[实变函数]2.1 度量空间 (metric space), $n$ 维 Euclidean 空间
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
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 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 ...
- 【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 ...
- 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 ...
- 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
- HDU-4521 小明系列问题――小明序列(线段树)
题目大意:求LIS,但是要求LIS中相邻的两个元素之间的距离要大于d. 题目分析:线段树.节点(l,r)保存信息为LIS的最后一个元素落在[l,r]之间的最大长度.从第d+2个元素开始查询更新操作,但 ...
- 最简puremvc
工程如下,看来sendNotification是像comand和mediator发消息的 package { import flash.display.Sprite; import flash.eve ...
- A Gentle Introduction to the Gradient Boosting Algorithm for Machine Learning
A Gentle Introduction to the Gradient Boosting Algorithm for Machine Learning by Jason Brownlee on S ...
- MUA
a big deal analysis analytics cooperate 合作 efficient explicitly fine grained Granularity graph geogr ...
- 暂且解决INSTALL_FAILED_SHARED_USER_INCOMPATIBLE错误
有时候我们在APK安装时由于工程制定了UID,换过签名后可能出现 类似 INSTALL_FAILED_SHARED_USER_INCOMPATIBLE 或 INSTALL_FAILED_UPDATE_ ...
- 通过 Javacore 诊断线程挂起等性能问题
http://www.ibm.com/developerworks/cn/websphere/library/techarticles/1406_tuzy_javacore/1406_tuzy_jav ...
- ABBYY导出结果为PDF注意事项
使用ABBYY FineReader Pro for Mac OCR文字识别软件识别文档时,可以将已识别的文本保存到文件中,还可以通过电子邮件发送已识别的文本,只要输出格式受FineReader支持. ...
- Android 如何全局获取Context
有时,在处理业务逻辑的时候,需要Context对象,但在某些情况下,并非容易获取,这时就需要一些巧妙的手段来管理Context. 在Android中,提供了一个类Application,当应用程序启动 ...
- Python关键字yield的解释(stackoverflow)
3.1. 提问者的问题 Python关键字yield的作用是什么?用来干什么的? 比如,我正在试图理解下面的代码: def node._get_child_candidates(self, dista ...
- log4j日志的打印
1.加入日志属性文件 log4j.properties log4j.rootLogger=DEBUG,Console,fileout log4j.appender.Console=org.apache ...