Gram 矩阵与向量到子空间的距离

简介: 设 $W$ 是 $n$ 维 Euclidean 空间 $V$ 的子空间, $\beta\in V$, 定义 $\beta$ 到 $W$ 的距离  $$\bex  \rd (\beta,W)=|\beta-\beta'|,  \eex$$  其中 $\beta'$ 为 $\beta$ 在 $W$ 上的正交投影.

设 $W$ 是 $n$ 维 Euclidean 空间 $V$ 的子空间, $\beta\in V$, 定义 $\beta$ 到 $W$ 的距离  $$\bex  \rd (\beta,W)=|\beta-\beta'|,  \eex$$  其中 $\beta'$ 为 $\beta$ 在 $W$ 上的正交投影. 设 $\beta_1,\cdots,\beta_m$ 为 $W$ 的一组基, 则  $$\bex  \rd (\beta,W)=\sqrt{\frac{G(\beta_1,\cdots,\beta_m,\beta)}{G(\beta_1,\cdots,\beta_m)}}.  \eex$$  证明:  $$\beex  \bea  &\quad G(\beta_1,\cdots,\beta_m,\beta)\\  &=G(\beta_1,\cdots,\beta_m,\beta'+(\beta-\beta'))\\  &=G(\beta_1,\cdots,\beta_m,\beta')  +G(\beta_1,\cdots,\beta_m,\beta-\beta')\quad\sex{\mbox{行列式的性质}}\\  &=G(\beta_1,\cdots,\beta_m,\beta-\beta')\quad\sex{\beta\in W\ra \beta=\sum_i c_i\beta_i\mbox{ 及行列式的性质}}\\  &=\sev{\ba{cccc}  (\beta_1,\beta_1)&\cdots&(\beta_1,\beta_m)&(\beta_1,\beta-\beta')\\  \vdots&\ddots&\vdots&\vdots\\  (\beta_m,\beta_1)&\cdots&(\beta_m,\beta_m)&(\beta_m,\beta-\beta')\\  (\beta-\beta',\beta_1)&\cdots&(\beta-\beta',\beta_m)&(\beta-\beta',\beta-\beta')  \ea}\\  &=\sev{\ba{cccc}  (\beta_1,\beta_1)&\cdots&(\beta_1,\beta_m)&0\\  \vdots&\ddots&\vdots&\vdots\\  (\beta_m,\beta_1)&\cdots&(\beta_m,\beta_m)&0\\  0&\cdots&0&(\beta-\beta',\beta-\beta')  \ea}\quad\sex{\sex{\beta-\beta',\beta_i}=0}\\  &=|\beta-\beta'|^2G(\beta_1,\cdots,\beta_m)\\  &=\rd^2(\beta,W)G(\beta_1,\cdots,\beta_m).  \eea  \eeex$$    

目录
相关文章
|
存储 机器学习/深度学习 计算机视觉
稠密矩阵
稠密矩阵是一种特殊形式的矩阵,其中所有元素都是非零的。与稀疏矩阵相比,稠密矩阵在存储和计算时需要更多的空间和计算资源,因为它的所有元素都需要被存储和计算。
251 7
|
8月前
|
存储 机器学习/深度学习 算法
【算法训练-数组 三】【数组矩阵】螺旋矩阵、旋转图像、搜索二维矩阵
【算法训练-数组 三】【数组矩阵】螺旋矩阵、旋转图像、搜索二维矩阵
110 0
|
6月前
|
存储 算法 Python
稀疏矩阵是矩阵中大部分元素为零的矩阵。
稀疏矩阵是矩阵中大部分元素为零的矩阵。
|
8月前
|
机器学习/深度学习 存储 人工智能
利用前缀和计算二维矩阵子矩阵的和
利用前缀和计算二维矩阵子矩阵的和
99 0
|
8月前
|
JavaScript SoC
leetcode-304:二维区域和检索 - 矩阵不可变
leetcode-304:二维区域和检索 - 矩阵不可变
64 0
|
前端开发 图形学
二维空间下的向量旋转
向量运算是计算机图形学的数学基础,而向量的旋转是向量的一种常见操作,本文将详细讲解向量在二维空间下的旋转原理。
860 0
二维空间下的向量旋转
|
算法
ENVI_IDL:使用反距离权重法选取最近n个点插值(底层实现)并输出为Geotiff格式(效果等价于Arcgis中反距离权重插值)
ENVI_IDL:使用反距离权重法选取最近n个点插值(底层实现)并输出为Geotiff格式(效果等价于Arcgis中反距离权重插值)
340 0
|
人工智能
求矩阵的局部极大值
求矩阵的局部极大值
133 0

热门文章

最新文章