本节沿用全书约定:\(\mathbb{F}\) 表示 \(\mathbb{R}\) 或 \(\mathbb{C}\),\(V\)、\(W\) 是内积空间;编号尽量沿用原书第 4 版(本节对应原书 6.46–6.71)。回忆 6.B 的核心成果:每个有限维内积空间都有标准正交基 (orthonormal basis),并且 Gram–Schmidt 程序可以把它具体构造出来。本节将看到标准正交基的又一大用处:它让"垂直"可以计算,从而把"点到直线的垂线段最短"这条初等几何事实,变成内积空间中一个可以证明、可以计算的最小化定理。
正交补的定义与例子
定义 6.46(正交补,orthogonal complement). 设 \(U\) 是 \(V\) 的一个子集(不必是子空间)。\(~\)\(U\) 的正交补,记作 \(U^\perp\),是 \(V\) 中与 \(U\) 的每个向量都正交的向量全体:
\[ U^\perp=\{v\in V:\langle u,v\rangle=0\ \text{对每个 } u\in U\}. \]由内积的共轭对称性,\(\langle u,v\rangle=0\) 当且仅当 \(\langle v,u\rangle=0\),所以"谁在哪个槽"不影响定义。注意 \(U^\perp\) 既依赖于 \(U\) 也依赖于ambient空间 \(V\),但 \(V\) 通常由上下文确定,不必写入记号。
例 6.47(正交补的例子).
- 在 \(V=\mathbb{R}^2\) 中,设 \(U\) 是过原点的直线 \(\operatorname{span}((1,3))\),则 \(U^\perp=\operatorname{span}((3,-1))\),即与它垂直的那条过原点直线。一般地,\(\mathbb{R}^2\) 中过原点直线的正交补是与它垂直的直线。
- 设 \(V=\mathbb{R}^3\),\(U\) 是单点集 \(\{(2,3,5)\}\)(注意它不是子空间)。则 \(U^\perp=\{(x,y,z)\in\mathbb{R}^3:2x+3y+5z=0\}\),是一个平面。
- 设 \(V=\mathbb{R}^3\),\(U\) 是平面 \(\{(x,y,z)\in\mathbb{R}^3:2x+3y+5z=0\}\),则 \(U^\perp=\operatorname{span}((2,3,5))\),是沿着法方向的直线。一般地,\(\mathbb{R}^3\) 中过原点的平面的正交补是过原点且垂直于该平面的直线;过原点的直线的正交补是垂直于它的平面。
- 设 \(V=\mathbb{F}^5\),\(U=\{(a,b,0,0,0)\in\mathbb{F}^5:a,b\in\mathbb{F}\}\),则 \(U^\perp=\{(0,0,x,y,z)\in\mathbb{F}^5:x,y,z\in\mathbb{F}\}\)。
- 若 \(e_1,\dots,e_m,f_1,\dots,f_n\) 是 \(V\) 的标准正交基,则 \((\operatorname{span}(e_1,\dots,e_m))^\perp=\operatorname{span}(f_1,\dots,f_n)\)。
下面是正交补的一批基本性质。它们都很初等,但后文反复使用,故给出完整证明。
命题 6.48(正交补的基本性质).
- 若 \(U\) 是 \(V\) 的子集,则 \(U^\perp\) 是 \(V\) 的子空间;
- \(\{0\}^\perp=V\);
- \(V^\perp=\{0\}\);
- 若 \(U\) 是 \(V\) 的子集,则 \(U\cap U^\perp\subseteq\{0\}\);
- 若 \(G\)、\(H\) 是 \(V\) 的子集且 \(G\subseteq H\),则 \(H^\perp\subseteq G^\perp\)。
证明.(a) 对每个 \(u\in U\) 都有 \(\langle u,0\rangle=0\),故 \(0\in U^\perp\)。设 \(v,w\in U^\perp\)。对任意 \(u\in U\),\(\langle u,v+w\rangle=\langle u,v\rangle+\langle u,w\rangle=0+0=0\),故 \(v+w\in U^\perp\)。同理,对 \(\lambda\in\mathbb{F}\)、\(v\in U^\perp\),有 \(\langle u,\lambda v\rangle=\lambda\langle u,v\rangle=0\)(第二个槽共轭线性),故 \(\lambda v\in U^\perp\)。所以 \(U^\perp\) 对加法与数乘封闭,是 \(V\) 的子空间。
(b) 设 \(v\in V\)。由 \(\langle 0,v\rangle=0\) 得 \(v\in\{0\}^\perp\),故 \(\{0\}^\perp=V\)。
(c) 设 \(v\in V^\perp\)。则 \(\langle v,v\rangle=0\),由内积的定性 (definiteness) 得 \(v=0\),故 \(V^\perp=\{0\}\)。
(d) 设 \(u\in U\cap U^\perp\)。则 \(\langle u,u\rangle=0\),故 \(u=0\),即 \(U\cap U^\perp\subseteq\{0\}\)。
(e) 设 \(v\in H^\perp\),则 \(\langle u,v\rangle=0\) 对每个 \(u\in H\) 成立;由 \(G\subseteq H\),该式尤其对每个 \(u\in G\) 成立,故 \(v\in G^\perp\)。证毕。
直和分解 \(V=U\oplus U^\perp\)
回忆 1.C:\(V=U\oplus W\) 表示每个 \(v\in V\) 都能唯一地写成 \(U\) 中向量与 \(W\) 中向量之和;这等价于 \(V=U+W\) 且 \(U\cap W=\{0\}\)。下面的定理是本节的基石:有限维子空间连同其正交补,把整个空间切成互相垂直的两块。
