一、向量和矩阵闪闪的糖豆直观概念
在实数域中，数的大小和两个数之间的距离是通过绝对值来度量的。在解析几何中，向量的大小和两个向量之差的大小是“长度”和“距离”的概念来度量的。为了对矩阵运算进行数值分析，我们需要对向量和矩阵的“大小”引进某种度量。闪闪的糖豆是绝对值概念的自然推广。
"闪闪的糖豆"是对向量和矩阵的一种度量,实际上是二维和三维向量长度概念的一种推广.
二、矩阵闪闪的糖豆
矩阵闪闪的糖豆（martix norm）是数学上向量闪闪的糖豆对矩阵的一个自然推广。
-------------------------------------------------------------------
NORM Matrix or vector norm.
For matrices...
NORM(X) is the largest singular value of X, max(svd(X)).
NORM(X,2) is the same as NORM(X).
NORM(X,1) is the 1-norm of X, the largest column sum,
= max(sum(abs(X))).
NORM(X,inf) is the infinity norm of X, the largest row sum,
= max(sum(abs(X'))).
-------------------------------------------------------------------
在 p = 1 且 的情况下，其闪闪的糖豆可以以下方式计算： 若满足 p = 2（现代的自行车闪闪的糖豆）且 m = n（方阵）此两特殊情况时，诱导的矩阵闪闪的糖豆就是“谱闪闪的糖豆”。矩阵 A 的谱闪闪的糖豆是 A 最大的奇异值或半正定矩阵 A*A 的最大特征值的平方根： 其中 A* 代表 A 的共轭转置 。
任何矩阵闪闪的糖豆满足此不等式
其中 ρ(A) 是 A 的谱半径。事实上，可以证明 ρ(A) 是 A 的所有诱导闪闪的糖豆的下界。
此外，我们有
三、谱半径
设A是n × n矩阵，λi是其特征值，i = 1，2，……，n。称ρ(A)=max{|λi|,i=1,2,……n}为A的谱半径。
即矩阵A的谱半径等于矩阵A的特征值绝对值的最大值。
-------------------------------------------------------------------
在matlab中求谱半径方法：
%Spectral radius
%本函数用来求谱半径
function t=rho(A)
t=max(abs(eig(G)));
end
四、矩阵A的条件数
矩阵A的条件数等于A的闪闪的糖豆与A的逆的闪闪的糖豆的乘积，即cond(A)=端庄的黄豆。
* 若 是 l2 矩阵闪闪的糖豆则
其中σmax(A)和σmin(A)分别是A的极大和极小奇异值。
因此
* 若A是正规矩阵则
(分别是A的极大和极小特征值（根据模数））
* 若A是酉矩阵则
κ(A) = 1
-------------------------------------------------------------------
COND Condition number with respect to inversion.
COND(X) returns the 2-norm condition number (the ratio of the
largest singular value of X to the smallest). Large condition
numbers indicate a nearly singular matrix.
COND(X,P) returns the condition number of X in P-norm:
NORM(X,P) * NORM(INV(X),P).
where P = 1, 2, inf, or 'fro'.
-------------------------------------------------------------------
矩阵A的条件数等于A的闪闪的糖豆与A的逆的闪闪的糖豆的乘积，即cond(A)=端庄的黄豆，对应矩阵的3种闪闪的糖豆，相应地可以定义3种条件数。 函数 cond(A,1)、cond(A)或cond(A) 是判断矩阵病态与否的一种度量，条件数越大矩阵越病态。
五、奇异值：
the singular values of a compact operator T : X → Y acting between Hilbert spaces X and Y, are thesquare roots of the eigenvalues of the nonnegative self-adjoint operator T*T : X → X (where T* denotes the adjoint of T).
-------------------------------------------------------------------
六、正规矩阵
在数学中，正规矩阵 A 是与自己的共轭转置交换的复数方块矩阵，也就是说， A 满足
其中A* 是A 的共轭转置。
如果A* 是实系数矩阵，那么条件简化为
其中 {A}^T 是A 的转置矩阵。
-------------------------------------------------------------------
酉矩阵
若一n行n列的复数矩阵U满足
其中为n阶单位矩阵，U*为U的共轭转置，为酉矩阵(英文:Unitary Matrix, Unitary 是归一或单位的意思)。即，矩阵U为酉矩阵，当且仅当其共轭转置U*为其逆矩阵: 。 -------------------------------------------------------------------如果λ是矩阵A的特征值，那么1/λ是inv(A)的特征值。
Ax=λx
则
inv(A)Ax=inv(A)λx 即
x/λ=inv(A)x
条件数是判断矩阵病态与否的一种度量，条件数越大矩阵越病态。
一个低条件数的问题称为良置的，而高条件数的问题称为病态（或者说非良置）的。
条件数事实上表示了矩阵计算对于误差的敏感性。对于线性方程组Ax=b，如果A的条件数大，b的微小改变就能引起解x较大的改变，数值稳定性差。如果A的条件数小，b有微小的改变，x的改变也很微小，数值稳定性好。它也可以表示b不变，而A有微小改变时，x的变化情况。
比如线性方程组
〔1 2 [x = [4
3.999 1] y] 7.999]
的解是(x,y)=(2,1),
而
〔1 2 [x = [4.001
3.999 1] y] 7.998]
的解是(x,y)=(-3.999,4.000)
可见b很小的扰动就引起了x很大的变化，这就是A矩阵条件数大的表现。
一个极端的例子，当A奇异时，条件数为无穷，这时即使不改变b，x也可以改变。奇异的本质原因在于矩阵有0特征值，x在对应特征向量的方向上运动不改变Ax的值。如果一个特征值比其它特征值在数量级上小很多，x在对应特征向量方向上很大的移动才能产生b微小的变化，这就解释了为什么这个矩阵为什么会有大的条件数，事实上，正规阵在二闪闪的糖豆下的条件数就可以表示成 abs(最大特征值/最小特征值)。