内积

2019-11-10  本文已影响0人  Blessed佑佑

一、欧几里得空间

定义:设\boldsymbol{V}是实数域\mathbb{R}的线性空间,映射\tau: \boldsymbol{V}\times\boldsymbol{V}\rightarrow\mathbb{R}称为\boldsymbol{V}上的内积(Inner product),记作<\boldsymbol{v}_1,\boldsymbol{v}_2>,满足:

对于第二条性质的解释,内积本来是一个二元函数,当将第一个参数固定住,就变成了关于第二个参数的一元函数,此时这个函数是一个线性函数(映射),即<\boldsymbol{v}_1,\cdot>\rightarrow\mathbb{R}这个映射是线性的,线性组合的像等于像的线性组合。

\mathbb{R}上线性空间上定义了内积,就称为内积空间,若空间是有限维的,则称为欧几里得空间。

<\boldsymbol{0}, \boldsymbol{v}>=<\boldsymbol{v},\boldsymbol{0}>=<\boldsymbol{v},\boldsymbol{0+0}>=<\boldsymbol{v},\boldsymbol{0}>+<\boldsymbol{v},\boldsymbol{0}>\Rightarrow<\boldsymbol{0},\boldsymbol{v}>=0

\mathbb{R}^n上的标准内积

\mathbb{R}^n\times\mathbb{R}^n\rightarrow \mathbb{R}计算为:<\boldsymbol{x},\boldsymbol{y}>=\boldsymbol{x}^T\boldsymbol{y}=\sum_{k=1}^nx_iy_i证明这是不是内积,就挨个check一下那三条性质。

函数的内积

连续函数空间\boldsymbol{V}=\mathcal{C}([a,b],\mathbb{R}^n),设两个向量\boldsymbol{f}(t),\boldsymbol{g}(t),其中\boldsymbol{f}(t)=\left[ \begin{matrix} f_1(t)\\f_2(t)\\\vdots\\f_n(t) \end{matrix} \right], \boldsymbol{g}(t)=\left[ \begin{matrix} g_1(t)\\g_2(t)\\\vdots\\g_n(t) \end{matrix} \right],t\in[a,b]定义内积<\boldsymbol{f},\boldsymbol{g}>=\int_a^b\boldsymbol{f}^T\boldsymbol{g}\ dt=\int_a^b\sum_{k=1}^nf_i(t)g_i(t)dt

二、复内积和酉空间(Unitary Space,也称为辛空间)

定义:设\boldsymbol{V}\mathbb{C}上的线性空间,复内积:\boldsymbol{V}\times\boldsymbol{V}\rightarrow\mathbb{C}满足:

有限维的复内积空间称为酉空间

对第一个元素是共轭线性的:<k\boldsymbol{v}_1+l\boldsymbol{v}_2,\boldsymbol{v}_3>=\overline{<\boldsymbol{v}_3,k\boldsymbol{v}_1+l\boldsymbol{v}_2>}=\overline{<\boldsymbol{v}_3,\boldsymbol{v}_1>k+<\boldsymbol{v}_3,\boldsymbol{v}_2>l}\\=\overline{<\boldsymbol{v}_3,\boldsymbol{v}_1>}\overline{k}+\overline{<\boldsymbol{v}_3,\boldsymbol{v}_2>}\overline{l}=\overline{k}<\boldsymbol{v}_1,\boldsymbol{v}_2>+\overline{l}<\boldsymbol{v}_2,\boldsymbol{v}_3>

标准酉空间\mathbb{C}^n

\mathbb{C}^n上定义复内积<\boldsymbol{v}_1,\boldsymbol{v}_2>=\overline{\boldsymbol{v}_1}^T\boldsymbol{v}_2=\sum_{k=1}^n\overline{x}_iy_i

线性组合的内积的矩阵表示:\left<\sum_{i=1}^s\boldsymbol{\alpha}_ik_i,\sum_{i=1}^t\boldsymbol{\beta}_il_i\right>=[\overline{k_1},\overline{k_2},\cdots,\overline{k_s}]\left[ \begin{matrix} <\boldsymbol{\alpha}_1,\boldsymbol{\beta}_1>&<\boldsymbol{\alpha}_1,\boldsymbol{\beta}_2>&\cdots&<\boldsymbol{\alpha}_1,\boldsymbol{\beta}_t>\\<\boldsymbol{\alpha}_2,\boldsymbol{\beta}_1>&<\boldsymbol{\alpha}_2,\boldsymbol{\beta}_2>&\cdots&<\boldsymbol{\alpha}_2,\boldsymbol{\beta}_t>\\ \vdots &\vdots &\ddots &\vdots\\<\boldsymbol{\alpha}_s,\boldsymbol{\beta}_1>&<\boldsymbol{\alpha}_s,\boldsymbol{\beta}_2>&\cdots&<\boldsymbol{\alpha}_s,\boldsymbol{\beta}_t> \end{matrix} \right] \left[\begin{matrix} l_1\\l_2\\\vdots\\l_t \end{matrix} \right]=\sum_{i=1}^s\sum_{i=1}^t\overline{k_i}<\boldsymbol{\alpha}_i,\boldsymbol{\beta}_j>l_j

