LA@向量运算@内积@向量正交

文章目录

    • 内积
      • 符号说明
      • 向量内积
      • 性质
        • 对称性
        • 线性性
        • 正定性
      • 推论:柯西-布尼亚科夫斯基-施瓦茨公式(柯西不等式)
      • 解系几何向量的数量积和线性代数向量内积
      • n维向量的长度(范数)
        • 向量长度的性质
        • 单位向量
        • 单位化
      • 向量夹角
    • 向量正交
      • 标准正交
      • 正交向量组
      • 正交向量组线性无关
        • 记号补充Note
      • 标准正交基👺
      • Kronecker函数
      • 标准正交基表示任意向量
      • 内积补充

内积

  • 高等代数中,内积是较为抽象的概念,这里我们仅讨论内积的简化版本,也是具象化的版本
  • 内积是一个二元实函数,它满足内积的抽象定义(下面的性质一节提到的4个条件),

符号说明

  • 两个向量 a = ( a 1 , ⋯ , a n ) T \bold{a}=(a_1,\cdots,a_n)^T a=(a1,,an)T, b = ( b 1 , ⋯ , b n ) T \bold{b}=(b_1,\cdots,b_n)^T b=(b1,,bn)T 的点积可以用圆括号或中括号或尖括号表示:
    1. ( a , b ) (\bold{a,b}) (a,b)
    2. < a , b > <\bold{a,b}> <a,b>
    3. [ a , b ] [\bold{a,b}] [a,b]
  • 这里讨论的内积是向量内积(二元函数 ( a , b ) (\bold{a,b}) (a,b)= ∑ i = 1 n a i b i \sum_{i=1}^{n}a_ib_i i=1naibi),是满足抽象内积定义的具体函数

向量内积

  • 两个同维数(规格)的 n n n向量 a , b \bold{a,b} a,b点积(dot product)定义为 [ a , b ] [\bold{a,b}] [a,b]= ∑ i = 1 n a i b i \sum_{i=1}^{n}a_ib_i i=1naibi

    • 此处, n n n维向量指向量包含的元素个数为 n n n
    • 尽管向量默认表示为列向量,但 a , b \bold{a,b} a,b有时不都是列向量,仍然可以使用上述公式计算点积
    • a , b \bold{a,b} a,b都是列向量时,可以用矩阵乘法的形式表示内积, [ a , b ] = a T b [\bold{a,b}]=\bold{a}^T\bold{b} [a,b]=aTb
    • 作为对比 a b T \bold{ab^{T}} abT的结果是一个 n n n阶矩阵,而 a T b \bold{a^T{b}} aTb是一个标量
  • 点积也称为内积

    • a ⋅ b = ∑ i = 1 n a i b i = a 1 b 1 + a 2 b 2 + ⋯ + a n b n {\displaystyle \mathbf {\color {red}a} \cdot \mathbf {\color {blue}b} =\sum _{i=1}^{n}{\color {red}a}_{i}{\color {blue}b}_{i} ={\color {red}a}_{1}{\color {blue}b}_{1}+{\color {red}a}_{2}{\color {blue}b}_{2}+\cdots +{\color {red}a}_{n}{\color {blue}b}_{n}} ab=i=1naibi=a1b1+a2b2++anbn
  • 向量点积的结果是一个标量

性质

对称性

  • ( α , β ) = ( β , α ) (\alpha,\beta)=(\beta,\alpha) (α,β)=(β,α)
  • 点积满足交换律(而一般的矩阵乘法是不满足交换律的)

线性性

  1. ( k α , β ) = ( α , k β ) = k ( α , β ) (k\alpha,{\beta})=(\alpha,k\beta)=k(\alpha,\beta) (kα,β)=(α,kβ)=k(α,β)

    • ∑ i k α i β i = ∑ i α i k β i = k ∑ i α i β i \sum_ik\alpha_i\beta_i =\sum_{i}\alpha_ik\beta_i =k\sum_{i}\alpha_{i}\beta_i ikαiβi=iαikβi=kiαiβi
  2. ( α + β , γ ) = ( α , γ ) + ( β , γ ) (\alpha+\beta,\gamma)=(\alpha,\gamma)+(\beta,\gamma) (α+β,γ)=(α,γ)+(β,γ)