定理 6.49(子空间与其正交补的直和). 设 \(U\) 是 \(V\) 的有限维子空间。则
\[ V=U\oplus U^\perp. \]证明.先证 \(V=U+U^\perp\)。设 \(v\in V\),取 \(U\) 的标准正交基 \(e_1,\dots,e_m\)(存在性由 6.B 的 6.35 保证)。把 \(v\) 拆成
\[ v=\underbrace{\langle v,e_1\rangle e_1+\cdots+\langle v,e_m\rangle e_m}_{u}+\underbrace{v-\langle v,e_1\rangle e_1-\cdots-\langle v,e_m\rangle e_m}_{w}. \]显然 \(u\in U\)。对每个 \(k\),利用第一槽的线性与标准正交性,
\[ \langle w,e_k\rangle=\langle v,e_k\rangle-\sum_{j=1}^{m}\langle v,e_j\rangle\langle e_j,e_k\rangle=\langle v,e_k\rangle-\langle v,e_k\rangle=0, \]故 \(w\) 与 \(e_1,\dots,e_m\) 的所有线性组合正交,即 \(w\in U^\perp\)。于是每个 \(v\in V\) 都可写成 \(U\) 中向量加 \(U^\perp\) 中向量,得 \(V=U+U^\perp\)。
再由 6.48(d) 知 \(U\cap U^\perp\subseteq\{0\}\),结合 1.46 即得 \(V=U\oplus U^\perp\)。证毕。
推论 6.51(正交补的维数). 设 \(V\) 有限维,\(U\) 是 \(V\) 的子空间。则
\[ \dim U^\perp=\dim V-\dim U. \]证明.由 6.49 有 \(V=U\oplus U^\perp\),再由直和的维数公式(3.C 的 3.94)得 \(\dim V=\dim U+\dim U^\perp\),移项即得。证毕。
定理 6.52(正交补的正交补). 设 \(U\) 是 \(V\) 的有限维子空间。则
\[ U=(U^\perp)^\perp. \]证明.先证 \(U\subseteq(U^\perp)^\perp\):设 \(u\in U\),则对每个 \(w\in U^\perp\) 有 \(\langle u,w\rangle=0\)(这正是 \(U^\perp\) 的定义),故 \(u\) 与 \(U^\perp\) 中每个向量正交,即 \(u\in(U^\perp)^\perp\)。
再证反包含:设 \(v\in(U^\perp)^\perp\)。由 6.49 可写 \(v=u+w\),其中 \(u\in U\)、\(w\in U^\perp\)。于是 \(v-u=w\in U^\perp\);又 \(v\in(U^\perp)^\perp\) 且 \(u\in(U^\perp)^\perp\)(刚证的正包含),故 \(v-u\in(U^\perp)^\perp\)。从而 \(v-u\in U^\perp\cap(U^\perp)^\perp\),由 6.48(d)(把那里的 \(U\) 换成 \(U^\perp\))得 \(v-u=0\),即 \(v=u\in U\)。故 \((U^\perp)^\perp\subseteq U\),两个包含合起来即得结论。证毕。
推论 6.54. 设 \(U\) 是 \(V\) 的有限维子空间。则
\[ U^\perp=\{0\}\quad\Longleftrightarrow\quad U=V. \]证明.若 \(U^\perp=\{0\}\),则由 6.52 与 6.48(b),\(U=(U^\perp)^\perp=\{0\}^\perp=V\)。反之,若 \(U=V\),则由 6.48(c),\(U^\perp=V^\perp=\{0\}\)。证毕。
注(有限维假设不可省).6.49 与 6.52 中"U 有限维"不可去掉。例如在实内积空间 \(C[-1,1]\)(内积 \(\langle f,g\rangle=\int_{-1}^{1}fg\))中取 \(U=\{f\in C[-1,1]:f(0)=0\}\),它是子空间但不是有限维的。若 \(g\in U^\perp\),则对一切连续函数 \(h\) 有 \(0=\langle g,\,xh\rangle=\int_{-1}^{1}g(x)\,x\,h(x)\,dx=\langle xg,\,h\rangle\),取 \(h=xg\) 得 \(\int_{-1}^{1}(xg(x))^2\,dx=0\),从而 \(xg=0\),再由连续性 \(g\equiv0\)。于是 \(U^\perp=\{0\}\) 但 \(U\ne V\),与 6.54 对照,可见分解在无限维时失效。原因在于:6.49 的证明用了 \(U\) 的标准正交基,而无限维子空间未必有有限的标准正交基。
正交投影 \(P_U\)
直和分解 \(V=U\oplus U^\perp\) 说明:每个 \(v\in V\) 都能唯一地写成 \(v=u+w\),其中 \(u\in U\)、\(w\in U^\perp\)。于是可以定义一个把任意向量"垂直压到 \(U\) 上"的算子。
定义 6.55(正交投影,orthogonal projection). 设 \(U\) 是 \(V\) 的有限维子空间。对每个 \(v\in V\),将其唯一分解为 \(v=u+w\),其中 \(u\in U\)、\(w\in U^\perp\),定义
\[ P_Uv=u. \]称算子 \(P_U\in\mathcal{L}(V)\) 为 \(V\) 到 \(U\) 上的正交投影。(下文马上证明 \(P_U\) 确实是线性算子;定义的合理性由分解的唯一性保证。)
例 6.56(到一维子空间的投影). 设 \(u_0\in V\)、\(u_0\ne0\),\(U=\operatorname{span}(u_0)\)。对任意 \(v\in V\),有分解
