• 矩阵分析与应用+张贤达


    第一章 矩阵与线性方程组(十二)

    1.函数向量的内积与范数

    x ( t ) x(t) x(t) y ( t ) y(t) y(t)分别是变量 t t t的函数向量,则它们的内积定义为
    在这里插入图片描述
    其中,变量t在[a,b]取值,且a<b。变量t可以是时间变量、频率变量或者空间变量。
    两个函数向量的夹角定义为
    在这里插入图片描述
    式中, ∣ ∣ x ( t ) ∣ ∣ ||x(t)|| x(t)是函数向量 x ( t ) x(t) x(t)范数,定义为
    在这里插入图片描述
    显然,若两个函数向量的内积等于零,即
    在这里插入图片描述
    θ = π / 2 θ=π/2 θ=π/2。此时,称两个函数向量正交,并记作 x ( t ) ⊥ y ( t ) x(t) \bot y(t) x(t)y(t)

    2.随机向量的内积与范数

    x ( ξ ) x(ξ) x(ξ) y ( ξ ) y(ξ) y(ξ)分别是样本变量ξ的随机向量,则它们的内积定义为
    在这里插入图片描述
    其中,样本变量 ξ ξ ξ可以是时间t、圆频率f、角频率w和空间变量s等。
    随机向量 x ( ξ ) x(ξ) x(ξ)范数定义为
    在这里插入图片描述
    与常数向量和函数向量的情况不同,mx1随机向量 x ( ξ ) x(ξ) x(ξ)和nx1随机向量 y ( ξ ) y(ξ) y(ξ)称为正交
    x ( ξ ) x(ξ) x(ξ)的任意元素与 y ( ξ ) y(ξ) y(ξ)的任意元素正交。这意味着,两个向量的互相关矩阵为零矩阵 O m x n O_{mxn} Omxn,即
    E x ( ξ ) у H ( ξ ) = O m x n E{x(ξ)у^H(ξ)} = O_{mxn} Ex(ξ)уH(ξ)=Omxn
    并记作 x ( ξ ) ⊥ y ( ξ ) x(ξ) \bot y(ξ) x(ξ)y(ξ)

    • 任意两个正交向量之和的范数平方等于各个向量范数平方之和
      命题 x ⊥ y x \bot y xy,则 ∣ ∣ x + y ∣ ∣ 2 = ∣ ∣ x ∣ ∣ 2 + ∣ ∣ y ∣ ∣ 2 ||x+y||^2=||x||^2+||y||^2 x+y2=x2+y2
      证明 由范数公理知
      ∣ ∣ x + y ∣ ∣ 2 = < x + y , x + y > = < x , x > + < x , y > + < y , x > + < y , y > ||x+y||^2=<x+y,x+y>=<x,x>+<x,y>+<y,x>+<y,y> x+y2=<x+y,x+y>=<x,x>+<x,y>+<y,x>+<y,y>
      由于 x x x y y y正交,所以 < x , y > = E x T y = 0 <x,y>=E{x^Ty}=0 <x,y>=ExTy=0。又由内积公理知 < y , x > = < x , y > = 0 <y,x>=<x,y>=0 <y,x>=<x,y>=0
      将这一结果代入上式得
      ∣ ∣ x + у ∣ ∣ 2 = < x , x > + < y , y > = ∣ ∣ x ∣ ∣ 2 + ∣ ∣ y ∣ ∣ 2 ||x+ у||^2 = <x,x> + <y,y> = ||x||^2 +||y||^2 x+у2=<x,x>+<y,y>=x2+y2
      命题得证。
      这一命题也称Pythagorean定理

    命题 ∣ < x , y > ∣ ≤ ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ |<x,y>|≤||x|| ||y|| <x,y>xy,等号成立当且仅当 x = λ y x=λy x=λy x = 0 x=0 x=0 y = 0 y=0 y=0.
    证明 由内积的非负性知 < x − λ y , x − λ y > ≥ 0 <x-λy,x-λy>≥0 <xλy,xλy>0,其中, λ ≠ 0 λ≠0 λ=0为一标量。注意到
    ( x − λ y , x − λ y ) = < x , x > − λ < y , x > − λ < x , y > + λ 2 < y , y > (x-λy,x-λy)=<x,x>-λ<y,x>-λ<x,y>+λ^2<y,y> (xλyxλy)=<x,x>λ<y,x>λ<x,y>+λ2<y,y>
    选择 λ = < x , y > / ∣ ∣ y ∣ ∣ 2 λ=<x,y>/||y||^2 λ=<x,y>/y2,则上式变为
    < x − λ y , x − λ y > = < x , x > − ∣ < x , x > 2 / ∣ ∣ y ∣ ∣ 2 = < x , x > − ∣ < x , y > ∣ 2 / < y , y > ≥ 0 <x-λy,x-λy>=<x,x>-|<x,x>^2/||y||^2=<x,x>-|<x,y>|^2/<y,y>≥ 0 <xλyxλy>=<x,x><x,x>2/y2=<x,x><x,y>2/<y,y>0
    由此得 ∣ < x , y > ≤ ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ |<x,y>≤||x|| ||y|| <x,y>xy
    显然,当 x = λ y x=λy x=λy x = 0 x=0 x=0 y = 0 y=0 y=0时,不等式取等号。
    不等式 ∣ < x , y > ∣ ≤ ∣ ∣ x ∣ ∣ ∣ ∣ y ∣ ∣ |<x,y>|≤||x|| ||y|| <x,y>xy称为Cauchy-Schwartz不等式

