强对偶定理的证明_泛函随记（二）Frechet-Riesz表现定理

最新推荐文章于 2023-12-31 01:48:55 发布
最新推荐文章于 2023-12-31 01:48:55 发布
阅读量1k 收藏 4
点赞数 2
文章标签： 强对偶定理的证明
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_39750410/article/details/113367338
版权
本文深入探讨了正交补、射影定理以及对偶空间的概念，重点解析了Frechet-Riesz表现定理，将其比喻为评判指标与参照物的关系，揭示了在希尔伯特空间中泛函与向量的等价性。通过对概念的直观解释，文章为理解复杂数学定理提供了易懂的路径。
摘要由CSDN通过智能技术生成

8829d562be3ed36bb24e8801e0c4c5a8.png

开头先摘了个要的

这篇文章先后介绍几个内容

  • 正交补
  • 射影定理
  • 对偶空间（共轭空间）
  • 表现定理
  • 后续

其中，在对偶空间中，我对这个空间提出了一种理解方式：将泛函视为一种分类方式。然后列出几个比较形象的例子。借助种理解，并宏观地解释了表现定理的的用处。前面的部分主要以介绍概念为主。

其他涉及证明的部分我均放在引用框内给出，一些步骤用括号+斜体字给出说明。

先提个概念 正交补

设

equation?tex=M 是Hilbert空间
equation?tex=H 的线性流形，定义
equation?tex=M%5E%5Cbot%3D%5C%7By%5Cin+H%3A%28y%2Cx%29%3D0%2C%5Cforall+x%5Cin+M%5C%7D%5C%5C 并称
equation?tex=M%5E%5Cbot 为
equation?tex=M 的
正交补。
equation?tex=%EF%BC%88x%2Cy%EF%BC%89 表示
equation?tex=x 与
equation?tex=y 的内积。

“个人理解，内积在这里起到了一个这么样的作用，就是：像做连连看一样将‘相同’的东西提出来。这个相同取决于这个内积的定义方式（即在向量空间中，某个二元运算 满足正定性，第一个变量的线性性和Hermite性）。实际上就好像在玩‘连连看’一样，把相同的东西给拿出来，但是与连连看不同的地方就是，通过内积还能得到不完全一样的两个向量到底有多少一样的地方。

对于哪个正交补，就好比把连连看中的所有小方块全部分开了，分出来的

equation?tex=M%5E%5Cbot与
equation?tex=M中的小方块各不‘
相同’”

根据内积的性质，于是乎便可以得到

equation?tex=M%5E%5Cbot 是
equation?tex=H 的子空间，
equation?tex=M%5Ccap+M%5E%5Cbot%3D%5C%7B0%5C%7D
证明：
equation?tex=%5Cforall+x%2Cy+%5Cin+M%5E%5Cbot%2C+%5Cforall+c%5Cin+%5Cmathbf%7BC%7D ，对于
equation?tex=z%5Cin+M ，有
equation?tex=%28x%2Cz%29%3D0%2C%28y%2Cz%29%3D0%2C%28%5Calpha+x%2Cz%29%3D%5Calpha%28x%2Cz%29 ，由内积定义可得
equation?tex=%28x%2By%2Cz%29%3D0%5C%5C+%28%5Calpha+x%2Cz%29+%3D0%5C%5C 所以
equation?tex=x%2By%2C+%5Calpha+x%5Cin+M%5E%5Cbot 。 所以为子空间。

反设
equation?tex=%5Cexists+x%5Cin+M%5Ccap+M%5E%5Cbot%2Cx%5Cneq0 ，根据正交补性质，有
equation?tex=%28x%2Cx%29%3D0 ，显然矛盾，所以不存在。Q.E.D.

聊聊 射影定理

接下来说个定理——射影定理。

定理 设M是Hilbert空间
equation?tex=H 的子空间，则每个
equation?tex=x%5Cin+H 都可以唯一地表成
equation?tex=x%3Dy%2Bz%2Cy%5Cin+M%2Cx%5Cin+M%5E%5Cbot%5C%5C 这个
equation?tex=x 与
equation?tex=y 被称为
正交射影。

（这个定理实际上就是将向量空间上的点用相互正交的两个向量来表示。就像在证明平面几何的问题的时候，如果引入了坐标系，就可以将一个平面上的问题转化为两条直线上的问题。相似的，也可以将抽象的函数空间中的点也分割到两个具有良好性质的两个空间中。）

