泛函分析讲义及泛函分析的应用.doc

  1. 1、本文档共27页,可阅读全部内容。
  2. 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
  3. 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  4. 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
第三章 赋范空间 3.1. 范数的概念 “线性空间”强调元素之间的运算关系,“度量空间”则强调元素之间的距离关系,两者的共性在于:只研究元素之间的关系,不研究元素本身的属性。 为了求解算子方程,需要深入地了解函数空间的结构与性质,为此,我们不仅希望了解函数之间的运算关系和距离关系,还希望了解函数本身的属性。那么,究竟需要了解函数的什么属性呢? 3.1.1. 向量的长度 为了回答上述问题,我们需要从最简单的函数空间——欧氏空间——中寻找灵感。回想一下,三维欧氏空间中的元素被称为“向量”,向量最重要的两大属性是:长度和方向,向量的许多重要性质都是由其长度和方向所决定的。这一章的任务就是将欧氏空间中向量的长度推广为(以函数空间为原型的)一般线性空间中元素的广义长度,下一章的任务就是将欧氏空间中向量的方向推广为(以函数空间为原型的)一般线性空间中元素的广义方向。可以想象:其元素具有广义长度和广义方向的线性空间必将像欧氏空间那样,呈现出丰富多彩的性质,并且这些性质必将有助于求解算子方程。 图3.1.1. 三维欧氏空间中向量的大小和方向 矩阵论知识告诉我们:可以为欧氏空间中的向量赋予各种各样的长度,并且可以根据问题需要来选择最合适的向量长度。实际上,可以在数域上的维欧式空间上定义向量的如下三种长度(称为“范数”): 2-范数(也称为欧氏范数):; 1-范数:; -范数:。 图3.1.2. 三种向量范数对应的“单位圆” 图3.1.3. “单位圆”集合的艺术形式 下一节将谈到:就分析性质而言,这三种向量范数没有任何区别。 我们注意到:通常将或中两个向量之间的距离定义为两者的差向量的长度。由此可知:如果有了长度的概念,就可以诱导出距离;反之则不然。因此,长度是比距离更本质的概念。 3.1.2. 范数的定义 我们希望将向量范数的概念推广到(以函数空间为原型的)无限维线性空间的场合。 定义3.1.1. 设是数域上的线性空间,是定义在上、取值为实数的函数。如果下列条件满足: (1)正定性:对于任意,都有,并且等号成立当且仅当; (2)正齐性:对于任意,,都有; (3)三角不等式:; 则称是上的范数(norm)。称赋予了范数的线性空间为赋范线性空间(normed linear space),或者简称为赋范空间(normed space)。 图3.1.1. 三角不等式示意图 3.1.3. 常用的范数 下面列出常用的赋范空间。 例3.1.1:设是数域上的紧度量空间,用表示定义在上、在中取值的全体连续映射的集合。可以在上定义如下范数:对于, 。 例3.1.2:对于,可以在上定义如下范数:对于, 。 例3.1.3:可以在上定义如下范数:对于, 。 注释:函数的1-范数、2-范数、-范数分别是向量的1-范数、2-范数、-范数的自然推广。(为什么?) 例3.1.4:对于,可以在上定义如下范数:对于, 。 例3.1.5:可以在上定义如下范数:对于, 。 上述五种范数是泛函分析中最重要的范数,我们将其称为标准范数。 例3.1.6:设是赋范线性空间,是的线性子空间,是范数在上的限制,则是上的范数。 上述例子表明:可以从较大的赋范线性空间出发,“从大到小”地构造许许多多较小的赋范线性空间。 例3.1.7:设和是同一个数域上的赋范线性空间,则在笛卡尔积上可以定义如下范数:对于任意, , 则是上的范数。 上述例子表明:可以从较小的赋范线性空间出发,“从小到大”地构造无穷无尽的赋范线性空间。 范数就像灵魂一样重要:有范数的元素就有了精气神;反之,没有范数的元素就像是孤魂野鬼,完全没有实在感。 3.2. 范数的基本性质 赋范线性空间具有许多独特的性质,这些性质在研究其分析性质时特别有用。 3.2.1. 范数诱导度量 一方面,赋范空间是线性空间。另一方面,下列定理告诉我们:赋范空间还是度量空间。因此,赋范空间是线性空间与度量空间的合体,是为求解算子方程而生的。 定理3.2.1. 设是赋范空间,定义映射如下:对于任意, , 则是度量空间。以下称该度量为范数诱导度量,称相应的度量空间为诱导度量空间。 下面列出常用的范数诱导度量。 例3.2.1:可以用维向量空间上的2-范数诱导上的如下度量:对于任意, 。 例3.2.2:可以用例3.1.1中定义的范数诱导上的如下度量:对于任意, 。 例3.2.3:对于,可以用上的范数诱导上的如下度量:对于任意, 。 例3.2.4:对于,可以用上的范数诱导上的如下度量:对于, 。 上述度量都是第二章最后一节介绍的标准度量,由此可见:范数与度量是紧密联系在一起的。 3.2.2. 极限运算律 赋范空间满足下列极限运算交换律。 定理3.2.2:设是数域上的赋范空间,则下列性质成立: (1

文档评论(0)

yu8458925 + 关注
实名认证
内容提供者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档