    命题 ∣ ∣ x + y ∣ ∣ 2 + ∣ ∣ x − y ∣ ∣ 2 = 2 ∣ ∣ x ∣ ∣ 2 + 2 ∣ ∣ y ∣ ∣ 2 ||x+y||^2+||x-y||^2=2||x||^2+2||y||^2 x+y2+xy2=2x2+2y2称为平行四边形法则
    证明 具体计算范数,得
    ∣ ∣ x + y ∣ ∣ 2 = < x + y , x + y > = < x , x > + 2 < x , y > + < y , y > ||x+y||^2=<x+y,x+y>=<x,x>+2<x,y>+<y,y> x+y2=<x+y,x+y>=<x,x>+2<x,y>+<y,y>
    ∣ ∣ x − y ∣ ∣ 2 = < x − y , x + y > = < x , x > − 2 < x , y ) + < y , y > ||x-y||^2=<x-y,x+y>=<x,x>-2<x,y)+<y,y> xy2=<xy,x+y>=<x,x>2<x,y)+<y,y>
    两式相加,即有
    ∣ ∣ x + y ∣ ∣ 2 + ∣ ∣ x − y ∣ ∣ 2 = 2 < x , x > + 2 < y , y > = 2 ( ∣ ∣ x ∣ ∣ 2 + ∣ ∣ y ∣ ∣ 2 ) ||x + y||^2 + ||x -y||^2= 2<x,x>+2<y,y>=2(||x||^2+ ||y||^2) x+y2+xy2=2<x,x>+2<y,y>=2(x2+y2)

    • n → ∞ n→∞ n时,有 ∣ ∣ x n − x ∣ ∣ → 0 ||x_n-x||→0 xnx0,则称 x n x_n xn收敛为 x x x.
      下面的命题表明,范数具有连续性
      命题 x n → x x_n→x xnx y n → y y_n→y yny,则 < x n , y n > → < x , y > <x_n,y_n>→<x,y> <xn,yn><x,y>
      证明 x n → x x_n→x xnx y n → y y_n→y yny,则 x n x_n xn y n y_n yn必然是有界的向量,即 ∣ ∣ x n ∣ ∣ ≤ m 1 ||x_n||≤m_1 xnm1 ∣ ∣ y n ∣ ∣ ≤ m 2 ∣ ∣ , 且 ||y_n||≤m_2||,且 ynm2||x_n-x||→0,||y_n-y||→0&当 n → ∞ n→∞ n
      考查
      在这里插入图片描述
      然而,上式右边前三项分别为
      在这里插入图片描述
      将以上公式代入即知:当 n → ∞ n→∞ n时, < x n , y n > → < x , y > <x_n,y_n>→<x,y> <xn,yn><x,y>

    3.对常数向量、函数向量和随机向量的正交的归纳与总结

    (1)数学定义:两个向量x和y正交,若它们的内积等于零,即 < x , y > = 0 <x,y>=0 <x,y>=0(对常数向量和函数向量),或者它们的外积的数学期望等于零矩阵,即 E x y H = 0 E{xy^H}=0 ExyH=0(对随机向量)。
    (2)几何解释:若两个向量正交,则这两个向量之间的夹角为90,并且一个向量到另一个向量的投影等于零。
    (3)物理意义:当两个向量正交时,一个向量中将不含另一个向量的任何成分,即这两个向量之间不存在任何相互作用或干扰。

  • 相关阅读:
    如何写专利
    GD32F470引脚外部中断测试
    尚硅谷Vue视频学习打卡-Vue组件化编程以及Vue脚手架的安装-简要介绍
    物联网为智慧水资源管理提供的三种创新思路
    C#集成ViewFaceCore人脸检测识别库
    CSS图片响应悬停效果
    Neumorphism 组件 ーー Dart extension 扩展
    对象、数组深拷贝与浅拷贝
    CSRF(Steam的链接不用随便点)
    零信任的三种主流技术【远航】
  • 原文地址:https://blog.csdn.net/m0_45085885/article/details/125509729