    • ∑ i ( α + β ) i δ i = ∑ i ( α i δ i + β i δ i ) = ∑ i α i δ i + ∑ i β i δ i \sum_{i}(\alpha+\beta)_i\delta_i =\sum_{i}(\alpha_i\delta_i+\beta_i\delta_i) =\sum_{i}\alpha_i\delta_i+\sum_{i}\beta_i\delta_i i(α+β)iδi=i(αiδi+βiδi)=iαiδi+iβiδi

    • 推广: ( ∑ α i , β ) = ∑ ( α i , β ) (\sum\alpha_i,\beta)=\sum(\alpha_i,\beta) (αi,β)=(αi,β)

      ∑ i ( ( ∑ j α j ) β i ) = ∑ i ( ∑ j α j β i ) \sum_{i}\left((\sum_{j}\alpha_j)\beta_i\right) =\sum_{i}(\sum_{j}\alpha_j\beta_i) i((jαj)βi)=i(jαjβi)

正定性

  1. ( α , α ) ⩾ 0 (\alpha,\alpha)\geqslant 0 (α,α)0当且仅当 α = 0 \alpha=0 α=0时, ( α , α ) = 0 (\alpha,\alpha)=0 (α,α)=0

    • ( α i , α i ) = ∑ i α i 2 ⩾ 0 (\alpha_i,\alpha_i)=\sum_{i}\alpha_i^2\geqslant{0} (αi,αi)=iαi20

推论:柯西-布尼亚科夫斯基-施瓦茨公式(柯西不等式)

  • 线性代数教材的介绍可能比较简略,可以参考高等代数教材,证明方法有许多
  • ( a , b ) 2 ⩽ ( a , a ) ( b , b ) (\bold{a},\bold{b})^2\leqslant(\bold{a},\bold{a})(\bold{b},\bold{b}) (a,b)2(a,a)(b,b)
  • 在人教版高中数学不等式选讲中涉及过这个公式的简化版本,下面介绍高等代数中介绍的简明证明方法
  • 证明:
    • b = 0 \bold{b}=0 b=0时,不等式成立
    • b ≠ 0 \bold{b}\neq{\bold0} b=0时,令 t t t是一个实变数,并构造向量 c = a + t b \bold{c}=\bold{a}+t\bold{b} c=a+tb
    • 由内积的非零性质由 ( c , c ) ⩾ 0 (\bold{c,c})\geqslant{0} (c,c)0
      • F ( t ) = ( a + t b , a + t b ) ⩾ 0 F(t)=(\bold{a}+t\bold{b},\bold{a}+t\bold{b}) \geqslant{0} F(t)=(a+tb,a+tb)0
      • 由内积的线性性质, F ( t ) F(t) F(t)可以展开并化简为:
        • = ( a , a + t b ) + ( t b , a + t b ) (\bold{a},\bold{a}+t\bold{b})+(t\bold{b},\bold{a}+t\bold{b}) (a,a+tb)+(tb,a+tb)= ( a , a ) + ( a , t b ) (\bold{a},\bold{a})+(\bold{a},t\bold{b}) (a,a)+(a,tb)+ ( t b , a ) (t\bold{b},\bold{a}) (tb,a)+ ( t b , t b ) (t\bold{b},t\bold{b}) (tb,tb)
        • = ( b , b ) t 2 + 2 ( a , b ) t + ( a , a ) (\bold{b,b})t^2+2(\bold{a},\bold{b})t+(\bold{a,a}) (b,b)t2+2(a,b)t+(a,a)
    • 方法1:
      • 可见, F ( t ) F(t) F(t)是关于 t t t的一元二次函数,由因为 F ( t ) ⩾ 0 F(t)\geqslant{0} F(t)0,二次项系数 ( b , b ) > 0 (\bold{b,b})>0 (b,b)>0,抛物线 F ( t ) F(t) F(t)开口向上且至多于 t t t轴有一个交点,从而 Δ = 4 ( a , b ) 2 − 4 ( b , b ) ( a , a ) ⩾ 0 \Delta=4(\bold{a,b})^2-4(\bold{b,b})(\bold{a,a})\geqslant{0} Δ=4(a,b)24(b,b)(a,a)0
      • ( a , b ) 2 ⩽ ( a , a ) ( b , b ) (\bold{a},\bold{b})^2\leqslant(\bold{a},\bold{a})(\bold{b},\bold{b}) (a,b)2(a,a)(b,b)
    • 方法2:取 t = − ( a , b ) ( b , b ) t=-\frac{(\bold{a,b})}{(\bold{b,b})} t=(b,b)(a,b),代入 F ( t ) F(t) F(t),得 F ( t ) F(t) F(t)= ( b , b ) ( a , b ) 2 ( b , b ) 2 (\bold{b,b})\frac{(\bold{a,b})^2}{(\bold{b,b})^2} (b,b)(b,b)2(a,b)2- 2 ( a , b ) ( a , b ) ( b , b ) 2(\bold{a,b})\frac{(\bold{a,b})}{(\bold{b,b})} 2(a,b)(b,b)(a,b)+ ( a , a ) (\bold{a,a}) (a,a)= − ( a , b ) 2 ( b , b ) -\frac{(\bold{a,b})^2}{(\bold{b,b})} (b,b)(a,b)2+ ( a , a ) (\bold{a,a}) (a,a) ⩾ 0 \geqslant{0} 0
      • 所以 ( a , b ) 2 ⩽ ( a , a ) ( b , b ) (\bold{a},\bold{b})^2\leqslant(\bold{a},\bold{a})(\bold{b},\bold{b}) (a,b)2(a,a)(b,b)

