3、向量空间、线性映射与Hilbert空间
3.4、内积空间、赋范空间与Hilbert空间
Hilbert空间
定义 一个相对于范数完备即满足范数收敛 lim n → ∞ ∣ ∣ v n ∣ ∣ → ∣ ∣ v ∣ ∣ \lim_{n\rightarrow \infty} ||v_n|| \rightarrow ||v|| limn→∞∣∣vn∣∣→∣∣v∣∣的赋范向量空间V称为Hilbert空间。
6、矩阵的性能指标
6.4、矩阵的迹
定义
n
×
n
n \times n
n×n矩阵A的对角元素之和称为A的迹,记作
t
r
(
A
)
tr(A)
tr(A),即有:
t
r
(
A
)
=
a
11
+
⋯
+
a
n
n
=
∑
i
=
1
n
a
i
i
tr(A)=a_{11}+ \cdots +a_{nn}= \sum_{i=1}^n a_{ii}
tr(A)=a11+⋯+ann=i=1∑naii
非正方矩阵无迹的定义。
1、关于迹的等式
(1)若A和B均为
n
×
n
n \times n
n×n矩阵,则
t
r
(
A
±
B
)
=
t
r
(
A
)
±
t
r
(
B
)
tr(A \pm B)=tr(A) \pm tr(B)
tr(A±B)=tr(A)±tr(B)。
(2)若A和B均为
n
×
n
n \times n
n×n矩阵,并且
c
1
c_1
c1和
c
2
c_2
c2为常数,则
t
r
(
c
1
A
±
c
2
B
)
=
c
1
t
r
(
A
)
±
c
2
t
r
(
B
)
tr(c_1A \pm c_2B)=c_1tr(A) \pm c_2tr(B)
tr(c1A±c2B)=c1tr(A)±c2tr(B)。特别地,若
B
=
O
B=O
B=O,则
t
r
(
c
A
)
=
c
t
r
(
A
)
tr(cA)=ctr(A)
tr(cA)=ctr(A)。
(3)矩阵A的转置、复数共轭和复共轭转置的迹分别为
t
r
(
A
T
)
=
t
r
(
A
)
tr(A^T)=tr(A)
tr(AT)=tr(A),
t
r
(
A
∗
)
=
[
t
r
(
A
)
]
∗
tr(A^*)=[tr(A)]^*
tr(A∗)=[tr(A)]∗和
t
r
(
A
H
)
=
[
t
r
(
A
)
]
∗
tr(A^H)=[tr(A)]^*
tr(AH)=[tr(A)]∗。
(4)若
A
∈
C
m
×
n
A \in C^{m \times n}
A∈Cm×n,
B
∈
C
m
×
n
B \in C^{m \times n}
B∈Cm×n,则
t
r
(
A
B
)
=
t
r
(
B
A
)
tr(AB)=tr(BA)
tr(AB)=tr(BA)。
(5)若A是一个
m
×
n
m \times n
m×n矩阵,则
t
r
(
A
H
A
)
=
0
⟺
A
=
O
m
×
n
tr(A^HA)=0 \Longleftrightarrow A=O^{m \times n}
tr(AHA)=0⟺A=Om×n(零矩阵)。
(6)
x
H
A
x
=
t
r
(
A
x
x
H
)
x^HAx=tr(Axx^H)
xHAx=tr(AxxH)和
y
H
x
=
t
r
(
x
y
H
)
y^Hx=tr(xy^H)
yHx=tr(xyH)。
(7)迹等于特征值之和,即
t
r
(
A
)
=
λ
1
+
⋯
+
λ
n
tr(A)=\lambda_1+\cdots +\lambda_n
tr(A)=λ1+⋯+λn。
(8)分块矩阵的迹满足
t
r
[
A
B
C
D
]
=
t
r
(
A
)
+
t
r
(
D
)
tr \begin{bmatrix}A & B \\ C & D\\ \end{bmatrix}=tr(A)+tr(D)
tr[ACBD]=tr(A)+tr(D)
式中,
A
∈
C
m
×
n
A \in C^{m \times n}
A∈Cm×n,
B
∈
C
m
×
n
B \in C^{m \times n}
B∈Cm×n,
C
∈
C
n
×
m
C \in C^{n \times m}
C∈Cn×m,
D
∈
C
n
×
n
D \in C^{n \times n}
