我们马上就要进入 lattice 相关的讨论了。鉴于我们很熟悉线性空间,我们可以先回顾线性空间的一些性质,来方便未来研究 lattice.
线性空间(vector spaces) 一个线性空间,是 的一个子集,满足
也就是说,一个线性空间,是对向量加法、标量乘法封闭的的子集。
线性组合(linear combinations)的一个线性组合是满足以下形式的向量: 并将上述向量构成的集合 称为 的张成空间(span).
线性无关(linearly independence) 称一个向量集合线性无关,当且仅当方程 的唯一解是 . 反之则称这个向量集合线性相关(linearly dependent).
基(bases) 向量空间的一个基,是可以张成 的线性无关向量集合 . 也就是说,任何一个向量 都可以写成 的线性组合的形式,其线性组合的系数是唯一的。
接下来,我们讨论不同的基之间的关系,以及“维度”的概念。
- 任何一个线性空间
都有基。 - 任何两个基,含有的向量个数是相同的。基的向量个数称为
的维度(dimension). - 设
是 的一个基, 是 中的一个向量组。我们把 写成 的线性组合的形式: 那么 也是 的一个基,当且仅当下面矩阵的行列式不为 0:
我们接下来介绍如何度量向量的长度,以及向量的夹角。
点积(dot product) 设. 记 的坐标如下: 则记 与 的点积为 若 ,我们称 与 正交(orthogonal).
欧几里得范数(Euclidean norm) 向量的长度,或称欧几里得范数,为 显然有 .
有了点积这个工具,接下来就可以研究角度。设
- 记
为向量 之间的角(这里我们把 的起始点都放在原点 )。则 - (Cauchy-Schwarz 不等式) 两向量的点积的绝对值,不大于向量长度的积。
显然,两向量正交,则它们夹角是 90°. 来考虑向量相互正交的基:
正交基(orthogonal basis) 线性空间的一个正交基,是满足以下条件的基 :
额外地,若这个基还满足,则我们称这个基规范正交(orthonormal).
若一个基是正交的,则很多式子都可以化简。举个例子:若
有生成规范正交基的算法 (Gram-Schmidt),可以从任何一个向量组生成规范正交基,其张成空间不变。细节不再赘述,主要思路是将后面的向量除去所有前面向量方向上的分量。详情请阅维基百科。