内积与范数

目录

1 内积

\(x=(x_{1},\ldots ,x_{n}) \in \mathbf{R}^{n}\)的范数为:

\begin{equation} \label{eq:1} ||x|| = \sqrt{x_1^2 + \ldots + x_n^2} \end{equation}

范数在\(\mathbf{R}^{n}\)上不是线性的,为了把线性引入讨论,定义点积:

对于\(x,y\in \mathbf{R}^{n}\),\(x\)和\(y\)的点积\(x\cdot y\)定义为:

\begin{equation} \label{eq:2} x\cdot y = x_{1}y_{1} + \ldots x_{n}y_{n} \end{equation}

其中\(x = (x_{1},\ldots ,x_{n})\),\(y = (y_{1},\ldots ,y_{n})\)

注意\(\mathbf{R}^{n}\)中两个向量的点积是一个数。对所有的\(x\in \mathbf{R}^{n}\),均有\(x\cdot x = ||x||^{2}\),\(\mathbf{R}^{n}\)上的点积具有如下性质:

  1. 对所有\(x\in \mathbf{R}^{n}\),均有\(x\cdot x \geq 0\)
  2. \(x\cdot x = 0\),当且仅当\(x = 0\)
  3. 对于固定的\(y\in \mathbf{R}^{n}\),\(\mathbf{R}^{n}\)到\(R\)的将\(x\in \mathbf{R}^{n}\)变为\(x\cdot y\)的映射是线性的。
  4. 对所有\(x,y\in \mathbf{R}^{n}\),有\(x\cdot y = y\cdot x\)

内积是点积的推广。定义内积就是抽象化点积的过程:

\(V\)上的内积就是一个函数,把\(V\)中的元素的每个有序对\(u,v\)都映成一个数\(\langle u,v \rangle\) 并且具有以下性质:

  1. 对所有的\(v\in V\),有\(\langle v,v \rangle \geq 0\)
  2. \(\langle v,v \rangle = 0\),当且仅当\(v=0\)
  3. 对所有\(u,v,w\in V\),均有\(\langle u+v,w \rangle = \langle u,w \rangle + \langle v,w \rangle\)
  4. 对所有\(\lambda\in \mathbf{F}\)和所有\(u,v\in V\),有\(\langle \lambda u,v \rangle = \lambda \langle u,v \rangle \)
  5. 对所有\(u,v\in V\),有\(\langle u,v \rangle = \overline{ \langle v,u \rangle } \)

\(\mathbf{F}^{n}\)上的欧几里得内积定义为:

\begin{equation} \label{eq:3} \langle (w_{1},\ldots ,w_{n}),(z_{1},\ldots ,z_{n}) \rangle = w_{1}\bar{z_{1}} + \ldots + w_{n}\bar{z_{n}} \end{equation}

若\(c_{1},\ldots ,c_{n}\)均为正数,则可以定义\(\mathbf{F}^{n}\)上的内积:

\begin{equation} \label{eq:4} \langle (w_{1},\ldots ,w_{n}),(z_{1},\ldots ,z_{n}) \rangle = c_{1}w_{1}\bar{z_{1}} + \ldots + c_{n}w_{n}\bar{z_{n}} \end{equation}

在定义区间\([-1,1]\)上的实值连续函数构成的向量空间上可定义内积如下:

\begin{equation} \label{eq:5} \langle f,g \rangle = \int_{-1}^{1}f(x)g(x) \mathrm{d} x \end{equation}

在\(\mathcal{P}(\mathbf{R})\)上可定义内积如下:

\begin{equation} \label{eq:6} \langle p,q \rangle = \int_{0}^{\infty}p(x)q(x)e^{-x} \mathrm{d}x \end{equation}

内积空间就是带有内积的向量空间 \(V\)

内积空间最重要的例子是\(\mathbf{F}^{n}\),当我们说\(\mathbf{F}^{n}\)是内积空间的时候,我们总假设采用的是欧几里得内积。

  1. 对每个确定的\(u\in V\),将\(v\)变为\(v,u\)的函数是\(V\)到\(\mathbf{F}\)的线性映射。
  2. 对每个\(u\in V\),均有\( \langle 0,u \rangle = 0\)
  3. 对每个\(u\in V\),均有\( \langle u,0 \rangle = 0\)
  4. 对所有\(u,v,w\in V\)均有\( \langle u,v+w \rangle = \langle u,v \rangle + \langle u,w \rangle\)
  5. 对所有\(\lambda\in \mathbf{F}\)和所有\(u,v\in V\)均有\( \langle u,\lambda v \rangle = \bar{\lambda} \langle u,v \rangle\)

2 范数

对于\(v\in V\),\(v\)的范数\(\|v\| = \sqrt{\langle v,v \rangle } \)

若\((z_{1},\ldots ,z_{n}) \in \mathbf{F}^{n}\),则:

\begin{equation} \label{eq:7} \| (z_{1},\ldots ,z_{n}) \| = \sqrt{ |z_{1}|^{2} + \ldots + |z_{n}|^{2}} \end{equation}

在\([-1,1]\)上的实值连续函数构成的向量空间中有:

\begin{equation} \label{eq:8} \| f \| = \sqrt{\int_{-1}^{1} (f(x))^{2} \mathrm{d}x } \end{equation}

范数的基本性质:

设\(v\in V\)

  1. \(\| v\| = 0\) 当且仅当\(v=0\)
  2. 对所有\(\lambda\in \mathbf{F}\)均有\(\| \lambda v\| = |\lambda| \|v\|\)

