Subspace本身并不是一个很难的概念,就是一个自己也是space的子集合。其检验可以简化为Theorem 1, 即 α , β ∈ W , c ∈ F ⇔ c α + β ∈ W \alpha,\beta \in W,c\in F\Leftrightarrow c\alpha+\beta\in W α,β∈W,c∈F⇔cα+β∈W, 在很多其他的书中,这个定理用于subspace的定义。Example 6 中给出了一些例子,包括zero subspace,symmetric,Hermitan(self-adjoint)空间等。Example 7 说明homogeneous system的解的集合是一个subspace,并且还推广了一个矩阵的带数乘的分配律,即 A ( d B + C ) = d ( A B ) + A C A(dB+C)=d(AB)+AC A(dB+C)=d(AB)+AC,当然里面矩阵的乘法要有意义。
Theorem 2开始,用一个很新的方式看待某一类特殊的subspace,即subspace spanned by S,Theorem 2首先说明,V的任意subspace的交集还是一个subspace,由此可知,包含S的subspace有一个最小的subspace(不断地取S的subspace的交集),并因此将subspace spanned by S定义出来:所有包含S的subspace的交。这一定义的好处是允许S有无限元素(实际上是无限维元素),当S只包含有限个vector时,subspace spanned by S是传统上大家比较熟悉的样子。Theorem 3即阐述了:subspace spanned by S实际上是S中vector所有的linear combination的集合,注意这里同样没有限制S是有限的,这就是这一种subspace定义方式的好处。
接下来有一个新的定义即集合的和或者说subspace的和,实质是每个集合中任取一个vector并相加而组成的集合。如果 W 1 , W 2 , … , W k W_1,W_2,\dots,W_k W1​,W2​,…,Wk​是 V V V的subspace,那么 W = W 1 + W 2 + ⋯ + W k W=W_1+W_2+\dots+W_k W=W1​+W2​+⋯+Wk​也是一个subspace(按定义可证),并且 W = subspace spanned by  W 1 ∪ ⋯ ∪ W k W=\text{subspace spanned by }W_1\cup\dots \cup W_k W=subspace spanned by W1​∪⋯∪Wk​,因为采用Theorem 3的类似证法,任意包含 W 1 ∪ ⋯ ∪ W k W_1\cup\dots \cup W_k W1​∪⋯∪Wk​的subspace都会包含 W W W。
最后是几个例子,其中Example 10和11比较精彩。Example 10提出了row-space的概念,其是矩阵的row vectors spanned的subspace,为未来引入矩阵的rank打下基础。Example 11是一个无限维的subspace的例子,并且为第四章介绍多项式打下基础。

Exercises

1. Which of the following sets of vectors α = ( a 1 , … , a n ) \alpha =(a_1,\dots,a_n) α=(a1​,…,an​) in R n R^n Rn are subspaces of R n ( n ≥ 3 ) R^n(n\geq3) Rn(n≥3)?