01df044698e33627fc412f896ea807e9.png
就好比在三维空间中，将空间分割成一个平面与一个向量相互垂直的两个叫“子空间”的袋子中，其中一个袋子里随意拿一个一定是z轴上的点，另一个袋子拿到的一定是xoy上的点，两个袋子的点内积恒为零。
证明：
因为
equation?tex=M 也是Hilbert空间，所以也有一个正规正交基
equation?tex=%5C%7By_%5Calpha%5C%7D_%7B%5Calpha%5Cin+%5Cmathscr%7BA%7D%7D 。任给
equation?tex=x%5Cin+H ，最多有可数个
equation?tex=%28x%2Cy_%5Calpha%29%5Cneq0 。设他们是
equation?tex=%5C%7B%28x%2Cy_%7B%5Calpha_j%7D%29%5C%7D_%7Bj%3D1%7D%5E%5Cinfty ，则对
equation?tex=%5Calpha+%5Cin+%5Cmathscr%7BA%7D ，
equation?tex=%5Calpha%5Cneq+%5Calpha_j ，
equation?tex=j%3D1%2C2%2C... ，
equation?tex=%28x%2Cy_n%29%3D0 .令
equation?tex=y%3D%5Csum%5Climits_%7Bj%3D1%7D%5E%5Cinfty%28x%2Cy_%7B%5Calpha_j%7D%29y_%7B%5Calpha_j%7D.%5C%5C 上式收敛 (
这里的一些题设，设计了Hilbert空间的性质，我将会在后面的文章进行描述)。因
equation?tex=M 是闭的（
至于为什么是闭的，其实就是要说明该空间赋范完备即可。因为“闭”的含义就是指该空间任意点可被一列点所逼近，正好与完备的含义重合。），故
equation?tex=y%5Cin+M 。

令
equation?tex=z%3Dx-y ，则对
equation?tex=k%3D1%2C2%2C... ，有
equation?tex=%5Cbegin%7Balign%7D%28z%2Cy_%7B%5Calpha_k%7D%29%26%3D+%28x%2Cy_%7B%5Calpha_k%7D%29-%28y%2Cy_%7B%5Calpha_k%7D%29%5C%5C+%26%3D%28x%2Cy_%7B%5Calpha_k%7D%29-%28%5Csum%5Climits_%7Bj%3D1%7D%5E%7B%5Cinfty%7D%28x%2Cy_%7B%5Calpha_j%7D%29y_%7B%5Calpha_j%7D%2Cy_%7B%5Calpha_k%7D%29%5C%5C%26%3D%28x%2Cy_%7B%5Calpha_k%7D%29-%5Csum%5Climits_%7Bj%3D1%7D%5E%7B%5Cinfty%7D%28x%2Cy_%7B%5Calpha_j%7D%29%28y_%7B%5Calpha_j%7D%2Cy_%7B%5Calpha_k%7D%29%5C%5C%26%3D%28x%2Cy_%7B%5Calpha_k%7D%29-%28x%2Cy_%7B%5Calpha_k%7D%29%5C%5C%26%3D0%5Cend%7Balign%7D%5C%5C (
这里有些地方可以稍微解释一下：第一个等号的得来是将
equation?tex=z 用
equation?tex=x-y 表示，并依靠内积第一变量的可加性得到；
第二个等号的得来是将上面的
equation?tex=y 带入；
第三个等号的得来有两个，其一因为收敛，无穷求和可以变序，其二是借助内积第一变量的线性性；第四个等号的得来是因为
equation?tex=y_%7B%5Calpha_k%7D 与
equation?tex=y_%7B%5Calpha_j%7D 都是正规正交基的其中一个，当做内积时，只有序号相同才会变1约去，不相同就直接化0消去。这里就说明了，
equation?tex=x
若刨去含在
equation?tex=M 里的可数部分的内容，那么剩下的就剩
equation?tex=M%5E%7B%5Cbot%7D 的部分了
。下面在去说明不可数的部分。)
又当
equation?tex=%5Calpha+%5Cin+%5Cmathscr%7BA%7D ，且
equation?tex=%5Calpha+%5Cneq+%5Calpha_k%2Ck%3D1%2C2%2C...%2C
equation?tex=%5Cbegin%7Balign%7D%28x%2Cy_%5Calpha%29+%26%3D%28x%2Cy_%5Calpha%29-%28y%2Cy_%5Calpha%29%5C%5C%26%3D%28x%2Cy_%5Calpha%29-%28%5Csum%5Climits_%7Bj%3D1%7D%5E%7B%5Cinfty%7D%28x%2Cy_%7B%5Calpha_j%7D%29y_%7B%5Calpha_j%7D%2Cy_%5Calpha%29%3D0%5Cend%7Balign%7D%5C%5C 总之，
equation?tex=%28z%2Cy_%5Calpha%29%3D0%2C+%E5%BD%93%5Calpha+%5Cin+%5Cmathscr%7BA%7D%5C%5C 又因为
equation?tex=M 中每个元
equation?tex=u 都可以表成
equation?tex=%5Csum%5Climits_%7B%5Calpha%5Cin%5Cmathscr%7BA%7D%7D%28u%2Cy_%5Calpha%29y_%5Calpha ，可见
equation?tex=%28z%2Cu%29%3D0%2C%5Cforall+u%5Cin+M ，即
equation?tex=z%5Cin+M%5E%5Cbot 。因此，
equation?tex=H 中向量的表示
equation?tex=x%3Dy%2Bz%2Cy%5Cin+M%2Cz%5Cin+M%5E%5Cbot%5C%5C 成立。

