[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
- NetStatusEvent info对象的状态或错误情况的属性
代码属性 级别属性 意义 "NetStream.Buffer.Empty" "status" 数据的接收速度不足以填充缓冲区.数据流将在缓冲区重新填充前中 ...
- awesome-very-deep-learning
awesome-very-deep-learning is a curated list for papers and code about implementing and training ver ...
- caffe matlab 借口怎么提取灰度图的 feature ? What happened if I mixed the color images with gray images together for training ?
1. caffe matlab 接口提供了提取feature的脚本,但是由于中间要对这些图像进行RGB ---> BGR 的变换,卧槽,灰度图没有三通道啊?怎么破?从上午就在纠结怎么会跑着跑着程 ...
- Avoiding PostgreSQL database corruption
TL;DR: Don't ever set fsync=off, don't kill -9 the postmaster then deletepostmaster.pid, don't run P ...
- jQuery.form.js使用
jQuery.form.js是一个form插件,支持ajax表单提交和ajax文件上传. 下载地址 百度云:http://pan.baidu.com/s/1eQoYE46 360云:http://yu ...
- 如何处理ABBYY中出现错误代码142和55的问题
在使用ABBYY FineReader 12OCR文字识别软件创建PDF文件时,有时会出现以下错误提示:内部程序错误..\Src\SpecialFontFactory.cpp,142和内部程序错误.. ...
- call和apply的差别
Call(thisArg,arg1,arg2,-..) apply(thisArg,[arg1,arg2-.])
- ExtJs学习笔记之ComboBox组件
ComboBox组件 (1)ComboBox控件支持自动完成.远程加载.和许多其他特性. (2)ComboBox就像是传统的HTML文本 <input> 域和 <select> ...
- each和$(this)配合循环_siblings选取同级不同类型元素
<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/stri ...
- 转载:scikit-learn学习之决策树算法
版权声明:<—— 本文为作者呕心沥血打造,若要转载,请注明出处@http://blog.csdn.net/gamer_gyt <—— 目录(?)[+] ================== ...