( a ) all α \alpha α such that a 1 ≥ 0 a_1\geq0 a1​≥0;
( b ) all α \alpha α such that a 1 + 3 a 2 = a 3 a_1+3a_2=a_3 a1​+3a2​=a3​;
( c ) all α \alpha α such that a 2 = a 1 2 a_2=a_1^2 a2​=a12​;
( d ) all α \alpha α such that a 1 a 2 = 0 a_1a_2=0 a1​a2​=0;
( e ) all α \alpha α such that a 2 a_2 a2​ is rational.
Solution:
(a) No, since ( 1 , 0 , … , 0 ) (1,0,\dots,0) (1,0,…,0) satisfies, but − ( 1 , 0 , … , 0 ) = ( − 1 , 0 , … , 0 ) -(1,0,\dots,0)=(-1,0,\dots,0) −(1,0,…,0)=(−1,0,…,0) doesn’t.
(b) Yes, for α = ( a 1 , … , a n ) , β = ( b 1 , … , b n ) \alpha=(a_1,\dots,a_n ),\beta=(b_1,\dots,b_n) α=(a1​,…,an​),β=(b1​,…,bn​), if a 1 + 3 a 2 = a 3 , b 1 + 3 b 2 = b 3 a_1+3a_2=a_3,b_1+3b_2=b_3 a1​+3a2​=a3​,b1​+3b2​=b3​, then any c ∈ R c\in R c∈R, the vector c α + β = ( c a 1 + b 1 , … , c a n + b n ) c\alpha+\beta=(ca_1+b_1,\dots,ca_n+b_n) cα+β=(ca1​+b1​,…,can​+bn​) has the property
( c a 1 + b 1 ) + 3 ( c a 2 + b 2 ) = c ( a 1 + 3 a 2 ) + b 1 + 3 b 2 = c a 3 + b 3 (ca_1+b_1 )+3(ca_2+b_2 )=c(a_1+3a_2 )+b_1+3b_2=ca_3+b_3 (ca1​+b1​)+3(ca2​+b2​)=c(a1​+3a2​)+b1​+3b2​=ca3​+b3​
( c ) No, since ( 1 , 1 , … , 0 ) (1,1,\dots,0) (1,1,…,0) satisfies, but 2 ( 1 , 1 , … , 0 ) = ( 2 , 2 , … , 0 ) 2(1,1,\dots,0)=(2,2,\dots,0) 2(1,1,…,0)=(2,2,…,0) doesn’t.
(d) No, since ( 1 , 0 , … , 0 ) (1,0,\dots,0) (1,0,…,0) and ( 0 , 1 , … , 0 ) (0,1,\dots,0) (0,1,…,0) satisfies, but ( 1 , 1 , … , 0 ) = ( 1 , 0 , … , 0 ) + ( 0 , 1 , … , 0 ) (1,1,\dots,0)=(1,0,\dots,0)+(0,1,\dots,0) (1,1,…,0)=(1,0,…,0)+(0,1,…,0) doesn’t.
(e) No, since ( 0 , 1 , … , 0 ) (0,1,\dots,0) (0,1,…,0) satisfies, but 2 ( 0 , 1 , … , 0 ) = ( 0 , 2 , … , 0 ) \sqrt{2} (0,1,\dots,0)=(0,\sqrt{2},\dots,0) 2 ​(0,1,…,0)=(0,2 ​,…,0) doesn’t.

2. Let V V V be the (real) vector space of all functions f f f from R R R into R R R. Which of the following sets of functions are subspaces of V V V?

( a ) all f f f such that f ( x 2 ) = f ( x ) 2 f(x^2)=f(x)^2 f(x2)=f(x)2;
( b ) all f f f such that f ( 0 ) = f ( 1 ) f(0)=f(1) f(0)=f(1);
( c ) all f f f such that f ( 3 ) = 1 + f ( − 5 ) f(3)=1+f(-5) f(3)=1+f(−5);
( d ) all f f f such that f ( − 1 ) = 0 f(-1)=0 f(−1)=0;
( e ) all f f f which are continuous.
Solution:
(a) No, consider f ( x ) = 1 f(x)=1 f(x)=1 if x ≥ 0 x\geq 0 x≥0 and f ( x ) = − 1 f(x)=-1 f(x)=

2.2 Subspaces相关推荐

  1. 文献记录(part109)--Self-Representation Based Unsupervised Exemplar Selection in a Union of Subspaces

    学习笔记,仅供参考,有错必究 博客阅读索引:博客阅读及知识获取指南 Self-Representation Based Unsupervised Exemplar Selection in a Uni ...

  2. Ubuntu 安装出现Error parsing PCC subspaces from PCCT 解决方法:acpi=off NVIDIA显卡驱动

    出现Error parsing PCC subspaces from PCCT 解决方法:acpi=off 参考链接:https://blog.csdn.net/qq_36661831/article ...