\[ v=\frac{\langle v,u_0\rangle}{\|u_0\|^2}\,u_0+\Bigl(v-\frac{\langle v,u_0\rangle}{\|u_0\|^2}\,u_0\Bigr), \]其中第一项属于 \(U\),第二项与 \(u_0\) 正交(直接验证 \(\langle u_0,\,v-\frac{\langle v,u_0\rangle}{\|u_0\|^2}u_0\rangle=0\)),故属于 \(U^\perp\)。于是有实用公式
\[ P_Uv=\frac{\langle v,u_0\rangle}{\|u_0\|^2}\,u_0. \]数值例:在 \(\mathbb{R}^2\) 中取 \(u_0=(1,1)\)、\(v=(1,2)\),则 \(P_Uv=\frac{3}{2}(1,1)=(\tfrac32,\tfrac32)\),且 \(v-P_Uv=(-\tfrac12,\tfrac12)\) 与 \((1,1)\) 内积为零——这正是 6.A 中"正交分解"(6.13)的特例。
定理 6.57(正交投影的性质). 设 \(U\) 是 \(V\) 的有限维子空间。则
- \(P_U\in\mathcal{L}(V)\);
- \(P_Uu=u\),对每个 \(u\in U\);
- \(P_Uw=0\),对每个 \(w\in U^\perp\);
- \(\operatorname{range}P_U=U\);
- \(\operatorname{null}P_U=U^\perp\);
- \(v-P_Uv\in U^\perp\),对每个 \(v\in V\);
- \(P_U^2=P_U\);
- \(\|P_Uv\|\le\|v\|\),对每个 \(v\in V\);
- 若 \(e_1,\dots,e_m\) 是 \(U\) 的标准正交基且 \(v\in V\),则 \(P_Uv=\langle v,e_1\rangle e_1+\cdots+\langle v,e_m\rangle e_m\)。
证明.以下反复使用:每个 \(v\in V\) 有唯一分解 \(v=u+w\),\(u\in U\)、\(w\in U^\perp\),且 \(P_Uv=u\)。
(a) 设 \(v_1=u_1+w_1\)、\(v_2=u_2+w_2\)(相应分解)。则 \(v_1+v_2=(u_1+u_2)+(w_1+w_2)\),前一括号属于 \(U\),后一括号属于 \(U^\perp\)(子空间),故 \(P_U(v_1+v_2)=u_1+u_2=P_Uv_1+P_Uv_2\)。同理,由 \(\lambda v=\lambda u+\lambda w\) 得 \(P_U(\lambda v)=\lambda u=\lambda P_Uv\)。故 \(P_U\) 线性。
(b) 设 \(u\in U\),则 \(u=u+0\) 是合法分解(\(0\in U^\perp\)),故 \(P_Uu=u\)。
(c) 设 \(w\in U^\perp\),则 \(w=0+w\) 是合法分解,故 \(P_Uw=0\)。
(d) 定义显然给出 \(\operatorname{range}P_U\subseteq U\);又 (b) 给出 \(U\subseteq\operatorname{range}P_U\),故相等。
(e) 由 (c) 得 \(U^\perp\subseteq\operatorname{null}P_U\)。反之,设 \(v\in\operatorname{null}P_U\),即分解 \(v=u+w\) 中 \(u=0\),于是 \(v=w\in U^\perp\),故 \(\operatorname{null}P_U\subseteq U^\perp\)。
(f) 若 \(v=u+w\) 如上,则 \(v-P_Uv=v-u=w\in U^\perp\)。
(g) 若 \(v=u+w\) 如上,则 \(P_U^2v=P_U(P_Uv)=P_Uu=u=P_Uv\)(用 (b))。
(h) 若 \(v=u+w\) 如上,则由 \(u\perp w\) 与勾股定理,
\[ \|P_Uv\|^2=\|u\|^2\le\|u\|^2+\|w\|^2=\|v\|^2, \]开方即得。
(i) 在定理 6.49 的证明中已得到分解 \(v=\sum_{k}\langle v,e_k\rangle e_k+w\),其中前一项属于 \(U\)、\(w\in U^\perp\)。由分解的唯一性,前一项就是 \(P_Uv\),即 \(P_Uv=\sum_{k=1}^{m}\langle v,e_k\rangle e_k\)。证毕。
注.性质 (i) 是计算正交投影的万能公式:只要拿到 \(U\) 的标准正交基(通常由 Gram–Schmidt 程序产生),投影就是"逐个基向量取内积再叠加",无需解线性方程组。性质 (g) 说明 \(P_U\) 是幂等的,(e) 与 (d) 说明它把 \(V\) 拆成零空间与值域这对互相垂直的部分——这些特征将在下一章讨论算子时反复出现。
对偶性回访:Riesz 表示定理
在 6.B 中我们证明了 Riesz 表示定理 (6.42):有限维内积空间上的每个线性泛函 (linear functional) 都是"与某个固定向量做内积"。换一个证明常带来新视角。下面用正交补代替标准正交基,给出该定理关键部分(对应原书 6.58)的第二个证明,并顺带把 \(V\) 与其对偶空间 (dual space) \(V'\) 等同起来。
定理 6.58(Riesz 表示定理,再访). 设 \(V\) 有限维。对每个 \(v\in V\),定义 \(\varphi_v\in V'\) 为 \(\varphi_v(u)=\langle u,v\rangle\)(\(u\in V\))。则映射 \(v\mapsto\varphi_v\) 是 \(V\) 到 \(V'\) 上的一一对应。
