内积空间上的等积变换_内积和距离的关系

内积空间上的等积变换_内积和距离的关系内积空间、三角不等式、模长、不变子空间、镜像变换

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

第0章 复习与引申
第1章 线性空间与线性变换
第2章 内积空间和等距变换
第3章 矩阵的相似标准形
第4章 Hermite二次型
第5章 范数和矩阵函数
第6章 广义逆矩阵

第2章 内积空间和等距变换

将内积推广到抽象的线性空间,复数域

1 内积空间的概念

内积空间的定义: V V V是数域 F F F上的线性空间,在 V V V上定义了一个二元函数 ⟨ α , β ⟩ \langle \alpha,\beta\rangle α,β,若:

  1. ⟨ α , β ⟩ = ⟨ β , α ⟩ ‾ \langle \alpha,\beta\rangle=\overline{\langle\beta, \alpha\rangle} α,β=β,α
  2. ∀ α , β , γ ∈ V , ⟨ α + β , γ ⟩ = ⟨ α , γ ⟩ + ⟨ β , γ ⟩ \forall \alpha,\beta,\gamma\in V,\langle\alpha+\beta,\gamma\rangle=\langle\alpha,\gamma\rangle+\langle\beta,\gamma\rangle α,β,γV,α+β,γ=α,γ+β,γ;
  3. ∀ α , β ∈ V , k ∈ F , ⟨ k α , β ⟩ = k ⟨ α , β ⟩ \forall \alpha,\beta\in V,k\in F,\langle k\alpha,\beta\rangle=k\langle \alpha,\beta\rangle α,βV,kF,kα,β=kα,β
  4. ∀ α ∈ V , ⟨ α , α ⟩ ≥ 0 \forall \alpha\in V,\langle \alpha,\alpha\rangle\geq0 αV,α,α0

则称 ⟨ α , β ⟩ \langle \alpha,\beta\rangle α,β α , β \alpha,\beta α,β的内积。定义了内积的线性空间称为内积空间

F = R F=R F=R时,称 V V V为欧几里德空间,简称欧氏空间;当 F = C F=C F=C时,称 V V V酉空间

内积空间中的内积的性质:

  1. ⟨ α , β + γ ⟩ = ⟨ α , β ⟩ + ⟨ α , γ ⟩ \langle \alpha,\beta+\gamma\rangle=\langle\alpha,\beta\rangle+\langle\alpha,\gamma\rangle α,β+γ=α,β+α,γ;
  2. ⟨ α , k β ⟩ = k ‾ ⟨ α , β ⟩ \langle\alpha,k\beta\rangle=\overline{k}\langle\alpha,\beta\rangle α,kβ=kα,β
  3. ⟨ ∑ i = 1 s k i α i , ∑ j = 1 t l j β j ⟩ = ∑ i = 1 s ∑ j = 1 t k i l ‾ j ⟨ α i , β j ⟩ \langle\sum_{i=1}^sk_i\alpha_i,\sum_{j=1}^tl_j\beta_j\rangle=\sum_{i=1}^s\sum_{j=1}^tk_i\overline{l}_j\langle\alpha_i,\beta_j\rangle i=1skiαi,j=1tljβj=i=1sj=1tkiljαi,βj;
  4. 对于任意 α ∈ V \alpha\in V αV ⟨ α , θ ⟩ = ⟨ θ , α ⟩ = 0 \langle\alpha,\theta\rangle=\langle\theta,\alpha\rangle=0 α,θ=θ,α=0

