[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
- HTTP 状态消息
1xx: 信息 消息: 描述: 100 Continue 服务器仅接收到部分请求,但是一旦服务器并没有拒绝该请求,客户端应该继续发送其余的请求. 101 Switching Protocols 服务器 ...
- C# WinForm获取当前路径汇总
摘自:http://greatverve.cnblogs.com/archive/2011/12/15/winform-path.html Winform获取应用程序的当前路径的方法集合,具体如下,值 ...
- 论文笔记之:Playing Atari with Deep Reinforcement Learning
Playing Atari with Deep Reinforcement Learning <Computer Science>, 2013 Abstract: 本文提出了一种深度学习方 ...
- error LNK2026: 模块对于 SAFESEH 映像是不安全的
解决方法: 1.打开该项目的“属性页”对话框. 2.单击“链接器”文件夹. 3.单击“命令行”属性页. 4.将 /SAFESEH:NO 键入“附加选项”框中,然后点击应用.
- loadrunner---<二>---菜鸟对cookie的思考
http://www.cnblogs.com/Pierre-de-Ronsard/archive/2012/11/19/2772630.html loadrunner---<二>---菜鸟 ...
- ABBYY把pdf转换成word的方法
有时候我们在网上下载的资料文献是PDF格式文档,遇到喜欢的字句总忍不住想要收藏起来,但是PDF文档不同于普通的Word文档可以直接进行复制粘贴,需要下载安装相关的编辑工具,才能对文字内容进行编辑.倒不 ...
- sql server ,OVER(PARTITION BY)函数用法,开窗函数,over子句,over开窗函数
https://technet.microsoft.com/zh-cn/library/ms189461(v=sql.105).aspx https://social.msdn.microsoft.c ...
- 用JavaScript往DIV动态添加内容
参考:http://zhidao.baidu.com/link?url=6jSchyqPiEYCBoKdOmv52YHz9r7MTBms2pK1N6ptOX1kaR2eg320mlW1Sr6n36hp ...
- HTML相对路径 当前目录、上级目录、根目录、下级目录表示法
文件引用时经常需要用到相对目录.如(js,css,图片等) "./" --------- 源代码所在的当前目录(可省略) "../" ----- ...
- JS刷新页面的几种方法(转)
Javascript刷新页面的几种方法: 1 history.go(0) 2 location.reload() 3 location=location 4 location.assign(locat ...