泛函分析笔记3:内积空间

我们前面讲了距离空间、赋范空间,距离空间赋予了两个点之间的距离度量,范数赋予了每个点自身的长度度量,而范数则可以导出距离。本章要讲的内积可以看成是更加统一的定义,因为从内积我们可以导出范数,进而导出距离。因此内积空间是一个“更小”的空间,在此基础上结合完备性我们引出了 Hilbert 空间,后续我们的研究也大多集中在 Hilbert 空间上。

1. 内积空间

定义 X X X K \mathbb{K} K 上的线性空间, ⟨ ⋅ , ⋅ ⟩ : X × X → K \langle \cdot,\cdot\rangle :X\times X\to \mathbb{K} ,:X×XK,若满足如下条件

  1. ⟨ λ x + μ y , z ⟩ = λ ⟨ x , z ⟩ + μ ⟨ y , z ⟩ \langle \lambda x+\mu y, z\rangle = \lambda\langle x,z\rangle +\mu\langle y,z\rangle λx+μy,z=λx,z+μy,z
  2. ⟨ x , y ⟩ ‾ = ⟨ y , z ⟩ \overline{\langle x,y\rangle }=\langle y,z\rangle x,y=y,z
  3. ∀ x ∈ X , ⟨ x , x ⟩ ≥ 0 \forall x\in X, \langle x,x\rangle \ge 0 xX,x,x0
  4. ⟨ x , x ⟩ = 0    ⟺    x = 0 \langle x,x\rangle =0 \iff x=0 x,x=0x=0

则称 ( X , ⟨ ⋅ , ⋅ ⟩ ) (X,\langle \cdot,\cdot\rangle ) (X,,)内积空间。可以用内积定义范数 ∥ x ∥ = ⟨ x , x ⟩ 1 / 2 \Vert x\Vert = \langle x,x\rangle ^{1/2} x=x,x1/2。若得到的 ( X , ∥ ⋅ ∥ ) (X,\Vert\cdot\Vert) (X,) 为 Banach 空间,那么 ( X , ⟨ ⋅ , ⋅ ⟩ ) (X,\langle \cdot,\cdot\rangle ) (X,,)Hilbert 空间

定理 ( X , ⟨ ⋅ , ⋅ ⟩ ) , ∀ x , y ∈ X (X,\langle \cdot,\cdot\rangle ),\forall x,y\in X (X,,),x,yX

  • ∣ ⟨ x , y ⟩ ∣ ≤ ∥ x ∥ ⋅ ∥ y ∥ |\langle x,y\rangle |\le \Vert x\Vert \cdot\Vert y\Vert x,yxy(Schwartz 不等式)等号成立    ⟺    x , y \iff x,y x,y 线性相关    ⟺    y = 0 \iff y=0 y=0 x = c y x=cy x=cy
  • ∥ x + y ∥ ≤ ∥ x ∥ + ∥ y ∥ \Vert x+y\Vert\le\Vert x\Vert+\Vert y\Vert x+yx+y 等号成立    ⟺    x , y \iff x,y x,y 线性相关    ⟺    y = 0 \iff y=0 y=0 x = c y x=cy x=cy

定理 ( X , ⟨ ⋅ , ⋅ ⟩ ) (X,\langle \cdot,\cdot\rangle ) (X,,),设 x n → x , y n → y x_n\to x,y_n\to y xnx,yny,则 ⟨ x n , y n ⟩ → ⟨ x , y ⟩ \langle x_n,y_n\rangle \to \langle x,y\rangle xn,ynx,y(此定理说明内积为连续映射)。

证明:略。

命题:若 ∥ ⋅ ∥ \Vert\cdot\Vert X X X 上的范数,若 ∀ x , y ∈ X \forall x,y\in X x,yX 都满足平行四边形等式 ∥ x + y ∥ 2 + ∥ x − y ∥ 2 = 2 ( ∥ x ∥ 2 + ∥ y ∥ 2 ) \Vert x+y\Vert^2 + \Vert x-y\Vert^2=2(\Vert x\Vert^2 + \Vert y\Vert^2) x+y2+xy2=2(x2+y2),则存在 X X X 上的内积 ⟨ ⋅ , ⋅ ⟩ \langle \cdot,\cdot\rangle ,,使得 ∥ x ∥ = ⟨ ⋅ , ⋅ ⟩ 1 / 2 . \Vert x\Vert=\langle \cdot,\cdot\rangle ^{1/2}. x=,1/2.