对于 唯一性，因为
equation?tex=M%5Ccap+M%5E%5Cbot%3D%5C%7B0%5C%7D ，而且因为有
equation?tex=%5Cbegin%7Balign%7Dy_1%2Bz_1%26%3Dy_2%2Bz_2%5C%5Cy_1-y_2%26%3Dz_2-z_1%3D0%5Cend%7Balign%7D%5C%5C 所以有
equation?tex=y_1%3Dy_2%2Cz_1%3Dz_2 Q.E.D.

浅谈 共轭空间/对偶空间

设

equation?tex=H%5E%2A 表示Hilbert空间
equation?tex=H 上全体连续线性泛函按逐点定义的线性运算（可加性、齐次性）形成的线性空间。对
equation?tex=f%5Cin+H%5E%2A ，
定义其范数
equation?tex=%7C%7Cf%7C%7C%3D%5Csup%5Climits_%7B%7C%7Cx%7C%7C%5Cleq1%7D%7Cf%28x%29%7C%E3%80%82%5C%5C

在证明这个问题之前，我先谈一个对于泛函的一种理解方式。先上图：

664b5ef3abe532afaa067ce78ef72a4a.png
图1

b600818aa449e68d3b61ab87d4206f46.png
图2

1d8b488c9c971f2b92af09bea6d1e34a.png
图3

这三张图分别表示某曲面（图1）-该曲面等高线（图2）-值域（图3）。这便是我想要说的：对于原先的Hilbert空间中的向量来说，就好像放入一个巨型（大到可装下任意向量）麻袋中。这个泛函呢，就相当于给了他们一种分类方式。那么这个跟图又有什么联系呢？因为对于某个特定的

equation?tex=f_0%5Cin+H%5E%2A ，任取一可行的
equation?tex=%5Calpha_0%5Cin+Im%28f_0%29 ，那么用
equation?tex=f_0%28x%29%3D%5Calpha_0%2C%5Cforall+x+%5Cin+H 便可以划分中一系列的等价类，对于第二个数
equation?tex=%5Calpha_1%5Cin+Im%28f_0%29 ，同上就可以划分出来一个第二个等价类......将上述过程综合起来看待，对于一个特定的值来说，就是给出了一个
评判（对于图3的某个点，在图2就是某一条曲线，也就是对应图1中的一个点集），对于一系列的指标，就相当于给出了 评判方式（将图2看做一个图3原像集合）。于是乎，
equation?tex=H%5E%2A 便是一堆
评判方式的集合(图2的等高线是一些列与xoy平行的平面所截得的曲线，那么
equation?tex=H%5E%2A 可以看成某个 朝任意平面所平行的一系列平面截曲面的登高线集合的集合)。倘若将指标固定在某个范围，那么一系列的评判方式有可能与原空间有着某种联系。这个细节就在后面讲对偶时谈一谈了~

顺理成章地，可以猜一猜，既然原像

equation?tex=H 是完备的，那么会不会
equation?tex=H%5E%2A 是完备的赋范线性空间。

呢？答案是 肯定的。

（提前说一句，对于证明完备空间，就像把“大象搁冰箱里”的过程一样，依据定义，找Cauchy列和其特定子列，第二步，证明子列的Telescopic Series属于该空间，第三步，子列收敛于构造Series的极限，再来个绝对值不等式就OK了~）