度量矩阵的定义: ε 1 , ε 2 , ⋯   , ε n \varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n ε1,ε2,,εn V V V的基, α , β ∈ V \alpha,\beta\in V α,βV坐标是 X = ( x 1 , x 2 , ⋯   , x n ) T , Y = ( y 1 , y 2 , ⋯   , y n ) T X=(x_1,x_2,\cdots,x_n)^T,Y=(y_1,y_2,\cdots,y_n)^T X=(x1,x2,,xn)T,Y=(y1,y2,,yn)T,则 ⟨ α , β ⟩ = ∑ i = 1 n ∑ j = 1 n x i y j ‾ ⟨ ε i , ε j ⟩ = X T A Y ‾ = Y H A T X \langle\alpha,\beta\rangle=\sum_{i=1}^n\sum_{j=1}^nx_i\overline{y_j}\lang \varepsilon_i,\varepsilon_j\rang=X^TA\overline Y=Y^HA^TX α,β=i=1nj=1nxiyjεi,εj=XTAY=YHATX。其中 A = ( ⟨ ϵ i , ϵ j ⟩ ) n × n A=(\lang\epsilon_i,\epsilon_j\rang)_{n\times n} A=(ϵi,ϵj)n×n V V V在基 ε 1 , ε 2 , ⋯   , ε n \varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n ε1,ε2,,εn下的度量矩阵

F = R F=R F=R,则度量矩阵是对称矩阵: A = A T A=A^T A=AT;当 F = C F=C F=C,则度量矩阵是Hermite矩阵: A = A H A=A^H A=AH度量矩阵A是正定矩阵

模(长度)的定义: α ∈ V \alpha\in V αV α \alpha α的模定义为 ∣ ∣ α ∣ ∣ = ⟨ α , α ⟩ ||\alpha||=\sqrt{\lang\alpha,\alpha\rang} α=α,α
,若 ∣ ∣ α ∣ ∣ = 1 ||\alpha||=1 α=1,则称 α \alpha α
单位向量

模的性质:

  1. ∀ α ∈ V , ∣ ∣ α ∣ ∣ ≥ 0 \forall \alpha\in V,||\alpha||\geq0 αV,α0,且 ∣ ∣ α ∣ ∣ = 0    ⟺    α = θ ||\alpha||=0\iff \alpha=\theta α=0α=θ
  2. ∣ ∣ k α ∣ ∣ = ∣ k ∣ ∣ ∣ α ∣ ∣ ||k\alpha||=|k|||\alpha|| kα=kα,故若 α ≠ θ \alpha\neq\theta α=θ,则称 1 ∣ ∣ α ∣ ∣ α \frac{1}{||\alpha||}\alpha α1α是单位向量。

C-B不等式定理 ∀ α , β ∈ V , ∣ ⟨ α , β ⟩ ∣ ≤ ∣ ∣ α ∣ ∣ ∣ ∣ β ∣ ∣ \forall \alpha,\beta\in V,|\lang\alpha,\beta\rang|\leq||\alpha||||\beta|| α,βV,α,βαβ,而且等号成立    ⟺    \iff α , β \alpha,\beta α,β线性相关。

三角不等式定理 ∀ α , β ∈ V , ∣ ∣ α ∣ ∣ + ∣ ∣ β ∣ ∣ ≥ ∣ ∣ α + β ∣ ∣ \forall\alpha,\beta\in V,||\alpha||+||\beta||\geq||\alpha+\beta|| α,βV,α+βα+β

**距离的定义:**向量 α , β \alpha,\beta α,β的距离定义为 d ( α , β ) = ∣ ∣ α − β ∣ ∣ d(\alpha,\beta)=||\alpha-\beta|| d(α,β)=αβ

三角不等式的距离形式: ∀ α , β , γ ∈ V , d ( α , γ ) ≤ d ( α , β ) + d ( β , γ ) \forall\alpha,\beta,\gamma\in V,d(\alpha,\gamma)\leq d(\alpha,\beta)+d(\beta,\gamma) α,β,γV,d(α,γ)d(α,β)+d(β,γ)

**向量正交性的定义:**若向量 α , β \alpha,\beta α,β的内积为零,则称 α , β \alpha,\beta α,β是正交的,记 α ⊥ β \alpha\perp\beta αβ

勾股定理:若 α ⊥ β \alpha\perp\beta αβ,则 ∣ ∣ α + β ∣ ∣ 2 = ∣ ∣ α ∣ ∣ 2 + ∣ ∣ β ∣ ∣ 2 ||\alpha+\beta||^2=||\alpha||^2+||\beta||^2 α+β2=α2+β2