证明:较复杂,略。

例子 1 X = K 2 , ∥ ( x , y ) ∥ ∞ X=\mathbb{K}^2,\Vert(x,y)\Vert_\infty X=K2,(x,y) 不是内积空间,反例比如 x = ( 1 , 1 ) , y = ( 1 , − 1 ) x=(1,1),y=(1,-1) x=(1,1),y=(1,1),验证平行四边形等式不成立即可。

例子 2 ( ℓ ∞ , ∥ ⋅ ∥ ∞ ) (\ell^\infty,\Vert\cdot\Vert_\infty) (,) 不是内积空间,反例如 x = ( 1 , 0 , 0 , . . . ) , y = ( 0 , − 1 , 0 , . . . ) x=(1,0,0,...),y=(0,-1,0,...) x=(1,0,0,...),y=(0,1,0,...)

实际上对于空间 X = K n , n > 0 X=\mathbb{K}^n,n>0 X=Kn,n>0 ∥ x ∥ p \Vert x\Vert_p xp 只有在 p = 2 p=2 p=2 的时候才是内积空间,其余情况均不是内积空间。

对于空间 ( ℓ p , ∥ ⋅ ∥ p ) (\ell^p,\Vert\cdot\Vert_p) (p,p)只有在 p = 2 p=2 p=2 的时候才是内积空间

例子 3 C [ 0 , 1 ] , ∥ x ∥ ∞ C[0,1],\Vert x\Vert_\infty C[0,1],x 不是内积空间,反例比如 x ( t ) = 1 + t , y ( t ) = 1 − t x(t)=1+t,y(t)=1-t x(t)=1+t,y(t)=1t,验证平行四边形等式不成立即可(说明找不到合适的内积定义来导出无穷范数)。

类比上面的例子,我们也可以对连续函数定义 2 2 2 范数( p p p 范数)。首先定义内积
⟨ x , y ⟩ = ∫ a b x ( t ) y ( t ) ‾ d t ⇒ ∥ x ∥ = ⟨ x , x ⟩ 1 / 2 ∥ x ∥ p = ( ∫ a b ∣ x ( t ) ∣ p d t ) 1 / p \langle x,y\rangle =\int_a^b x(t)\overline{y(t)} dt \quad\Rightarrow\quad \Vert x\Vert=\langle x,x\rangle ^{1/2} \\ \Vert x\Vert_p = \left(\int_a^b |x(t)|^p dt\right)^{1/p} x,y=abx(t)y(t)dtx=x,x1/2xp=(abx(t)pdt)1/p
同样地,只有在 p = 2 p=2 p=2 的时候 ( C [ a , b ] , ∥ x ∥ p ) (C[a,b],\Vert x\Vert_p) (C[a,b],xp) 才是内积空间。

到这里大家基本了解了内积空间的特点,他比一般的赋范空间更严格,度量空间就更不用说了。根据初中的知识,有了内积我们就能计算夹角了,不过这里我们不讲夹角,而是考虑正交正交补的概念。

小结:这一部分讲了内积运算的定义,并且由内积可以导出范数的定义,但是内积比范数的要求更严格,因此对于某个范数,可以通过验证平行四边形等式来验证其是否可以由内积运算来导出。

2. 正交补与正交投影

内积空间 ( X , ⟨ ⟩ ) (X,\langle \rangle ) (X,) 中,称 x , y x,y x,y 正交,若 ⟨ x , y ⟩ = 0 \langle x,y\rangle =0 x,y=0,记为 x ⊥ y x\perp y xy M ⊂ X M\subset X MX 非空,定义其正交补 M ⊥ = { x ∈ X : x ⊥ y , ∀ y ∈ M } . M^{\perp}=\{x\in X:x\perp y,\forall y\in M\}. M={xX:xy,yM}.

命题 M ⊥ M^{\perp} M X X X闭集线性子空间

证明:易证 M ⊥ M^{\perp} M 为线性子空间,然后再用内积的是连续映射证明 M ⊥ M^{\perp} M 为闭集。

这里插入一个最佳逼近元的概念。定义 ξ ( x 0 , M ) = inf ⁡ y ∈ M d ( x 0 , y ) \xi(x_0,M)=\inf_{y\in M}d(x_0,y) ξ(x0,M)=infyMd(x0,y),若存在 y 0 ∈ M y_0\in M y0M 使得 d ( x 0 , y 0 ) = ξ ( x 0 , M ) d(x_0,y_0)=\xi(x_0,M) d(x0,y0)=ξ(x0,M),那么就称 y 0 y_0 y0 为最佳逼近元。什么情况下最佳逼近元存在呢?