解系几何向量的数量积和线性代数向量内积

  • 在解系几何中,我们引进向量的数量积: x , y = ∣ x ∣ ∣ y ∣ cos ⁡ θ \bold{x,y}=\bold{|x||y|}\cos{\theta} x,y=∣x∣∣y∣cosθ
    • 在三维空间直角坐标系,数量积的计算公式为 ( x 1 , x 2 , x 3 ) ⋅ ( y 1 , y 2 , y 3 ) (x_1,x_2,x_3)\cdot(y_1,y_2,y_3) (x1,x2,x3)(y1,y2,y3)= ∑ i = 1 3 x i y i \sum_{i=1}^{3}{x_iy_i} i=13xiyi
  • n n n维向量的内积数量积的一种推广;但是 n n n维向量没有低维(n=3)维那样的长度夹角的概念
  • 因此,只能按照数量积直角坐标计算公式来推广: ( x 1 , ⋯ , x n ) ( y 1 , ⋯ , y n ) (x_1,\cdots,x_n)(y_1,\cdots,y_n) (x1,,xn)(y1,,yn)= ∑ i = 1 n x i y i \sum_{i=1}^{n}x_iy_i i=1nxiyi
  • 然后利用推广得到的内积公式反过来定义 n n n维向量的长度,夹角(抽象的,高维的长度和夹角)

n维向量的长度(范数)

  • ∣ ∣ x ∣ ∣ = ( x , x ) ||\bold{x}||=\sqrt{(\bold{x,x})} ∣∣x∣∣=(x,x) = ∑ i = 1 n x i 2 \sqrt{\sum_{i=1}^{n}x_i^2} i=1nxi2 , ∣ ∣ x ∣ ∣ ||\bold{x}|| ∣∣x∣∣称为 n n n维向量 x \bold{x} x长度范数
    • ∣ ∣ x ∣ ∣ 2 = ( x , x ) ||\bold{x}||^2=(\bold{x,x}) ∣∣x2=(x,x)= ∑ i = 1 n x i 2 \sum_{i=1}^{n}x_i^2 i=1nxi2

向量长度的性质

  • 向量长度具有解析几何中向量长度的基本属性
    • 非负性: x ≠ 0 \bold{x\neq{0}} x=0时, ∣ ∣ x ∣ ∣ > 0 ||\bold{x}||>0 ∣∣x∣∣>0;当 x = 0 \bold{x=0} x=0时, ∣ ∣ x ∣ ∣ = 0 ||\bold{x}||=0 ∣∣x∣∣=0
    • 齐次性: ∣ ∣ λ x ∣ ∣ = ∣ λ ∣ ∣ ∣ x ∣ ∣ ||\lambda{\bold{x}}||=|\lambda|||\bold{x}|| ∣∣λx∣∣=λ∣∣∣x∣∣
      • ∣ ∣ λ x ∣ ∣ ||\lambda{\bold{x}}|| ∣∣λx∣∣= ( λ x , λ x ) \sqrt{(\lambda{\bold{x}},\lambda\bold{x})} (λx,λx) = λ 2 ( x , x ) \sqrt{\lambda^2({\bold{x}},\bold{x})} λ2(x,x) = ∣ λ ∣ ∣ ∣ x ∣ ∣ |\lambda|||\bold{x}|| λ∣∣∣x∣∣

