Hilbert空间

#Mathematics #FunctionalAnalysis #HilbertSpace #BanachSpace

Hilbert空间，Hilbert Space Hilbert空间是泛函分析中最重要的一类空间，它是有限维欧几里得空间在无穷维空间中的自然推广。Hilbert空间既是完备的赋范线性空间（Banach空间），又是内积空间，这种双重结构使得它成为量子力学、Fourier分析、偏微分方程等领域的数学基础。

一、定义与基本性质

1.1 Hilbert空间的定义

定义：内积空间 $(H, ⟨ \cdot, \cdot ⟩)$ 称为Hilbert空间，如果它是完备的，即每个Cauchy序列都收敛于 $H$ 中的元素。

Hilbert空间 = 内积空间 + 完备性

形式化表述：设 ${x_{n}}_{n = 1}^{\infty}$ 是 $H$ 中的Cauchy序列（即 $lim_{m, n \to \infty} ∥ x_{m} - x_{n} ∥ = 0$ ），则存在 $x \in H$ 使得：

lim_{n \to \infty} ∥ x_{n} - x ∥ = 0

1.2 Hilbert空间与Banach空间的关系

Banach空间：完备的赋范线性空间

Hilbert空间：完备的内积空间

Hilbert空间 \subset Banach空间

关键区别：

Banach空间的范数不一定由内积导出
Hilbert空间有几何结构（角度、正交性）
并非所有Banach空间都是Hilbert空间

反例： $L^{p}$ 空间（ $p \neq 2$ ）是Banach空间但不是Hilbert空间。

1.3 平行四边形法则（Parallelogram Law）

定理：赋范线性空间 $(X, ∥ \cdot ∥)$ 是内积空间的充要条件是范数满足平行四边形法则：

∥ x + y ∥^{2} + ∥ x - y ∥^{2} = 2 (∥ x ∥^{2} + ∥ y ∥^{2}), \forall x, y \in X

几何意义：平行四边形两条对角线的长度平方和等于四条边长平方和的一半。

应用：验证一个Banach空间是否为Hilbert空间。

例子：

$ℓ^{p}$ 空间是Hilbert空间 $⟺ p = 2$
$L^{p}$ 空间是Hilbert空间 $⟺ p = 2$

二、经典Hilbert空间

2.1 有限维Hilbert空间

欧几里得空间 $R^{n}$ ：

内积： $⟨ x, y ⟩ = \sum_{i = 1}^{n} x_{i} y_{i}$
范数： $∥ x ∥ = \sqrt{\sum_{i = 1}^{n} x_{i}^{2}}$
完备性： $R^{n}$ 是完备的

酉空间 $C^{n}$ ：

内积： $⟨ x, y ⟩ = \sum_{i = 1}^{n} x_{i} \overset{―}{y_{i}}$
范数： $∥ x ∥ = \sqrt{\sum_{i = 1}^{n} | x_{i} |^{2}}$
完备性： $C^{n}$ 是完备的

维数： $\dim (R^{n}) = n$ ， $\dim (C^{n}) = n$

2.2 序列空间 $ℓ^{2}$

定义：

ℓ^{2} = {x = (x_{1}, x_{2}, \dots) : \sum_{n = 1}^{\infty} | x_{n} |^{2} < \infty}

内积：

⟨ x, y ⟩ = \sum_{n = 1}^{\infty} x_{n} \overset{―}{y_{n}}

范数：

∥ x ∥ = \sqrt{\sum_{n = 1}^{\infty} | x_{n} |^{2}}

完备性： $ℓ^{2}$ 是完备的（Riesz-Fischer定理）

标准正交基：

e_{1} = (1, 0, 0, \dots), e_{2} = (0, 1, 0, \dots), \dots

可分性： $ℓ^{2}$ 是可分的（有可数稠密子集）

2.3 函数空间 $L^{2} (Ω)$

定义：

L^{2} (Ω) = {f : Ω \to C : \int_{Ω} | f (x) |^{2} d x < \infty}

其中 $Ω \subset R^{n}$ 是可测集。

内积：

⟨ f, g ⟩ = \int_{Ω} f (x) \overset{―}{g (x)} d x

范数：

∥ f ∥_{2} = \sqrt{\int_{Ω} | f (x) |^{2} d x}

完备性： $L^{2} (Ω)$ 是完备的（Riesz-Fischer定理）

例子：

$L^{2} [a, b]$ ：区间 $[a, b]$ 上的平方可积函数
$L^{2} (R)$ ：整个实轴上的平方可积函数
$L^{2} ([0, 2 π])$ ：Fourier级数的自然空间

