在本章中,我们仅聚焦于F是实数域R和复数域C的情形,将r∈C的复共轭记为rˉ。
在这样的向量空间上,我们定义了一个称为“内积”新的函数。
5.1内积、范数和距离
1.1 内积
定义 5.1 (内积与内积空间)
设V为F上的向量空间,V上的内积(inner product)是一个函数⟨⋅,⋅⟩:V×V→F,满足
正定性(positive definiteness):对于所有的v∈V,均有⟨v,v⟩≥0,并且等号成立当且仅当v=0;
对于F=C,有共轭对称性(conjugate symmetry):
⟨u,v⟩=v,u;
对于F=R,有对称性(symmetry):
⟨u,v⟩=⟨v,u⟩;
关于首个坐标线性(linearity in the first coordinate):
对于所有u,v,w∈V和r,s∈F,均有
⟨ru+sv,w⟩=r⟨u,w⟩+s⟨v,w⟩.
(5.1.1)
赋予内积的实(复)向量空间V称为一个实(复)内积空间(real/complex inner product space)。
若将内积空间V上的内积限制在向量子空间S上,则S在此内积下也构成一个内积空间。
若F=R,那么性质2和3意味着内积空间在各坐标上都是线性的,也就是说内积空间是双线性的(bilinear);
若F=C,则有
⟨w,ru+sv⟩=⟨ru+sv,w⟩=rˉ⟨u,w⟩+sˉ⟨v,w⟩=rˉ⟨w,u⟩+sˉ⟨w,v⟩.
(5.1.2)
这称为在第二个坐标上的共轭线性性(conjugate linearty),也称半双线性性(sesquilinearity)。
例 5.1
向量空间Rn在标准内积(standard inner product)或点积(dot product)下构成内积向量空间,其定义为
⟨(r1,⋯,rn),(s1,⋯,sn)⟩=r1s1+⋯+rnsn.
(5.1.3)
向量空间Rn常称为n维Euclidean空间(n-dimensional Euclidean space);
向量空间Cn在标准内积
⟨(r1,⋯,rn),(s1,⋯,sn)⟩=r1s1+⋯+rnsn
(5.1.4)
下构成一个内积空间,常称为n维幺正空间(n-dimensional unitary space);
在闭区间[a,b]上的所有连续复值函数构成一个向量空间C[a,b]。
在内积
⟨f,g⟩=∫abf(x)g(x)dx
(5.1.5)
下,该空间构成一个复内积空间。
例 5.2
最重要的内积空间之一是满足∑n∣sn∣2<∞的全体实(复)数列(sn)构成的向量空间ℓ2,内积定义为
⟨(sn),(tn)⟩=n=0∑∞sntn.
(5.1.6)
这种序列称为平方可和的(square summable)。
为了使这样的内积空间有意义,右侧的和必须收敛:
0≤(∣sn∣−∣tn∣)2=∣sn∣2+∣tn∣2−2∣sn∣∣tn∣⟹∣sntn∣≤(∣sn∣2+∣tn∣2)/2.
(5.1.7)
引理 5.1
若V是内积空间,并且⟨u,x⟩=⟨v,x⟩对所有x∈V成立,则u=v。
下一结论指出了实内积空间与复内积空间之间的主要差异直积,并将在后文起到关键作用。
命题 5.1
设V为内积空间,τ∈L(V)。
若⟨τv,w⟩=0对所有v,w∈V成立,则τ=0;
若V是复内积空间,则⟨τv,v⟩=0对所有v∈V成立 ⇒ τ=0。
证明
由于τv∈V,可取w=τv,因此根据定义,⟨τv,τv⟩=0当且仅当τv=0对所有v∈V成立,故τ=0;
设v=rx+y,其中x,y∈V且r∈F,则
0=⟨τv,v⟩=⟨τ(rx+y),rx+y⟩=∣r∣2⟨τx,x⟩+⟨τy,y⟩+r⟨τx,y⟩+rˉ⟨τy,x⟩.
(5.1.8)
分别取r=1和i,可得
{⟨τx,y⟩+⟨τy,x⟩=0,⟨τx,y⟩−⟨τy,x⟩⟹⟨τx,y⟩=⟨τy,x⟩=0 for all x,y∈V⟹τ=0.
