凸优化 保凸运算

交集

仿射映射

注意 虽然说是线性映射 但是维度变化了

这个线性映射和线性逆映射都是保凸的

什么是仿射映射呢 --》 伸缩 、平移、投影 都是

例 利用仿射函数来理解 两个凸集的和仍然是凸的

思路就是：仿射变换是针对一个集合的 现在是两个集合 所以我们要把两个集合转换到一个集合里面去
先构造 第二行的（ 笛卡儿积般的拼接 ） 原本是个凸集 新的仍然是凸集 ==》
然后可以把S1+S2看作是新的集合的仿射变换 ( 第三行 )

一个凸集合和一个非凸集合的和 也可能是凸集合

例 LMI 线性矩阵不等式的解集是凸集

A和X都是对称矩阵

实际上就是证明

• 解：
  首先构造仿射变换 ，注意这里X代表不是一个矩阵，而是这个线性矩阵不等式的解集，是一个高维空间，因为他是多个对称矩阵的集合，所以维度肯定比X的维度要高

你想想标量( X ) 组成向量，向量（解集）的维度肯定比标量（ 单个X ）的维度要高

所以这是从高维到低维的一个映射

因为B-A(X) 是跟B一个维度的，B和单独的X又是一个维度的

【右边是“标量” 左边是“向量”】

最后一行是经典 但是也有点绕 就是将非负定矩阵带入仿射变换的逆运算中（对 ）

当感到高维空间无法思考的时候 就想象成标量

例 椭球是球的仿射映射

到 3:17 ?? 先看后面的

透视函数

实际上是一个降维操作 --》最后一维砍掉了

这个相当于一个笛卡儿积的拼接 规定最后一个维度一定要是一个正实数

• 为什么叫透视函数呢 ↓
  
  有点像 从原点这个小孔把光源（原像）的光透过去(只有这个小孔透光 ，别的地方不透光)，拦在 x3=-1这个墙上的感觉

为了更好的解释透射 ，我们下面证明一个线段经过透视函数变换后还是一条线段

一条线段经过透视函数变换后还是一条线段

考虑如下三个点： x

现在已经证明了，第三个点映射后还是在

注意 要证明一条线段变成另一条线段，我们要证明给定Θ，映射前后是单射

这样就可以证明了 。。。。赛高

线性分式函数

简短的summary

仿射函数一般用 f(·) 表示，透视函数一般用 P(·) 表示