  1. M M M 为非空紧集的时候, y 0 y_0 y0 存在(因为紧集一定是有界闭集)。
  2. X X X 为赋范空间, M M M X X X 的有限维线性子空间,则 y 0 y_0 y0 存在(因为有限维赋范空间都完备, M M M 为闭集)。

定理 ( X , ⟨ ⟩ ) (X,\langle \rangle ) (X,) M M M X X X 非空凸子集,且 M M M 完备,则 ∀ x 0 ∈ X \forall x_0\in X x0X ∃ ! y 0 ∈ M \exists!y_0\in M !y0M 为最佳逼近元,并且有 x 0 − y 0 ∈ M ⊥ x_0-y_0\in M^{\perp} x0y0M

证明:先找到 y n ∈ M , d ( x 0 , y n ) ≤ ξ ( x 0 , M ) + 1 n y_n\in M,d(x_0,y_n)\le\xi(x_0,M)+\frac{1}{n} ynM,d(x0,yn)ξ(x0,M)+n1,证明其为柯西列,由于 M M M 完备,得到最佳逼近元的存在性。再由 M M M 的凸性质证明唯一性。证毕。

对于线性空间 X X X M , N M,N M,N X X X 的线性子空间,称 X X X M , N M,N M,N直和,若 ∀ x ∈ X , ∃ ! m ∈ M , n ∈ N , x = m + n \forall x\in X,\exists! m\in M,n\in N,x=m+n xX,!mM,nN,x=m+n,记为 X = M ⊕ N . X=M\oplus N. X=MN.

很容易验证 X = M ⊕ N    ⟺    X = span ( M ∪ N ) , M ∩ N = { 0 } . X=M\oplus N \iff X=\text{span}(M\cup N), M\cap N=\{0\}. X=MNX=span(MN),MN={0}.

定理:设 H H H 为 Hilbert 空间, M M M H H H 的闭线性子空间,则 H = M ⊕ M ⊥ . H=M\oplus M^{\perp}. H=MM.

证明: M M M 完备,对 ∀ x ∈ H \forall x\in H xH ∃ ! y ∈ M \exists!y\in M !yM,使得 ∥ x − y ∥ = ξ ( x , M ) \Vert x-y\Vert=\xi(x,M) xy=ξ(x,M),并且 x − y ∈ M ⊥ x-y\in M^{\perp} xyM。证毕。

定理:设 H H H 为 Hilbert 空间, M M M H H H 的闭线性子空间,则 ( M ⊥ ) ⊥ = M . (M^{\perp})^{\perp}=M. (M)=M.

证明:略。

上面两条定理当中,只有 M M M H H H 的闭线性子空间才有如此良好的性质!因为只有闭线性子空间才能认为 M M M 是尽可能“丰满”的。举个例子, R 3 \mathbb{R}^3 R3 中,令 M = { e 1 = ( 1 , 0 , 0 ) } M=\{e_1=(1,0,0)\} M={e1=(1,0,0)},那么 M ⊥ M^{\perp} M y − z y-z yz 平面, ( M ⊥ ) ⊥ (M^{\perp})^{\perp} (M) x x x 轴,相比于原始的 M M M 扩展到无穷远处了。

推论:设 H H H 为 Hilbert 空间, M ⊂ H M\subset H MH 非空,则 span M ‾ = H    ⟺    M ⊥ = { 0 } . \overline{\text{span}M}=H \iff M^{\perp}=\{0\}. spanM=HM={0}.

引理 M ⊥ = ( M ˉ ) ⊥ , ( span M ) ⊥ = M ⊥ . M^{\perp}=(\bar{M})^\perp,\quad (\text{span}M)^{\perp}=M^{\perp}. M=(Mˉ),(spanM)=M.