通常,处理范数的平方要比直接处理范数更容易。

两个向量\(u,v\in V\)是正交的,如果\( \langle u,v \rangle = 0\)

若\(u,v\)是\(\mathbf{R}^{2}\)中的非零向量,则:

\begin{equation} \label{eq:9} \langle u,v \rangle = \| u \| \| v\|\cos \theta \end{equation}

其中\(\theta\)是\(u\)和\(v\)的夹角,显然在平面几何的意义下,正交意味着垂直。

  1. \(0\)正交与\(V\)中的任意向量。
  2. \(0\)是\(V\)中唯一一个与自身正交的向量。

设\(u\)和\(v\)是\(V\)中的正交向量,则\( \| u+v \|^{2} = \| u \|^{2} + \| v \|^{2} \)

\begin{eqnarray} \label{eq:10} \| u+v \|^{2} &=& \langle (u+v),(u+v) \rangle \\ &=& \langle u,u \rangle + \langle u,v \rangle + \langle v,u \rangle + \langle v,v \rangle \\ &=& \langle u,u \rangle + \langle v,v \rangle \\ &=& \| u \|^{2} + \| v \|^{2} \end{eqnarray}

设\(u,v\in V\),且\(v\neq 0\),我们想把\(u\)写成\(v\)的标量倍加上一个正交与\(v\)的向量\(w\)。如图1所示:

20170514orthogonalDecomposition.png

Figure 1: 正交分解

为了揭示如何将\(u\)写成\(v\)的标量倍加上一个正交于\(v\)的向量,令\(c\in \mathbf{F}\)表示一个标量,则: \[u = cv + (u-cv)\] 因此需要选取\(c\)使得\(v\)正交于\(u-cv\),也就是说我们希望: \[0 = \langle u-cv,v \rangle = \langle u,v \rangle - c \| v \|^{2} \] 上式表明\(c\)应该是\[\langle u,v \rangle / \| v \|^{2} \] 从而 \[ u = \frac{\langle u,v \rangle }{\| v \|^{2} }v + (u - \frac{\langle u,v \rangle }{\| v \|^{2} } v) \] 上式把\(u\)写成了\(v\)的标量倍加上一个正交于\(v\)的向量。

设\(u,v\in V\)且\(v\neq 0\),令\(c = \frac{\langle u,v \rangle }{\| v \|^{2} }, w = u - \frac{\langle u,v \rangle }{\| v \|^{2} } v \)则\(\langle w,v \rangle = 0 \),且\(u = cv + w\)

设\(u,v\in V\),则 \( | \langle u,v \rangle | \leq \| u \| \| v \| \),等号成立当且仅当\(u,v\)之间存在标量倍的关系。

我们把\(u\)分解为: \[u = w + \frac{\langle u,v \rangle }{\| v \|^{2} } v\] 其中\(w\)正交与\(v\),根据勾股定理,我们有:

\begin{eqnarray} \label{eq:11} \| u \|^{2} &=& \bigg\| \frac{\langle u,v \rangle }{\| v \|^{2} } v \bigg\|^{2} + \| w \|^{2} \\ &=& \frac{ \|\langle u,v \rangle \|^{2} }{\| v \|^{2} } + \| w \|^{2} \\ &\geq & \frac{ \|\langle u,v \rangle \|^{2} }{\| v \|^{2} } \end{eqnarray}

柯西施瓦茨不等式的例子

若\(x_{1},\ldots ,x_{n},y_{1},\ldots ,y_{n}\in \mathbf{R}\),则:

\begin{equation} \label{eq:12} |x_1y_1 + \ldots x_ny_n|^2 \leq (x_1^2 + \ldots x_n^2)(y_1^2 + \ldots + y_n^2) \end{equation}

若\(f,g\)均为\([-1,1]\)上的实值连续函数,则:

\begin{equation} \label{eq:13} \bigg\vert \int_{-1}^{1}f(x)g(x)dx \bigg\vert^{2} \leq \bigg(\int_{-1}^{1} (f(x))^{2}dx\bigg) \bigg(\int_{-1}^{-1} (g(x))^{2}dx\bigg) \end{equation}

设\(u,v\in V\),则\( \| u + v \| \leq \| u \| + \| v \| \),等号成立当且仅当\(u,v\)之一是另一个的标量倍。

\begin{eqnarray} \label{eq:14} \| u+v \|^{2} &=& \langle u+v,u+v \rangle \\ &=& \langle u,u \rangle + \langle u,v \rangle + \langle v,u \rangle + \langle v,v \rangle \\ &\leq& \| u \|^{2} + \| v \|^{2} + 2 \| u \| \| v \| \\ &=& ( \| u \| + \| v \| )^{2} \end{eqnarray}

所以 \( \| u + v \| \leq \| u \| + \| v \| \)

设\(u,v\in V\),则\( \| u + v \|^{2} + \| u-v \|^{2} = 2( \| u \|^{2} + \| v \|^{2}) \)

\begin{eqnarray} \label{eq:15} \| u+v \|^{2} + \| u-v \|^{2} &=& \langle u + v,u+v \rangle + \langle u-v,u-v \rangle \\ &=& \langle u,u \rangle + \langle u,v \rangle + \langle v,u \rangle + \langle v,v \rangle \\ &+& \langle u,u \rangle + \langle u,-v \rangle + \langle -v,u \rangle + \langle -v,-v \rangle \\ &=& 2 \langle u,u \rangle + 2 \langle v,v \rangle \\ &=& 2( \| u \|^{2} + \| v \|^{2} ) \end{eqnarray}