数学分析:流形的线性代数回顾

因为是线性的,所以可以把所有的系数都提取出去。这也是多重线性代数的性质。可以看成基本的各项自变量的乘法。

这里可以看到两个不同基向量下,他们的坐标转化关系。

引出了张量积,也就是前面提到的内容。

对偶空间的例子总是比较美好。

因为e^i就是把x的第i个坐标给取出来。所以就得到了(10),每一个张量基的组成部分都是取到对应的坐标。他们作用在x上就会得到(1)

这个意思是说,对于任何k形式,我们都可以通过一种运算得到斜对称形式。

这里我们看到了为什么要引入行列式,是因为一个取坐标的操作的张量积放到斜对称形式的推导里面,会得到一个式子,这个式子就是行列式的公式。然后也说了为什么要引入外积,因为斜对称形式的张量积一般就不是斜对称了,引入外积的话就是为了保证还是斜对称。公式15就是外积的定义。其实这里可以感受到,斜对称应该是一个非常重要的形式,我们后面看。

这个式子还是要仔细理解的。前面就是k形式,后面是k形式的求和。

求和的系数取决于交换次数。

按照前面的公式,我们可以发现取坐标的外积,最终就是这些坐标分别取出来组成一个矩阵的行列式的值。

这里我们看到,是想把普通k形式都转成斜对称形式,引入了一个运算A,本来k形式就是F=ae1xe2...exn

引入A之后,变成了斜对称形式,就有了行列式。要考虑斜对称之间的运算还是斜对称,就引入了外积。

最后这一段看不太懂,需要再理解下。问了GPT,它的意思是对于n维线性空间,如果你的k形式的k>n。例如k=3,n=2, 那么按照反对称的定义,里面比如有两个元素是一样的。例如取坐标,二维空间就两个坐标可以取,但你要取3次,必有两次是重复的。重复的就代表斜对称必须为0.

看着比较费解,冲对偶映射去理解,X->Y,会变成Y*->X*,于是l*F^k肯定是相当于Fx.最终就是(25),27,28,29公式形式还是很优美的。

这里提到了坐标,我们得先复习:

k形势下的坐标形式,后面的y的一堆的乘积就是坐标,前面是k形式作用在基上的值。

所以我们得到了两个不同空间中的k形式的一些关系。Y上的k形式,作用在Y的基上引出的系数b。和对偶映射X上的k形式,作用在X的基上引出的系数a,他们之间的系数关系和基的关系的表达式。

这个结论是说明:我们通过对偶映射把Y上的取坐标转到x上的一个映射,它等价于一堆取坐标函数的和。

这个更一般的结论和5应该是一样的。我们得到了两组基向量的关系,他们对应的对偶映射的k形式也是具有类似关系的。

在整理下:我们对于普通的k形式,想要引入斜对称,就引入了运算A,我们发现运算A本质上是可以看成一个行列式。而斜对称之间的运算需要在符合斜对称,于是引入了外积。同时我们发现,行列式可以看成取坐标运算符的外积的操作。于是我们就会开始研究取坐标操作运算之间的外积。然后得到了一系列的坐标转化公式。

相关推荐
Csvn6 小时前
同一个问题问 100 遍,钱就扣 100 次?精确缓存让它只扣一次(C02)
人工智能·aigc·agent
罗西的思考7 小时前
【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)(2)
人工智能·算法·机器学习
罗西的思考7 小时前
【轻量化复刻大模型 / KIMI K3】Multi-Token Prediction(MTP / EAGLE-3)(1)
人工智能·算法·机器学习
汤姆宝库7 小时前
BPE分词器的完整实现:字节对合并与词表构建
开发语言·人工智能·c#
岁月宁静7 小时前
从零拆解 AI 语音模拟面试系统
人工智能·python·agent
武子康8 小时前
H3-World 接入 Game Agent:谁来判断门真的打开了?
人工智能·算法·机器学习
可乐ea9 小时前
MCP 和 CLI 差 42 倍:一次 GitHub 任务的上下文成本实测
人工智能·github·工具调用·ai智能体·openrouter·mcp协议·上下文优化
kyriewen9 小时前
编辑弹窗点了取消,列表里的数据怎么还是变了?
前端·javascript·人工智能
泯泷9 小时前
Multica 真正打动我的,不是更多 Agent,而是一种新的团队协作方式
人工智能·llm·agent
电科_银尘9 小时前
【深度学习项目实战·22】灰度图像着色:用小型U-Net学习从灰度到RGB
人工智能·深度学习·学习