证明:略。

NOTE:这个引理实际上说明了正交补空间在定义的时候已经是“最大化的”,即使原空间 M M M 稍微扩张一点点,其正交补空间仍然保持不变。

H H H 为 Hilbert 空间, M M M H H H 的闭线性子空间,那么对于 ∀ x ∈ H \forall x\in H xH,存在唯一的分解 x = y + z , y ∈ M , z ∈ M ⊥ . x=y+z,y\in M,z\in M^\perp. x=y+z,yM,zM. P M x = y P_Mx=y PMx=y,称 P M P_M PM 为从 H H H M M M 上的正交投影,其有如下性质:

  1. P M P_M PM 为线性算子;
  2. P M P_M PM 有界,并且 P M = 1 , M ≠ { 0 } P_M=1, M\ne\{0\} PM=1,M={0} P M = 0 , M = { 0 } P_M=0,M=\{0\} PM=0,M={0}
  3. P M 2 = P M P_M^2=P_M PM2=PM
  4. R ( P M ) = M , N ( P M ) = M ⊥ R(P_M)=M, N(P_M)=M^{\perp} R(PM)=M,N(PM)=M

小结:本小节给出了正交补的定义

  1. 不论原空间 M M M 如何,正交补空间 M ⊥ M^{\perp} M 总是有一些良好的性质:1)闭线性子空间;2)“最大化的”;
  2. 如果原空间 M M M 同时有良好的性质(闭线性子空间),那么他们两个就是对整个空间 H H H 的良好分割。

3. 标准正交基

内积空间 ( X , ⟨ ⟩ ) (X,\langle \rangle ) (X,) 中, M ⊂ X M\subset X MX正交集,若 ∀ x , y ∈ M , x ≠ y , ⇒ x ⊥ y . \forall x,y\in M,x\ne y,\Rightarrow x\perp y. x,yM,x=y,xy. 进一步若 M M M 中任意元素 ∥ x ∥ = 1 \Vert x\Vert=1 x=1,则称 M M M标准正交集

对于一个标准正交序列 M = { e n , n ≥ 1 } M=\{e_n,n\ge1\} M={en,n1},有 Bessel 不等式
∑ i = 1 ∞ ∣ ⟨ x , e i ⟩ ∣ 2 ≤ ∥ x ∥ 2 . \sum_{i=1}^\infty |\langle x,e_i\rangle |^2 \le \Vert x\Vert^2. i=1x,ei2x2.

有了标准正交集的概念,我们很容易联想到正交基。下面列出的正交集的性质都可以类比基,但是随便取一个标准正交集,其并不一定完备,因此二者又有细微的差别。

定理 H H H 为 Hilbert 空间, { e 1 , e 2 , . . . } \{e_1,e_2,...\} {e1,e2,...} H H H 的标准正交集,那么有

  • ∀ λ n ∈ K , ∑ n ∞ λ n e n \forall \lambda_n\in\mathbb{K}, \sum^\infty_n \lambda_ne_n λnK,nλnen 收敛    ⟺    ∑ n ∞ ∣ λ n ∣ 2 < ∞ \iff \sum_n^\infty |\lambda_n|^2<\infty nλn2<
  • x = ∑ n ∞ λ n e n x=\sum^\infty_n \lambda_n e_n x=nλnen,则 λ n = ⟨ x , e n ⟩ \lambda_n=\langle x,e_n\rangle λn=x,en
  • ∀ x ∈ H , ∑ n ∞ ⟨ x , e n ⟩ e n \forall x\in H, \sum^\infty_n\langle x,e_n\rangle e_n xH,nx,enen 收敛

证明:由于涉及到无穷级数,因此证明过程中需要首先考虑 S N = ∑ n = 1 N λ n e n S_N=\sum_{n=1}^N \lambda_n e_n SN=n=1Nλnen 的情况,再证明 N → ∞ N\to\infty N 的时候极限成立。细节略。

如果对于标准正交集 M M M 我们有 span M ‾ = H \overline{\text{span}M}=H spanM=H,那么称 M M M H H H 中为完全的。实际上这里很容易联想到完备正交基,我们知道空间中任意一点都可以用基的线性组合来表示,如果 M M M 是完全的,那么我们可以有相似的结论。

命题:首先定义 ∀ x ∈ X , M x = { e ∈ M , ⟨ x , e ⟩ ≠ 0 } \forall x\in X, M_x=\{e\in M, \langle x,e\rangle \ne0\} xX,Mx={eM,x,e=0},那么一定有 M x M_x Mx 是至多可数的。

