其是在优化题目和范数的多少明白中非常有效。
1. 对偶范数的界说
给定一个向量空间 V V V 和它的范数 ∥ ⋅ ∥ \|\cdot\| ∥⋅∥，对偶范数（Dual Norm） ∥ ⋅ ∥ ∗ \|\cdot\|_∗ ∥⋅∥∗ 是界说在 V ∗ V^* V∗（ V V V的对偶空间）上的范数，用于度量对偶空间中的元素的巨细。对偶空间包罗作用在原始空间 V V V 上的全部线性函数。
对偶范数的界说是：
∥ y ∥ ∗ = sup { y T x : ∥ x ∥ ≤ 1 } \|y\|_* = \sup \{ y^T x : \|x\| \leq 1 \} ∥y∥∗=sup{yTx:∥x∥≤1}
大概更一样平常地表现为：
∥ y ∥ ∗ = sup { ⟨ y , x ⟩ : ∥ x ∥ ≤ 1 } \|y\|_* = \sup \{ \langle y, x \rangle : \|x\| \leq 1 \} ∥y∥∗=sup{⟨y,x⟩:∥x∥≤1}
此中 ⟨ y , x ⟩ \langle y, x \rangle ⟨y,x⟩ 表现向量 y y y 和 x x x 的内积， ∥ x ∥ ≤ 1 \|x\| \leq 1 ∥x∥≤1 表现取原空间中全部范数小于即是 1 的向量。对偶范数本质上是在衡量对偶空间中元素 y y y 作用在原空间中单元“球体”上的最大效果。
2. 常见范数和对偶范数的关系
差异范例的范数有各自的对偶范数，这些关系可以资助我们更好地明白对偶范数的寄义。
- L1 范数和 L∞ 范数：
- ∥ x ∥ 1 = ∑ i = 1 n ∣ x i ∣ \|x\|_1 = \sum_{i=1}^n |x_i| ∥x∥1=∑i=1n∣xi∣ 的对偶范数是 ∥ y ∥ ∞ = max i ∣ y i ∣ \|y\|_\infty = \max_i |y_i| ∥y∥∞=maxi∣yi∣。
- 直观上，L1 范数衡量向量元素的绝对值之和，而 L∞ 范数则取向量中最大的元素的绝对值。它们是对偶的，由于在 L 1 L1 L1 单元球上的内积最大值由一个元素的极值决定。
- L2 范数：
- ∥ x ∥ 2 = ∑ i = 1 n x i 2 \|x\|_2 = \sqrt{\sum_{i=1}^n x_i^2} ∥x∥2=∑i=1nxi2 的对偶范数仍旧是 ∥ y ∥ 2 \|y\|_2 ∥y∥2，即对偶范数也是 L2 范数。这意味着，欧几里得范数的对偶范数与自身类似。
- L∞ 范数和 L1 范数：
- ∥ x ∥ ∞ = max i ∣ x i ∣ \|x\|_\infty = \max_i |x_i| ∥x∥∞=maxi∣xi∣ 的对偶范数是 ∥ y ∥ 1 = ∑ i = 1 n ∣ y i ∣ \|y\|_1 = \sum_{i=1}^n |y_i| ∥y∥1=∑i=1n∣yi∣。L∞ 范数衡量向量中最大分量的绝对值，而 L1 范数则衡量全部分量的绝对值之和。二者是对偶的，由于在 L ∞ L∞ L∞ 单元球上的最大内积由全部分量之和决定。
3. 直观明白
对偶范数在多少上与原范数有直接的关系，可以通过下列方式明白：
- 对偶范数度量的是对偶空间中元素（线性函数）作用于原空间中元素的最大效果。
- 对偶范数告诉我们，对一个给定的线性函数，它在原空间中“作用得最强”的方向是什么，以及在单元“球体”上的最大效果是多少。
举个例子，假如你有一个向量空间中的某个“球体”（原范数小于即是 1 的全部向量），对偶范数形貌的是，给定一个线性映射（大概对偶空间中的元素），它在这个球体中能得到的最大内积是多少。
4. 示例
例子 1: L1 范数与 L∞ 范数 思量向量 x = ( 1 , − 2 , 3 ) x = (1, -2, 3) x=(1,−2,3)。盘算其 L1 范数：
∥ x ∥ 1 = ∣ 1 ∣ + ∣ − 2 ∣ + ∣ 3 ∣ = 6 \|x\|_1 = |1| + |-2| + |3| = 6 ∥x∥1=∣1∣+∣−2∣+∣3∣=6
其对偶范数为 L∞ 范数。假设 y = ( 2 , − 1 , 4 ) y = (2, -1, 4) y=(2,−1,4)，则 L∞ 范数为：
∥ y ∥ ∞ = max { ∣ 2 ∣ , ∣ − 1 ∣ , ∣ 4 ∣ } = 4 \|y\|_\infty = \max\{|2|, |-1|, |4|\} = 4 ∥y∥∞=max{∣2∣,∣−1∣,∣4∣}=4
例子 2: L∞ 范数与 L1 范数 思量向量 x = ( 3 , − 1 , 2 ) x = (3, -1, 2) x=(3,−1,2)。盘算其 L∞ 范数：
∥ x ∥ ∞ = max { ∣ 3 ∣ , ∣ − 1 ∣ , ∣ 2 ∣ } = 3 \|x\|_\infty = \max\{ |3|, |-1|, |2| \} = 3 ∥x∥∞=max{∣3∣,∣−1∣,∣2∣}=3
其对偶范数为 L1 范数。假设 y = ( 1 , − 1 , 1 ) y = (1, -1, 1) y=(1,−1,1)，则 L1 范数为：
∥ y ∥ 1 = ∣ 1 ∣ + ∣ − 1 ∣ + ∣ 1 ∣ = 3 \|y\|_1 = |1| + |-1| + |1| = 3 ∥y∥1=∣1∣+∣−1∣+∣1∣=3
5. 应用场景
- 凸优化：对偶范数用于界说优化题目中的对偶题目。在优化束缚中，对偶范数可以用于界说对束缚的敏感性和最优性条件。
- 希奇性和正则化：L1 范数的对偶范数是 L∞ 范数，而 L∞ 范数对信号的影响重要会合在最大值上。这些对偶范数的性子可以用于筹划正则化计谋，以促进希奇解或控制最差情况。
- 多少表明：对偶范数的多少表明与支持函数相干，支持函数是凸分析中形貌一个聚集怎样与一个方向相干的最大水平的工具。
6.总结
- 对偶范数界说为线性映射作用于原范数单元球体上的最大值。
- 差异范数之间的对偶关系，比方 L 1 L1 L1 和 L ∞ L∞ L∞ 范数之间的对偶关系，资助我们明白向量的差异度量方法之间的接洽。
- 应用广泛：对偶范数在凸优化、正则化技能和多少分析中有告急的应用。
|
发表于 2026-1-11 06:45:05