证明：任取Cauchy列
equation?tex=%5C%7Bf_n%5C%7D_%7Bn%3D1%7D%5E%5Cinfty%5Csubset+H%5E%2A ，则
equation?tex=%5Cforall+%5Cepsilon%3E0 ，
equation?tex=%5Cexists+N%3E0 ，
equation?tex=%5Cforall+n%2Cm%3EN ，
equation?tex=%7C%7Cf_n-f_m%7C%7C%3C%5Cfrac%7B%5Cepsilon%7D%7B2%7D 。因此，便存在其子列
equation?tex=%5C%7Bf_%7Bn_k%7D%5C%7D_%7Bk%3D1%7D%5E%5Cinfty%5Csubset%5C%7Bf_n%5C%7D_%7Bn%3D1%7D%5E%5Cinfty ，且
equation?tex=%7C%7Cf_%7Bn_k%2B1%7D-f_%7Bn_k%7D%7C%7C%3C%5Cfrac%7B1%7D%7B2%5Ek%7D 。

下一步，设
equation?tex=%5Cbegin%7Balign%7DS%26%3Df_%7Bn_1%7D%2B%5Csum%5Climits_%7Bk%3D1%7D%5E%5Cinfty%28f_%7Bn_%7Bk%2B1%7D%7D-f_%7Bn_%7Bk%7D%7D%29+%5C%5C+S_m+%26%3Df_%7Bn_1%7D%2B%5Csum%5Climits_%7Bk%3D1%7D%5Em%28f_%7Bn_%7Bk%2B1%7D%7D-f_%7Bn_%7Bk%7D%7D%29+%5Cend%7Balign%7D%5C%5C 考虑到
equation?tex=%5Cbegin%7Balign%7D%7C%7CS_m%7C%7C%26%5Cleq%7C%7Cf_%7Bn_1%7D%7C%7C%2B%5Csum%5Climits_%7Bk%3D1%7D%5Em%7C%7Cf_%7Bn_%7Bk%2B1%7D%7D-f_%7Bn_%7Bk%7D%7D%7C%7C%5C%5C+%26%5Cleq%7C%7Cf_%7Bn_1%7D%7C%7C%2B%5Csum%5Climits_%7Bk%3D1%7D%5Em%5Cfrac%7B1%7D%7B2%5Ek%7D%3C%7C%7Cf_%7Bn_1%7D%7C%7C%2B1%5Cend%7Balign%7D+%5Cforall+m%3EN%5C%5C%5C%5C+ 所以
equation?tex=S 有界。因为对于线性泛函来讲，有界
equation?tex=%5CLeftrightarrow连续
equation?tex=%5CLeftrightarrow 逐点连续，所以
equation?tex=S%5Cin+H%5E%2A 。

下面考虑子列是否能收敛到的问题。考虑
equation?tex=%5Cforall+m%3EN
equation?tex=%5Cbegin%7Balign%7D%7C%7CS-S_m%7C%7C%26%3D%7C%7CS-f_%7Bn_m%7D%7C%7C%3D%7C%7C%5Csum%5Climits_%7Bk%3Dm%7D%5E%5Cinfty%28f_%7Bn_%7Bk%2B1%7D%7D-f_%7Bn_k%7D%29%7C%7C%5C%5C+%26%5Cleq%5Csum%5Climits_%7Bk%3Dm%7D%5E%5Cinfty%7C%7C%28f_%7Bn_%7Bk%2B1%7D%7D-f_%7Bn_k%7D%29%7C%7C%5C%5C+%26%3C%5Cfrac%7B1%7D%7B2%5Em%7D%3C%5Cfrac%7B%5Cepsilon%7D%7B2%7D%5Cend%7Balign%7D%5C%5C

最终，
equation?tex=%7C%7Cf_n-S%7C%7C%5Cleq%7C%7Cf_n-f_%7Bn_k%7D%7C%7C%2B%7C%7Cf_%7Bn_k%7D-S%7C%7C%5Cleq%7C%7Cf_n-f_%7Bn_k%7D%7C%7C%2B%5Cfrac%7B1%7D%7B%5Cepsilon%7D ，且令
equation?tex=k%3EK 时，
equation?tex=n_k%3EN ，所以
equation?tex=%7C%7Cf_n-S%7C%7C%3C%5Cfrac%7B1%7D%7B%5Cepsilon%7D%2B%5Cfrac%7B1%7D%7B%5Cepsilon%7D%3D%5Cepsilon 。完备性得证。Q.E.D.