  3. 6.4 Invariant Subspaces

    这一节除了讨论invariant subspaces外,还有很多其他扩展性的内容.例如EXAMPLE 8说明:和TTT可交换的operator的range和null space都是在TTT下invar ...

  4. Error parsing PCC subspaces from PCCT

    安装ubuntu16.04时,出现错误 Error parsing PCC subspaces from PCCT ACPI Error: [SDS0] Namespace lookup failur ...

  5. Chapter 4 (Vector Spaces): Vector spaces and subspaces (向量空间和子空间)

    目录 Vector spaces 向量空间的定义 常见的向量空间 R n \R^n Rn 力空间 信号空间 P n \mathbb P^n Pn 实值函数空间 Subspaces A Subspace ...

  6. Lec 15 Projections onto subspaces

  7. BERT大火却不懂Transformer?读这一篇就够了 重点 命名实体识别

    bert_config.josn 模型中参数的配置 { "attention_probs_dropout_prob": 0.1, #乘法attention时,softmax后dro ...

  8. BERT大火却不懂Transformer?读这一篇就够了 原版 可视化机器学习 可视化神经网络 可视化深度学习...20201107

    20211016 调节因子 20211004 [NLP]Transformer模型原理详解 - 知乎 论文所用 20210703 GPT模型与Transformer进行对比_znevegiveup1的 ...

  9. 这么多年,终于有人讲清楚Transformer了

    作者 | Jay Alammar 译者 | 香槟超新星,责编 | 夕颜 来源 | CSDN(ID:CSDNnews) 注意力机制是一种在现代深度学习模型中无处不在的方法,它有助于提高神经机器翻译应用程 ...

  10. AAAI 2021 | 时间序列相关论文汇总

    会议介绍 AAAI的英文全称是 The Association for the Advance of Artificial Intelligence,中文意思是美国人工智能协会. 美国人工智能协会(A ...

最新文章

  1. python3最新稳定版本-python3稳定版
  2. PyTorch 之 DataLoader
  3. 成功解决matplotlib绘图的时候,自定义横坐标和纵坐标刻度数值(调整坐标轴刻度间隔)
  4. svm训练完保存权重_assignment1-SVM
  5. 加入域时遇到“找不到网络路径”错误解决办法汇总
  6. [蓝桥杯][2019年第十届真题]修改数组(并查集)
  7. 图文并茂重新认识下递归
  8. 【英语学习】【Level 07】U01 Making friends L5 A friend for a day
  9. 机器学习之决策树_CART算法
  10. 耳机煲机软件测试自学,耳机煲机工具Test Tone Generator蹂躏新耳机教程
  11. linux自动补全快捷键,linux常用快捷键
  12. linux 消息队列
  13. 国瀚实业理财计划股票理财:刚参加工作的年轻人如何理财
  14. 负载均衡和Nginx
  15. 0704-Scala函数式编程高级
  16. PageOffice中如何调用ZoomSeal签章系统中的印章
  17. android之媒体硬解OMX的实现
  18. PDF文件太大怎么压缩,一分钟学会压缩PDF
  19. android开机默认打开指定程序,android 开机默认进入指定Launcher
  20. 微信小程序学习笔记一 + 小程序介绍 前置知识

热门文章

  1. 【科赛网15天培训】前期准备
  2. 第01讲-暴力破解法_马与瓦
  3. IIS网站引用css等路径问题导致界面显示不正常(出现404 not found)
  4. 已知 A={1,{∅}},求AXP(A)。
  5. 多模态感知论文阅读笔记 | CVPR 2023, Depth Estimation from Camera Image and mmWave Radar Point Cloud
  6. redmine卸载插件
  7. %3c%3c在php中 是什么意思,PHP也能干大事之PHP中的编码解码详解
  8. window共享文件设置指定用户访问
  9. 未来的应用:智能代理引领数字化革命
  10. 数据分析_三大神器使用笔记整理