3.9 线性形式和对偶空间
定义3.26 对于一个给定的向量空间
E ,线性映射
E→K 对应的向量空间
Hom(E,K) 被称为
E 的对偶空间(dual space),可以表示为
E∗ ,同时在
E∗ 中的线性映射被称为线性形式(linear forms)或者余向量(covectors)。
E∗ 对应的对偶空间
E∗∗ 被称为
E 的二次对偶(bidual)。
我们也可以将线性形式
f:E→K 用星号表示,即
u∗,x∗ 等。
如果
E 是一个
n 维的向量空间,且其基为
(u1,..,un) ,对于任意的线性形式
f∗∈E∗ ,对于任意的线性组合
x=x1u1+…+xnun∈E ,我们有
f∗(x)=f∗(u1)x1+...+f∗(un)xn=λ1x1+...+λnxn
因此,关于基
(u1,…un) 线性组合
f∗ 可以用行向量表示
(λ1...λn)
所以我们有
f∗(x)=(λ1...λn)⎝⎜⎛x1⋮xn⎠⎟⎞
我们可以将线性组合
f∗ 视为线性等式,我们可以用一个列向量表达系数,即
c=⎝⎜⎛c1⋮cn⎠⎟⎞
所以我们可以将上面的线性组合
f∗ 表达为
f∗(x)=cTx
这种表达方式也就是我们在机器学习中常见的表达方式,下面是例子:
例子1 对于任意的可微函数
f:Rn→R ,对于任意的
x∈Rn ,其对应的在
x 处的导数(derivation)
dfx 可以用上面的线性形式表示,即对于所有的
u=(u1,…un):
dfx(u)=(∂x1∂f(x)...∂xn∂f(x))⎝⎜⎛u1⋮un⎠⎟⎞=i=1∑n∂xi∂f(x)ui
所以给出一个向量空间
E 和其任意的基
(ui)i∈I ,我们都可以联系到每一个
ui 对应的线性形式。并且这些
ui∗ 有一些性质。
例子2 在
C([0,1]) 这个向量空间中定义一个连续的函数
f:[0,1]→R ,其对应的映射
L:C([0,1])→R 定义如下:对于任意的
f∈C[0,1]
L(f)=∫01f(x)dx
其为一个线性形式,由于其为连续的,所以其也就是积分的形式。
例子3 考虑一个实数矩阵
n×n 对应的向量空间
Mn(R) ,设一个函数为
tr:Mn(R)→R ,具体的定义为
tr(A)=a11+a22+...+ann
这个表达被称为矩阵
A 的迹(trace),其也是一个线性形式。为了更清楚的表示其线性形式,我们将其写为
s(A)=i,j=1∑naij
其中
A=(aij) 。
定义3.27 对于一个线性空间
E 和其对应的基
(ui)i∈I ,对于每一个
i∈I 都有唯一的线性形式
ui∗ ,其形式为:
ui∗(uj)={1,0,if i=jif i=j
这种线性形式
ui∗ 被称为关于索引
i 的坐标形式(coordinate form),可以写为基
(ui)i∈I 。
Note:对于一个索引集
I ,我们通常定义其为“Kronecker symbo”,即
δij
δij={1,0,if i=jif i=j
即
ui∗ 是在坐标系中的第
i 个坐标对应的线性函数。
定理3.20 (对偶基的存在性定理)令
E 为一个
n 维的向量空间,那么有以下的性质:对于每一个
E 的基
(u1,…,un) ,坐标形式的
E∗ 的基
(u1∗,…,uN∗) 被称为
(u1,…,un) 的对偶基。
特别地,我们也可以看出对于一个有限维度的向量空间,其对偶空间
E∗ 拥有和原向量空间
E 相同的维度。
预告
3.10 第三章知识和定义的总结