接下来，进入 Frechet-Riesz表现定理

定理 设
equation?tex=f%5Cin+H%5E%2A ，则恰有一个
equation?tex=z_f%5Cin+H ，使
equation?tex=f 可表为
equation?tex=f%28x%29%3D%28x%2Cz_f%29%2C%5Cforall+x%5Cin+H%2C%5C%5C 并且
equation?tex=%7C%7Cf%7C%7C_%7BH%5E%2A%7D%3D%7C%7Cz_f%7C%7C_H%EF%BC%8C%5C%5C （以后范数的脚标都省略）

（在进入证明环节之前，首先要明白这里说的是什么。上面说过，对偶空间可看成一个评判指标的空间，内积可以看成相似度的评判法则，于是乎，这个定理的意思就是要说：一个评判指标的评判方法可以给出一个具体的参照物进行比较，而且这个指标的好坏和被选择的参考对象的好坏一样的。

为了清楚说明这样的问题，可以带入这么一个情境中：一个老板制定了某项评审规则，那么手下的员工必有与这个规则相契合。于是乎在评审过程中，全体成员表面上是在被做评审，实则是在与那个与之契合的员工进行比较。而且，员工对这种评审制度的意见便是员工对那个被作为参考对象的员工的意见。

或者说，所谓那些评保研的机制，实际上是在将大多数学生与某个唯一特定的学生进行一一类比。任何人（主任、老师、同学、社会人士等等）对这种制度的看法实际上等同于对这个“唯一指定的学生”的看法。就像某些社会人士宣扬的反智鸡汤，说名"校毕业当保安、卖猪肉、给没学历的人打工"，然后批评一番教育制度。）

证明：令
equation?tex=M%3D%5C%7Bx%5Cin+H%3Af%28x%29%3D0%5C%7D ，则
equation?tex=M 是
equation?tex=H 的子空间。

若
equation?tex=M%3DH ，则
equation?tex=f%28x%29%3D0%3D%28x%2C0%29%2C%5Cforall+x%5Cin+H.%5C%5C 取
equation?tex=z_f%3D0 即可。

若
equation?tex=M%5Cneq+N ，则有
equation?tex=x_0%5Cin+H%5Cbackslash+M 。根据射影定理有
equation?tex=x_0%3Dy_0%2Bz_0%2Cy_0%5Cin+M%2Cz_0%5Cin+M%5E%5Cbot.%5C%5C 显然
equation?tex=z_0%5Cneq+0 且
equation?tex=f%28z_0%29%5Cneq+0 .现在对任给的
equation?tex=x%5Cin+H ，取
equation?tex=%5Cbeta%3D%5Cfrac%7Bf%28x%29%7D%7Bf%28z_0%29%7D ，则
equation?tex=f%28x%29%3D%5Cbeta+f%28z_0%29%3Df%28%5Cbeta+z_0%29+%5Cquad%281%29%5C%5C 故
equation?tex=f%28x-%5Cbeta+z_0%29%3D0 ，从而
equation?tex=x-%5Cbeta+z_0%5Cin+M 。总之
equation?tex=x%3D%28x-%5Cbeta+z_0%29%2B%5Cbeta+z_0%2Cx-%5Cbeta+z_0+%5Cin+M%5Cquad+%282%29%5C%5C 这表明
equation?tex=M 与
equation?tex=%5C%7Bz_0%5C%7D 张成整个空间。

取
equation?tex=%282%29 式与
equation?tex=z_0 的内积，可得
equation?tex=%28x%2Cz_0%29%3D%5Cbeta+%28z_0%2Cz_0%29%3D%5Cbeta+%7C%7Cz_0%7C%7C%5E2.%5C%5C 从而定出
equation?tex=%5Cbeta+%3D+%5Cfrac%7B%28x%2Cz_0%29%7D%7B%7C%7Cz_0%7C%7C%5E2%7D%3D%28x%2C%5Cfrac%7Bz_0%7D%7B%7C%7Cz_0%7C%7C%5E2%7D%29.%5C%5C 由
equation?tex=%281%29 可得
equation?tex=f%28x%29%3D%5Cbeta+f%28z_0%29%3D%28x%2C%5Cfrac%7Bz_0%7D%7B%7C%7Cz_0%7C%7C%5E2%7D%29f%28z_0%29%3D%28x%2C%5Cfrac%7B%5Cover%7Bf%28z_0%29%7D%7D%7B%7C%7Cz_0%7C%7C%5E2%7Dz_0%29%5C%5C 于是
equation?tex=z_f%3D%5Cfrac%7B%5Cover%7Bf%28z_0%29%7D%7D%7B%7C%7Cz_0%7C%7C%5E2%7Dz_0%5C%5C 即为所求。

