1. 前置知识
1.1. 规范正交系
设
(
X
,
(
⋅
,
⋅
)
)
(X,(\cdot,\cdot))
(X,(⋅,⋅)) 是实或复的内积空间,由
e
i
∈
X
e_i\in X
ei∈X 组成的元素系
(
e
i
)
i
∈
I
(e_i)_{i\in I}
(ei)i∈I 称之为规范正交系,是指对所有的的
i
,
j
∈
I
i,j\in I
i,j∈I 均有
(
e
i
,
e
j
)
=
δ
i
j
(e_i,e_j) = \delta_{ij}
(ei,ej)=δij
(就是相互正交的单位向量呗。。。)
如果 ( e i ) i ∈ I (e_i)_{i\in I} (ei)i∈I 是内积空间X的规范正交系,如果 S p a n ( e i ) i ∈ I ‾ = X \overline{Span(e_i)_{i\in I}} = X Span(ei)i∈I=X ,那么它是极大的(拥有向量个数最多)
可分内积空间中: 设 ( X , ( ⋅ , ⋅ ) ) (X,(\cdot,\cdot)) (X,(⋅,⋅)) 是可分的无限维内积空间,有
- 存在可数无限个向量 e n ∈ X e_n\in X en∈X 组成的极大规范正交系 ( e n ) n = 0 ∞ (e_n)_{n=0}^\infty (en)n=0∞。
- 任何规范正交系或为有限,或为可数无限(可数无限就是可列举但是无穷多的意思)
存在性: 设
(
X
,
(
⋅
,
⋅
)
)
(X,(\cdot,\cdot))
(X,(⋅,⋅)) 是内积空间,则存在向量
e
i
∈
X
e_i\in X
ei∈X 组成的向量族
(
e
i
)
i
∈
I
(e_i)_{i\in I}
(ei)i∈I 满足对任何的
i
,
j
∈
I
i,j\in I
i,j∈I ,
(
e
i
,
e
j
)
=
δ
i
j
(e_i,e_j)=\delta_{ij}
(ei,ej)=δij
且对
x
∈
X
x\in X
x∈X ,若对所有的
i
∈
I
i\in I
i∈I 均有当
(
x
,
e
i
)
=
0
(x,e_i) = 0
(x,ei)=0 时,则必有
x
=
0
x=0
x=0
1.2. Gram-Schmidt规范正交化方法
这个线代里面肯定学了
在
(
X
,
(
⋅
,
⋅
)
)
(X,(\cdot,\cdot))
(X,(⋅,⋅)) 实或复的无限维内积空间中,
(
f
n
)
n
=
0
∞
(f_n)_{n=0}^\infty
(fn)n=0∞ 可列为无限个向量
f
n
∈
X
f_n\in X
fn∈X 组成的线性无关向量族,令
x
~
:
=
f
0
,
e
k
~
=
f
k
−
P
k
f
k
,
k
=
1
,
2
,
…
\tilde{x}:=f_0 ,\tilde{e_k} = f_k - P_kf_k,k=1,2,\dotsc
x~:=f0,ek~=fk−Pkfk,k=1,2,…
其中
P
k
P_k
Pk 为X到
S
p
a
n
(
f
n
)
n
=
0
k
−
1
Span~(f_n)_{n=0}^{k-1}
Span (fn)n=0k−1 上的投影算子,那么对所有的
k
≥
1
,
e
~
k
≠
0
k\ge 1,\tilde{e}_k\not ={0}
k≥1,e~k=0 ,记向量
e
n
:
=
e
n
~
∣
∣
e
~
n
∣
∣
,
n
≥
0
e_n:=\frac{\tilde{e_n}}{||\tilde e_n||},n\ge 0
en:=∣∣e~n∣∣en~,n≥0
则向量族
(
e
n
)
n
=
0
∞
(e_n)_{n=0}^{\infty}
(en)n=0∞ 是规范正交系,满足对一切
k
≥
1
k\ge 1
k≥1 有
S
p
a
n
(
e
n
)
n
=
0
k
=
S
p
a
n
(
f
n
)
n
=
0
k
Span(e_n)_{n=0}^k = Span(f_n)_{n=0}^k
Span(en)n=0k=Span(fn)n=0k
S
p
a
n
(
e
n
)
n
=
0
∞
=
S
p
a
n
(
f
n
)
n
=
0
∞
