泛函分析笔记(七) 连续线性算子和连续多重线性映射
文章目录
- 赋范向量空间的连续线性算子
- 初等性质
- 线性算子的特征值和特征子空间
- 空间 L(X;Y),L(X),X∗\mathcal{L}(X;Y),\mathcal{L}(X) ,X^*L(X;Y),L(X),X∗
- 连续多重线性映射
赋范向量空间的连续线性算子
设X和Y是同一个域 K=RorK=C\mathbb{K=R} ~~ or ~~ \mathbb{K=C}K=R or K=C 上的向量空间,0表示他们中的零向量。
映射 A:X→YA:X\to YA:X→Y 对所有 x,y∈X,α∈Kx,y\in X , ~\alpha \in\mathbb{K}x,y∈X, α∈K 有
A(x+y)=A(x)+A(y),A(αx)=αAA(x+y)=A(x)+A(y),A(\alpha x) = \alpha AA(x+y)=A(x)+A(y),A(αx)=αA
则称A为由X到Y的线性算子。
这个线性定义和之前学信号与系统里面的线性也是一模一样,叠加性齐次性啥的
如果 Y=KY=\mathbb{K}Y=K 则称之为线性泛函或者线性型。一般简记A(x) 为 Ax
半线性 如果 K=C\mathbb{K=C}K=C 然后把那个乘法改成 A(αx)=α‾A(x)A(\alpha x) =\overline \alpha A(x)A(αx)=αA(x) ,则A是半线性的。
A的核 如果A是线性算子,称X的子集 KerA:={x∈X;Ax=0}Ker ~~ A:=\{x\in X;Ax = 0\}Ker A:={x∈X;Ax=0} 为A的核。
称X在A作用下的直接像A(X) 是A的值域,记作 Im A,有 ImA:=A(X)={y∈Y;∃x∈X,y=Ax}Im ~~A:= A(X) = \{y\in Y; \exists x \in X , y = Ax \}Im A:=A(X)={y∈Y;∃x∈X,y=Ax}
所以说A的核心就是X里能够在运算后得到0的元素的集合。
初等性质
- 仅当A的核只有一个0元素的时候,A是单射(很容易理解嘛,不然不就很多个元素都映射到0了么,只能有一个的话,那必然是只有0元素了)
- 如果线性算子是单射,那么他的逆映射是从Im A到X的线性算子(此处应有同理)
线性算子的特征值和特征子空间
如果 ∃p∈X,p≠0,λ∈K,Ap=λp\exists p\in X,p\not ={0} , \lambda \in \mathbb{K} ,Ap = \lambda p∃p∈X,p=0,λ∈K,Ap=λp
则λ是A的一个特征值,非零向量p是A相对于特征值λ的一个特征向量。
X的子空间 {p∈X;Ap=λp}≠0\{p\in X;Ap=\lambda p\} \not ={0}{p∈X;Ap=λp}=0 是相对于特征值 λ 的特征子空间。
空间 L(X;Y),L(X),X∗\mathcal{L}(X;Y),\mathcal{L}(X) ,X^*L(X;Y),L(X),X∗
设X和Y是同一个域 K\mathbb{K}K 上的两个赋范线性空间,则将域 K\mathbb{K}K 上由所有X到Y的连续线性算子组成的空间记作
L(X;Y)orY=X时L(X)\mathcal{L}(X;Y) ~~ or ~~ Y=X时 \mathcal{L}(X)L(X;Y) or Y=X时L(X)
在 Y=KY = \mathbb{K}Y=K 这特殊情况下,空间 X′:=L(X;K)X':=\mathcal{L}(X;\mathbb{K})X′:=L(X;K) 是X的对偶空间。
连续多重线性映射
乘积空间 X1×X2×X3×⋯×Xk(k≥2,k∈Z)X_1\times X_2\times X_3\times \dotsb \times X_k (k\ge 2,k\in Z)X1×X2×X3×⋯×Xk(k≥2,k∈Z) 是所有形如 (x1,x2,x3,⋯,xk)(x_1,x_2,x_3,\dotsb,x_k)(x1,x2,x3,⋯,xk) 的元素的集合。没错它长得和俺熟悉的向量一毛一样,所以定义好加法和乘法这就是一个 K\mathbb{K}K 上的向量空间了。