(5.1.9)
1.2 范数
定义 5.2 (范数)
若V是内积空间,则v∈V的范数(norm)或长度(length)定义为∥v∥=⟨v,v⟩。
若∥v∥=1,则向量v称为单位向量(unit vector)。
以下是范数的基本性质。
定理 5.1
正定性:对所有v∈V,∥v∥≥0,并且等号成立当且仅当v=0;
线性性:对所有r∈F和v∈V,均有∥rv∥=∣r∣∥v∥;
三角不等式:对所有u,v∈V,均有∥u+v∥≤∥u∥+∥v∥,等号成立当且仅当u是v的非负标量倍。
在一般向量空间中,满足上述三条性质的函数称为其范数。
我们将证明留给读者,其中三角不等式的证明在证明了下列性质中的Cauchy-Schwarz不等式后将迎刃而解。
被赋予范数的向量空间称为赋范线性空间(normed linear space)。
因此,在内积诱导的范数(定义 5.2)下,所有内积空间都是赋范线性空间。
命题 5.2
Cauchy-Schwarz不等式:对所有u,v∈V,∣⟨u,v⟩∣≤∥u∥∥v∥,等号成立当且仅当u是v的标量倍;
对所有u,v∈V,均有∣∥u∥−∥v∥∣≤∥u−v∥;
平行四边形法则(the parallelogram law):对所有u,v∈V,均有∥u+v∥2+∥u−v∥2=2∥u∥2+2∥v∥2。
证明
这里我们仅证明Cauchy-Schwarz不等式。
对于任意u,v∈V和r∈F,考虑u−rv的范数:
0≤∥u−rv∥2=⟨u−rv,u−rv⟩=(⟨u,u⟩−rˉ⟨u,v⟩)−r(⟨v,u⟩−rˉ⟨v,v⟩).
(5.1.10)
取r=⟨u,v⟩/⟨v,v⟩,则有
0≤⟨u,u⟩−∣⟨u,v⟩∣2/⟨v,v⟩⟹∣⟨u,v⟩∣2≤∥u∥∥v∥,
(5.1.11)
等号成立当且仅当u=rv,即u是v的标量倍。
一个有趣的事实是V上的内积可通过范数恢复,两种概念在实(复)内积空间内是等价的。
定理 5.2 (极化恒等式)
若V为实向量空间,则
⟨u,v⟩=41(∥u+v∥2−∥u−v∥2).
(5.1.12)若V为复向量空间,则
⟨u,v⟩=41(∥u+v∥2−∥u−v∥2)+4i(∥u+iv∥2−∥u−iv∥2).
(5.1.13)
1.3 距离
事实上,范数还可以用于定义内积空间中任意两个向量的距离。
定义 5.3 (距离)
设V为内积空间,V中任意两个向量的距离(distance)d(u,v)定义为d(u,v)=∥u−v∥。
以下是距离的基本性质。
定理 5.3
正定性:对于所有u,v∈V,d(u,v)≥0,等号成立当且仅当u=v;
对称性:对于所有u,v∈V,d(u,v)=d(v,u);
三角不等式:对于所有u,v,w∈V,d(u,v)≤d(u,w)+d(w,v)。
对比第第 1.3.5 小节小节的定义,容易看出d实际上是V上的度量,有序对(V,d)构成度量空间。
因此在这样的距离定义下,所有内积空间都是度量空间。
5.2等距性与正交性
2.4 等距映射
向量统建的同构保持向量空间的运算。
对于被赋予拓扑结构的内积空间,其相应的概念是等距映射。
定义 5.4 (等距映射)
设V和W为内积空间,τ∈L(V,W)。
若τ保持内积,即⟨τu,τv⟩=⟨u,v⟩对所有u,v∈V成立,则τ是等距映射(isometry);
双射等距映射称为等距同构(isometric isomorphism),此时称V和W等距同构。
由于范数确定了内积,我们自然有以下结论。
定理 5.4
线性变换τ∈L(V,W)是等距映射当且仅当其保持范数,即当且仅当∥τv∥=∥v∥对所有v∈V成立。
证明
若τ为等距映射,取u=v自然有∥τv∥=∥v∥;
反之根据极化恒等式(定理 5.2),在实内积空间中,
⟨τu,τv⟩=41(∥τ(u+v)∥2−∥τ(u−v)∥2)=41(∥u+v∥2−∥u−v∥2)=⟨u,v⟩,
(5.2.1)
此时τ为等距映射。
复内积空间的情形类似。
2.5 正交性
定义 5.5
设V为内积空间。
若两个向量u,v∈V满足⟨u,v⟩=0,则称两者正交(orthogonal),记作u⊥v’