Span(e_n)^\infty_{n=0}=Span(f_n)_{n=0}^\infty
Span(en)n=0∞=Span(fn)n=0∞
2. Hilbert 基和 Fourier 级数
Hilbert 基 Hilbert空间X中的极大规范正交系被称为X的Hilbert基
2.1. 可分Hilbert空间的 Fourier级数
若 ( X , ( ⋅ , ⋅ ) ) (X,(\cdot,\cdot)) (X,(⋅,⋅)) 是无限维可分 Hilbert 空间, ( e n ) n = 1 ∞ (e_n)_{n=1}^\infty (en)n=1∞ 是X的一个Hilbert基
- ∀ x ∈ X , x = ∑ n = 1 ∞ ( x , e n ) e n \forall x\in X , x = \sum_{n=1}^\infty (x,e_n)e_n ∀x∈X,x=∑n=1∞(x,en)en ,这被称之为傅里叶级数。
- 对 n ≥ 1 n\ge 1 n≥1 ,数 ( x , e n ) ∈ K (x,e_n)\in \mathbb{K} (x,en)∈K 称之为x 的 傅里叶系数,满足Parseval公式 ∣ ∣ x ∣ ∣ 2 = ∑ n = 1 ∞ ∣ ( x , e n ) ∣ 2 ||x||^2 = \sum_{n=1}^\infty |(x,e_n)|^2 ∣∣x∣∣2=∑n=1∞∣(x,en)∣2 (啊这,Parseval能量公式?熟悉的信号与系统)
- 若 ( X , ( ⋅ , ⋅ ) ) (X,(\cdot,\cdot)) (X,(⋅,⋅)) ,为实或复的无限维可分 Hilbert 空间,则存在从X到实或相应复空间 l 2 l^2 l2 上的线性双射 σ \sigma σ ,使得对任何 x , y ∈ X x,y\in X x,y∈X , ( x , y ) X = ( σ x , σ y ) l 2 (x,y)_X = (\sigma x,\sigma y)_{l^2} (x,y)X=(σx,σy)l2 ,因此借助于保持内积的线性灯具,任何无限维可分Hilbert 空间恒同于空间 l 2 l^2 l2 。
2.2. 常见的傅里叶级数
2.2.1. 正余弦
a
k
:
=
1
π
∫
0
2
π
g
(
ϕ
)
cos
k
ϕ
d
ϕ
,
k
≥
0
a_k:=\frac{1}{\pi} \int_{0}^{2\pi} g(\phi) \cos k\phi d\phi,k\ge 0
ak:=π1∫02πg(ϕ)coskϕdϕ,k≥0
b
k
:
=
1
π
∫
0
2
π
g
(
ϕ
)
sin
k
ϕ
d
ϕ
,
k
≥
1
b_k:= \frac{1}{\pi} \int_{0}^{2\pi} g(\phi) \sin k\phi d\phi,k\ge 1
bk:=π1∫02πg(ϕ)sinkϕdϕ,k≥1
(
S
n
g
)
(
θ
)
:
=
a
0
2
+
∑
k
=
1
n
(
a
k
cos
k
θ
+
b
k
sin
k
θ
)
,
0
≤
θ
≤
2
π
(S_ng)(\theta):= \frac{a_0}{2} + \sum_{k=1}^n (a_k\cos k\theta + b_k\sin k\theta),0\le\theta\le 2\pi
(Sng)(θ):=2a0+∑k=1n(akcoskθ+bksinkθ),0≤θ≤2π
2.2.2. 复数
c
k
:
1
2
π
∫
0
2
π
g
(
ϕ
)
e
−
i
k
ϕ
d
ϕ
,
k
≥
0
c_k:\frac{1}{2\pi}\int_0^{2\pi} g(\phi)e^{-ik\phi} d\phi,k\ge 0
ck:2π1∫02πg(ϕ)e−ikϕdϕ,k≥0
g
n
(
θ
)
=
∑
k
=
−
n
n
c
k
e
i
k
θ
,
0
≤
θ
≤
2
π
g_n(\theta) = \sum_{k=-n}^n c_k e^{ik\theta},0\le \theta\le 2\pi
gn(θ)=∑k=−nnckeikθ,0≤θ≤2π
这两个理工科应该都贼熟了!!