单位向量

  • ∣ ∣ x ∣ ∣ = 1 ||\bold{x}||=1 ∣∣x∣∣=1时, x \bold{x} x是单位向量

单位化

  • a ≠ 0 \bold{a}\neq{\bold{0}} a=0,取 x = a ∣ ∣ a ∣ ∣ \bold{x=\frac{a}{||a||}} x=∣∣a∣∣a,则 x \bold{x} x是单位向量
  • 非单位向量单位化的过程称为单位化

向量夹角

  • 由施瓦茨不等式: ( x , y ) 2 ⩽ ( x , x ) ( y , y ) (\bold{x,y})^2\leqslant{(\bold{x,x})(\bold{y,y})} (x,y)2(x,x)(y,y),即 − ( x , y ) ( y , y ) -{\sqrt{(\bold{x,y})(\bold{y,y})}} (x,y)(y,y) ⩽ \leqslant ( x , y ) (\bold{x,y}) (x,y) ⩽ \leqslant ( x , y ) ( y , y ) {\sqrt{(\bold{x,y})(\bold{y,y})}} (x,y)(y,y)
    • − ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ -||\bold{x}||\;||\bold{y}|| ∣∣x∣∣∣∣y∣∣ ⩽ \leqslant ( x , y ) (\bold{x,y}) (x,y) ⩽ \leqslant ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ ||\bold{x}||\;||\bold{y}|| ∣∣x∣∣∣∣y∣∣
    • − 1 ⩽ ( x , y ) ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ ⩽ 1 -1\leqslant{\frac{(\bold{x,y})}{||\bold{x}||\;||\bold{y}||}}\leqslant{1} 1∣∣x∣∣∣∣y∣∣(x,y)1
  • x ≠ 0 , y ≠ 0 \bold{x\neq{0},y\neq{0}} x=0,y=0时, θ = arccos ⁡ ( x , y ) ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ \theta=\arccos{\frac{(\bold{x,y})}{||\bold{x}||\;||\bold{y}||}} θ=arccos∣∣x∣∣∣∣y∣∣(x,y)称为 n n n维向量 x , y \bold{x,y} x,y的夹角

向量正交

  • ( x , y ) = 0 (\bold{x,y})=0 (x,y)=0时, x , y \bold{x,y} x,y正交, 正交(orthogonal),记为 x ⊥ y \bold{x\perp{y}} xy
  • x = 0 \bold{x=0} x=0, x \bold{x} x与任意向量正交
  • 对于二维,三维向量,两个向量正交的几何解释是两条有向线段构成垂直关系
  • n n n维向量垂直是这一事实的推广

标准正交

  • R n \mathbb{R}^n Rn 中,至多有 n n n 个范数非零向量互相正交

  • 如果这些向量不仅互相正交,并且范数都为 1,那么我们称它们是 标准正交(orthonormal)。

正交向量组

  • 一组两两正交的非零向量组称为正交向量组

    • A : α 1 ⋯ , α n A:\alpha_1\cdots,\alpha_n A:α1,αn, α i ≠ 0 , i = 1 , 2 , ⋯ , n \alpha_i\neq{0},i=1,2,\cdots,n αi=0,i=1,2,,n中向量两两正交, ( α i , α j ) = 0 , ( i ≠ j ) , i , j = 1 , 2 , ⋯ , n (\alpha_i,\alpha_j)=0,(i\neq{j}),i,j=1,2,\cdots,n (αi,αj)=0,(i=j),i,j=1,2,,n,则称 A A A是一个正交向量组,记为 A ⊥ A_{\perp} A

    • 简单说就是向量间两两正交的向量组是正交向量组

    • 显然有

      • ( α i , α j ) = { 0 , i ≠ j r , i = j r > 0 (\alpha_i,\alpha_j) =\begin{cases} 0,&i\neq{j}\\ r,&i=j \end{cases} \\r>0 (αi,αj)={0,r,i=ji=jr>0