下证 唯一性。若有
equation?tex=z_f%27%5Cin+H ，使
equation?tex=f%28x%29%3D%28x%2Cz_f%27%29%5C%5C 则
equation?tex=%28x%2Cz_f%29%3D%28x%2Cz_f%27%29%2C%5Cforall+x%5Cin+H%5C%5C 即
equation?tex=%EF%BC%88x%2Cz_f-z_f%27%EF%BC%89%3D0%2C%5Cforall+x%5Cin+H%5C%5C 可见
equation?tex=z_f-z_f%27%3D0 ，即
equation?tex=z_f%3Dz_f%27 。

最后，证明两个范数相等。由
equation?tex=%5Cbegin%7Balign%7D+%7C%7Cf%7C%7C_%7BH%5E%2A%7D%26%3D%5Csup%5Climits_%7B%7C%7Cx%7C%7C%5Cleq1%7D%7Cf%28x%29%7C%3D%5Csup%5Climits_%7B%7C%7Cx%7C%7C%5Cleq+1%7D+%7C%28x%2Cz_f%29%7C%5C%5C+%26%5Cleq+%5Csup%5Climits_%7B%7C%7Cx%7C%7C%5Cleq1%7D%7C%7Cx%7C%7C%7C%7Cz_f%7C%7C%3D%7Cz_f%7C%5Cend%7Balign%7D%5C%5C 和
equation?tex=%5Cbegin%7Balign%7D+%7C%7Cf%7C%7C_%7BH%5E%2A%7D%26%3D%5Csup%5Climits_%7B%7C%7Cx%7C%7C%5Cleq+1%7D%7Cf%28x%29%7C%5C%5C+%26%5Cgeq%7Cf%28%5Cfrac%7Bz_f%7D%7B%7C%7Cz_f%7C%7C%7D%29+%7C%5C%5C+%26%3D%7C%28%5Cfrac%7Bz_f%7D%7B%7C%7Cz_f%7C%7C%7D%2Cz_f%29%7C%5C%5C+%26%3D%7C%7Cz_f%7C%7C++%5Cend%7Balign%7D%5C%5C 可见
equation?tex=%7C%7Cf%7C%7C_%7BH%5E%2A%7D%3D%7C%7Cz_f%7C%7C%5C%5C Q.E.D

（若以一种“泛函皆指标”的眼光来看待这个证明过程，每一步就显得十分显而易见，所以我就先不多加说明了。）

后续

上面的表现定理指出：给一个

equation?tex=f 能找到唯一与之对应的
equation?tex=z_f 。那反过来想想，如果要是真有那么一种映射：给一个
equation?tex=z_f 能找到对应的
equation?tex=f ，那么这会有怎样的性质呢？

我们定义映射

equation?tex=%5Ctau%3AH%5E%2A%5Crightarrow+H 为
equation?tex=%5Ctau%28f%29%3Dz_f%2Cf%5Cin+H%5E%2A%5C%5C 这里的
equation?tex=z_f 是根据
表现定理由
equation?tex=f 所确定的唯一元
equation?tex=z_f 。则
equation?tex=%5Ctau 是由
equation?tex=H%5E%2A 到
equation?tex=H 上的一一对应的
保范映射。但它不是线性的，而是 共轭线性的：
equation?tex=%5Ctau%28%5Calpha_1f_1%2B%5Calpha_2f_2%29%3D+%5Coverline%7B%5Calpha_1%7D%5Ctau%28f_1%29%2B%5Coverline%7B%5Calpha_2%7D%5Ctau%28f_2%29%5C%5C 因为
任意
equation?tex=f_1%2Cf_2%5Cin+H%5E%2A ，
equation?tex=%5Calpha_1%2C%5Calpha_2%5Cin+%5Cmathbf%7BC%7D ，
equation?tex=%5Cbegin%7Balign%7D+%28%5Calpha_1+f_1%2B%5Calpha_2+f_2%29%28x%29%26%3D%5Calpha_1+f_1%28x%29%2B%5Calpha_2+f_2%28x%29%5C%5C+%26%3D%5Calpha_1%28x%2Cz_%7Bf_1%7D%29%2B%5Calpha_2%28x%2Cz_%7Bf_2%7D%29%5C%5C+%26%3D%28x%2C%5Coverline%7B%5Calpha_1%7Dz_%7Bf_1%7D%2B%5Coverline%7B%5Calpha_2%7Dz_%7Bf_2%7D%29%5C%5C+%26%3D%28x%2C%5Coverline%7B%5Calpha_1%7D%5Ctau%28%7Bf_1%7D%29%2B%5Coverline%7B%5Calpha_2%7D%5Ctau%28f_2%29%29+%5Cend%7Balign%7D%5C%5C