不多赘述。
3. 自伴算子
设
(
X
,
(
⋅
,
⋅
)
)
(X,(\cdot,\cdot))
(X,(⋅,⋅)) 是
K
\mathbb{K}
K 上的内积空间,如果线性算子
A
:
X
→
X
A:X\to X
A:X→X 和它的伴随算子
A
∗
A^*
A∗
相等,即对
∀
x
,
y
∈
X
,
(
A
x
,
y
)
=
(
x
,
A
y
)
\forall x,y\in X,(Ax,y) = (x,Ay)
∀x,y∈X,(Ax,y)=(x,Ay) 则称A是自伴算子。当
K
=
R
\mathbb{K=R}
K=R 时候也称作对称算子,当
K
=
C
\mathbb{K=C}
K=C 也称作 Hermite算子。
(啊这很像厄米算符的解释啊)
简而言之,就是一个算子的伴随算子( ( A x , y ) = ( x , A ∗ y ) (Ax,y) = (x,A^*y) (Ax,y)=(x,A∗y))还是自身,那它就是一个自伴算子。
正定和非负定: 如果对所有 x ∈ X x\in X x∈X 均有 ( A x , x ) ≥ 0 (Ax,x) \ge 0 (Ax,x)≥0 则称A为非负定的,如果对所有的非零的 x ∈ X x\in X x∈X 均有 ( A x , x ) > 0 (Ax,x) > 0 (Ax,x)>0 ,称A为正定的。 正定A的 K e r A = { 0 } Ker ~~ A = \{0\} Ker A={0}
3.1. 自伴算子的性质
如果 ( X , ( ⋅ , ⋅ ) ) (X,(\cdot,\cdot)) (X,(⋅,⋅)) 是内积空间, A : X → X A:X\to X A:X→X 是自伴线性算子,有
- 对任何 x ∈ X x\in X x∈X ,数 ( A x , x ) (Ax,x) (Ax,x) 是实的
- 设 λ \lambda λ 为 A 的任意的特征值,则 λ \lambda λ 必是实数,若A是非负定, 则 λ ≥ 0 \lambda \ge 0 λ≥0 ;若A是正定的,则 λ > 0 \lambda >0 λ>0
- 对应于不同特征值的特征向量相互正交
- 如果 A ∈ L ( X ) A\in \mathcal{L}(X) A∈L(X) ,A的算子范数,即 ∣ ∣ A ∣ ∣ : = s u p x ≠ 0 ∣ ∣ A x ∣ ∣ ∣ ∣ x ∣ ∣ ||A||:= sup _{x\not ={0}} \frac{||Ax||}{||x||} ∣∣A∣∣:=supx=0∣∣x∣∣∣∣Ax∣∣ ,也可由 ∣ ∣ A ∣ ∣ = s u p x ≠ 0 ( A x , x ) ∣ ∣ x ∣ ∣ 2 ||A|| = sup_{x\not ={0}} \frac{(Ax,x)}{||x||^2} ∣∣A∣∣=supx=0∣∣x∣∣2(Ax,x) 给出
3.2. 紧自伴算子的谱定理
紧线性算子: 线性算子
A
:
X
→
Y
A:X\to Y
A:X→Y 是线性算子,如果X中任何有界子集在A作用下的像是Y中的相对紧子集,即当B在X中有界时,
A
(
B
)
←
\overleftarrow{A(B)}
A(B) 是紧集,A是紧算子。 (最接近有限维空间的线性算子了)
(紧算子把有界子集映射为Y中的相对紧子集)
紧自伴算子自然就是又紧又自伴的线性算子。
无限维值域的紧自伴算子的谱定理: 设 ( X , ( ⋅ , ⋅ ) ) (X,(\cdot,\cdot)) (X,(⋅,⋅)) 为无限维内积空间, A : X → X A:X\to X A:X→X 是紧自伴算子,具有无限维的值域,则有
-
- 存在A的特征值的无限序列 ( λ n ) n = 1 ∞ (\lambda_n)_{n=1}^\infty (λn)n=1∞ 和相应的特征向量的无限序列 ( p n ) n = 1 ∞ (p_n)_{n=1}^\infty (pn)n=1∞ ,满足
