欧几里得空间

转载自 http://zhangpengfei.tech/2018/11/19/hello-2015/

线性代数(Linear Algebra)

本科的时候也学过线性代数，但是当时只是学了一遍，或者说只是为了考试学了一遍，当时从来没有问过学来干嘛，不过当我开始系统地学习PCA(Principal Component Analysis)
及SVD(Singular Value Decomposition)之后，我才发现，喔，原来线性代数还可以这么用, 有的时候，通过一些简单的转换，就可以以量级地减少某些应用的计算量。这篇博客主要参考了一下这些资料：

• Inner Product Spaces – A Primer
• Introduction to Linear Algebra

在这篇博客中，我们重点要搞清楚两个概念，一个是线性变换，一个是欧式空间。

线性变换

一直以来，对向量 $v$做线性变换(linear transformation), 我都简单地认为是在 $v$左边乘以一个矩阵，$Mv$。
事实上线性变化其实是有一个非常严格的定义的，现在有一个变换，$T$，当输入一个向量$v$，输出一个值$T(v)$，
这个输出可以是一个向量，也可以是一个标量。只要变换$T$满足以下这些条件：
对于任意向量 $v$ 和$w$, 以及任意实数$c$，

$$T(v+w)=T(v)+T(w)$$

$$T(cv)=cT(v)$$

并且如果向量$v=0$，那么$T(v)$ 必须等于$0$（当然这个可以从第一个条件推导出来）。

现在我们需要问一个问题：是不是所有的从向量空间 $V=R^n$ 到向量空间 $$W=R^m$$ 的线性变换都是通过矩阵得来的，如$w=Av$? 当一个线性变换T被描述为旋转，投影等，其后是否总是存在着一个矩阵。答案是yes，所以我一开始的理解其实是正确的，至少在一般情况是这样。

现在假设某个线性转换$T$将一个$n$维的向量空间$V$转换到一个$m$维的向量空间$W$。其中空间$V$的基向量是$v_1,v_2,v_3,...,v_n$, 空间$W$的基向量是$w_1,w_2,w_3,...,w_m$。 我们必然可以用一个矩阵$A$来来表示这个转换，那么如何求解这个矩阵？ 为了找到矩阵$M$的第一列，我们通过转换$T$ 将$v_1$转换为$T(v_1)$，因为$T(v_1)$ 存在于$m$维向量空间$W$中，所以可以用以下形式表示$T(v_1)$：

$$T(v_1)=a_{11}{w}_1+...+a_{m1}{w}_m$$

$a_{11},a_{21},...,a_{m1}$ 即矩阵$A$的第一列，同理，我们亦可以求出$A$的其他列。从$A$的求解过程中，我们也可以看出矩阵$A$取决于基向量 { v i } i = 0 n \{v_i\}_{i=0}^n {vi​}i=0n​和 { w i } i = 0 m \{w_{i}\}_{i=0}^{m} {wi​}i=0m​。

欧式空间

现在对于欧式空间的定义有很多种，但这些定义之间只有非常细微的差别。在这里我们选取一种最简单并且满足我们要求的定义：

设$V$是实数域$R$上的一个有限维向量空间。如果对于$V$中任意一对向量$v$,$w$, 有一个确定的记做$<v,w>$的实数与它们对应，叫做向量$v$与$w$的内积(标量积)，并且下列条件被满足：

$$<v,w>=<w,v>$$
$$<cx,y>=c<x,y>$$
$$<v+w,z>=<v,z>+<w,z>$$
$$⟨v,v⟩>0$$, if $v̸=0$;

这里$v,w,z$是$V$中的任意向量，$c$是任意实数，那么$V$叫作对这个内积的欧式空间。其中有很多种不同的映射$<x,y>$满足上述条件，其中有一种最为有名：

$$<x,y>=\sum _{i=1}^n{x}_i{y}_i$$

我们将此称为标准内积。这里，我们将关于标准内积的，以向量$(1,0,...,0),(0,1,...,0),(0,0,...,0,1$$ 为基的欧式空间称为标准欧式空间。

现在，从任意欧式空间$V$中，我们定义$V$上的范数（norm)为 一个 $V\to R$ 的映射，

$\Vert x\Vert =\sqrt{<x,x>}$, $x\in V$

这里我们可以简单地将欧几里得空间中的向量$x$的范数看成是该向量到原点的距离。并且，任意范数为1的向量，都被称为单位向量。接下来我们看当欧式空中向量$x,y$之间满足$<x,y>=0$时，会有什么有趣的事发生。