证明:定义 M x , n = { e ∈ M , ∣ ⟨ x , e ⟩ ∣ ≥ 1 n } M_{x,n}=\{e\in M, |\langle x,e\rangle |\ge \frac{1}{n}\} Mx,n={eM,x,en1} M x = ∪ n = 1 ∞ M x , n M_x=\cup^\infty_{n=1} M_{x,n} Mx=n=1Mx,n,只需证明 ∀ n ≥ 1 , M x , n \forall n\ge1, M_{x,n} n1,Mx,n 为至多可数集。

假设 M x , n M_{x,n} Mx,n 中两两不等的元素可以表示为 e 1 , . . . , e N e_1,...,e_N e1,...,eN,那么 N n 2 ≤ ∑ n = 1 N ∣ ⟨ x , e i ⟩ ∣ 2 ≤ ∥ x ∥ 2 ⇒ N ≤ n 2 ∥ x ∥ 2 \frac{N}{n^2}\le\sum_{n=1}^N|\langle x,e_i\rangle |^2\le\Vert x\Vert^2 \Rightarrow N\le n^2\Vert x\Vert^2 n2Nn=1Nx,ei2x2Nn2x2,说明 M x , n M_{x,n} Mx,n 中的元素个数是有限的。证毕。

定理 H H H 为 Hilbert 空间, M M M H H H 的标准正交集,则下述命题等价:

  1. M M M 为完全的;
  2. ∀ x ∈ H , x = ∑ e ∈ M ⟨ x , e ⟩ e \forall x\in H,x=\sum_{e\in M}\langle x,e\rangle e xH,x=eMx,ee
  3. ∀ x ∈ H , ∥ x ∥ 2 = ∑ e ∈ M ∣ ⟨ x , e ⟩ ∣ 2 . \forall x\in H, \Vert x\Vert^2=\sum_{e\in M}|\langle x,e\rangle |^2. xH,x2=eMx,e2.
  4. ∀ x , y ∈ H , ⟨ x , y ⟩ = ∑ e ∈ M ⟨ x , e ⟩ ⟨ e , y ⟩ \forall x,y\in H,\langle x,y\rangle =\sum_{e\in M}\langle x,e\rangle \langle e,y\rangle x,yH,x,y=eMx,ee,y

证明:首先用反证法证明 2 ⇒ 1 , 3 ⇒ 1. 2\Rightarrow1,3\Rightarrow1. 21,31. 然后考虑 ∀ x ∈ H , M x = { e 1 , e 2 , . . . } \forall x\in H, M_x=\{e_1,e_2,...\} xH,Mx={e1,e2,...},令 y = ∑ i = 1 ∞ ⟨ x , e i ⟩ e i y=\sum^\infty_{i=1} \langle x,e_i\rangle e_i y=i=1x,eiei z = y − x z=y-x z=yx,容易证明 ⟨ z , e i ⟩ = 0 , ∀ i ≥ 1 \langle z,e_i\rangle =0,\forall i\ge1 z,ei=0,i1,那么就有 z ∈ M ⊥ = { 0 } z\in M^{\perp}=\{0\} zM={0},从而 x = y = ∑ i = 1 ∞ ⟨ x , e i ⟩ e i x=y=\sum^\infty_{i=1} \langle x,e_i\rangle e_i x=y=i=1x,eiei 1 ⇒ 2 1\Rightarrow2 12。其余证明可以参考课本。此处省略。

对于内积空间 X X X 的一列线性无关元素 { x 1 , . . . , x n } \{x_1,...,x_n\} {x1,...,xn},那么存在一组标准正交序列 e 1 , . . . , e n e_1,...,e_n e1,...,en 使得
span { x 1 , . . . , x n } = span { e 1 , . . . , e n } \text{span}\{x_1,...,x_n\} = \text{span}\{e_1,...,e_n\} span{x1,...,xn}=span{e1,...,en}
其中一种获取方法为 Gram-Schmidt 标准正交化方法,即

  1. 首先取 e 1 = x 1 ∥ x 1 ∥ e_1=\frac{x_1}{\Vert x_1\Vert} e1=x1x1
  2. 然后 v 2 = x 2 − ⟨ x 2 , e 1 ⟩ e 1 , e 2 = v 1 ∥ v 2 ∥ v_2=x_2-\langle x_2,e_1\rangle e_1, e_2 = \frac{v_1}{\Vert v_2\Vert} v2=x2x2,e1e1,e2=v2v1
  3. 上述过程重复进行。

定理 H H H 为 Hilbert 空间, M M M H H H 的标准正交集,则存在 N N N 为完全标准正交集, M ⊂ N . M\subset N. MN.