证明(满射部分).设 \(\varphi\in V'\)。若 \(\varphi=0\),则 \(\varphi=\varphi_0\)。设 \(\varphi\ne0\),则 \(\operatorname{null}\varphi\ne V\),于是由 6.49(取 \(U=\operatorname{null}\varphi\))得 \(V=\operatorname{null}\varphi\oplus(\operatorname{null}\varphi)^\perp\),从而 \((\operatorname{null}\varphi)^\perp\ne\{0\}\)。取非零的 \(w\in(\operatorname{null}\varphi)^\perp\)。由 \(w\ne0\) 与 \((\operatorname{null}\varphi)\cap(\operatorname{null}\varphi)^\perp=\{0\}\) 知 \(w\notin\operatorname{null}\varphi\),故 \(\varphi(w)\ne0\)。令
\[ v=\frac{\overline{\varphi(w)}}{\|w\|^2}\,w, \]则 \(v\in(\operatorname{null}\varphi)^\perp\)、\(v\ne0\),且直接计算得 \(\varphi(v)=\dfrac{\overline{\varphi(w)}}{\|w\|^2}\varphi(w)=\dfrac{|\varphi(w)|^2}{\|w\|^2}=\|v\|^2\)。
现在设 \(u\in V\)。把 \(u\) 拆成
\[ u=\Bigl(u-\frac{\varphi(u)}{\varphi(v)}\,v\Bigr)+\frac{\varphi(u)}{\|v\|^2}\,v. \]第一个括号作用于 \(\varphi\) 得 \(\varphi(u)-\frac{\varphi(u)}{\varphi(v)}\varphi(v)=0\),故它属于 \(\operatorname{null}\varphi\),从而与 \(v\in(\operatorname{null}\varphi)^\perp\) 正交。对上式两边与 \(v\) 作内积(第一槽线性),得
\[ \langle u,v\rangle=\frac{\varphi(u)}{\|v\|^2}\langle v,v\rangle=\varphi(u). \]即 \(\varphi=\varphi_v\),满射得证。单射部分与 6.42 中的论证相同:若 \(\varphi_{v_1}=\varphi_{v_2}\),则 \(\langle u,v_1-v_2\rangle=0\) 对一切 \(u\) 成立,取 \(u=v_1-v_2\) 得 \(v_1=v_2\)。证毕。
注 1(复情形的告诫).当 \(\mathbb{F}=\mathbb{R}\) 时,\(v\mapsto\varphi_v\) 是 \(V\) 到 \(V'\) 的线性映射;但当 \(\mathbb{F}=\mathbb{C}\) 时它不是线性的,因为 \(\varphi_{\lambda v}(u)=\langle u,\lambda v\rangle=\overline{\lambda}\langle u,v\rangle\),即 \(\varphi_{\lambda v}=\overline{\lambda}\,\varphi_v\):它是共轭线性的。
注 2(与 3.F 零化子的类比).3.F 中对子空间 \(U\) 定义了零化子 (annihilator) \(U^0=\{\varphi\in V':\varphi(u)=0\ \forall u\in U\}\),并证明了 \(\dim U+\dim U^0=\dim V\)。这与本节 6.51 的 \(\dim U+\dim U^\perp=\dim V\) 完全平行;事实上,在 Riesz 对应下二者互相转化:\(\varphi_v\in U^0\) 当且仅当 \(\langle u,v\rangle=0\) 对一切 \(u\in U\),当且仅当 \(v\in U^\perp\)。上面 6.58 新证明的直觉正在于此:线性泛函 \(\varphi\) 的"代表向量"应当落在 \((\operatorname{null}\varphi)^\perp\) 这条一维直线里。
最小化问题与最佳逼近
现在进入本节的高潮。实践中大量出现这样的问题:给定子空间 \(U\) 与向量 \(v\),求 \(U\) 中"最像 \(v\)"的点 \(u\),即让 \(\|v-u\|\) 尽可能小。下面的定理给出干净利落的答案:最优点存在、唯一,而且恰是正交投影 \(P_Uv\)。
定理 6.61(到子空间的最小距离). 设 \(U\) 是 \(V\) 的有限维子空间,\(v\in V\),\(u\in U\)。则
\[ \|v-P_Uv\|\le\|v-u\|. \]并且,上式取等号当且仅当 \(u=P_Uv\)。
证明.由 6.57(f) 知 \(v-P_Uv\in U^\perp\);又 \(P_Uv-u\in U\)。两向量互相垂直,由勾股定理,
\[ \|v-P_Uv\|^2\le\|v-P_Uv\|^2+\|P_Uv-u\|^2=\bigl\|(v-P_Uv)+(P_Uv-u)\bigr\|^2=\|v-u\|^2, \]其中第一步是因为 \(\|P_Uv-u\|^2\ge0\),第二步是勾股定理,第三步是恒等式 \((v-P_Uv)+(P_Uv-u)=v-u\)。开方即得欲证不等式。
等号成立当且仅当链条第一步取等号,即 \(\|P_Uv-u\|^2=0\),即 \(u=P_Uv\)。证毕。
换句话说:\(P_Uv\) 是 \(U\) 中唯一离 \(v\) 最近的点(见图 1 中的垂足与虚线圆弧)。定理的证明只用了勾股定理——"斜边最长"这一初等事实在内积空间中的版本。下面看几个具体应用。