D∈Cn×n。
(9)对于任何正整数k,有
t
r
(
A
k
)
=
∑
i
=
1
n
λ
i
k
tr(A^k)=\sum_{i=1}^n \lambda_i^k
tr(Ak)=i=1∑nλik
2、关于迹的不等式
(1)对一个复矩阵
A
∈
C
m
×
n
A \in C^{m \times n}
A∈Cm×n,有
t
r
(
A
H
A
)
=
t
r
(
A
A
H
)
⩾
0
tr(A^HA)=tr(AA^H)\geqslant 0
tr(AHA)=tr(AAH)⩾0。
(2)Schur不等式
t
r
(
A
2
)
⩾
t
r
(
A
T
A
)
tr(A^2) \geqslant tr(A^TA)
tr(A2)⩾tr(ATA)。
(3)若A、B均为
m
×
n
m \times n
m×n矩阵,则
t
r
[
(
A
T
B
)
2
]
⩽
t
r
(
A
T
A
)
t
r
(
B
T
B
)
tr[(A^TB)^2] \leqslant tr(A^TA)tr(B^TB)
tr[(ATB)2]⩽tr(ATA)tr(BTB)
(4)
t
r
[
(
A
+
B
)
(
A
+
B
)
T
]
⩽
2
[
t
r
(
A
A
T
)
+
t
r
(
B
B
T
)
]
tr[(A+B)(A+B)^T] \leqslant 2[tr(AA^T)+tr(BB^T)]
tr[(A+B)(A+B)T]⩽2[tr(AAT)+tr(BBT)]。
(5)若A和B为
m
×
m
m \times m
m×m对称矩阵,则
t
r
(
A
B
)
⩽
1
2
t
r
(
A
2
+
B
2
)
tr(AB) \leqslant \frac{1}{2}tr(A^2+B^2)
tr(AB)⩽21tr(A2+B2)。
6.5、矩阵的秩
定义 矩阵
A
m
×
n
A_{m \times n}
Am×n的秩定义为该矩阵中线性无关的行或列的数目。
矩阵方程
A
m
×
n
x
n
×
1
=
b
m
×
1
A_{m \times n}x_{n \times 1}=b_{m \times 1}
Am×nxn×1=bm×1称为一致方程(consistent equation)
9、矩阵的直和与Hadamard积
9.1、矩阵的直和
9.2、Hadamard积
定义
m
×
n
m \times n
m×n矩阵
A
=
[
a
i
j
]
A=[a_{ij}]
A=[aij]与
m
×
n
m \times n
m×n矩阵
B
=
[
b
i
j
]
B=[b_{ij}]
B=[bij]的Hadamard积记作
A
∗
B
A*B
A∗B,它仍然是一个
m
×
n
m \times n
m×n矩阵,其元素定义为两个矩阵对应元素的乘积:
(
A
∗
B
)
i
j
=
a
i
j
b
i
j
(A*B)_{ij}=a_{ij}b_{ij}
(A∗B)ij=aijbij
即Hadamard积是一映射
R
m
×
n
×
R
m
×
n
↦
R
m
×
n
\R^{m \times n} \times \R^{m \times n}\mapsto \R^{m \times n}
Rm×n×Rm×n↦Rm×n。
Hadamard积也称Schur积或者对应元素乘积。
12、稀疏表示与压缩感知
12.1、稀疏向量与稀疏表示
稀疏向量 一个含有大多数零元素的向量。
完备正交基 信号向量
y
∈
R
m
y \in \R^m
y∈Rm最多可分解为m个正交基(向量)
g
k
∈
R
m
,
k
=
1
,
⋯
,
m
g_k \in \R^m,k=1,\cdots,m
gk∈Rm,k=1,⋯,m,这些正交基的集合。
12.3、稀疏编码
稀疏编码 给定一个m维shi’zhi
12.4、压缩感知的稀疏表示
压缩感知的两个基本性质:稀疏性和非相干性
(1)稀疏性表达的思想是:当使用合适的表示基
Ψ
\Psi
Ψ作为信号表示时,许多自然的信号和图像都是稀疏的或可压缩的。
(2)非相干性的基本思想是:当感知基
Φ
\Phi
Φ与表示基
Ψ
\Psi
Ψ不相干时,与感兴趣的自然信号和图像不同,采样或者感知的波形具有极为稠密的表达式,其中
α
\alpha
α是一个K-稀疏的系数向量。