正交向量组线性无关

  • 正交向量组 A ⊥ : α 1 , ⋯ , α n A_{\perp}:\alpha_1,\cdots,\alpha_n A:α1,,αn线性无关

  • 证明

    • 设存在常数 k 1 , ⋯ , k n k_1,\cdots,k_n k1,,kn

      • ∑ i n k i α i = 0 \sum_{i}^{n}k_i\alpha_i=\bold{0} inkiαi=0
    • α p , p ∈ { 1 , 2 , ⋯ , n } \alpha_{p},p\in\{1,2,\cdots,n\} αp,p{1,2,,n},我们将通过证明 k i = 0 , i = 1 , ⋯ , n k_i=0,i=1,\cdots,n ki=0,i=1,,n来说明 A A A线性无关

    • 两边同时和 α p \alpha_p αp做内积: ( α p , ∑ i n k i α i ) = ( α p , 0 ) (\alpha_p,\sum_{i}^{n}k_i\alpha_i)=(\alpha_p,\bold{0}) (αp,inkiαi)=(αp,0)

      • 由内积运算的线性性,等式左边L= ∑ i n ( α p , k i α i ) \sum_i^n(\alpha_p,k_i\alpha_i) in(αp,kiαi)= ∑ i n k i ( α p , α i ) \sum_i^nk_i(\alpha_p,\alpha_i) inki(αp,αi),当 p ≠ i p\neq{i} p=i ( α p , α i ) = 0 (\alpha_p,\alpha_i)=0 (αp,αi)=0,所以 L = k p ( α p , α p ) L=k_p(\alpha_p,\alpha_p) L=kp(αp,αp)
      • 等式右边 R = 0 R=0 R=0
      • 所以 k p ( α p , α p ) = 0 k_p(\alpha_p,\alpha_p)=0 kp(αp,αp)=0,而 ( α p , α p ) > 0 (\alpha_p,\alpha_p)>0 (αp,αp)>0所以 k p = 0 k_p=0 kp=0
    • 不失一般性,当 p = 1 , ⋯ , n p=1,\cdots,n p=1,,n时都有 k p = 0 k_p=0 kp=0,所以 k 1 , ⋯ , k n = 0 k_1,\cdots,k_n=0 k1,,kn=0,

    • 所以 A A A线性无关

记号补充Note

  • ( α p , α i ) = 0 (\alpha_p,\alpha_i)=0 (αp,αi)=0,if p ≠ i p\neq{i} p=i

  • ( α p , α i ) > 0 (\alpha_p,\alpha_i)>0 (αp,αi)>0,if p = i p=i p=i

  • 或者描述为:
    ( α p , α p ‾ ) = 0 \Large (\alpha_p,\alpha_{\overline{p}})=0 (αp,αp)=0

    • p , p ‾ ∈ { 1 , 2 , ⋯ , n } p,\overline{p}\in\{1,2,\cdots,n\} p,p{1,2,,n}, p ‾ ≠ p \overline{p}\neq{p} p=p

  • 已知向量 a 1 = ( 1 , 1 , 1 ) T \bold{a}_1=(1,1,1)^T a1=(1,1,1)T, a 2 = ( 1 , − 2 , 1 ) T \bold{a}_2=(1,-2,1)^T a2=(1,2,1)T,求非零向量 a 3 \bold{a}_3 a3,使得 a 1 , a 2 , a 3 \bold{a_1,a_2,a_3} a1,a2,a3构成正交向量组

    • a 3 = ( x 1 , x 2 , x 3 ) T \bold{a}_3=(x_1,x_2,x_3)^{T} a3=(x1,x2,x3)T

    • ( a 1 , a 3 ) = 0 (\bold{a_1,a_3})=0 (a1,a3)=0; ( a 2 , a 3 ) = 0 (\bold{a_2,a_3})=0 (a2,a3)=0

    • 容易联想到构造线性方程组 A x = 0 \bold{Ax=0} Ax=0,其中系数矩阵 A A A为:

    • A = ( a 1 T , a 2 T ) = ( 1 1 1 1 − 2 1 ) A x = ( 1 1 1 1 − 2 1 ) ( x 1 x 2 x 3 ) = ( 0 0 ) A=(\bold{a}_1^T,\bold{a}_2^T) =\begin{pmatrix} 1&1&1\\ 1&-2&1 \end{pmatrix} \\ \bold{Ax} =\begin{pmatrix} 1&1&1\\ 1&-2&1 \end{pmatrix} \begin{pmatrix} x_1\\x_2\\x_3 \end{pmatrix} =\begin{pmatrix} 0\\0 \end{pmatrix} A=(a1T,a2T)=(111211)Ax=(111211) x1x2x3 =(00)