  • 由两两正交(线性无关)的非零向量组成的向量组称为正交向量组
  • 由两两正交的单位向量组成的向量组称为标准正交向量组
  • 由正交向量组组成的基称为正交基
  • 由标准正交向量组组成的基称为标准正交基

标准正交基下的内积:

  1. 若内积空间 V V V的一组基是标准正交基当且仅当相应的度量矩阵是单位阵;
  2. ε 1 , ε 2 , ⋯   , ε n \varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n ε1,ε2,,εn V V V的标准正交基, α , β ∈ V \alpha,\beta\in V α,βV ε 1 , ε 2 , ⋯   , ε n \varepsilon_1,\varepsilon_2,\cdots,\varepsilon_n ε1,ε2,,εn下的坐标是 X , Y X,Y X,Y,则 ⟨ α , β ⟩ = Y H X = ⟨ X , Y ⟩ C n \lang\alpha,\beta\rang=Y^HX=\lang X,Y\rang_{C^n} α,β=YHX=X,YCn

Schmidt正交化方法: α 1 , α 2 , ⋯   , α s ∈ V \alpha_1,\alpha_2,\cdots,\alpha_s\in V α1,α2,,αsV是线性无关的,首先进行正交化令:
KaTeX parse error: No such environment: align at position 8: \begin{̲a̲l̲i̲g̲n̲}̲ \beta_1&=\alph…
​ 然后,再对向量组 β i \beta_i βi进行单位化 γ i = 1 ∣ ∣ β i ∣ ∣ β i , i = 1 , ⋯   , s \gamma_i=\frac{1}{||\beta_i||}\beta_i,i=1,\cdots,s γi=βi1βi,i=1,,s,则 γ 1 , ⋯   , γ s \gamma_1,\cdots,\gamma_s γ1,,γs是与 α 1 , ⋯   , α s \alpha_1,\cdots,\alpha_s α1,,αs等价的标准正交向量组

酉矩阵的定义: n n n阶复矩阵 A A A若满足若 A H A = I A^HA=I AHA=I,则称为是酉矩阵。(正交阵的推广)

酉矩阵的性质:

  1. A A A是酉矩阵    ⟺    \iff A − 1 = A H A^{-1}=A^H A1=AH    ⟺    \iff A的行(列)向量组是 C n C^n Cn的标准正交基。

  2. α 1 , α 2 , ⋯   , α n \alpha_1,\alpha_2,\cdots,\alpha_n α1,α2,,αn V V V的标准正交基, ( γ 1 , γ 2 , ⋯   , γ n ) = ( α 1 , α n , ⋯   , α n ) U (\gamma_1,\gamma_2,\cdots,\gamma_n)=(\alpha_1,\alpha_n,\cdots,\alpha_n)U (γ1,γ2,,γn)=(α1,αn,,αn)U,则 γ 1 , γ 2 , ⋯   , γ n \gamma_1,\gamma_2,\cdots,\gamma_n γ1,γ2,,γn是标准正交基    ⟺    \iff U U U是酉矩阵 ;(过渡矩阵为酉矩阵)

  3. A , B A,B A,B是同阶酉矩阵,则 A − 1 , A B A^{-1},AB A1,AB都是酉矩阵;

  4. A A A是上(下)三角矩阵,若 A A A是酉矩阵,则 A A A是对角阵,且其主对角元的模均为1。

  5. 如果 α 1 , α 2 , ⋯   , α n \alpha_1,\alpha_2,\cdots,\alpha_n α1,α2,,αn V V V的基,则有标准正交基 γ 1 , γ 2 , ⋯   , γ n \gamma_1,\gamma_2,\cdots,\gamma_n γ1,γ2,,γn使得 ( γ 1 , γ 2 , ⋯   , γ n ) = ( α 1 , α 2 , ⋯   , α n ) T (\gamma_1,\gamma_2,\cdots,\gamma_n)=(\alpha_1,\alpha_2,\cdots,\alpha_n)T (γ1,γ2,,γn)=(α1,α2,,αn)T其中 T T T是上三角矩阵,则其主对角元均大于0.

