文章目录
赋范向量空间的连续线性算子
设X和Y是同一个域
K
=
R
o
r
K
=
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
→
Y
A:X\to Y
A:X→Y 对所有
x
,
y
∈
X
,
α
∈
K
x,y\in X , ~\alpha \in\mathbb{K}
x,y∈X, α∈K 有
A
(
x
+
y
)
=
A
(
x
)
+
A
(
y
)
,
A
(
α
x
)
=
α
A
A(x+y)=A(x)+A(y),A(\alpha x) = \alpha A
A(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 = K Y=\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 ( α x ) = 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
K
e
r
A
:
=
{
x
∈
X
;
A
x
=
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
I
m
A
:
=
A
(
X
)
=
{
y
∈
Y
;
∃
x
∈
X
,
y
=
A
x
}
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
,
A
p
=
λ
p
\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
;
A
p
=
λ
p
}
≠
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
)
o
r
Y
=
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 = K Y = \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 X 1 × X 2 × X 3 × ⋯ × X k ( 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 ( x 1 , x 2 , x 3 , ⋯ , x k ) (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
:
X
1
×
X
2
×
X
3
×
⋯
×
X
k
→
Y
A: X_1\times X_2\times X_3\times \dotsb \times X_k \to Y
A:X1×X2×X3×⋯×Xk→Y 是由
X
1
×
X
2
×
X
3
×
⋯
×
X
k
X_1\times X_2\times X_3\times \dotsb \times X_k
X1×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
=
K
Y = \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 X 1 × X 2 × X 3 × ⋯ × X k X_1\times X_2\times X_3\times \dotsb \times X_k X1×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 ( ( x 1 , x 2 ) + ( y 1 , y 2 ) ) = A ( x 1 , x 2 ) + A ( y 1 , y 2 ) , A ( α ( x 1 , x 2 ) ) = α A ( x 1 , x 2 ) 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 ( ( 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 ( α ( x 1 , x 2 ) ) = α 2 A ( x 1 , x 2 ) 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 X 1 × X 2 × X 3 × ⋯ × X k X_1\times X_2\times X_3\times \dotsb \times X_k X1×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}
G
k
\mathcal{G}_k
Gk 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
×
⋯
×
X
X\times X\times X\times \dotsb \times X
X×X×X×⋯×X 到 Y 的多重线性映射对一切
x
l
∈
X
l
x_l\in X_l
xl∈Xl 和所有的
σ
∈
G
k
\sigma\in \mathcal{G}_k
σ∈Gk 有
A
(
x
σ
(
1
)
,
x
σ
(
2
)
,
⋯
,
x
σ
(
k
)
)
=
A
(
x
1
,
x
2
,
⋯
,
x
k
)
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
(
x
σ
(
1
)
,
x
σ
(
2
)
,
⋯
,
x
σ
(
k
)
)
=
ϵ
(
σ
)
A
(
x
1
,
x
2
,
⋯
,
x
k
)
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
\sigma
σ 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 = K k X= \mathbb{K}^k X=Kk 的交错多重泛函的例子。