    • 解得 x 1 = − x 3 , x 2 = 0 x_1=-x_3,x_2=0 x1=x3,x2=0;基础解系可取 ( − 1 , 0 , 1 ) T (-1,0,1)^T (1,0,1)T

    • a = ( − 1 , 0 , 1 ) T \bold{a}=(-1,0,1)^T a=(1,0,1)T满足要求,其任意常数被也满足要求

标准正交基👺

  • n n n维向量 V p : e 1 , ⋯ , e r V_{p}:\bold{e}_1,\cdots,\bold{e}_r Vp:e1,,er是向量空间 V ( V ⊆ R n ) V(V\subseteq{\mathbb{R}^{n}}) V(VRn)的一个,若 e 1 , ⋯ , e r \bold{e}_1,\cdots,\bold{e}_r e1,,er两两正交且都是单位向量,则 V p V_p Vp V V V的一个标准正交基

    • 另一种描述:若向量空间 V V V的基 V p : e 1 , ⋯ , e r V_p:\bold{e}_1,\cdots,\bold{e}_r Vp:e1,,er正交向量组每个向量都是单位向量,则称 V p V_p Vp V V V标准正交基(规范正交基)
  • 使用Kronnecker符号描述, V p : e 1 , ⋯ , e r V_p:\bold{e}_1,\cdots,\bold{e}_r Vp:e1,,er是向量空间 V V V的基,且满足

    • ( e i , e j ) = δ i j = { 1 , i = j 0 , i ≠ j ( i , j = 1 , 2 , ⋯ , r ) (\bold{e}_i,\bold{e}_j)=\delta_{ij} =\begin{cases} 1,&i=j\\ 0,&i\neq{j} \end{cases} \quad(i,j=1,2,\cdots,r) (ei,ej)=δij={1,0,i=ji=j(i,j=1,2,,r)

    • V p V_p Vp V V V的标准正交基

Kronecker函数

  • 专用符号 δ i j \delta_{ij} δij是Kronecker符号

    • 在数学中,克罗内克函数(又称克罗内克δ函数、克罗内克 δ \delta δ)

    • δ \delta δ 是一个二元函数,得名于德国数学家利奥波德·克罗内克。

    • 克罗内克函数的自变量(输入值)一般是两个整数,

      • 如果两者相等,则其输出值为1.否则为0

      • δ i j = δ ( i , j ) = { 1 ( i = j ) 0 ( i ≠ j ) ⁣ \delta _{{ij}}=\delta(i,j) =\left\{{\begin{matrix}1&(i=j)\\0&(i\neq j)\end{matrix}}\right.\,\! δij=δ(i,j)={10(i=j)(i=j)

    • 克罗内克函数的值一般简写为 δ i j \delta_{ij} δij

  • 克罗内克函数和狄拉克δ函数都使用δ作为符号

    • 但是克罗内克δ用的时候带两个下标,

    • 而狄拉克δ函数则只有一个变量。

标准正交基表示任意向量

  • V p : e 1 , ⋯ , e r V_p:\bold{e}_1,\cdots,\bold{e}_r Vp:e1,,er V V V的一个标准正交基,那么 V V V中的任意向量 a \bold{a} a能被 V p V_p Vp线性表示: a = ∑ i = 1 r λ i e i \bold{a}=\sum_{i=1}^{r}\lambda_{i}\bold{e}_i a=i=1rλiei
  • 对上式两变同时左乘 e k T \bold{e}_k^{T} ekT达到去虚留实操作的效果: e k T a \bold{e}_{k}^{T}\bold{a} ekTa= ∑ i = 1 r λ i e k T e i \sum_{i=1}^{r}\lambda_{i}\bold{e}_k^T\bold{e}_i i=1rλiekTei= λ k e k T e k \lambda_k{\bold{e}_{k}^T\bold{e}_{k}} λkekTek= λ k ∣ ∣ e k ∣ ∣ \lambda_k||\bold{e}_k|| λk∣∣ek∣∣= λ k \lambda_k λk
  • 可见, λ k , k = 1 , ⋯ , r \lambda_k,k=1,\cdots,r λk,k=1,,r的计算公式为 λ k = e k T a \lambda_k=\bold{e}_k^T\bold{a} λk=ekTa= ( a , e k ) (\bold{a},\bold{e}_k) (a,ek)
  • 则向量 a \bold{a} a关于基 V p V_p Vp的坐标 ( λ 1 , ⋯ , λ r ) (\lambda_1,\cdots,\lambda_r) (λ1,,λr)可以方便的计算
  • 因此我们在给向量空间取基的时候常取标准正交基