推论:任意 Hilbert 空间均有完全标准正交集。

证明:可以根据有限维空间、无限维可分空间进行讨论,应用 Gram-Schmidt 标准正交化方法即可获得完全标准正交集。

实际上如果我们能构造出来 Hilbert 空间的一组标准正交基,那么对于有限维空间 dim H = n \text{dim}H=n dimH=n,其与 K n \mathbb{K}^n Kn 等距同构;对于无穷维可分空间,其与 ℓ 2 \ell^2 2 等距同构。

小结

  1. 本小节讲到的标准正交集可以用于向量的线性分解表示。
  2. 当标准正交集是完全的,那么它实际上就是 Hilbert 空间 H H H 的一组标准正交基。这又可以看作是线性空间中 Hamel 基/Schauder 基的更特殊的情况,因为完备的标准正交集要求相互正交,而 Hamel 基和 Schauder 基只要求线性无关。
  3. 实际上根据 Gram-Schmidt 标准正交化方法可以由两种基构造出标准正交基。

4. Hilbert 空间上有界线性泛函表示

对于内积空间 X X X,取 z 0 ∈ X z_0\in X z0X,那么我们可以定义一个线性泛函 f z 0 ( x ) = ⟨ x , z 0 ⟩ f_{z_0}(x)=\langle x,z_0\rangle fz0(x)=x,z0,可以验证 f z 0 ∈ X ⋆ f_{z_0}\in X^{\star} fz0X,并且有 ∥ f z 0 ∥ = ∥ z 0 ∥ \Vert f_{z_0}\Vert = \Vert z_0\Vert fz0=z0,因此 f z 0 ∈ X ′ f_{z_0}\in X' fz0X

那么如果反过来,任取 f ∈ X ′ f\in X' fX,我们是否能够断言 f f f 都可以表示为 f ( x ) = ⟨ x , z 0 ⟩ f(x)=\langle x,z_0\rangle f(x)=x,z0 的形式呢?可以!这个表示形式如此简洁,以后你会发现这个性质非常有用!但并不是任意赋范空间都可以如此表示,只有 Hilbert 空间有这个良好的性质。

定理(F.Riesz) H H H 为 Hilbert 空间,则 ∀ f ∈ H ′ , ∃ ! z 0 ∈ H , f ( x ) = ⟨ x , z 0 ⟩ . \forall f\in H',\exists! z_0\in H,f(x)=\langle x,z_0\rangle . fH,!z0H,f(x)=x,z0.

证明:若 f = 0 f=0 f=0,取 z 0 = 0. z_0=0. z0=0.

f ≠ 0 , f ∈ H ′ f\ne0,f\in H' f=0,fH,那么 N ( f ) = { x ∈ H , f ( x ) = 0 } N(f)=\{x\in H,f(x)=0\} N(f)={xH,f(x)=0} H H H 的闭线性子空间,因此有 H = N ( f ) ⊕ N ( f ) ⊥ H=N(f)\oplus N(f)^{\perp} H=N(f)N(f),且 N ( f ) ⊥ ≠ { 0 } N(f)^{\perp}\ne\{0\} N(f)={0}。接下来的问题就是如何构造一个函数 $\langle x,z\rangle $ 让其等于 f ( x ) f(x) f(x)

首先固定 z 0 ∈ N ( f ) ⊥ , z 0 ≠ 0 z_0\in N(f)^{\perp},z_0\ne0 z0N(f),z0=0。任给 x ∈ H x\in H xH,考虑 v = f ( x ) z 0 − f ( z 0 ) x ∈ H v=f(x)z_0-f(z_0)x \in H v=f(x)z0f(z0)xH,显然有 f ( v ) = 0 f(v)=0 f(v)=0,故 v ∈ N ( f ) v\in N(f) vN(f),从而有
⟨ v , z 0 ⟩ = f ( x ) ⟨ z 0 , z 0 ⟩ − f ( z 0 ) ⟨ x , z 0 ⟩ = 0 ⟹ f ( x ) = ⟨ x , f ( z 0 ) ‾ z 0 ∥ z 0 ∥ 2 ⟩ = ⟨ x , y 0 ⟩ . \langle v,z_0\rangle = f(x)\langle z_0,z_0\rangle -f(z_0)\langle x,z_0\rangle =0 \\ \Longrightarrow f(x)=\langle x,\frac{\overline{f(z_0)}z_0}{\Vert z_0\Vert^2}\rangle =\langle x,y_0\rangle . v,z0=f(x)z0,z0f(z0)x,z0=0f(x)=x,z02f(z0)z0=x,y0.
下面证明 y 0 y_0 y0 的唯一性。略。

