在《机器学习数学基础》第 1 章介绍了向量空间，并且说明了机器学习问题通常是在欧几里得空间。然而，随着机器学习技术的发展，特别是 AI 技术开始应用于科学研究中，必然会涉及到其他类型的空间。本文即在《机器学习数学基础》一书所讲解的内容基础之上，简要介绍希尔伯特空间、函数空间的有关概念。

希尔伯特空间

在数学裡，希尔伯特空间（英语：Hilbert space）即完备的内积空间，也就是一个带有内积完备向量空间。

例如 ${\mathbb{R}}^{\infty }$ 中的向量 $v$ 含有无限多个分量，即：

$$v=\left[\begin{array}{c}{v}_1\\ v_2\\ ⋮\end{array}\right]$$

若要使得以下定义依然成立：

$${\Vert \begin{array}{c}v\end{array}\Vert }^2=v_1^2+v_2^2+\cdots$$

则上述无穷级数应该收敛至一个有限数值，例如：$v=\left[\begin{array}{c}1\\ 1/2\\ 1/3\\ ⋮\end{array}\right]$。

这样，向量的长度是有限的，对于空间中有限长度的向量 $x$ 和 $y$ ，则还会有：$\Vert \begin{array}{c}x+y\end{array}\Vert \le \Vert \begin{array}{c}x\end{array}\Vert +\Vert \begin{array}{c}y\end{array}\Vert$ ，且 $ax$ （其中 $a$ 是一个有限的标量）仍然是一个有限量。

由此容易证明向量空间的 8 条法则依然成立（《机器学习数学基础》第15页）。

这样的空间，就是希尔伯特空间，是一个保持一般几何性质的无限维向量空间。

希尔伯特空间是有限维欧几里得空间的一个推广，使之不局限于实数的情形和有限的维数，但又不失完备性（不像一般的非欧几里得空间那样破坏了完备性）。与欧几里得空间相仿，希尔伯特空间也是一个内积空间，其上有距离和角的概念（及由此引申而来的正交性与垂直性的概念）。此外，希尔伯特空间还是一个完备的空间。

微积分中的大部分概念都可以无障碍地推广到希尔伯特空间中。

希尔伯特空间以大卫·希尔伯特的名字命名，他在对积分方程的研究中研究了希尔伯特空间。冯·诺伊曼在其 1929 年出版的关于无界自伴算子的著作中，最早使用了“希尔伯特空间”这个名词。

一个抽象的希尔伯特空间中的元素往往被称为向量。在实际应用中，它可能代表了一列复数或是一个函数。

例如在量子力学中，一个物理系统可以表示为一个复希尔伯特空间，其中的向量是描述系统可能状态的波函数。

函数空间

设正弦函数 $f(x)=\sin (x)$ ，定义域为 $0\le x\le 2\pi$ ，视此函数为无限维向量，向量的各个分量即为连续区间内的函数值 $\sin (x)$ 。当向量的分量是连续时，其平方和可写成积分形式（即 $f$ 的长度平方）：

$${\Vert \begin{array}{c}f\end{array}\Vert }^2={\int }_0^{2\pi }(f(x){)}^{2}dx={\int }_0^{2\pi }(\sin x{)}^{2}dx=\pi$$

上式说明，我们可以测量函数的长度，即可以将此函数看做向量，从而形成了向量空间，此向量空间的维数无限，显然是希尔伯特空间，也就是一个函数空间。

如果 $f(x)=\sin (x),g(x)=\cos (x)$ ，计算内积：

$$⟨f,g⟩={\int }_0^{2\pi }f(x)g(x)dx={\int }_0^{2\pi }\sin (x)\cos (x)dx=0$$

故正弦和余弦正交。

线性函数

设函数 $f$ 是：$f:V\to W$ ，对于任意向量 $x$ 和 $y$ ，以及任意实数 $c$ ，若满足：

$$\begin{array}{rl}f(x+y)& =f(x)+f(y)\\ f(cx)& =cf(x)\end{array}$$

则 $f$ 是线性函数。

• 几何向量空间

  设 $A$ 是 $m\times n$ 阶实矩阵，$x\in {\mathbb{R}}^n$ ，$f(x)=Ax$ 是一个由 ${\mathbb{R}}^n$ 映至 ${\mathbb{R}}^m$ 的线性函数，则：

  $$\begin{array}{rl}f(x+y)& =A(x+y)=Ax+Ay=f(x)+f(y)\\ f(cx)& =A(cx)=c(Ax)=cf(x)\end{array}$$

• 多项式空间

  令 $\mathcal{P}$ 为所有多項式形成的向量空间，微分算子 $D=d/dx$ 可視為由 $\mathcal{P}$ 映至 $\mathcal{P}$ 的函数，例如，$D(2-x+x^3)=-1+3x^2$。微分算子 $D$ 是一个线性函数，利用导数基本性质，可知：

  $$\begin{array}{rl}D(p(x)+q(x))& =D(p(x))+D(q(x))\\ D(cp(x))& =cD(p(x))\end{array}$$