内积补充

  • 内积空间(英语:Inner product space)是数学中的线性代数里的基本概念,是增添了一个额外的结构的向量空间。这个额外的结构叫做**内积**或标量积。

  • 内积将一对向量与一个标量连接起来,允许我们严格地谈论向量的“夹角”和“长度”,并进一步谈论向量的正交性。

  • 内积空间由欧几里得空间抽象而来(内积是点积的抽象)

  • 内积空间有时也叫做准希尔伯特空间(pre-Hilbert space)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/58607.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

无涯教程-Android - Intents/Filters

Android Intent 是要执行的操作的抽象描述。它可以与 startActivity 一起启动Activity&#xff0c;将 broadcastIntent 发送给任何BroadcastReceiver组件&#xff0c;并与 startService(Intent)或 bindService(Intent&#xff0c;ServiceConnection&#xff0c;int)与后台服务进…

线程的几种状态

在多线程编程中,线程可以处于不同的状态,表示它们的执行状态和行为。以下是 Java 中线程的几种常见状态: NEW(新建状态) 线程被创建但尚未启动 在这个状态下,线程对象已经被创建,但还没有调用 start () 方法来启动线程的执行。线程对象可以是通过实例化 Thread 类创建…

如何优雅地创建一个自定义的Spring Boot Starter

优雅永不过时&#xff0c;希望看完本文&#xff0c;你会觉得starter如此优雅&#xff01; Spring Boot Starter是一种简化Spring Boot应用开发的机制&#xff0c;它可以通过引入一些预定义的依赖和配置&#xff0c;让我们快速地集成某些功能模块&#xff0c;而无需繁琐地编写代…

用PM2和xltpl开发一个Excel模板导出FLASK API

作为码农最不会陌生的就是数据导出&#xff0c;最常见的就是Excel和Word。一般来说没啥&#xff0c;用个Office相关组件&#xff0c;写写格式和数据绑定都ok了&#xff0c;但是就怕管理层各种标准格式模板&#xff0c;你也不知道为什么用电脑 Analysis 几分钟的事&#xff08;p…

vue + electron

node 版本 v14.19.3 npm 版本 6.14.17 要是node-sass报错执行命令&#xff1a; npm uninstall node-sass sass-loader npm i node-sass4.14.1 sass-loader7.3.1 --save -dev首先安装依赖 npm install electron npm install electron-packagerelectronRun.js放在根目录下 con…

华硕笔记本摄像头倒置怎么办?华硕笔记本摄像头上下颠倒怎么调整

笔记本电脑相较于台式电脑&#xff0c;更易携带&#xff0c;解决了很大一部分人的使用需求。但是笔记本电脑也存在很多不足&#xff0c;比如华硕笔记本电脑就经常会出现摄像头倒置的错误&#xff0c;出现这种问题要如何修复呢&#xff1f;下面就来看看详细的调整方法。 华硕笔记…

第十八掌、【Linux】认识与分析登录文件

18.1 什么是登录文件 什么是登录文件&#xff1f;简单地说&#xff0c;就是记录系统活动信息的几个文件&#xff0c;例如&#xff1a;何时何地何人&#xff0c;做了什么工作。换句话说就是&#xff1a;记录系统在什么时候由哪个程序做了什么样的行为时&#xff0c;发生了什么事…

centos安装Nginx配置Nginx

1. 查看操作系统有没有安装Nginx which nginx 2. 使用epel的方式进行安装&#xff08;方法二&#xff09; 先安装epel sudo yum install yum-utils 安装完成后&#xff0c;查看安装的epel包即可 sudo yum install epel 3 开始安装nginx 上面的两个方法不管选择哪个&…

万能近似定理(Universal Approximation Theorem)

万能近似定理&#xff08;Universal Approximation Theorem&#xff09;是指一个神经网络可以以任意精度来近似任何连续函数。这个定理最早由George Cybenko于1989年首次提出&#xff0c;并且后来由Kurt Hornik在1991年进行了进一步的证明。 具体来说&#xff0c;万能近似定理表…