Fourier基：在 $L^{2} [- π, π]$ 中：

{\frac{e^{i n x}}{\sqrt{2 π}}}_{n \in Z}

2.4 Sobolev空间 $H^{1} (Ω)$

定义：

H^{1} (Ω) = {f \in L^{2} (Ω) : \nabla f \in L^{2} (Ω)}

内积：

⟨ f, g ⟩_{H^{1}} = \int_{Ω} f (x) \overset{―}{g (x)} d x + \int_{Ω} \nabla f (x) \cdot \overset{―}{\nabla g (x)} d x

范数：

∥ f ∥_{H^{1}} = \sqrt{\int_{Ω} | f (x) |^{2} d x + \int_{Ω} | \nabla f (x) |^{2} d x}

完备性： $H^{1} (Ω)$ 是Hilbert空间

应用：偏微分方程的弱解

2.5 Hardy空间 $H^{2} (D)$

定义：单位圆盘 $D = {z \in C : | z | < 1}$ 上的解析函数空间：

H^{2} (D) = {f (z) = \sum_{n = 0}^{\infty} a_{n} z^{n} : \sum_{n = 0}^{\infty} | a_{n} |^{2} < \infty}

内积：

⟨ f, g ⟩ = \sum_{n = 0}^{\infty} a_{n} \overset{―}{b_{n}}, f (z) = \sum_{n = 0}^{\infty} a_{n} z^{n}, g (z) = \sum_{n = 0}^{\infty} b_{n} z^{n}

再生核（Bergman核）：

K (z, w) = \frac{1}{1 - \overset{―}{w} z}

满足再生性质：

f (z) = ⟨ f, K (\cdot, z) ⟩

三、Hilbert空间的基本定理

3.1 Riesz表示定理

定理：设 $H$ 是Hilbert空间。对每个连续线性泛函 $f \in H^{*}$ ，存在唯一的 $y \in H$ 使得：

f (x) = ⟨ x, y ⟩, \forall x \in H

且 $∥ f ∥ = ∥ y ∥$ 。

证明思路：

若 $f = 0$ ，取 $y = 0$
若 $f \neq 0$ ，令 $M = \ker f$ ，则 $M$ 是闭子空间
取 $z \in M^{⊥}$ 且 $∥ z ∥ = 1$ ，验证 $y = \overset{―}{f (z)} z$ 满足条件
唯一性由正交补的性质保证

意义：Hilbert空间的对偶空间同构于自身：

H^{*} ≅ H

这是Hilbert空间最重要的特征之一。

推广（Lax-Milgram定理）：在偏微分方程中有重要应用。

3.2 投影定理

定理：设 $M$ 是Hilbert空间 $H$ 的闭线性子空间。对任意 $x \in H$ ，存在唯一的分解：

x = u + v, u \in M, v \in M^{⊥}

其中 $M^{⊥}$ 是 $M$ 的正交补。

几何意义： $u$ 是 $x$ 在 $M$ 上的正交投影，记作 $u = P x$ 。

正交投影算子 $P : H \to M$ 的性质：

线性性： $P (α x + β y) = α P x + β P y$
幂等性： $P^{2} = P$
自伴性： $⟨ P x, y ⟩ = ⟨ x, P y ⟩$
范数： $∥ P ∥ = 1$ （若 $M \neq {0}$ ）