  求二次导数，记作：$DD=D^2$ ，易知 $D^{2}p=p^{\prime \prime }$ 是线性函数，推广至更高次冪，$D,D^2,\dots ,D^k$ 全部都是线性函数。

• 连续函数空间

  令 $C(-\infty ,\infty )$ 表示所有连续函数形成的空间，$L:C(-\infty ,\infty )\to C(-\infty ,\infty )$ ，函数 $u(x),q(x)\in C(-\infty ,\infty )$ ，考虑以下的例子：

  $L(u(x))=q(x)u(x)$ ，则 $L$ 是线性函数。

  证明：

  $$\begin{array}{rl}L(u(x)+v(x))& =q(x)(u(x)+v(x))=L(u(x))+L(v(x))\\ L(cu(x))& =q(x)(cu(x))=c(q(x)u(x))=cL(u(x))\end{array}$$

  將微分算子 $D$ 线性函数 $L$ 结合成一个方程式便得到微分方程 $D(u(x))=L(u(x))=q(x)u(x)$ 。

  例如，设 $y=u(x)$ ，$q(x)=x$ ，就有 $Dy=xy$ 或写成：$y^{\prime }=xy$ 。求解微分方程等于找 $y$ 使得 $Dy=Ly$，由此可以逐步建立微分方程与线性代数的关联。

零空间

设 $f:V\to W$ 是一个线性函数，所有满足 $f(x)=0$ 的 $x$ 所形成的集合构成 $V$ 里的一个子空间，称为零空间或核${}^{[2]}$，记作 $N(f)$ 或 $\text{ker}f$ 。

设 $u,v\in N(f)$ ，根据线性函数的基本性质，有：

$$\begin{array}{rl}f(u+v)& =f(u)+f(v)=0+0=0\\ f(cu)& =cf(u)=c0=0\end{array}$$

这说明 $N(f)$ 满足向量加法和数量乘法封闭原则，所以 $N(f)$ 是 $V$ 的子空间。

将 $f(x)=0$ 称为齐次方程（homogeneouos equation）。齐次现象方程至少有一个零解，$f(0)=0$ ，也就是说零空间 $N(f)$ 必定包含零向量。

理由如下：

$f(0)=f(x-x)=f(x)-f(x)=0$ ，或者 $f(0)=f(0x)=0\cdot f(x)=0$ 。

• 齐次线性方程组

$$\begin{array}{rl}x+y-z& =0\\ x-y+z& =0\end{array}$$

或改写为矩阵形式：

$$f(\mathbf{x})=A\mathbf{x}=\left[\begin{array}{crr}1& 1& -1\\ 1& -1& 1\end{array}\right]\left[\begin{array}{c}x\\ y\\ z\end{array}\right]=\left[\begin{array}{c}0\\ 0\end{array}\right]$$

利用高斯消元法，得：$(x,y,z)=t(0,1,1)$ ，$t$ 为任意实数，所以，$A$ 的零空間由向量 $\left[\begin{array}{c}0\\ 1\\ 1\end{array}\right]$ 张成，零空間 $N(f)$ 与其表示矩阵 $A$ 的零空間 $N(A)$ 指的是同一回事。

• 微分算子

微分算子 $D=d/dx$ 作用在 $C(-\infty ,\infty )$ ，$D$ 的零空间包含所有一次导数为零的实函数，由导数性质可知 $N(D)$ 是一个包含所有常函数 $y(x)=c$ 的子空间。

• 齐次微分方程

对于下面的齐次微分方程：

$$y^{\prime \prime }-3y^{\prime }+2y=0$$

也可以用微分算子表示为：$(D^2-3D+2)y=0$

线性算子的线性组合仍为线性算子，故：$L=D^2-3D+2$ 也是线性。

求解齐次微分方程 $Ly=0$ ，即相当于计算 $L$ 的零空间。

线性算子 $L$ 的零空间由线性无关的函数 $e^x$ 和 $e^{2x}$ 张成，$e^x$ 和 $e^{2x}$ 是零空间 $N(L)$ 的基底函数，故齐次解为其线性組合 $y=c_1{e}^x+c_2{e}^{2x}$ 。从线性函数的角度，齐次解必定落在 $L$ 的零空间内，亦即

$$Ly=l(c_1{e}^x+c_2{e}^{2x})=c_{1}L(e^x)+c_{2}L(e^{2x})=c_{1}0+c_{2}0=0$$

特征值与特征向量

假设一种线性变换 $L:V\to V$ ，还有向量 $x\in V$ ，通常 $x$ 和 $L(x)$ 之间没有什么特别的关系，但是，在某个条件下，会有如下关系：

$$L(x)=\lambda x$$

这就是特征向量 $x$ 和特征值 $\lambda$ 。

注意：零向量不是特征向量。这是因为，对于任意线性变换而言，任何 $\lambda$ 都会满足$L(0)=\lambda \cdot 0=0$ 。

如果特征值为零，则只要存在 $x\ne 0$ 满足$L(x)=0x=0$ 就行。显然，若线性变换 $L$ 有零特征值，则 $L$ 的零空间必定包含非零向量。

• 矩阵变换

设 $L:R^n\to R^n$ 为线性变换，以矩陣表示为：$L(x)=Ax$ 。

例如：$A=\left[\begin{array}{cc}1& 4\\ 2& 8\end{array}\right]$

容易解出其特征值 $\lambda =0,9$ ，特征向量分别为：$\left[\begin{array}{c}4\\ -1\end{array}\right]$，$\left[\begin{array}{c}1\\ 2\end{array}\right]$。