MySQL官网下载安装包

MySQL官网&#xff1a; MySQL MySQL 8.0官网下载地址&#xff1a; MySQL :: Download MySQL Community Server 2023-07-18 MySQL 8.1.0 发布&#xff0c;这是 MySQL 变更发版模型后的第一个创新版本 (Innovation Release) 。 如果在官网中找不到下载位置&#xff0c;点击第二个…

JS获取Beego渲染模板Temple时传递的数据

如果纯粹的JS调用接口&#xff0c;获取后端数据很直接坦率&#xff0c;JSON解析也就可以了。 如果需要JS获取HTML页面加载时&#xff0c;后端传回来的一些数据&#xff0c;我们也可以通过以下的方式进行获取。范例如下&#xff1a; //通过person_name字段传递参数到html页面中…

vue axios实现下载文件及responseType:blob注意事项

需要使用axios和js-file-download组件 npm install js-file-download --save npm install axios --save import fileDownload from fileDownload; // 引入fileDownload import axios from axios; // 引入axios axios({method: get,url: xxxxxxx,responseType: blob }).then(r…

算法面试-深度学习面试题整理(2024.8.29开始,每天下午持续更新....)

一、无监督相关&#xff08;聚类、异常检测&#xff09; 1、常见的距离度量方法有哪些&#xff1f;写一下距离计算公式。 1&#xff09;连续数据的距离计算&#xff1a; 闵可夫斯基距离家族&#xff1a; 当p 1时&#xff0c;为曼哈顿距离&#xff1b;p 2时&#xff0c;为欧…

新建Spring Boot项目

使用IDEA 来创建: 文件-新建-项目 填写项目元数据 选择依赖项 此处可以先选 web-spring web 关于这些依赖项&#xff0c;更多可参考&#xff1a; IDEA创建Spring boot项目时各依赖的说明&#xff08;Developer Tools篇&#xff09;[1] 项目结构介绍 展开项目&#xff0c;此时…

栈和队列(详解)

一、栈 1.1、栈的基本概念 1.1.1、栈的定义 栈&#xff08;Stack&#xff09;&#xff1a;是只允许在一端进行插入或删除的线性表。首先栈是一种线性表&#xff0c;但限定这种线性表只能在某一端进行插入和删除操作。 栈顶&#xff08;Top&#xff09;&#xff1a;线性表允许…

Tensorflow调用训练好的yolov5模型进行推理

文章目录 1、安装TensorFlow-GPU版本1.2、验证是否安装正常 2、将训练好的pt文件转换成onnx文件2.2、什么是Onnx模型和Tensorflow模型2.1、将onnx文件转换成pb文件 1、安装TensorFlow-GPU版本 1、创建虚拟环境python3.8 conda create -n TF2.4 python3.82、进入虚拟环境 conda…

使用WebSocket实现聊天功能

提示&#xff1a;写完文章后&#xff0c;目录可以自动生成&#xff0c;如何生成可参考右边的帮助文档 文章目录 前言一、数据库设计二、实现代码1.SessionWrap2.websocket3.insertMessage4.清除未读 前言 使用WebSocket实现一对一的聊天功能与未读消息功能 一、数据库设计 会话…

Oracle 本地客户端连接远程 Oracle 服务端并使用 c# 连接测试

这里写自定义目录标题 前言Oracle 客户端安装先决条件下载 Oracle 客户端Oracle 客户端环境变量配置 PL/SQLPL/SQL 下载PL/SQL 配置 配置远程连接tnsnames.ora 文件配置 使用 PL/SQL 连接远程数据库使用 C# 远程访问 Oracle 数据库结语 前言 最近有一个需要使用本地的 Oracle …

即时通讯开发中的性能优化技巧

即时通讯开发在如今的数字化社会中扮演着重要角色&#xff0c;然而&#xff0c;随着用户对即时通讯应用的需求不断增长&#xff0c;开发者们面临着使其应用保持高性能和可靠性的挑战。本文将探讨即时通讯开发中关键的性能优化技巧&#xff0c;帮助开发者们提升应用的用户体验和…

C语言:指针类型的意义

1.指针的类型决定了解引用时访问几个字节 2.指针的类型决定了指针1、-1跳过几个字节 一、指针的类型决定指针解引用时访问几个字节 例如 int 型指针解引用时访问4个字节 char 型指针解引用时访问1个字节 详解代码如下&#xff1a; int b 0x11223344&#xff08;十六进制&…