如果在

equation?tex=H%5E%2A 中
定义内积
equation?tex=%28f_1%2Cf_2%29%3D%5Coverline%7B%28z_%7Bf_1%7D%2Cz_%7Bf_2%7D%29%7D%5C%5C 容易验证
equation?tex=H%5E%2A 为Hilbert空间（其实根据表现定理，就可以说明这个内积所引导的范数与前面使之成为Banach空间的范数是一样的，所以
equation?tex=H%5E%2A 对该内积完备。）

于是

equation?tex=%5Ctau%3AH%5E%2A%5Crightarrow+H 是两个Hilbert空间之间的共轭同构（即
equation?tex=%5Ctau 有
保范、 双射、 共轭线性）。如果我们对共轭同构的Hilbert不加区别，视为同一空间，可记
equation?tex=H%5E%2A%3DH 。Hilbert空间的这种性质称为
自共轭性。
weixin_39750410
关注
2.9. 泛函分析讲义I-Riesz定理及其应用
weixin_40614311的博客
11-14 3305
2. Riesz定理及其应用
泛函分析基础10-巴拿赫空间中的基本定理1：泛函延拓定理
最新发布
u013250861的博客
05-23 538
从第七章涉足泛函分析领域之后，我们已经看到了泛函分析方法的威力.例如一些原本相距甚远的种种收敛概念，结果都可以统一地看作是在某种空间依某种意义的度量收敛.抽象概括好比登高望远，把许多数学内涵揭示得十分清楚.平方可积函数空间的出现，把三角级数的理论一下子提升到更加宏观的水平.正如杜甫的登泰山诗所云：“会当凌绝顶，一览众山小”但是，抽象概括、拓宽数学视野只是泛函分析方法威力的一个方面，更为重要的是它的深刻性：可以看到古典分析方法所看不到的东西.本章所叙述的四个基本定理，揭示了泛函分析方法的深刻一面.
强对偶定理的证明_笔记:对偶原则与直线型(1)M-C定理
weixin_29602351的博客
01-28 932
有了个想法,可惜时间不够,内容又太多太复杂,可能要到2/05之后才有时间.这段期间几乎不再上知乎了.所以先记在笔记本上吧.一、定义本文仅讨论平面几何射影变换：有限次中心投影的复合。仿射变换：一次线性变换复合一个平移，相当于平行投影。单比： 交比： 对偶元素：在平面几何内点与直线互为对偶元素。对偶命题：把命题中所有点按一定方式替换为直线，所有直线按一定方式替换为点，并把“过一点作一直线”和“在一直线...
强对偶定理的证明
wjw1993year的博客
05-16 7251
强对偶性的证明 本博客是参考资料的笔记整理：https://www.bilibili.com/video/BV1dJ411B7gh?t=185&p=38 1. 预备知识 定义 1 凸集：某点集D是凸集，是指对于任意两点x1x_1x1​, x2∈Dx_2∈ Dx2​∈D 和0≤λ≤10 ≤ λ ≤ 10≤λ≤1，有： x=λx1+(1−λ)x2∈D(1) x=\lambda x_{1}+(1-\lambda) x_{2} \in D \tag{1} x=λx1​+(1−λ)x2​∈D(1) 以下是
强对偶定理证明
weixin_44888196的博客
07-16 308
强对偶定理证明过程
强对偶定理的证明_函数的光滑化——从原始与对偶出发
weixin_34640051的博客
01-28 1193
一、光滑化定义函数的光滑化是指对一个非光滑函数 ，我们得到一个光滑的函数，假设是 。 这个 要满足两个条件，首先得是光滑的，其次就是不能和原函数 差太多，这个是很好理解的。接下来我们正式的定义一下可光滑化（smoothable）定义1.1. 给定一个凸函数 ，我们称其为 -smoothable的，如果存在一个凸函数 使得满足 是 光滑的 并且称 ...
强对偶定理的证明_微观经济理论第三章：KKT、包络定理、对偶定理、
weixin_39933336的博客
01-13 768
微观经济理论系列的笔记是我为了2021年申请博士而做的准备，我很喜欢经济学，很希望可以成功申请到博士！（如果有相关信息欢迎分享给我呀，如果本文也对你有所帮助的话~）微观经济理论学到目前，感觉三个定理或者说数学工具非常有用，分别是KKT条件，包络定理和对偶定理，目前来看对这三个定理有了初步了解，目前就足以应对当前的问题了。（当然，之后必须要补充不动点定理——用于证明纳什均衡）。忽然对经济学和数学关系...
IIC.rar_AT24C04_MPLAB IDE_iic pic_pic iic_泛函
09-20