例(点到平面的距离).在 \(\mathbb{R}^3\) 中取 \(v=(1,2,3)\),取平面 \(U=\{(x,y,z):2x+3y+5z=0\}\)。由例 6.47,\(U^\perp=\operatorname{span}(n)\),\(n=(2,3,5)\),\(\|n\|^2=38\)。由例 6.56 的公式,
\[ P_{U^\perp}v=\frac{\langle v,n\rangle}{\|n\|^2}\,n=\frac{23}{38}\,(2,3,5),\qquad P_Uv=v-P_{U^\perp}v=\Bigl(-\tfrac{4}{19},\,\tfrac{7}{38},\,-\tfrac{1}{38}\Bigr), \]直接验证 \(2\cdot(-\tfrac{4}{19})+3\cdot\tfrac{7}{38}+5\cdot(-\tfrac{1}{38})=0\),确在平面上。由 6.61,点到平面的距离为
\[ \|v-P_Uv\|=\|P_{U^\perp}v\|=\frac{23}{\sqrt{38}}=\frac{23\sqrt{38}}{38}\approx3.73. \]例 6.63(用线性代数逼近正弦函数,原书核心例).求实系数、次数至多 5 的多项式 \(u\),使
\[ \int_{-\pi}^{\pi}\bigl|\sin x-u(x)\bigr|^2\,dx \]尽可能小。为此把连续函数空间 \(C[-\pi,\pi]\) 配上内积 \(\langle f,g\rangle=\int_{-\pi}^{\pi}fg\),令 \(v(x)=\sin x\),\(U=\mathcal{P}_5(\mathbb{R})\)。问题即:求 \(u\in U\) 使 \(\|v-u\|\) 最小。计算分两步:(1) 对 \(U\) 的基 \(1,x,x^2,x^3,x^4,x^5\) 用 Gram–Schmidt 程序,得到 \(U\) 的标准正交基 \(e_1,\dots,e_6\);(2) 由 6.57(i) 与 6.61,
\[ u=P_Uv=\langle v,e_1\rangle e_1+\cdots+\langle v,e_6\rangle e_6, \]它就是最佳逼近。借助可做积分的计算机完成上述步骤,得(精确值中出现的 \(\pi\) 已换成足够好的近似)
\[ u(x)=0.987862\,x-0.155271\,x^3+0.00564312\,x^5. \]注意 \(u\) 只含奇次项:因为 \(\sin x\) 是奇函数,它与每个偶函数的内积为 0,故最佳逼近自动也是奇函数。微积分里熟知的 5 次 Taylor 多项式 \(p(x)=x-\frac{x^3}{3!}+\frac{x^5}{5!}\) 在 \(x=0\) 附近极好,但在 \(x=3\) 处 \(p(3)=0.525\),误差约 \(0.38\);而线性代数给出的 \(u(3)\approx0.1425\),与 \(\sin 3\approx0.1411\) 的误差仅约 \(0.001\),小了两个数量级以上。线性代数帮我们找到了比 Taylor 多项式好得多的多项式逼近!此外,由勾股定理可立刻算出逼近误差:\(\|v-u\|^2=\|v\|^2-\|P_Uv\|^2\),其中 \(\|v\|^2=\int_{-\pi}^{\pi}\sin^2x\,dx=\pi\)。
正弦例子里 Gram–Schmidt 的六步积分计算适合交给计算机;为了把方法完全看清,下面在更小的尺度上做一次完整的手工演算。
例(\(x^4\) 的二次最佳逼近,完整演算).在 \(C[-1,1]\) 上取内积 \(\langle f,g\rangle=\int_{-1}^{1}f(x)g(x)\,dx\),求 \(U=\mathcal{P}_2(\mathbb{R})\) 中最接近 \(v(x)=x^4\) 的多项式。
第一步:取标准正交基。对 \(1,x,x^2\) 做 Gram–Schmidt(即 6.B 例 6.34),得
\[ e_1=\sqrt{\tfrac12},\qquad e_2=\sqrt{\tfrac32}\,x,\qquad e_3=\sqrt{\tfrac{45}{8}}\Bigl(x^2-\tfrac13\Bigr) \](第三个正是 Legendre 多项式 \(\frac{3x^2-1}{2}\) 的规范化)。
第二步:逐项取内积。利用奇偶性,\(\langle x^4,x\rangle=0\);再由 \(\int_{-1}^{1}x^4\,dx=\frac25\)、\(\int_{-1}^{1}x^6\,dx=\frac27\),
\[ \langle x^4,e_1\rangle=\sqrt{\tfrac12}\cdot\tfrac25=\tfrac{2}{5\sqrt2},\qquad \langle x^4,e_3\rangle=\sqrt{\tfrac{45}{8}}\Bigl(\tfrac27-\tfrac13\cdot\tfrac25\Bigr)=\sqrt{\tfrac{45}{8}}\cdot\tfrac{16}{105}. \]第三步:叠加。由 6.57(i),
\[ P_U(x^4)=\tfrac{2}{5\sqrt2}\cdot\sqrt{\tfrac12}+\sqrt{\tfrac{45}{8}}\cdot\tfrac{16}{105}\cdot\sqrt{\tfrac{45}{8}}\Bigl(x^2-\tfrac13\Bigr)=\tfrac15+\tfrac67\Bigl(x^2-\tfrac13\Bigr)=\tfrac67x^2-\tfrac3{35}, \]即最佳二次逼近为 \(\;P_U(x^4)=\dfrac{30x^2-3}{35}\)。
误差。由 \(x^4-P_U(x^4)\in U^\perp\) 与勾股定理,\(\|x^4-P_U(x^4)\|^2=\|x^4\|^2-\|P_U(x^4)\|^2\)。而 \(\|x^4\|^2=\int_{-1}^{1}x^8\,dx=\frac29\),且