注意，其次方程 $Ax=0$ 对应 $\lambda =0$ ，故特征向量 $\left[\begin{array}{c}4\\ -1\end{array}\right]$ 张成 $A$ 的零空间。

• 微分算子

假设以下微分算式：

$$D{e}^x=e^x,D{e}^{2x}=2e^{2x},D{e}^{-3x}=-3e^{-3x}$$

函数 $e^x,e^{2x},e^{-3x}$ 是微分算子 $D$ 的特征向量，对应特征值分别为 $1,2,-3$ 。

推广：$r$ 是任意数，$D^k{e}^{rx}=r^k{e}^{rx}$ ，则 $e^{rx}$ 是 $D^k$ 的特征向量，对应的特征值为 $r^k$ 。

• 齐次微分方程

考虑一个常系数齐次微分方程（前面用过的）：$y^{\prime \prime }-3y^{\prime }+2y=0$

若有 $L=D^2-3D+2$ ，则可以写为：$Ly=(D^2-3D+2)y=0$

如前所述，求齐次微分方程的解，就等于计算 $L$ 的零空间，也就是找出特征值为 $\lambda =0$ 的特征向量，如下：

$$L{e}^{rx}=(r^2-3r+2)e^{rx}=0$$

因为 $e^{rx}\ne 0$ ，则必有 $\lambda =r^2-3r+2=0$ ，则 $r=1,2$ ，特征向量为 $e^x,e^{2x}$ ，所对应的特征值均为 $0$ 。

故：求解齐次微分方程的本质就是问线性算子 $L$ 的哪些特征向量对应零特征值${}^{[1]}$。

非齐次方程

设 $f:V\to W$ 是一个线性函数，对应的非齐次方程：$f(x)=b$

下面证明叠加原理：若 $x_p$ 是上述非齐次方程的一个特解（particular solution），$x_h$ 是齐次方程 $f(x)$ 的一个解（称为齐次解），则 $x_p+x_h$ 是非齐次方程的通解（或一般解，general solution）。

证明：

因为 $x_p$ 是一个特解，则 $f(x_p)=b$ 。

又因为 $f$ 是线性函数，所以：$f(x-x_p)=f(x)-f(x_p)=b-b=0$

故 $x-x_p$ 是齐次解，即 $x-x_p=x_h$ ，$x_h$ 是零空间中的一个向量，故 $x=x_p+x_h$ 是通解。

• 非齐次线性方程组

以下述非齐次线性方程组为例：

$$\{\begin{array}{l}x+y-z=2\\ x-y+z=4\end{array}$$

其一个特解：$x=3,y=1,z=2$ ，前面已经计算过对应的齐次线性方程组的解：$(x,y,z)=t(0,1,1)$ ，其中 $t$ 是任意实数。故此非齐次线性方程组的通解是：$(x,y,z)=(3,1,2)+t(0,1,1)$

• 常系数微分方程

以下面的非齐次微分方程为例：$y^{\prime \prime }-3y^{\prime }+2y=e^x$

用微分算子表示为：$Ly=(D^2-3D+2)y=e^x$ 。

用待定系数法求出一个特解：

$$\because (D-1)e^x=0$$

对于任何解 $y(x)$ ，有：

$$(D-1)(D^2-3D+2)y=(D-1{)}^2(D-2)y=0$$

根据齐次微分方程的求解，$y(x)$ 的形式必为：

$$y(x)=c_1{e}^x+c_2{e}^{2x}+c_{3}x{e}^x$$

显然，前两项是齐次解，$y_h(x)=c_2{e}^x+c_2{e}^{2x}$ 。设 $y_p(x)=c_{3}x{e}^x$ ，计算：

$$\begin{array}{rl}{y}_p^{\prime }(x)& =c_3(x{e}^x+e^x)\\ y_p^{\prime \prime }(x)& =c_3(x{e}^x+2e^x)\end{array}$$

代入到非齐次微分方程中，得：

$$c_3(x{e}^x+2e^x)-3c_3(x{e}^x+e^x)+2c_3(x{e}^x)=e^x$$

$$c_3=-1$$

得到特解：$y_p=-x{e}^x$

故通解为：$y(x)=c_1{e}^x+c_2{e}^{2x}-x{e}^x$

参考资料

[1]. 线代启示录：从几何向量空间到函数空间

[2]. 线性代数基本定理