矩阵的UT分解:设 A A A n n n阶可逆阵,则存在酉矩阵 U U U及主对角元均大于零的上三角矩阵 T T T,使得 A = U T A=UT A=UT,而且,满足上述条件的矩阵 U , Y U,Y U,Y是唯一的。(唯一性)

基扩充定理:假设 W W W V V V的子空间, α 1 , α 2 , ⋯   , α s \alpha_1,\alpha_2,\cdots,\alpha_s α1,α2,,αs W W W的标准正交基,则存在 α s + 1 , ⋯   , α n \alpha_{s+1},\cdots,\alpha_n αs+1,,αn使得 α 1 , ⋯   , α s , α s + 1 , ⋯   , α n \alpha_1,\cdots,\alpha_s,\alpha_{s+1},\cdots,\alpha_n α1,,αs,αs+1,,αn V V V的标准正交基。

2 正交补空间

正交空间的定义:设 W ≤ V , α ∈ V W\leq V,\alpha\in V WV,αV,若 ∀ β ∈ W , α ⊥ β \forall\beta\in W,\alpha\perp\beta βW,αβ,则称 α ⊥ W \alpha\perp W αW;若 W 1 , W 2 ≤ V W_1,W_2\leq V W1,W2V,对 ∀ α 1 ∈ W 1 , α 2 ∈ W 2 , α 1 ⊥ α 2 \forall\alpha_1\in W_1,\alpha_2\in W_2,\alpha_1\perp\alpha_2 α1W1,α2W2,α1α2,称 W 1 ⊥ W 2 W_1\perp W_2 W1W2

W = L ( α 1 , α 2 , ⋯   , α s ) , η ∈ V W=L(\alpha_1,\alpha_2,\cdots,\alpha_s),\eta\in V W=L(α1,α2,,αs),ηV,则 η ⊥ W    ⟺    ∀ j , η ⊥ α j \eta\perp W\iff\forall j,\eta\perp\alpha_j ηWj,ηαj

正交补空间的定义:设 W ≤ V W\leq V WV,记 W ⊥ = { α ∈ V ∣ α ⊥ W } W^\perp=\{\alpha\in V|\alpha\perp W\} W={
α
VαW}
,易证这是 V V V的子空间,称是 W W W V V V中的正交补空间。

正交补空间的直和定理:设 V V V是内积空间, W W W V V V的有限维子空间,则 V = W ⊕ W ⊥ V=W\oplus W^{\perp} V=WW,而且若 V = W ⊕ U V=W\oplus U V=WU W ⊥ U W\perp U WU,则 U = W ⊥ U=W^{\perp} U=W。(唯一性)

推论:设 V V V是内积空间, W W W V V V的有限维子空间,则 ( W ⊥ ) ⊥ = W (W^{\perp})^{\perp}=W (W)=W

值域和核空间的正交补空间:设 A ∈ C s × n A\in C^{s\times n} ACs×n,定义线性映射 f : C n → C s f:C^n\rightarrow C^s f:CnCs为: f ( x ) = A x , ∀ x ∈ C n f(x)=Ax,\forall x\in C^n f(x)=Ax,xCn f f f的值域和核空间分别记为 R ( f ) , K ( f ) R(f),K(f) R(f),K(f)。此时可得:
R ( A ) ⊥ = K ( A H ) , K ( A ) ⊥ = R ( A H ) R(A)^{\perp}=K(A^H),K(A)^{\perp}=R(A^H) R(A)=K(AH),K(A)=R(AH)
正投影的定义:已知 W ≤ V , α ∈ V W\leq V,\alpha\in V WV,αV,若 η ∈ W \eta\in W ηW满足 d ( α , η ) = min ⁡ ξ ∈ W d ( α , ξ ) d(\alpha,\eta)=\min_{\xi\in W}d(\alpha,\xi) d(α,η)=minξWd(α,ξ),则称 η \eta η α \alpha α W W W中得正投影 。

正投影的定理:设 W ≤ V , η ∈ V W\leq V,\eta\in V WV,ηV,则:

  1. η 0 ∈ W \eta_0\in W η0W η \eta η W W W中的正投影当且仅当 η − η 0 ⊥ W \eta-\eta_0\perp W ηη0W
  2. W W W是内积空间 V V V的有限维子空间,则 V V V中任意向量在 W W W中的正投影一定存在;
  3. α \alpha α W W W中的正投影存在,则正投影必定是唯一的。

3 等距变换

等距变换的定义:设 V V V是内积空间, f ∈ H o m ( V , V ) f\in Hom(V,V) fHom(V,V),若 ⟨ f ( α ) , f ( β ) ⟩ = ⟨ α , β ⟩ , ∀ α , β ∈ V \lang f(\alpha),f(\beta)\rang=\lang\alpha,\beta\rang,\forall \alpha,\beta\in V f(α),f(β)=α,β,α,βV则称 f f f为等距变换。

F = R F=R F=R,则称 f f f正交变换;若 F = C F=C F=C,则称 f f f酉变换

等距变换的充要条件:设 V V V是内积空间, f ∈ H o m ( V , V ) f\in Hom(V,V) fHom(V,V),下述条件等价:

  1. f f f保持长度不变;(1->2)
  2. f f f保持内积不变;(2->3)
  3. f f f将标准正交基变为标准正交基;(3->4)有限维时
  4. f f f在标准正交基下的矩阵为酉矩阵;(4->1)有限维时

欧氏空间中的镜像变换:设 V V V是一个欧式空间, ω ∈ V \omega\in V ωV是一个单位向量,映射 f : V → V , α ↦ α − 2 ⟨ α , ω ⟩ ω f:V\rightarrow V,\alpha\mapsto \alpha-2\lang\alpha,\omega\rang\omega f:VV,αα2α,ωω,则 f f f V V V上的等距变换(正交变换)。

镜像变换在任意一组基下的矩阵都相似于 d i a g ( − 1 , 1 , ⋯   , 1 ) diag(-1,1,\cdots,1) diag(1,1,,1)

参考文献:工程矩阵理论,张明淳著

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/184781.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • python聊天机器人(python用于机器人)

    通过定时触发器,可以简单快速地定制一个企业微信机器人。我们可以用它来实现喝水、吃饭提醒等小功能,还能实现定时推送新闻、天气,甚至是监控告警的小功能。使用企业微信机器人在企业微信中,选择添加机器人:之后,我们可以根据文档进行企业微信机器人的基础功能定制:以下是用curl工具往群组推送文本消息的示例(注意要将url替换成机器人的webhook地址,content必须是utf8编码):…

  • jquery nextsibling_javascript中预编译

    jquery nextsibling_javascript中预编译JavaScript中的nextSibling和previousSibling和作用类似于jquery的next()和prev(),都是获取下一个/上一个同胞元素,如果下一个同级节点不存在,则此属性返

  • redhat忘记root密码的解决办法_grub修改root密码

    redhat忘记root密码的解决办法_grub修改root密码转于lee的http://hi.baidu.com/maozilee/item/12a62a76f371df2bd7a89c5dRedFlagLinux忘记root密码解决办法Linux忘记root密码解决办法(进入Linux单用户系统修复模式)1.用RedFlag标准安装盘启动系统见http://blog.sina.com.cn/s/blog_8e5b82670101

  • 开启MySQL远程访问权限 允许远程连接

    开启MySQL远程访问权限 允许远程连接

    2021年11月23日
  • wine安装QQ_手机qq笔记在哪里查找

    wine安装QQ_手机qq笔记在哪里查找wineQQ安装

  • tikv源码分析_crt脚本命令大全

    tikv源码分析_crt脚本命令大全版权声明:本文由神州数码云基地团队整理撰写,若转载请注明出处。以TiKvConfigstruct为起始点,从TiKvConfig内部的字段开始,分析每个模块的作用和配置检查逻辑所做的事情。TiKV是一个分布式事务型的键值数据库,是TiDB的存储层,提供了满足ACID约束的分布式事务接口,并且通过Raft协议保证了多副本数据一致性以及高可用。关于TiDB、TiKV的详细介绍可以从官网查阅,这里就不多赘述了。知乎上已经有一篇高屋建瓴的文章,由TiKV亲爹Ed写的TiKV代码初探,可以从整

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号