\[ \|P_U(x^4)\|^2=\bigl|\langle x^4,e_1\rangle\bigr|^2+\bigl|\langle x^4,e_3\rangle\bigr|^2=\tfrac{2}{25}+\tfrac{32}{245}=\tfrac{258}{1225}, \]故误差平方与误差分别为
\[ \bigl\|x^4-P_U(x^4)\bigr\|^2=\tfrac29-\tfrac{258}{1225}=\tfrac{128}{11025}\approx0.0116,\qquad \bigl\|x^4-P_U(x^4)\bigr\|=\tfrac{8\sqrt2}{105}\approx0.108. \]由 6.61,任何其他二次多项式与 \(x^4\) 的距离都严格更大。见图 2。
例(最小二乘法的几何).最小二乘法 (method of least squares) 数据拟合本质上就是求点到子空间的距离。设数据点 \((t_1,y_1),\dots,(t_m,y_m)\) 想用直线 \(y=a+bt\) 拟合。令
\[ A=\begin{pmatrix}1&t_1\\ \vdots&\vdots\\ 1&t_m\end{pmatrix},\qquad b=(y_1,\dots,y_m), \]则"残差平方和" \(\sum_k\bigl(y_k-(a+bt_k)\bigr)^2=\|b-A(a,b)^{\mathsf T}\|^2\)。要它最小,即要让 \(A(a,b)^{\mathsf T}\) 尽量接近 \(b\);由 6.61,最优解是 \(A(a,b)^{\mathsf T}=P_{\operatorname{range}A}\,b\),等价地 \(b-A(a,b)^{\mathsf T}\perp\operatorname{range}A\),即 \(A^{\mathsf T}\bigl(b-A(a,b)^{\mathsf T}\bigr)=0\)——这正是统计里的正规方程 \(A^{\mathsf T}A\,(a,b)^{\mathsf T}=A^{\mathsf T}b\)。数值例:数据 \((0,0),(1,1),(2,1)\),则 \(A^{\mathsf T}A=\begin{pmatrix}3&3\\3&5\end{pmatrix}\)、\(A^{\mathsf T}b=(2,3)\),解得 \(b=\frac12\)、\(a=\frac16\),最佳直线为 \(y=\frac{x}{2}+\frac16\);此时最小残差平方和为 \(\|b-P_{\operatorname{range}A}b\|^2=\|b\|^2-\|P_{\operatorname{range}A}b\|^2=2-\frac{11}{6}=\frac16\)。回归问题于是完全化归为本节的投影几何。
伪逆(选讲)
本小节对应原书 6.C 末尾,是第四版新增内容,可作选读。考虑解方程 \(Tx=b\)(例如 \(V=\mathbb{F}^n\)、\(W=\mathbb{F}^m\) 时的线性方程组)。若 \(T\) 不可逆,方程可能无解或多解;此时退而求其次:找 \(x\) 使 \(\|Tx-b\|\) 尽量小,或在解集中找 \(\|x\|\) 最小的解。伪逆 (pseudoinverse) 把这两件事一并处理。
定理 6.67(限制成双射). 设 \(V\) 有限维,\(T\in\mathcal{L}(V,W)\)。则限制 \(T|_{(\operatorname{null}T)^\perp}\) 是 \((\operatorname{null}T)^\perp\) 到 \(\operatorname{range}T\) 的一一对应(且为线性同构)。
证明.设 \(v\in(\operatorname{null}T)^\perp\) 且该限制把 \(v\) 送到 0,则 \(Tv=0\),即 \(v\in(\operatorname{null}T)\cap(\operatorname{null}T)^\perp\),由 6.48(d) 得 \(v=0\),故限制是单射。值域方面,设 \(w\in\operatorname{range}T\),取 \(v\in V\) 使 \(w=Tv\);由 6.49 写 \(v=u+x\),\(u\in\operatorname{null}T\)、\(x\in(\operatorname{null}T)^\perp\),则限制把 \(x\) 送到 \(Tx=Tv-Tu=w-0=w\),故限制是满射到 \(\operatorname{range}T\)。证毕。
定义 6.68(伪逆,pseudoinverse). 设 \(V\) 有限维,\(T\in\mathcal{L}(V,W)\)。把 6.67 中的限制视为 \((\operatorname{null}T)^\perp\) 到 \(\operatorname{range}T\) 的可逆映射,定义 \(T\) 的伪逆 \(T^{\dagger}\in\mathcal{L}(W,V)\) 为
\[ T^{\dagger}w=\bigl(T|_{(\operatorname{null}T)^\perp}\bigr)^{-1}P_{\operatorname{range}T}\,w,\qquad w\in W. \]于是在 \((\operatorname{range}T)^\perp\) 上 \(T^{\dagger}=0\);在 \(\operatorname{range}T\) 上,\(T^{\dagger}w\) 是 \((\operatorname{null}T)^\perp\) 中唯一的满足 \(T(T^{\dagger}w)=w\) 的向量。伪逆又叫 Moore–Penrose 逆。
定理 6.69(伪逆的代数性质). 设 \(V\) 有限维,\(T\in\mathcal{L}(V,W)\)。则 (a) 若 \(T\) 可逆,则 \(T^{\dagger}=T^{-1}\);(b) \(TT^{\dagger}=P_{\operatorname{range}T}\);(c) \(T^{\dagger}T=P_{(\operatorname{null}T)^\perp}\)。