应用：最小二乘法、信号处理、最优控制。

3.3 自伴算子的谱定理

定义：线性算子 $A : H \to H$ 称为自伴的（self-adjoint），如果：

⟨ A x, y ⟩ = ⟨ x, A y ⟩, \forall x, y \in H

谱定理（有限维）：设 $A$ 是有限维Hilbert空间上的自伴算子，则存在标准正交基 ${e_{1}, \dots, e_{n}}$ 使得：

A e_{i} = λ_{i} e_{i}, i = 1, \dots, n

其中 $λ_{i} \in R$ 是 $A$ 的特征值。

谱定理（无限维）：设 $A$ 是Hilbert空间 $H$ 上的紧自伴算子，则存在标准正交基 ${e_{n}}_{n = 1}^{\infty}$ 和实数 ${λ_{n}}_{n = 1}^{\infty}$ 使得：

A x = \sum_{n = 1}^{\infty} λ_{n} ⟨ x, e_{n} ⟩ e_{n}, \forall x \in H

应用：量子力学中的可观测量是自伴算子。

四、可分Hilbert空间

4.1 可分性的定义

定义：Hilbert空间 $H$ 称为可分的（separable），如果它包含一个可数稠密子集。

等价刻画： $H$ 有可数正交基。

例子：

可分： $ℓ^{2}$ 、 $L^{2} (Ω)$ （ $Ω$ 可测）、Sobolev空间 $H^{1}$
不可分：非可数Hilbert空间（很少在应用中出现）

4.2 同构定理

定理：所有无限维可分Hilbert空间都等距同构于 $ℓ^{2}$ ：

H ≅ ℓ^{2}

证明：设 ${e_{n}}_{n = 1}^{\infty}$ 是 $H$ 的可数正交基。定义映射：

T : H \to ℓ^{2}, T x = (⟨ x, e_{1} ⟩, ⟨ x, e_{2} ⟩, \dots)

由Parseval等式：

∥ T x ∥_{ℓ^{2}}^{2} = \sum_{n = 1}^{\infty} | ⟨ x, e_{n} ⟩ |^{2} = ∥ x ∥_{H}^{2}

因此 $T$ 是等距同构。∎

意义：在结构上，只有一个无限维可分Hilbert空间！

五、弱收敛与弱拓扑

5.1 弱收敛的定义

定义：序列 ${x_{n}}_{n = 1}^{\infty} \subset H$ 弱收敛于 $x \in H$ （记作 $x_{n} ⇀ x$ ），如果：

lim_{n \to \infty} ⟨ x_{n}, y ⟩ = ⟨ x, y ⟩, \forall y \in H

强收敛（通常意义下的收敛）：

lim_{n \to \infty} ∥ x_{n} - x ∥ = 0

关系：强收敛 $⟹$ 弱收敛（逆命题不成立）

例子：在 $ℓ^{2}$ 中，设 $e_{n} = (0, \dots, 0, 1, 0, \dots)$ （第 $n$ 个位置为1）。则：

$∥ e_{n} ∥ = 1$ ，不强收敛于0
但 $e_{n} ⇀ 0$ （弱收敛）

5.2 弱紧性

定理（Banach-Alaoglu）：Hilbert空间的单位球在弱拓扑中是紧的。

推论（弱收敛定理）：有界序列必有弱收敛子序列。

六、应用

6.1 量子力学

态空间：量子系统的态由Hilbert空间 $H$ 中的单位向量 $| ψ ⟩$ 表示（ $⟨ ψ | ψ ⟩ = 1$ ）。

可观测量：物理量（位置、动量、能量）对应自伴算子。

Schrödinger方程：

i ℏ \frac{\partial}{\partial t} | ψ (t) ⟩ = H | ψ (t) ⟩

其中 $H$ 是哈密顿算子（能量算子）。

例子：量子谐振子的态空间是 $L^{2} (R)$ ，能量本征态是Hermite函数。

6.2 偏微分方程

弱解：在Sobolev空间 $H^{1}$ 中定义偏微分方程的弱解。

Lax-Milgram定理：保证椭圆型偏微分方程弱解的存在性和唯一性。

例子：Poisson方程 $- Δ u = f$ 在 $H_{0}^{1}$ 中的弱解。

6.3 Fourier分析

Fourier级数：在 $L^{2} [- π, π]$ 中：

f (x) = \sum_{n = - \infty}^{\infty} c_{n} e^{i n x}, c_{n} = \frac{1}{2 π} \int_{- π}^{π} f (x) e^{- i n x} d x