若两个子集X,Y⊆V满足⟨X,Y⟩={0},即x⊥y对所有x∈X和y∈Y成立,则称X与Y正交,记作X⊥Y;
同时用v⊥X代替{v}⊥X的写法;
子集X⊆V的正交补(orthogonal complement)是集合X⊥={v∈V∣v⊥X}。
容易验证以下性质。
命题 5.3
设V为内积空间。
任意子集X⊆V的正交补X⊥是V的一个子空间;
对于V的任意子空间S,S∩S⊥={0}。
证明
对于任意u,v∈X⊥和r,s∈F,⟨ru+sv,X⟩=r⟨u,X⟩+s⟨v,X⟩=0,因此ru+sv∈X⊥。
根据命题 2.1,X⊥为子空间;
对于任意v∈S∩S⊥,⟨v,v⟩=0,因此v=0,即S∩S⊥={0}。
定义 5.6 (正交直和)
若内积空间V=S⊕T且S⊥T,则称V是S与T的正交直和(orthogonal direct sum),记作V=S⊙T。
更一般地,若
V=S1⊕⋯⊕SnandSi⊥Sj for i=j,
(5.2.2)
则称V为S1,⋯,Sn的正交直和,记作V=S1⊙⋯⊙Sn。
正交直和具有以下等价描述。
定理 5.5
设V为内积空间,S与T均为V的子空间,则下列表述等价:
V=S⊙T;
V=S⊕T且T=S⊥。
证明
若V=S⊙T,那么根据定义,T⊆S⊥。
对于任意v∈S⊥⊆V,存在s∈S和t∈T使得v=s+t,因此0=⟨s,v⟩=⟨s,s⟩+0,进而s=0,故v=t∈T,反向包含证毕。
由表述2证明表述1是显然的。
5.3正交集与标准正交集
3.6 基本概念
定义 5.7 (正交集与标准正交集)
对于内积空间内的一个非空向量集O={ui∣i∈I},若ui⊥uj对任意不相同的指标i,j∈I成立,则称其为正交集(orthogonal set)。
另外,若每个向量ui都是单位向量,那么O是标准正交集(orthonormal set)。
因此,若⟨ui,uj⟩=δi,j对所有指标i,j∈I成立,则称该集合标准正交,其中δi,j是Kronecker δ-函数。
证明
考虑正交集O={ui∣i∈I}以及线性组合∑j=1nrijuij=0,利用正交性可知0=⟨uik,∑j=1nrijuij⟩=rik⟨uik,uik⟩,即rik=0对所有k=1,⋯,n成立,因此O线性无关。
3.7 Gram-Schmidt正交化
Gram-Schmidt过程可用于将向量序列变换为正交序列。
我们首先从以下定义入手。
定理 5.6 (Gram-Schmidt增广)
设V为内积空间,O={u1,⋯,un}为V内一组正交向量集。
若v∈/⟨u1,⋯,un⟩,则存在非零向量u∈V使得{u1,⋯,un,u}正交,且
span{u1,⋯,un,u}=span{u1,⋯,un,v}.
(5.3.1)
特别地,
u=v−i=1∑nriui,where ri={0,⟨v,ui⟩/⟨ui,ui⟩,if ui=0,if ui=0.
(5.3.2)
上述结论可直接验证(5.3.2)式证明。
尽管Gram-Schmidt增广(augmentation)常用于一系列线性无关的向量,但事实上也能应用于任意向量序列。
定理 5.7
设B={v1,v2,⋯}是一个向量列,则可通过Gram-Schmidt增广定义序列O=(u1,u2,⋯):
uk=vk=i=1∑k−1rk,iui,where u1=v1 and rk,i={0,⟨vk,ui⟩/⟨ui,ui⟩,if ui=0,if ui=0.
(5.3.3)
这样的O构成V内一组正交序列,满足
span{u1,⋯,uk}=span{v1,⋯,vk}
(5.3.4)
对所有k>0成立。
同样地,uk=0当且仅当vk∈span{v1,⋯,vk−1}。
证明
当k=1时,该结论显然成立。
假定该结论在k−1时成立,若
vk∈span{v1,⋯,vk−1}=span{u1,⋯,uk−1},
(5.3.5)
那么存在ai∈F使得vk=∑i=1k−1aiui,进而⟨vk,ui⟩=ai⟨ui,ui⟩。
因此当ui=0时ai=rk,i,即uk=vk−∑i=1k−1rk,iui=0,即
span{u1,⋯,uk}=span{u1,⋯,uk−1,0}=span{v1,⋯,vk−1}=span{v1,⋯,vk}.