我们称映射 A:X1×X2×X3×⋯×Xk→YA: X_1\times X_2\times X_3\times \dotsb \times X_k \to YA:X1×X2×X3×⋯×Xk→Y 是由 X1×X2×X3×⋯×XkX_1\times X_2\times X_3\times \dotsb \times X_kX1×X2×X3×⋯×Xk 到 Y 的多重映射或k线性映射。
当k=2或k=3时候也可以叫双线性或三线性。如果 Y=KY = \mathbb{K}Y=K 也可以称为多重线性泛函或多线性型。
这里有个关键点是这个多重映射和 X1×X2×X3×⋯×XkX_1\times X_2\times X_3\times \dotsb \times X_kX1×X2×X3×⋯×Xk 到 Y 的线性映射是不一样的(书上不提估计我就以为一样了。)
区别可以由下面的例子看出
以k=2距离
线性映射应有 A((x1,x2)+(y1,y2))=A(x1,x2)+A(y1,y2),A(α(x1,x2))=αA(x1,x2)A((x_1,x_2)+(y_1,y_2)) = A(x_1,x_2)+A(y_1,y_2),A(\alpha(x_1,x_2))=\alpha A(x_1,x_2)A((x1,x2)+(y1,y2))=A(x1,x2)+A(y1,y2),A(α(x1,x2))=αA(x1,x2)而双线性映射满足的应该是
A((x1,x2)+(y1,y2))=A(x1,x2)+A(y1,y2)+A(x1,y2)+A(x2,y1),A(α(x1,x2))=α2A(x1,x2)A((x_1,x_2)+(y_1,y_2)) = A(x_1,x_2)+A(y_1,y_2)+A(x_1,y_2) + A(x_2,y_1),A(\alpha(x_1,x_2))=\alpha^2 A(x_1,x_2)A((x1,x2)+(y1,y2))=A(x1,x2)+A(y1,y2)+A(x1,y2)+A(x2,y1),A(α(x1,x2))=α2A(x1,x2)
区别还蛮大的。所有的X1×X2×X3×⋯×XkX_1\times X_2\times X_3\times \dotsb \times X_kX1×X2×X3×⋯×Xk 到 Y 的多重线性映射组合也是 K\mathbb{K}K 上的一个向量空间。
对称和交错:
- 置换:集合的置换是从集合映至自身的双射。比如 {1,2,3} 和 {2,1,3}
Gk\mathcal{G}_kGk 表示由集合 {1,2,3,4,…,k} 的置换全体组成的集合,那么 X×X×X×⋯×XX\times X\times X\times \dotsb \times XX×X×X×⋯×X 到 Y 的多重线性映射对一切 xl∈Xlx_l\in X_lxl∈Xl 和所有的 σ∈Gk\sigma\in \mathcal{G}_kσ∈Gk 有
A(xσ(1),xσ(2),⋯,xσ(k))=A(x1,x2,⋯,xk)A(x_{\sigma(1)},x_{\sigma(2)},\dotsb,x_{\sigma(k)}) = A(x_1,x_2,\dotsb,x_k)A(xσ(1),xσ(2),⋯,xσ(k))=A(x1,x2,⋯,xk)
那么A是对称的
从这个式子看,对称的意思应该就是A()括号里面的参数可以瞎换位置不影响结果嘛,在这些乘积的集合都是相同的X的情况下。
如果
A(xσ(1),xσ(2),⋯,xσ(k))=ϵ(σ)A(x1,x2,⋯,xk)A(x_{\sigma(1)},x_{\sigma(2)},\dotsb,x_{\sigma(k)}) = \epsilon(\sigma)A(x_1,x_2,\dotsb,x_k)A(xσ(1),xσ(2),⋯,xσ(k))=ϵ(σ)A(x1,x2,⋯,xk)
其中 ϵ(σ)\epsilon(\sigma)ϵ(σ) 是σ\sigmaσ 的符号(只能是±1),则称A是交错的。
这个和刚才的区别就是前面加了符号。也就是说交互位置只改变正负号。
这个特性和矩阵的行列式好像啊!!!!!!