Parseval等式：

\frac{1}{2 π} \int_{- π}^{π} | f (x) |^{2} d x = \sum_{n = - \infty}^{\infty} | c_{n} |^{2}

Fourier变换： $L^{2} (R)$ 上的等距变换（Plancherel定理）。

6.4 信号处理

能量有限信号： $L^{2} (R)$ 中的函数

正交变换：Fourier变换、小波变换保持能量

采样定理：带限信号的完全重构

6.5 机器学习

再生核Hilbert空间（RKHS）：

核方法的理论基础
支持向量机（SVM）
高斯过程

特征映射：

K (x, y) = ⟨ ϕ (x), ϕ (y) ⟩_{H}

其中 $ϕ : X \to H$ 将数据映射到Hilbert空间 $H$ 。

参考链接

参考文献

Rudin, W. (1991). Functional Analysis (2nd ed.). McGraw-Hill.
Reed, M., & Simon, B. (1980). Functional Analysis (Vol. 1). Academic Press.
Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.
Kreyszig, E. (1978). Introductory Functional Analysis with Applications. Wiley.

AI 结构化补充（2026-05-02）

一、定义与基本性质

1.1 Hilbert空间的定义

定义：内积空间 $(H, ⟨ \cdot, \cdot ⟩)$ 称为Hilbert空间，如果它是完备的，即每个Cauchy序列都收敛于 $H$ 中的元素。

Hilbert空间 = 内积空间 + 完备性

形式化表述：设 ${x_{n}}_{n = 1}^{\infty}$ 是 $H$ 中的Cauchy序列（即 $lim_{m, n \to \infty} ∥ x_{m} - x_{n} ∥ = 0$ ），则存在 $x \in H$ 使得：

lim_{n \to \infty} ∥ x_{n} - x ∥ = 0

1.2 Hilbert空间与Banach空间的关系

Banach空间：完备的赋范线性空间

Hilbert空间：完备的内积空间

Hilbert空间 \subset Banach空间

关键区别：

Banach空间的范数不一定由内积导出
Hilbert空间有几何结构（角度、正交性）
并非所有Banach空间都是Hilbert空间

反例： $L^{p}$ 空间（ $p \neq 2$ ）是Banach空间但不是Hilbert空间。

1.3 平行四边形法则（Parallelogram Law）

定理：赋范线性空间 $(X, ∥ \cdot ∥)$ 是内积空间的充要条件是范数满足平行四边形法则：

∥ x + y ∥^{2} + ∥ x - y ∥^{2} = 2 (∥ x ∥^{2} + ∥ y ∥^{2}), \forall x, y \in X

几何意义：平行四边形两条对角线的长度平方和等于四条边长平方和的一半。

应用：验证一个Banach空间是否为Hilbert空间。

例子：

$ℓ^{p}$ 空间是Hilbert空间 $⟺ p = 2$
$L^{p}$ 空间是Hilbert空间 $⟺ p = 2$

二、经典Hilbert空间

2.1 有限维Hilbert空间

欧几里得空间 $R^{n}$ ：

内积： $⟨ x, y ⟩ = \sum_{i = 1}^{n} x_{i} y_{i}$
范数： $∥ x ∥ = \sqrt{\sum_{i = 1}^{n} x_{i}^{2}}$
完备性： $R^{n}$ 是完备的

酉空间 $C^{n}$ ：

内积： $⟨ x, y ⟩ = \sum_{i = 1}^{n} x_{i} \overset{―}{y_{i}}$
范数： $∥ x ∥ = \sqrt{\sum_{i = 1}^{n} | x_{i} |^{2}}$
完备性： $C^{n}$ 是完备的

