1 回忆:    $$\bex    \lim_{n\to\infty}a_n=a\lra \forall\ \ve>0,\ \exists\ N,\ \forall\ n\geq N,\mbox{ 有 }|a_n-a|<\ve.    \eex$$

$\bbR$ 中有 ``距离'' (可以衡量两数的接近程度, 这里是绝对值) 的概念.

2 拓广: 设 $X$ 是一个集合, $d:X\times X\to [0,\infty)$ 满足

(1) 正定性 (positivity): $d(x,y)\geq 0$, $d(x,y)=0\lra x=y$;

(2) 对称性 (symmetry): $d(x,y)=d(y,x)$;

(3) 三角不等式 (triangle inequality): $d(x,y)\leq d(x,z)+d(z,y)$;

则称 $d$ 为 $X$ 上的一个距离 (distance),

$(X,d)$ 称为度量空间 (metric space).

3 对称性 $+$ 三角不等式 $\lra$ $d(x,y)\leq d(x,z)+d(y,z)$.

证明: $ra$ 显然.

$\la$ 取 $z=x$, 有 $$\bex d(x,y)\leq d(x,x)+d(y,x)\ra d(x,y)\leq d(y,x). \eex$$

互换 $x,y$ 的位置而得 $d(x,y)=d(y,x)$.

4 若 $(X,d)$ 是度量空间, $\vno \neq Y\subset X$, 则 $(Y,d)$ 于是度量空间, 称为 $(X,d)$ 的子

空间.

5 例: 在 $\bbR^n$ 中, 对    $$\bex    x=(x_1,\cdots,x_n),\quad y=(y_1,\cdots,y_n),    \eex$$

定义    $$\bex    d(x,y)=\sez{\sum_{i=1}^n (x_i-y_i)^2}^{1/2},    \eex$$

则 $(\bbR^n,d)$ 为度量空间, 称为 $n$ 维 Euclidean 空间, $d$ 称为 Euclidean 距离.

6 邻域、极限及其他.

(1) $U(P_0,\delta)=U(P_0)=\sed{P; d(P,P_0)<\delta}$.

(2) $$\bex \lim_{n\to\infty}P_n=P_0\lra \forall\ \ve>0,\ \exists\ N,\ \forall\ n\geq N,\mbox{ 有 }P_n\in U(P_0,\ve). \eex$$

(3) $$\bex d(A,B)=\inf_{P\in A,Q\in B}d(P,Q);\quad diam(E)=\sup_{P\in E,Q\in E}d(P,Q). \eex$$

(4) $$\beex \bea E\mbox{ 有界}&\lra diam(E)<\infty\\    &\lra \exists\ R>0,\ \forall\ x\in E,\ d(x,0)<R. \eea \eeex$$

(5) $n$ 为开、闭区间为 $$\bex \prod_{i=1}^n (a_i,b_i),\quad \prod_{i=1}^n [a_i,b_i], \eex$$

它们都有 ``体积'' $\dps{\prod_{i=1}^n (b_i-a_i)}$.

[实变函数]2.1 度量空间 (metric space), $n$ 维 Euclidean 空间的更多相关文章

  1. n维立体空间建模

    n维立体空间建模,基于网格技术,将整个地球信息整体封装,初始进行网格化,选取某一个网格,进行迭代,    迭代的子项依然是网格,迭代的次数为k,网格最终大小可以指定,这种指定决定了立体块的细化率,假设 ...

  2. Metric space,open set

    目录 引入:绝对值 度量空间 Example: 开集,闭集 引入:绝对值 distance\(:|a-b|\) properties\(:(1)|x| \geq 0\),for all \(x \in ...

  3. 论文笔记:(NIPS2017)PointNet++: Deep Hierarchical Feature Learning on Point Sets in a Metric Space

    目录 一. 存在的问题 1.提取局部特征的能力 2.点云密度不均问题 二.解决方案 1.改进特征提取方法: (1)采样层(sampling) (2)分组层(grouping) (3)特征提取层(fea ...