Gram矩阵

\boldsymbol{\beta}_1,\boldsymbol{\beta}_2,\cdots,\boldsymbol{\beta}_s是内积空间的一个向量组,则矩阵G(\boldsymbol{\beta}_1,\boldsymbol{\beta}_2,\cdots,\boldsymbol{\beta}_s)=\left[ \begin{matrix} <\boldsymbol{\alpha}_1,\boldsymbol{\beta}_1>&<\boldsymbol{\beta}_1,\boldsymbol{\beta}_2>&\cdots&<\boldsymbol{\beta}_1,\boldsymbol{\beta}_t>\\<\boldsymbol{\beta}_2,\boldsymbol{\beta}_1>&<\boldsymbol{\beta}_2,\boldsymbol{\beta}_2>&\cdots&<\boldsymbol{\beta}_2,\boldsymbol{\beta}_t>\\ \vdots &\vdots &\ddots &\vdots\\<\boldsymbol{\beta}_s,\boldsymbol{\beta}_1>&<\boldsymbol{\beta}_s,\boldsymbol{\beta}_2>&\cdots&<\boldsymbol{\beta}_s,\boldsymbol{\beta}_t> \end{matrix} \right]其中基向量组的Gram矩阵称为度量矩阵

性质:

\mathbb{C}^n上的Gram矩阵,有一个向量组\boldsymbol{B}_{n\times s}=[\boldsymbol{\beta}_1,\boldsymbol{\beta}_2,\cdots,\boldsymbol{\beta}_s],这里是具体的向量,不是抽象的,则\boldsymbol{G}(\boldsymbol{\beta}_1,\boldsymbol{\beta}_2,\cdots,\boldsymbol{\beta}_s) = \overline{\boldsymbol{B}}^T\boldsymbol{B },证明:(\overline{\boldsymbol{B}}^T\boldsymbol{B})_{ij}=\overline{\boldsymbol{\beta}_i}^T\boldsymbol{\beta}_j=<\boldsymbol{\beta}_i,\boldsymbol{\beta}_j>=\boldsymbol{G}_{ij}

f,g \in \boldsymbol{V} = \mathcal{C}([a,b],\mathbb{R}),其中<f,g>=\int_a^bf(t)g(t)dt,Gram矩阵\boldsymbol{G}(\boldsymbol{f}_1,\boldsymbol{f}_2,\cdots,\boldsymbol{f}_s)=\left[ \begin{matrix} \displaystyle\int_a^bf_1(t)f_1(t)dt & \displaystyle\int_a^bf_1(t)f_2(t)dt&\cdots&\displaystyle\int_a^bf_1(t)f_s(t)\\\displaystyle\int_a^bf_2(t)f_1(t)dt&\displaystyle\int_a^bf_2(t)f_2(t)dt&\cdots&\displaystyle\int_a^bf_2(t)f_s(t)dt\\\vdots&\vdots&\ddots&\vdots\\\displaystyle\int_a^bf_s(t)f_1(t)dt&\displaystyle\int_a^bf_s(t)f_2(t)dt&\cdots&\displaystyle\int_a^bf_s(t)f_s(t)dt \end{matrix} \right]

三、向量的长度和距离

定义:\left\| \boldsymbol{\alpha} \right\| = \sqrt[]{\left<\boldsymbol{\boldsymbol{\alpha},\boldsymbol{\alpha}}\right>}\\ d(\boldsymbol{\alpha},\boldsymbol{\beta})=\left\| \boldsymbol{\alpha}-\boldsymbol{\beta } \right\|

证明Cauchy-Schwarz不等式:\left<\boldsymbol{\alpha},\boldsymbol{\beta}\right>=|\left<\boldsymbol{\alpha},\boldsymbol{\beta}\right>|e^{i\theta}两边乘以e^{i\theta}的倒数\left< \boldsymbol{\alpha},\boldsymbol{\beta} \right>e^{-i\theta}=|\left<\boldsymbol{\alpha},\boldsymbol{\beta }\right>|\\\Rightarrow\left<\boldsymbol{\alpha}e^{i\theta},\boldsymbol{\beta}\right>=|\left<\boldsymbol{\alpha},\boldsymbol{\beta }\right>|\in\mathbb{R}\boldsymbol{\alpha}e^{i\theta}=\boldsymbol{\alpha}',要证明\left<\boldsymbol{\alpha}',\boldsymbol{\beta}\right>\le\|\boldsymbol{\alpha}'\|\cdot\|\boldsymbol{\beta}\|,则左边=|\left<\boldsymbol{\alpha},\boldsymbol{\beta}\right>| \\右边=\|\boldsymbol{\alpha}e^{i\theta}\|\cdot\|\boldsymbol{\beta}\|=\|\boldsymbol{\alpha}\|\|\boldsymbol{\beta}\|等号成立的条件是\boldsymbol{\alpha}\boldsymbol{\beta}线性相关。

上一篇 下一篇

猜你喜欢

热点阅读