证毕。

NOTE:实际上 N ( f ) ⊥ N(f)^{\perp} N(f) 是一维空间,也就是 span { z 0 } \text{span}\{z_0\} span{z0},因此我们随便从 N ( f ) ⊥ N(f)^{\perp} N(f) 中取一个向量 z 0 z_0 z0 乘以一个线性系数就能得到 f ( x ) f(x) f(x)

假设 X , Y X,Y X,Y K \mathbb{K} K 上的赋范空间,称 f : X × Y → K f:X\times Y\to \mathbb{K} f:X×YK共轭双线性泛函,若
f ( λ 1 x 1 + λ 2 x 2 , y ) = λ 1 f ( x 1 , y ) + λ 2 f ( x 2 , y ) f ( x , λ 1 y 1 + λ 2 y 2 ) = λ 1 ‾ f ( x , y 1 ) + λ 2 ‾ f ( x , y 2 ) f(\lambda_1 x_1+\lambda_2 x_2,y)=\lambda_1 f(x_1,y)+\lambda_2 f(x_2,y) \\ f(x,\lambda_1 y_1+\lambda_2 y_2)=\overline{\lambda_1} f(x,y_1)+\overline{\lambda_2} f(x,y_2) f(λ1x1+λ2x2,y)=λ1f(x1,y)+λ2f(x2,y)f(x,λ1y1+λ2y2)=λ1f(x,y1)+λ2f(x,y2)
称其为有界的,若 ∃ C ≥ 0 \exists C\ge0 C0,使
∣ f ( x , y ) ∣ ≤ C ∥ x ∥ ∥ y ∥ , ∀ x ∈ X , y ∈ Y |f(x,y)|\le C\Vert x\Vert \Vert y\Vert, \quad \forall x\in X, y\in Y f(x,y)Cxy,xX,yY
定义其范数为
∥ f ∥ = sup ⁡ x ≠ 0 , y ≠ 0 ∣ f ( x , y ) ∣ ∥ x ∥ ∥ y ∥ . \Vert f\Vert = \sup_{x\ne0,y\ne0} \frac{|f(x,y)|}{\Vert x\Vert \Vert y\Vert}. f=x=0,y=0supxyf(x,y).
定理(F.Riesz) H 1 , H 2 H_1,H_2 H1,H2 为 Hilbert 空间, f : H 1 × H 2 → K f:H_1\times H_2\to \mathbb{K} f:H1×H2K 为有界共轭双线性泛函,则 ∃ ! S ∈ B ( H 1 , H 2 ) , f ( x , y ) = ⟨ S x , y ⟩ , x ∈ X , y ∈ Y . \exists! S\in B(H_1,H_2), f(x,y)=\langle Sx,y\rangle ,x\in X,y\in Y. !SB(H1,H2),f(x,y)=Sx,y,xX,yY.

证明:首先固定 x ∈ H 1 x\in H_1 xH1,只关注 H 2 → K H_2 \to \mathbb{K} H2K,即 y ↦ f ( x , y ) ‾ y\mapsto \overline{f(x,y)} yf(x,y) 为有界线性泛函,因此可以 ∃ ! S x ∈ H 1 \exists!S_x\in H_1 !SxH1,使得
f ( x , y ) ‾ = ⟨ y , S x ⟩ ⇒ f ( x , y ) = ⟨ S x , y ⟩ \overline{f(x,y)}=\langle y,S_x\rangle \Rightarrow f(x,y)=\langle S_x,y\rangle f(x,y)=y,Sxf(x,y)=Sx,y
现在对 x x x 任取,可以得到 S : H 1 → H 2 S:H_1\to H_2 S:H1H2,由于 f f f 是有界共轭双线性的,容易验证 S S S 为有界线性算子。证毕。