维数： $\dim (R^{n}) = n$ ， $\dim (C^{n}) = n$

2.2 序列空间 $ℓ^{2}$

定义：

ℓ^{2} = {x = (x_{1}, x_{2}, \dots) : \sum_{n = 1}^{\infty} | x_{n} |^{2} < \infty}

内积：

⟨ x, y ⟩ = \sum_{n = 1}^{\infty} x_{n} \overset{―}{y_{n}}

范数：

∥ x ∥ = \sqrt{\sum_{n = 1}^{\infty} | x_{n} |^{2}}

完备性： $ℓ^{2}$ 是完备的（Riesz-Fischer定理）

标准正交基：

e_{1} = (1, 0, 0, \dots), e_{2} = (0, 1, 0, \dots), \dots

可分性： $ℓ^{2}$ 是可分的（有可数稠密子集）

2.3 函数空间 $L^{2} (Ω)$

定义：

L^{2} (Ω) = {f : Ω \to C : \int_{Ω} | f (x) |^{2} d x < \infty}

其中 $Ω \subset R^{n}$ 是可测集。

内积：

⟨ f, g ⟩ = \int_{Ω} f (x) \overset{―}{g (x)} d x

范数：

∥ f ∥_{2} = \sqrt{\int_{Ω} | f (x) |^{2} d x}

完备性： $L^{2} (Ω)$ 是完备的（Riesz-Fischer定理）

例子：

$L^{2} [a, b]$ ：区间 $[a, b]$ 上的平方可积函数
$L^{2} (R)$ ：整个实轴上的平方可积函数
$L^{2} ([0, 2 π])$ ：Fourier级数的自然空间

Fourier基：在 $L^{2} [- π, π]$ 中：

{\frac{e^{i n x}}{\sqrt{2 π}}}_{n \in Z}

2.3.1 $ℓ^{2}$ 与 $L^{2}$ 的 Fourier 对应

Hilbert空间把“有限长度”作为进入空间的边界。无限列向量属于 $ℓ^{2}$ 当且仅当

∥ v ∥_{ℓ^{2}}^{2} = \sum_{j = 1}^{\infty} | v_{j} |^{2} < \infty .

例如

v = (1, \frac{1}{2}, \frac{1}{4}, \dots)

满足

∥ v ∥^{2} = 1 + \frac{1}{4} + \frac{1}{16} + \dots = \frac{4}{3},

所以 $v \in ℓ^{2}$ ；而 $(1, 1, 1, \dots)$ 长度无限，不属于 $ℓ^{2}$ 。函数空间中的对应条件是平方可积：

∥ f ∥_{L^{2} [0, 2 π]}^{2} = \int_{0}^{2 π} | f (x) |^{2} d x < \infty .

例如

∥ \sin x ∥^{2} = \int_{0}^{2 π} \sin^{2} x d x = π .

同一个有限长度边界也排除形式上的 delta 尖峰。周期三角和

\frac{1}{2} + \cos x + \cos 2 x + \cos 3 x + \dots

在 $x = 0$ 处叠成高度无穷的尖峰，在其他点按分布意义抵消；它可看作 $π δ (x)$ 的周期版本。归一化的 $δ$ 满足 $\int δ (x) d x = 1$ ，但

\int δ (x)^{2} d x = \infty,

也常简写为 $\int δ^{2} = \infty$ 。所以 $δ$ 不是 $L^{2}$ 函数，也不作为向量属于这个 Hilbert 空间。

Fourier级数给出 $L^{2}$ 与 $ℓ^{2}$ 的坐标化桥梁。若

f (x) = a_{0} + \sum_{k = 1}^{\infty} (a_{k} \cos k x + b_{k} \sin k x),

则正交性给出

∥ f ∥_{L^{2}}^{2} = 2 π a_{0}^{2} + π \sum_{k = 1}^{\infty} (a_{k}^{2} + b_{k}^{2}) .