  4. 关于n维和n-1维欧式空间

    我们从小就说,"点动成线,线动成面,面动成体",其中的空间的概念到底是啥?之前没有好好想过,在机器学习中多次遇到"空间"."超平面",&qu ...

  5. Gram 矩阵与向量到子空间的距离

    设 $W$ 是 $n$ 维 Euclidean 空间 $V$ 的子空间, $\beta\in V$, 定义 $\beta$ 到 $W$ 的距离  $$\bex  \rd (\beta,W)=|\bet ...

  6. UVA 11297 线段树套线段树(二维线段树)

    题目大意: 就是在二维的空间内进行单个的修改,或者进行整块矩形区域的最大最小值查询 二维线段树树,要注意的是第一维上不是叶子形成的第二维线段树和叶子形成的第二维线段树要  不同的处理方式,非叶子形成的 ...

  7. 【转载】VC维的来龙去脉

    本文转载自 火光摇曳 原文链接:VC维的来龙去脉 目录: 说说历史 Hoeffding不等式 Connection to Learning 学习可行的两个核心条件 Effective Number o ...

  8. 机器学习基石的泛化理论及VC维部分整理(第五讲)

    第五讲 Training versus Testing 一.问题的提出 \(P_{\mathcal{D}}\left [ BAD   \mathcal{D} \right ]  \leq 2M \cd ...

  9. c中使用malloc动态申请二维数组

    前言 今天写代码的时候,想要动态的申请一个二维数组空间,思索了一段时间才写出来,这里记录一下吧,以后就不至于再浪费时间了.下面以申请int型数组作为例子: 申请一维数组 一维数组的数组名可以看成数组起 ...

随机推荐

  1. 作业:用HTML制作邮箱登陆界面

    <body leftmargin="200" rightmargin="200"> <font size="45" > ...

  2. URAL-1989 Subpalindromes(单点更新+hash)

    题目大意:给一行字符串,两种操作:change(pos,char),将pos处字符改为char:isPalindrome(i,j),询问[i,j]之间是否为回文字符串. 题目分析:做正反两次字符串哈希 ...

  3. hdu1074 状压DP、栈实现记录路径

    题意:给了几门学科作业.它们的截止提交期限(天数).它们的需要完成的时间(天数),每项作业在截止日期后每拖延一天扣一学分,算最少扣的学分和其完成顺序. 一开始做的时候,只是听说过状态压缩这个神奇的东西 ...

  4. ExtJS ComboBox的用法+代码

    Ext.onReady(function() { var store = Ext.create('Ext.data.Store', { autoLoad : true, fields : ['valu ...

  5. Vimdiff---VIM的比较和合并工具

    本文来自IBMDW   http://www.ibm.com/developerworks/cn/linux/l-vimdiff/ 源程序文件(通常是纯文本文件)比较和合并工具一直是软件开发过程中比较 ...

  6. checking

    https://en.wikipedia.org/wiki/Java_performance https://en.wikipedia.org/wiki/Java_virtual_machine ht ...

  7. java 锁讲解

    每个锁对象都有两个队列,一个是就绪队列,一个是阻塞队列,就绪队列存储了将要获得锁的线程,阻塞队列存储了被阻塞的线程,当一个被线程被唤醒 (notify)后,才会进入到就绪队列,等待获得锁.当一开始线程 ...

  8. ASP.NET Cookie 概述【转】

    来源:http://msdn.microsoft.com/zh-cn/library/ms178194(VS.80).aspx ASP.NET Cookie 概述 Cookie 提供了一种在 Web ...

  9. PDA通过SocketTcp+Json和SuperSocket通信方式

    从Pda请求到服务器处理请求,并返回结果,Pda拿到结果的流程.

  10. html颜色字体字符代码

    HTML字体代码表 宋体 SimSun   宋体:SimSuncss中中文字体(font-family)的英文名称 黑体 SimHei   Mac OS的一些: 微软雅黑 Microsoft YaHe ...