下面如果我们定义 g ( x , y ) = f ( y , x ) ‾ = ⟨ x , S y ⟩ , x ∈ H 2 , y ∈ H 1 g(x,y)=\overline{f(y,x)}=\langle x,Sy\rangle ,x\in H_2,y\in H_1 g(x,y)=f(y,x)=x,Sy,xH2,yH1,那么 g g g 也是有界共轭双线性算子,并且根据上面的 Riesz 表示定理, ∃ ! T ∈ B ( H 2 , H 1 ) \exists! T\in B(H_2,H_1) !TB(H2H1) 使得 g ( x , y ) = ⟨ T x , y ⟩ = ⟨ x , S y ⟩ . g(x,y)=\langle Tx,y\rangle =\langle x,Sy\rangle . g(x,y)=Tx,y=x,Sy. 由此我们就导出了伴随算子的定义,我们称 S S S T T T伴随算子,记为 S = T ⋆ S=T^{\star} S=T,并且根据上面的推导过程可以得到伴随算子是唯一的

伴随算子有以下性质:

  • ∥ T ⋆ ∥ = ∥ T ∥ \Vert T^{\star}\Vert=\Vert T \Vert T=T
  • ( λ S + μ T ) ⋆ = λ ˉ S ⋆ + μ ˉ T ⋆ (\lambda S+\mu T)^{\star}=\bar{\lambda}S^\star + \bar\mu T^{\star} (λS+μT)=λˉS+μˉT
  • ( T ⋆ ) ⋆ = T (T^\star)^\star=T (T)=T
  • ∥ T ⋆ T ∥ = ∥ T T ⋆ ∥ = ∥ T ∥ 2 \Vert T^{\star}T\Vert=\Vert TT^{\star}\Vert=\Vert T \Vert^2 TT=TT=T2
  • T ⋆ T = 0    ⟺    T = 0 T^{\star}T=0 \iff T=0 TT=0T=0
  • ( P S ) ⋆ = S ⋆ P ⋆ (PS)^\star=S^\star P^\star (PS)=SP

例子 1:伴随算子一个最简单的例子就是矩阵。 H 1 = H 2 = K n , T ∈ B ( H 1 , H 2 ) , ∃ ! A H_1=H_2=\mathbb{K}^n,T\in B(H_1,H_2),\exists!A H1=H2=Kn,TB(H1,H2),!A n n n 阶方针,使得 T x = A x Tx=Ax Tx=Ax,容易验证 T ⋆ x = A H x . T^\star x=A^H x. Tx=AHx.

定理 H 1 , H 2 H_1,H_2 H1,H2 为 Hilbert 空间, T ∈ B ( H 1 , H 2 ) T\in B(H_1,H_2) TB(H1,H2) 为一一映射,则 T T T等距同构,当且仅当
T T ⋆ = I H 2 , T ⋆ T = I H 1 . TT^\star=I_{H_2},\quad T^\star T=I_{H_1.} TT=IH2,TT=IH1.
此时称 T T T H 1 H_1 H1 H 2 H_2 H2酉算子

证明:要证明等距同构只需要验证 ⟨ T x , T y ⟩ 2 = ⟨ x , y ⟩ 1 , ∀ x , y ∈ H 1 \langle Tx,Ty\rangle _2=\langle x,y\rangle _1,\forall x,y\in H_1 Tx,Ty2=x,y1,x,yH1 或者 ⟨ T ⋆ x , T ⋆ y ⟩ 1 = ⟨ x , y ⟩ 2 , ∀ x , y ∈ H 2 \langle T^\star x,T^\star y\rangle _1=\langle x,y\rangle _2,\forall x,y\in H_2 Tx,Ty1=x,y2,x,yH2 成立,做一下变换即可证明。证毕。

NOTE:实际上这里可以联想到酉矩阵。

小结:这一小节最核心的内容就是 Riesz 表示定理,即 Hilbert 空间上任意有界线性泛函都可以唯一地表示为
f ( x ) = ⟨ x , z 0 ⟩ , ∀ x ∈ H f(x) = \langle x,z_0\rangle , \forall x\in H f(x)=x,z0,xH

最后给我的博客打个广告,欢迎光临
https://glooow1024.github.io/
https://glooow.gitee.io/

前面的一些博客链接如下
泛函分析专栏
泛函分析笔记 0:绪论
泛函分析笔记 1:度量空间
泛函分析笔记 2:赋范空间
泛函分析笔记 3:内积空间

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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