证明.(a) 此时 \((\operatorname{null}T)^\perp=V\)、\(\operatorname{range}T=W\),限制就是 \(T\),\(P_{\operatorname{range}T}\) 是恒等算子,故 \(T^{\dagger}=T^{-1}\)。
(b) 设 \(w\in\operatorname{range}T\),则 \(TT^{\dagger}w=T\bigl(T|_{(\operatorname{null}T)^\perp}\bigr)^{-1}w=w=P_{\operatorname{range}T}w\);设 \(w\in(\operatorname{range}T)^\perp\),则 \(P_{\operatorname{range}T}w=0\),故 \(T^{\dagger}w=0\),两边都等于 0。两个线性算子在 \(W=\operatorname{range}T\oplus(\operatorname{range}T)^\perp\) 的两块上一致(6.49),故相等。
(c) 设 \(v\in(\operatorname{null}T)^\perp\),则 \(Tv\in\operatorname{range}T\),由定义 \(T^{\dagger}(Tv)=v=P_{(\operatorname{null}T)^\perp}v\);设 \(v\in\operatorname{null}T\),则 \(T^{\dagger}Tv=0=P_{(\operatorname{null}T)^\perp}v\)。再由 \(V=\operatorname{null}T\oplus(\operatorname{null}T)^\perp\) 与线性性得两算子相等。证毕。
定理 6.70(伪逆给出最佳近似解与最小范数解). 设 \(V\) 有限维,\(T\in\mathcal{L}(V,W)\),\(b\in W\)。(a) 对每个 \(x\in V\),\(\|T(T^{\dagger}b)-b\|\le\|Tx-b\|\),等号当且仅当 \(x\in T^{\dagger}b+\operatorname{null}T\);(b) 对每个 \(x\in T^{\dagger}b+\operatorname{null}T\),\(\|T^{\dagger}b\|\le\|x\|\),等号当且仅当 \(x=T^{\dagger}b\)。
证明.(a) 拆 \(Tx-b=(Tx-TT^{\dagger}b)+(TT^{\dagger}b-b)\):第一项属于 \(\operatorname{range}T\);由 6.69(b),第二项属于 \((\operatorname{range}T)^\perp\)(6.57(f))。由勾股定理,\(\|TT^{\dagger}b-b\|\le\|Tx-b\|\),等号当且仅当第一项为零,即 \(T(x-T^{\dagger}b)=0\),即 \(x\in T^{\dagger}b+\operatorname{null}T\)。
(b) 设 \(x-T^{\dagger}b\in\operatorname{null}T\)。由定义 \(T^{\dagger}b\in(\operatorname{null}T)^\perp\),对分解 \(x=(x-T^{\dagger}b)+T^{\dagger}b\) 用勾股定理即得,等号当且仅当 \(x-T^{\dagger}b=0\)。证毕。
注.于是 \(x=T^{\dagger}b\) 是方程 \(Tx=b\) 的"最佳拟合解":在所有使 \(\|Tx-b\|\) 最小的 \(x\) 中,它又是范数最小者。原书还给出一个从 \(\mathbb{F}^4\) 到 \(\mathbb{F}^3\) 的具体算例(6.71);伪逆的显式矩阵公式将在下一章给出(原书 7.78)。
本章小结
第 6 章的主线可以概括为一串环环相扣的箭头:内积 \(\Rightarrow\) 垂直 \(\Rightarrow\) 投影 \(\Rightarrow\) 最佳逼近。内积 (6.A) 给出长度与夹角,并带来勾股定理、三角不等式、Cauchy–Schwarz 不等式;标准正交基与 Gram–Schmidt 程序 (6.B) 把"取坐标"变成"取内积";本节 (6.C) 定义正交补 \(U^\perp\),证明 \(V=U\oplus U^\perp\),从而得到正交投影 \(P_U\),并证明 \(P_Uv\) 是 \(U\) 中离 \(v\) 最近的点——多项式逼近、最小二乘、伪逆全是这一定理的直接应用。
下一章把这套几何从"向量"搬到"算子"上:利用内积定义伴随算子 \(T^*\)(届时将看到 \(\operatorname{null}T^*=(\operatorname{range}T)^\perp\),与 6.58 中 \((\operatorname{null}\varphi)^\perp\) 的思想一脉相承),进而研究自伴算子、正规算子,并证明谱定理——内积空间的几何将彻底照亮算子的结构。
练习
练习 6.C-1
设 \(v_1,\dots,v_m\in V\)。证明 \(\{v_1,\dots,v_m\}^\perp=\bigl(\operatorname{span}(v_1,\dots,v_m)\bigr)^\perp\);即:与一组向量中每个都正交,等价于与它们张成的子空间正交。
解答/提示记 \(A=\{v_1,\dots,v_m\}\)、\(U=\operatorname{span}A\),则 \(A\subseteq U\),由 6.48(e) 得 \(U^\perp\subseteq A^\perp\)。反之设 \(v\in A^\perp\),则 \(\langle v_k,v\rangle=0\) 对每个 \(k\);对任意 \(u=\sum_k a_kv_k\in U\),由内积对第一槽的线性性,\(\langle u,v\rangle=\sum_k a_k\langle v_k,v\rangle=0\),故 \(v\in U^\perp\)。两包含合起来即得结论。