标准正交基

当向量 $x,y\in V$, $V$是欧式空间，且满足$<x,y>=0$, 那么我们称向量$x,y$正交。当欧式空间中某个向量集$S$中的向量两两正交时，则我们称该向量集为正交向量集，更进一步如果该向量集中的每个向量都是单位向量，那么我们称该向量集为标准正交向量集。在关于标准内积的欧式空间中最简单的正交向量集是标准基，$(1,0,...,0),(0,1,...,0),(0,0,...0,1)$。

从某种意义上说，欧式空间中的内积$<x,y>$基本给出了向量$x$在向量$y$上投影的长度，这里我们给出向量$x$在向量$y$上投影的定义：

向量$x$在向量$y$上的投影，$p_y(x)$，是$V\to V$的映射，定义为$p_y(x)=<x,y>\frac{y}{\Vert y{\Vert }^2}$。很容易证明向量$x-p_y(x)$与向量$p_y(x)$正交，即$⟨x-p_y(x),p_y(x)⟩=0$。同时我们可以很容易地将欧式空间中的一个向量$v$分解为两个正交的向量，即 $v=(v-p_w(v))+P_w(v)$。

我们知道除了两两相互正交之外，标准基中的每个向量的范数都为1。 我们称这样类似于标准基的向量基为标准正交基。我们常常将标准正交基表示为$(e_1,e_2,...,e_n)$。给定欧式空间$V$的标准正交基，我们可以将该空间中的任意向量$v$分解为：

$$v=p_{e_1}(v)+p_{e_2}(v)+...+p_{e_n}(v)=⟨v,e_1⟩e_1+...+⟨v,e_n⟩e_n$$

同时，因为一个向量在线性空间中可以表示为基向量的线性组合，所以我们可以知道这些内积$⟨v,e_i⟩$就是那些相关的参数。正因为这个事实把我们导向一个非常有用的定理，不过在介绍这个定理之前，我们先需要说清楚一个定义：

在两个欧式空间$V,W$，如果存在线性同构，$f:V\to W$, 对于任意$x,y\in V$ 满足 $⟨x,y{⟩}_V=⟨f(x),f(y){⟩}_W$，那么我们说$V,W$等距同构。

然而，两个向量空间之间如果存在线性同构，那么这两个向量空间是完全相同的。所以如果两个欧式空间等距同构，那么这两个欧式空间有相同的测度，拓扑及几何结构，可能仅仅是所采用的基不同。

所以我们有以下这个定理，任意一个$n$维欧式空间都与$n$维标准欧式空间等距同构。不过在证明这个定理之前，我们需要先证明，任意一个有限维的欧式空间都有一组标准正交基。

(Gram-Schmidt):有限维欧式空间中任意一组基都可以转换为一组标准正交积。这个定理被称为Gram-Schmidt定理。

证明：给定一个基(x_1,x_2, …, x_n)，我们得到下面这个算法：

1:
$$e_1=\frac{x_1}{\Vert x_1\Vert }$$

2:

For i = 2, …, n:
$$\begin{gathered} z_i=\sum _{j=1}^{i-1}{p}_{e_j}(x_i) \\ {e}_i=\frac{x_i-z_i}{\Vert x_i-z_i\Vert } \end{gathered}$$

我们可以从几何的角度来阐述上述算法，每一个$z_i$都是$x_i$在$(e_1,e_2,...,e_{i-1})$为基的子向量空间中的投影。而$x_i-z_i$正交于$v\in (e_1,e_2,...,e_{i-1})$， 而这里我们有可以保证$x_i-z_i̸=0$， 因为基$(x_1,x_2,...,x_n)$的线性不相关性。最后我们将 $x_i-z_i$ 除以$\Vert x_i-z_i\Vert$归一化后得到$e_i$。

接下来我们需要证明这篇文章最重要的一个定理：任意一个n维欧式空间都与n维标准欧式空间等距同构。 这里，因为每个n维欧式空间W都有一个标准正交基(e_1, e_2, …, e_n)， 已知标准欧式空间为E，令映射f: E\to W为f((x_1, x_2, …, x_n)) = x_1e_1 + x_2e_2 + … + x_ne_n，由此我们可以看到：

$$\begin{array}{r}⟨f((a_1,a_2,...,a_n)),f((b_1,b_2,...,b_n))⟩\\ \\ =⟨a_1{e}_1+...+a_n{e}_n,b_1{e}_1+b_2{e}_2+...+b_n{e}_n⟩\\ \\ =\sum _{i=1}^n{a}_i⟨e_i,b_1{e}_1+b_2{e}_2+...+b_n{e}_n⟩\\ \\ =\sum _{j=1}^n\sum _{i=1}^n{a}_i{b}_j⟨e_i,e_j⟩=a_1{b}_1+...+a_n{b}_n\\ \\ =⟨(a_1,b_1,...,b_n),(b_1,b_2,...,b_n)⟩\end{array}$$

由此可证，$f:E\to W$为线性同构，因此，$W$与$E$线性同构。