signal spaces
Vector Space
a Vector space X is a set of element together
向量空间 子空间
范数(norm)是数学中的一种基本概念。在泛函分析中,它定义在赋范线性空间中,并满足一定的条件,即①非负性;②齐次性;③三角不等式。它常常被用来度量某个向量空间(或矩阵)中的每个向量的长度或大小。
也不是非常异常重要的四个网址
https://blog.csdn.net/francy0527/article/details/72715533
信号处理第一课:向量的空间与子空间
https://www.cnblogs.com/weizc/p/5778678.html L0 L1 L2 范数介绍 精品!!
机器学习理论篇:机器学习的数学基础
https://www.cnblogs.com/jialin0421/p/8988824.html
Hilbert 空间
https://www.xuebuyuan.com/3225491.html Hilbert空间
线性空间中的元素没有“长度”(相当于三维空间中线段的长度),为了量化线性空间中的元素,所以又在线性空间引入特殊的“长度”,即范数。赋予了范数的线性空间即称为赋犯线性空间。
但赋范线性空间中两个元素之间没有角度的概念,为了解决该问题,所以在线性空间中又引入了内积的概念。
因为有度量,所以可以在度量空间、赋范线性空间以及内积空间中引入极限,但抽象空间中的极限与实数上的极限有一个很大的不同就是,极限点可能不在原来给定的集合中,所以又引入了完备的概念,完备的内积空间就称为Hilbert空间。
这几个空间之间的关系是:
线性空间与度量空间是两个不同的概念,没有交集。
赋范线性空间就是赋予了范数的线性空间,也是度量空间(具有线性结构的度量空间);
内积空间是赋范线性空间加上角度的概念;
希尔伯特空间就是完备的内积空间。
(一片文章带你理解再生核希尔伯特空间(RKHS)以及各种空间)
https://blog.csdn.net/ChangHengyi/article/details/80577318
sup 趋近
max 最大值
期望 mean 相当于求均值(加权平均数)
矩阵乘法(两个矩阵的乘法)可以看成是列向量的线性组合。
[
2
−
1
1
1
]
\begin{bmatrix} 2 & -1 \\ 1& 1 \end{bmatrix}
[21−11]
[
x
y
]
\begin{bmatrix} x \\ y \end{bmatrix}
[xy] =
[
1
5
]
\begin{bmatrix} 1 \\ 5 \end{bmatrix}
[15]
从左往右看:x, y 其实是列向量权重。
从右往左看:x, y 是1 5 在2 1, -1 1上的坐标(投影)
[
2
−
1
1
1
]
\begin{bmatrix} 2 & -1 \\ 1& 1 \end{bmatrix}
[21−11] 可以理解为:原本的基线性变换之后的空间系的基。
[
x
y
]
\begin{bmatrix} x \\ y \end{bmatrix}
[xy]为原空间系中的一个向量,其本质就是坐标。 所以
[
x
y
]
\begin{bmatrix} x \\ y \end{bmatrix}
[xy] 通过一系列变换
[
2
−
1
1
1
]
\begin{bmatrix} 2 & -1 \\ 1& 1 \end{bmatrix}
[21−11] 变成了
[
1
5
]
\begin{bmatrix} 1 \\ 5 \end{bmatrix}
[15]。
[
1
5
]
\begin{bmatrix} 1 \\ 5 \end{bmatrix}
[15] 在 基为
[
2
−
1
1
1
]
\begin{bmatrix} 2 & -1 \\ 1& 1 \end{bmatrix}
[21−11]的坐标就是
[
x
y
]
\begin{bmatrix} x \\ y \end{bmatrix}
[xy]在原坐标系中的位置(若是笛卡尔坐标系,就是该向量的坐标)。
如何理解矩阵特征值
https://www.zhihu.com/question/21874816/answer/181864044
如何理解相似矩阵
https://www.zhihu.com/question/20501504
如何理解矩阵:矩阵就是一种从右往左进行的函数
将向量A(原基)投影到另一种基中(或者是用另一种基来表示此向量,并在该基中此向量的权重保持不变)后再在原基中表示出来(在转换回原基)