换成标准正交基后，映射

f ⟼ (A_{0}, A_{1}, B_{1}, A_{2}, B_{2}, \dots)

保持长度，因此可以把函数的几何问题转化为 $ℓ^{2}$ 中系数列的几何问题。

这个对应首先是 Hilbert 空间范数意义下的对应。它保证最佳平方误差逼近和能量守恒，但不自动保证每一点都逐点收敛；有跳跃时，典型 Fourier 级数在跳跃点收敛到左右极限的平均值。

2.4 Sobolev空间 $H^{1} (Ω)$

定义：

H^{1} (Ω) = {f \in L^{2} (Ω) : \nabla f \in L^{2} (Ω)}

内积：

⟨ f, g ⟩_{H^{1}} = \int_{Ω} f (x) \overset{―}{g (x)} d x + \int_{Ω} \nabla f (x) \cdot \overset{―}{\nabla g (x)} d x

范数：

∥ f ∥_{H^{1}} = \sqrt{\int_{Ω} | f (x) |^{2} d x + \int_{Ω} | \nabla f (x) |^{2} d x}

完备性： $H^{1} (Ω)$ 是Hilbert空间

应用：偏微分方程的弱解

2.5 Hardy空间 $H^{2} (D)$

定义：单位圆盘 $D = {z \in C : | z | < 1}$ 上的解析函数空间：

H^{2} (D) = {f (z) = \sum_{n = 0}^{\infty} a_{n} z^{n} : \sum_{n = 0}^{\infty} | a_{n} |^{2} < \infty}

内积：

⟨ f, g ⟩ = \sum_{n = 0}^{\infty} a_{n} \overset{―}{b_{n}}, f (z) = \sum_{n = 0}^{\infty} a_{n} z^{n}, g (z) = \sum_{n = 0}^{\infty} b_{n} z^{n}

再生核（Bergman核）：

K (z, w) = \frac{1}{1 - \overset{―}{w} z}

满足再生性质：

f (z) = ⟨ f, K (\cdot, z) ⟩

三、Hilbert空间的基本定理

3.1 Riesz表示定理

定理：设 $H$ 是Hilbert空间。对每个连续线性泛函 $f \in H^{*}$ ，存在唯一的 $y \in H$ 使得：

f (x) = ⟨ x, y ⟩, \forall x \in H

且 $∥ f ∥ = ∥ y ∥$ 。

证明思路：

若 $f = 0$ ，取 $y = 0$
若 $f \neq 0$ ，令 $M = \ker f$ ，则 $M$ 是闭子空间
取 $z \in M^{⊥}$ 且 $∥ z ∥ = 1$ ，验证 $y = \overset{―}{f (z)} z$ 满足条件
唯一性由正交补的性质保证

意义：Hilbert空间的对偶空间同构于自身：

H^{*} ≅ H

这是Hilbert空间最重要的特征之一。

推广（Lax-Milgram定理）：在偏微分方程中有重要应用。

3.2 投影定理

定理：设 $M$ 是Hilbert空间 $H$ 的闭线性子空间。对任意 $x \in H$ ，存在唯一的分解：

x = u + v, u \in M, v \in M^{⊥}

其中 $M^{⊥}$ 是 $M$ 的正交补。

几何意义： $u$ 是 $x$ 在 $M$ 上的正交投影，记作 $u = P x$ 。

正交投影算子 $P : H \to M$ 的性质：

线性性： $P (α x + β y) = α P x + β P y$
幂等性： $P^{2} = P$
自伴性： $⟨ P x, y ⟩ = ⟨ x, P y ⟩$
范数： $∥ P ∥ = 1$ （若 $M \neq {0}$ ）

应用：最小二乘法、信号处理、最优控制。

3.3 自伴算子的谱定理

定义：线性算子 $A : H \to H$ 称为自伴的（self-adjoint），如果：

⟨ A x, y ⟩ = ⟨ x, A y ⟩, \forall x, y \in H

谱定理（有限维）：设 $A$ 是有限维Hilbert空间上的自伴算子，则存在标准正交基 ${e_{1}, \dots, e_{n}}$ 使得：

A e_{i} = λ_{i} e_{i}, i = 1, \dots, n

其中 $λ_{i} \in R$ 是 $A$ 的特征值。

谱定理（无限维）：设 $A$ 是Hilbert空间 $H$ 上的紧自伴算子，则存在标准正交基 ${e_{n}}_{n = 1}^{\infty}$ 和实数 ${λ_{n}}_{n = 1}^{\infty}$ 使得：