所以书后也说,系数在 K\mathbb{K}K 上的 k*k的矩阵的行列式,作为矩阵列向量的函数,就是一个 X=KkX= \mathbb{K}^kX=Kk 的交错多重泛函的例子。
泛函分析笔记(七) 连续线性算子和连续多重线性映射相关推荐
- 泛函分析笔记2:赋范空间
在度量空间中,我们重点关注的是两个元素之间的距离,而这一部分要引出来的赋范空间中,则对每个元素本身也赋予了"范数",也就是"长度". 文章目录 1. 线性空间 ...
- 《信息与编码》考试复习笔记6----第六章连续信源熵和信道容量(考点在连续信道容量)
系列文章链接目录 一.<信息与编码>考试复习笔记1----第一章概论 二.<信息与编码>考试复习笔记2----第二章离散信息源 三.<信息与编码>考试复习笔记2-- ...
- 泛函分析笔记1:度量空间
这一章节研究度量空间的基本结构,在开始前,我们需要思考几个问题: 什么是度量空间? 我们为什么要首先学习度量空间呢? 在这篇笔记的最后再来回答这个问题. 文章目录 1. 度量空间定义 2. 开集 2. ...
- window的dos命令学习笔记 七
文章目录 一.dos历史学习笔记(后期整合到这里,我想能学到这里的应该不多了,嘿嘿,加油) 二.执行状态返回值(`%errorlevel%`,和shell中`$?`相似): 三.视窗 1.color ...
- OpenCV学习笔记(七)——图像梯度及边缘检测
图像梯度计算的是图像变化的速度.对于图像的边缘部分,其灰度值变化较大,梯度值也较大:相反,对于图像中比较平滑的部分,其灰度值变化较小,相应的梯度值也较小.一般情况下,图像梯度计算的是图像的边缘信息. ...
- qml开发笔记(七):输入元素鼠标输入MouseArea和键盘输入Keys
若该文为原创文章,未经允许不得转载 原博主博客地址:https://blog.csdn.net/qq21497936 原博主博客导航:https://blog.csdn.net/qq21497936/ ...
- 泛函分析笔记6:一致有界性原理
文章目录 1. Baire范畴定理 2. 一致有界性原理 3. 应用举例 Hahn-Banach定理主要是用于泛函的延拓,在较小的子空间上满足某个性质之后我们就可以将对应的泛函延拓至整个空间.而这一节 ...
- Typescript 学习笔记七:泛型
中文网:https://www.tslang.cn/ 官网:http://www.typescriptlang.org/ 目录: Typescript 学习笔记一:介绍.安装.编译 Typescrip ...
- 吴恩达《机器学习》学习笔记七——逻辑回归(二分类)代码
吴恩达<机器学习>学习笔记七--逻辑回归(二分类)代码 一.无正则项的逻辑回归 1.问题描述 2.导入模块 3.准备数据 4.假设函数 5.代价函数 6.梯度下降 7.拟合参数 8.用训练 ...
- websocket 获取连接id_Swoole学习笔记七:搭建WebSocket长连接 之 使用 USER_ID 作为身份凭证...
Swoole学习笔记七:搭建WebSocket长连接 之 使用 USER_ID 作为身份凭证 2年前 阅读 3678 评论 0 喜欢 0 ### 0.前言 前面基本的WebSocket操作,我们基本都 ...
最新文章
- 找出前50个素数,构成素数表
- libnet发包java语言_libnet-1.1.2.1
- bs4 CSS选择器
- 《剑指offer》二叉树镜像
- .Net开源 Shuttle(飞梭)服务总线(ESB)入门
- C++ Opengl纹理贴图源码
- OllyDbg笔记-修改Messagebox的标题
- AI表情迁移、电影字幕自动翻译等,原来是这么玩的!
- 在内存不足时,new (std::nothrow)并不抛出异常,而是将指针置NULL
- 点击文本框内容消失,移开内容自动显示(两种方法)(原创)
- python清空list_python怎么清空list
- mo java_mojava和 high sierra系统区别?
- VIS2020 长论文摘要机翻
- 每个客户看待期货开户公司的角度不一样
- 【云驻共创】华为云数据库之大数据入门与应用(上)
- 手机端富文本编辑器_在手机上也能高效写作,这款好用的移动端编辑器值得你尝试...
- 做php的灯就灭,121128 还原 我是做PHP的,女嘉宾把灯全灭了 真相
- win10家庭版如何安装Windows Sandbox
- 图论-单源最短路径算法(拓扑,Dijkstra,Floyd,SPFA)
- MySQL卸载后重新安装出错的解决方法