- ∣ λ 1 ∣ = ∣ ∣ A ∣ ∣ , λ 1 ≥ λ 2 ≥ … ≥ ∣ λ n ∣ ≥ … |\lambda_1| = ||A||,\lambda_1\ge \lambda_2\ge\dotsc \ge |\lambda_n| \ge \dotsc ∣λ1∣=∣∣A∣∣,λ1≥λ2≥…≥∣λn∣≥…
- λ n ≠ 0 , n ≥ 1 ; lim n → ∞ λ n = 0 \lambda_n\not ={0},n\ge 1;\lim_{n\to \infty} \lambda_n = 0 λn=0,n≥1;limn→∞λn=0
- A p n = λ n p n , n ≥ 1 Ap_n = \lambda_n p_n,n\ge 1 Apn=λnpn,n≥1
- ( p k , p l ) = δ k , l , k , l ≥ 1 (p_k,p_l) = \delta_{k,l},k,l\ge 1 (pk,pl)=δk,l,k,l≥1
- ∣ λ 1 ∣ = ∣ ( A p 1 , p 1 ) ∣ ∣ ∣ p 1 ∣ ∣ 2 = s u p x ≠ 0 ∣ ( A x , x ) ∣ ∣ ∣ x ∣ ∣ 2 |\lambda_1| = \frac{|(Ap_1,p_1)|}{||p_1||^2} = sup_{x\not ={0}} \frac{|(Ax,x)|}{||x||^2} ∣λ1∣=∣∣p1∣∣2∣(Ap1,p1)∣=supx=0∣∣x∣∣2∣(Ax,x)∣
- ∣ λ n ∣ = ∣ ( A p n , p n ) ∣ ∣ ∣ p n ∣ ∣ 2 = s u p x ≠ 0 , ( x , p k ) = 0 , 1 ≤ k ≤ n − 1 ∣ ( A x , x ) ∣ ∣ ∣ x ∣ ∣ 2 , n ≥ 2 |\lambda_n| = \frac{|(Ap_n,p_n)|}{||p_n||^2} = \mathop{sup}\limits_{x\not ={0},(x,p_k) = 0,~~1\le k \le n-1} \frac{|(Ax,x)|}{||x||^2},n\ge 2 ∣λn∣=∣∣pn∣∣2∣(Apn,pn)∣=x=0,(x,pk)=0, 1≤k≤n−1sup∣∣x∣∣2∣(Ax,x)∣,n≥2
-
- 对任何向量 x ∈ X x\in X x∈X, A x = ∑ n = 1 ∞ λ n ( x , p n ) p n Ax=\mathop{\sum}\limits_{n=1}^\infty \lambda_n(x,p_n)p_n Ax=n=1∑∞λn(x,pn)pn
-
- 设 λ \lambda λ 为 A 的任何非零特征值,则存在 n ≥ 1 n\ge 1 n≥1 ,使得 λ n = λ \lambda_n = \lambda λn=λ ,而且集合 I ( λ ) : = { n ≥ 1 ; λ n = λ } I(\lambda):=\{n\ge 1;\lambda_n = \lambda \} I(λ):={n≥1;λn=λ} 是有限集, { p ∈ X ; A p = λ p } = S p a n ( p n ) n ∈ I ( λ ) \{p\in X;Ap=\lambda p\} = Span (p_n)_{n\in I(\lambda)} {p∈X;Ap=λp}=Span(pn)n∈I(λ)
-
- A的核空间为 K e r A = ( S p a n ( p n ) n = 1 ∞ ) ⊥ Ker ~~A = (Span(p_n)_{n=1}^\infty)^\perp Ker A=(Span(pn)n=1∞)⊥
啊这,好多啊。
1说明的应该是存在这样一个特征值和特征向量序列,然后这些特征值是按大小排列的,而特征向量则是构成了一族正交基。
2则是经过A得到的Ax可以被分解为特征向量的线性组合,并给出了系数。
3是说不会有无穷多个重复的特征值嘛。
4则是A的核空间由特征值对应的特征向量张成的子空间的直交补。