A x = \sum_{n = 1}^{\infty} λ_{n} ⟨ x, e_{n} ⟩ e_{n}, \forall x \in H

应用：量子力学中的可观测量是自伴算子。

四、可分Hilbert空间

4.1 可分性的定义

定义：Hilbert空间 $H$ 称为可分的（separable），如果它包含一个可数稠密子集。

等价刻画： $H$ 有可数正交基。

例子：

可分： $ℓ^{2}$ 、 $L^{2} (Ω)$ （ $Ω$ 可测）、Sobolev空间 $H^{1}$
不可分：非可数Hilbert空间（很少在应用中出现）

4.2 同构定理

定理：所有无限维可分Hilbert空间都等距同构于 $ℓ^{2}$ ：

H ≅ ℓ^{2}

证明：设 ${e_{n}}_{n = 1}^{\infty}$ 是 $H$ 的可数正交基。定义映射：

T : H \to ℓ^{2}, T x = (⟨ x, e_{1} ⟩, ⟨ x, e_{2} ⟩, \dots)

由Parseval等式：

∥ T x ∥_{ℓ^{2}}^{2} = \sum_{n = 1}^{\infty} | ⟨ x, e_{n} ⟩ |^{2} = ∥ x ∥_{H}^{2}

因此 $T$ 是等距同构。∎

意义：在结构上，只有一个无限维可分Hilbert空间！

五、弱收敛与弱拓扑

5.1 弱收敛的定义

定义：序列 ${x_{n}}_{n = 1}^{\infty} \subset H$ 弱收敛于 $x \in H$ （记作 $x_{n} ⇀ x$ ），如果：

lim_{n \to \infty} ⟨ x_{n}, y ⟩ = ⟨ x, y ⟩, \forall y \in H

强收敛（通常意义下的收敛）：

lim_{n \to \infty} ∥ x_{n} - x ∥ = 0

关系：强收敛 $⟹$ 弱收敛（逆命题不成立）

例子：在 $ℓ^{2}$ 中，设 $e_{n} = (0, \dots, 0, 1, 0, \dots)$ （第 $n$ 个位置为1）。则：

$∥ e_{n} ∥ = 1$ ，不强收敛于0
但 $e_{n} ⇀ 0$ （弱收敛）

5.2 弱紧性

定理（Banach-Alaoglu）：Hilbert空间的单位球在弱拓扑中是紧的。

推论（弱收敛定理）：有界序列必有弱收敛子序列。

六、应用

6.1 量子力学

态空间：量子系统的态由Hilbert空间 $H$ 中的单位向量 $| ψ ⟩$ 表示（ $⟨ ψ | ψ ⟩ = 1$ ）。

可观测量：物理量（位置、动量、能量）对应自伴算子。

Schrödinger方程：

i ℏ \frac{\partial}{\partial t} | ψ (t) ⟩ = H | ψ (t) ⟩

其中 $H$ 是哈密顿算子（能量算子）。

例子：量子谐振子的态空间是 $L^{2} (R)$ ，能量本征态是Hermite函数。

6.2 偏微分方程

弱解：在Sobolev空间 $H^{1}$ 中定义偏微分方程的弱解。

Lax-Milgram定理：保证椭圆型偏微分方程弱解的存在性和唯一性。

例子：Poisson方程 $- Δ u = f$ 在 $H_{0}^{1}$ 中的弱解。

6.3 Fourier分析

Fourier级数：在 $L^{2} [- π, π]$ 中：

f (x) = \sum_{n = - \infty}^{\infty} c_{n} e^{i n x}, c_{n} = \frac{1}{2 π} \int_{- π}^{π} f (x) e^{- i n x} d x

Parseval等式：

\frac{1}{2 π} \int_{- π}^{π} | f (x) |^{2} d x = \sum_{n = - \infty}^{\infty} | c_{n} |^{2}