练习 6.C-2
设 \(V\) 有限维,\(U\) 是 \(V\) 的子空间,\(I\) 是 \(V\) 上的恒等算子。证明 \(P_{U^\perp}=I-P_U\)。
解答/提示设 \(v\in V\),写唯一的分解 \(v=u+w\),其中 \(u\in U\)、\(w\in U^\perp\),则 \(P_Uv=u\),于是 \((I-P_U)v=w\)。另一方面,由 6.52 有 \((U^\perp)^\perp=U\),而 \(v=w+u\) 恰是 \(v\) 按 \(U^\perp\oplus U\) 的分解,故 \(P_{U^\perp}v=w=(I-P_U)v\)。
练习 6.C-3
在 \(\mathbb{R}^4\) 中令 \(U=\operatorname{span}\bigl((1,1,0,0),(1,1,1,2)\bigr)\)。求 \(u\in U\) 使 \(\|u-(1,2,3,4)\|\) 尽可能小,并求出这个最小距离。
解答/提示由 6.61,所求 \(u=P_U(1,2,3,4)\)。先做 Gram–Schmidt:取 \(f_1=(1,1,0,0)\)(\(\|f_1\|^2=2\)),则 \(f_2=(1,1,1,2)-\frac{\langle(1,1,1,2),f_1\rangle}{2}f_1=(1,1,1,2)-(1,1,0,0)=(0,0,1,2)\)(\(\|f_2\|^2=5\))。记 \(v=(1,2,3,4)\),则 \(\langle v,f_1\rangle=3\)、\(\langle v,f_2\rangle=3+8=11\),由 6.57(i)(规范化的常数在叠加时约去),
\[ u=\tfrac32(1,1,0,0)+\tfrac{11}5(0,0,1,2)=\bigl(\tfrac32,\,\tfrac32,\,\tfrac{11}5,\,\tfrac{22}5\bigr). \]验证:\(v-u=(-\tfrac12,\tfrac12,\tfrac45,-\tfrac25)\) 与两个基向量内积均为 0。最小距离为 \(\|v-u\|=\sqrt{\tfrac14+\tfrac14+\tfrac{16}{25}+\tfrac{4}{25}}=\sqrt{\tfrac{13}{10}}\approx1.14\)。
练习 6.C-4
设 \(X\)、\(Y\) 是 \(V\) 的有限维子空间。证明:\(P_XP_Y=0\) 当且仅当对每个 \(x\in X\)、每个 \(y\in Y\) 都有 \(\langle x,y\rangle=0\)。
解答/提示(\(\Rightarrow\))设 \(y\in Y\)。因 \(y\in Y=\operatorname{range}P_Y\),由 6.57(d)(b) 有 \(P_Yy=y\),故 \(P_Xy=P_XP_Yy=0\),即 \(y\in\operatorname{null}P_X=X^\perp\)(6.57(e)),从而 \(\langle x,y\rangle=0\) 对一切 \(x\in X\) 成立。(\(\Leftarrow\))若 \(Y\subseteq X^\perp=\operatorname{null}P_X\),则对任意 \(v\),\(P_Yv\in\operatorname{range}P_Y=Y\subseteq\operatorname{null}P_X\),故 \(P_XP_Yv=0\),即 \(P_XP_Y=0\)。
练习 6.C-5
设 \(V\) 有限维,\(P\in\mathcal{L}(V)\) 满足 \(P^2=P\),且 \(\operatorname{null}P\) 中每个向量与 \(\operatorname{range}P\) 中每个向量正交。证明:存在 \(V\) 的子空间 \(U\) 使 \(P=P_U\)。
解答/提示取 \(U=\operatorname{range}P\)。对任意 \(v\in V\),写 \(v=Pv+(v-Pv)\);由 \(P(v-Pv)=Pv-P^2v=0\) 知 \(v-Pv\in\operatorname{null}P\),由假设它正交于 \(U\) 的每个向量,即 \(v-Pv\in U^\perp\)。于是这个写法恰是 \(V=U\oplus U^\perp\) 中的唯一分解,按定义 6.55 得 \(P_Uv=Pv\) 对一切 \(v\) 成立,即 \(P=P_U\)。
练习 6.C-6
用本节的投影定理解释并求解最小二乘问题:对数据点 \((0,0),(1,1),(2,1)\),求直线 \(y=a+bt\) 使偏差平方和 \(\sum_k\bigl(y_k-a-bt_k\bigr)^2\) 最小。
解答/提示令 \(A=\begin{pmatrix}1&0\\1&1\\1&2\end{pmatrix}\)、\(b=(0,1,1)\),偏差平方和即 \(\|b-A(a,b)^{\mathsf T}\|^2\),由 6.61 在 \(A(a,b)^{\mathsf T}=P_{\operatorname{range}A}\,b\) 处最小,等价于正规方程 \(A^{\mathsf T}A(a,b)^{\mathsf T}=A^{\mathsf T}b\)。这里 \(A^{\mathsf T}A=\begin{pmatrix}3&3\\3&5\end{pmatrix}\)、\(A^{\mathsf T}b=(2,3)\),两式相减得 \(2t=1\),故 \(t=\frac12\)、\(a=\frac16\),最佳直线为 \(y=\frac16+\frac{x}{2}\)。最小偏差平方和为 \(\frac16\) 也可由勾股定理验证:\(\|b\|^2=2\),\(\|P_{\operatorname{range}A}b\|^2=\|(\frac16,\frac23,\frac76)\|^2=\frac{11}{6}\),二者之差恰为 \(\frac16\)。