标题"IIC.rar_AT24C04_MPLABIDE_iic_pic_pic_iic_泛函"涉及的关键技术点包括IIC通信协议、AT24C04存储器、MPLAB IDE开发环境以及与之相关的PIC微控制器编程。现在，我们将深入探讨这些主题。 首先，IIC（Inter-...
Bochner-Riesz算子极大交换子的Lipschitz估计 (2002年)
05-31
Bochner-Riesz算子极大交换子的Lipschitz估计是数学领域中关于调和分析的研究内容，属于泛函分析的一个分支。这篇文章主要研究了Bochner-Riesz算子极大交换子在Lp空间到Triebel-Lizorkin空间中的有界性。我们先来...
对偶定理的推导
03-10
清晰明白地阐述了对偶定理的推导 其中内容涉及了Staler条件，KKT条件
线性规划强对偶证明
欢迎来到道的世界
02-01 2375
线性规划弱对偶性  给定矩阵A∈Rm×nA\in \mathbb{R}^{m\times n}A∈Rm×n，向量x,c∈Rnx,c\in \mathbb{R}^nx,c∈Rn，向量b,y∈Rmb,y\in \mathbb{R}^mb,y∈Rm，则有如下线性规划min⁡x{c⊤x∣Ax=b,x≥0}\min\limits_{x}\{c^{\top}x|Ax=b,x\ge 0\}xmin​{c⊤x∣Ax=b,x≥0}其中x∗x^{*}x∗为以上线性规划的最小值，其对偶形式表示为max⁡y{b⊤y∣A⊤y≤c}\
Riesz表示定理
最后一次修改
10-04 865
……Hilbert空间的基本定理之一
优化理论系列1——拉格朗日对偶及强弱定理证明（一）
热门推荐
我爱优化
12-09 1万+
拉格朗日对偶 强弱定理
香农定理和奈奎斯特定理区别_泛函随记（二）Frechet-Riesz表现定理
weixin_39686634的博客
11-28 889
开头先摘了个要的这篇文章先后介绍几个内容正交补射影定理对偶空间（共轭空间）表现定理后续其中，在对偶空间中，我对这个空间提出了一种理解方式：将泛函视为一种分类方式。然后列出几个比较形象的例子。借助种理解，并宏观地解释了表现定理的的用处。前面的部分主要以介绍概念为主。其他涉及证明的部分我均放在引用框内给出，一些步骤用括号+斜体字给出说明。先提个概念 正交补设 是Hilbert空间 的线性流形，定义...
对偶理论
qq_37657182的博客
12-03 1833
对偶线性规划的最优解对应的目标函数值相等，但是最优解不同 ①弱对偶定理 证明：CTX≥(ATW)TX=WT(AX)≥WTb=bTWC^TX\geq (A^TW)^TX = W^T(AX)\geq W^Tb = b^TWCTX≥(ATW)TX=WT(AX)≥WTb=bTW ②强对偶定理 无界性： 原问题与对偶对偶问题都有最优解的充要条件是它们都有可行解（其中一个问题有无界解，另一个就无可行解） 最...
【运筹学】对偶理论 : 最优性定理、强对偶性
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
12-30 6935
一、最优性定理、 二、强对偶性
对偶性与强对偶成立：一种新的数据分析方法
程序员光剑
12-31 868
1.背景介绍 随着数据量的增加，数据分析和处理变得越来越复杂。传统的数据分析方法已经不能满足现实中复杂的需求。因此，研究人员不断在数据分析领域发现新的方法和技术，以满足不断变化的需求。在这篇文章中，我们将介绍一种新的数据分析方法：对偶性与强对偶成立。这种方法在处理大规模数据时具有很高的效率和准确性，因此在很多领域得到了广泛应用。 2.核心概念与联系 对偶性与强对偶成立是一种新的数据分析方法，...
Riesz定理, 叶果洛夫定理, 依测度柯西列
weixin_44618492的博客
08-21 1912
今天介绍实变函数中非常重要的两个定理, Riesz定理、叶果洛夫定理, Riesz定理说明了依测度收敛的序列一定存在一个几乎处处收敛的子列, 而叶果洛夫定理指出几乎处处收敛就是基本上一致收敛. 我们先将背景和 notation 写清楚, 随后我们需要先介绍一个概率论中非常常用的定理, 但将其写成测度论形式.下面我们介绍叶果洛夫定理, 它说明: 几乎处处收敛指的就是“基本上”一致收敛. 如我们熟知的。[Remark]: 几乎处处收敛指的是: 不收敛的点组成的集合是一个零测集.【定理5】(叶果洛夫定理) 设。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值