Fourier变换： $L^{2} (R)$ 上的等距变换（Plancherel定理）。

6.4 信号处理

能量有限信号： $L^{2} (R)$ 中的函数

正交变换：Fourier变换、小波变换保持能量

采样定理：带限信号的完全重构

6.5 机器学习

再生核Hilbert空间（RKHS）：

核方法的理论基础
支持向量机（SVM）
高斯过程

特征映射：

K (x, y) = ⟨ ϕ (x), ϕ (y) ⟩_{H}

其中 $ϕ : X \to H$ 将数据映射到Hilbert空间 $H$ 。

参考链接

参考文献

Rudin, W. (1991). Functional Analysis (2nd ed.). McGraw-Hill.
Reed, M., & Simon, B. (1980). Functional Analysis (Vol. 1). Academic Press.
Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.
Kreyszig, E. (1978). Introductory Functional Analysis with Applications. Wiley.

正交基与投影坐标

判断一组基是否适合计算，关键要看内积矩阵。若基向量组成矩阵 $B$ ，并且

B^{*} B = I,

则这组基正交归一，坐标长度和几何长度一致；若使用幂基 $1, x, x^{2}, \dots$ ，相关的 Gram 矩阵可能形成条件数很大的 Hilbert 矩阵，计算会极不稳定。

函数空间中的 Fourier 基、Legendre 多项式和 Chebyshev 多项式都在追求更好的正交结构。Fourier 系数可写成投影公式的函数版本：

coefficient along g = \frac{⟨ f, g ⟩}{⟨ g, g ⟩} .

这正是 Hilbert 空间中“用内积做投影”的核心思想，也是 PCA、最小二乘和正交展开共享的几何基础。

一、定义与基本性质

1.1 Hilbert空间的定义

1.2 Hilbert空间与Banach空间的关系

1.3 平行四边形法则（Parallelogram Law）

二、经典Hilbert空间

2.1 有限维Hilbert空间

2.2 序列空间 ℓ2

2.3 函数空间 L2(Ω)

2.4 Sobolev空间 H1(Ω)

2.5 Hardy空间 H2(D)

三、Hilbert空间的基本定理

3.1 Riesz表示定理

3.2 投影定理

3.3 自伴算子的谱定理

四、可分Hilbert空间

4.1 可分性的定义

4.2 同构定理

五、弱收敛与弱拓扑

5.1 弱收敛的定义

5.2 弱紧性

六、应用

6.1 量子力学

6.2 偏微分方程

6.3 Fourier分析

6.4 信号处理

6.5 机器学习

参考链接

参考文献

AI 结构化补充（2026-05-02）

一、定义与基本性质

1.1 Hilbert空间的定义

1.2 Hilbert空间与Banach空间的关系

1.3 平行四边形法则（Parallelogram Law）

二、经典Hilbert空间

2.1 有限维Hilbert空间

2.2 序列空间 ℓ2

2.3 函数空间 L2(Ω)

2.3.1 ℓ2 与 L2 的 Fourier 对应

2.4 Sobolev空间 H1(Ω)

2.5 Hardy空间 H2(D)

三、Hilbert空间的基本定理

3.1 Riesz表示定理

3.2 投影定理

3.3 自伴算子的谱定理

四、可分Hilbert空间

4.1 可分性的定义

4.2 同构定理

五、弱收敛与弱拓扑

5.1 弱收敛的定义

5.2 弱紧性

六、应用

6.1 量子力学

6.2 偏微分方程

6.3 Fourier分析

6.4 信号处理

6.5 机器学习

参考链接

参考文献

正交基与投影坐标

2.2 序列空间 $ℓ^{2}$

2.3 函数空间 $L^{2} (Ω)$

2.4 Sobolev空间 $H^{1} (Ω)$

2.5 Hardy空间 $H^{2} (D)$

2.2 序列空间 $ℓ^{2}$

2.3 函数空间 $L^{2} (Ω)$

2.3.1 $ℓ^{2}$ 与 $L^{2}$ 的 Fourier 对应

2.4 Sobolev空间 $H^{1} (Ω)$

2.5 Hardy空间 $H^{2} (D)$