(5.3.6)
反之若vk∈/span{v1,⋯,vk−1},则Gram-Schmidt增广过程(定理 5.6)已给出结果。
综上,该结论对任意自然数k成立,从而可得到一条正交向量列。
3.8 Hilbert基与Hamel基
定义 5.8 (Hilbert基)
在内积空间内的极大标准正交集(maximal orthonormal set)称为V的Hilber基(Hilbert basis)。
Zorn引理(定理 1.1)可用于证明任意非平凡内积空间具有Hilbert基:
对于V内任意标准正交集构成的链{Eα},可取其并集E=∪αEα。
对于任意u,v∈E,总存在α,β使得u∈Eα,v∈Eβ。
不妨设Eα⊆Eβ,那么在Eβ内,⟨u,v⟩=0,同时∥u∥=∥v∥=1。
因此E为标准正交集,同时E为该链的上界。
根据Zorn引理(定理 1.1),V内含有极大标准正交集,即具有Hilbert基。
需要小心的是,不能将向量空间内的基与内积空间内的Hilbert基混淆。
为了避免这种混淆,我们称前者为Hamel基(Hamel basis),称标准正交的Hamel基为标准正交基。
由于每个标准正交集都是线性无关的,因此标准正交基是Hilbert基,因为它不能真包含于其他正交集中;
否则未包含的元素与标准正交基的并集构成新的线性无关集,这与Hamel基的极大性矛盾。
对于有限维内积空间,这两种基是相同的。
定理 5.8
设V为内积空间,则V的有限子集O={u1,⋯,uk}是V的标准正交基当且仅当其为V的Hilbert基。
证明
对于充分性,假设存在v∈V使得O∪{v}构成一组标准正交集。
由于O是Hamel基,存在ri∈F使得v=∑i=1kriui,进而0=⟨v,ui⟩=ri对所有指标i=1,⋯,k成立,因此v=0,即O为Hilbert基。
反之对于必要性,假设存在v∈V使得O∪{v}构成一组线性无关集。
利用Gram-Schmidt增广过程(定理 5.6)可得到一组更大的标准正交集,但这与O的极大性矛盾,因此O为Hamel基。
下面这个例子说明了为什么上述结果在无穷维内积空间内会失效。
例 5.3
设V=ℓ2且M为具有形如
ei=((i−1) terms0,⋯,0,1,0,⋯) (5.3.7)
的所有向量构成的集合。
显然M是一组正交集,若存在v=(xn)∈ℓ2且v⊥M,则0=⟨v,ei⟩=xi对所有指标i成立,这意味着v=0。
因此M也是极大标准正交集,从而是内积空间ℓ2的一组Hilbert基。
但另一方面,由M张成的向量空间是ℓ2内所有具有有限支撑的序列构成的子空间S,显然S=ℓ2,例如(sn)=(1/n)在ℓ2内但不在S内。
5.4最佳逼近与投影定理
4.9 最佳逼近
标准正交基相较于任意基具有显著的实用优势。
从计算的角度看,若B={v1,⋯,vn}是V的一组基,则每个v∈V都具有形式v=r1v1+⋯+rnvn。
一般而言,确定坐标ri需要求解n×n规模的线性方程组。
但如果O={u1,⋯,un}是V的一组标准正交基,并且v=r1u1+⋯+rnun,则系数ri可直接通过⟨v,ui⟩得到。
即使O={u1,⋯,un}仅仅是任意标准正交集,我们仍可以考虑其展开:
v^=⟨v,u1⟩u1+⋯+⟨v,un⟩un.
(5.4.1)
定理 5.9 (Fourier展开与最佳逼近)
设O={u1,⋯,uk}为内积空间V的标准正交子集,子空间S=⟨O⟩,则向量v∈V关于O的Fourier展开(Fourier expansion)为
v^=⟨v,u1⟩u1+⋯+⟨v,uk⟩uk,
(5.4.2)
每个系数⟨v,ui⟩称为v关于O的Fourier系数(Fourier coefficient)。
向量v^可如下刻画:
v^是唯一满足(v−s)⊥S的向量s∈S;
v^为S内对v的最佳逼近(best approximation);
换言之,v^是在范数意义下唯一最接近v的向量s∈S,即∥v−v^∥<∥v−s∥对所有s∈S\{v^}成立;
Bessel不等式对所有v∈V成立,即∥v^∥≤∥v∥。
证明
首先验证⟨v−v^,ui⟩=⟨v,ui⟩−⟨v,ui⟩=0,因此对于任意s∈S=⟨O⟩,⟨v−v^,s⟩=0,即(v−v^)⊥S。
设存在另一个s∈S使得(v−s)⊥S,由于S和S⊥均为子空间(命题 5.3),故s−v^∈S,同时s−v^=(v−v^)−(v−s)∈S⊥,从而s−v^∈S∩S⊥={0},即s=v^,唯一性得证;
对于任意s∈S\{v^},由于(v−v^)⊥S且s,v^∈S,有
∥v−s∥2=∥(v−v^)+(v^−s)∥2=∥v−v^∥2+∥v^−s∥2≥∥v−v^∥2,
(5.4.3)
等号成立当且仅当s=v^,因此∥v−v^∥<∥v−s∥对所有s∈S\{v^}成立;
当O为Hilbert基时,假设存在v∈V使得v∈/S,那么可通过Gram-Schmidt增广过程(定理 5.6)得到一组新的标准正交基,但这与O的极大性矛盾。
因此存在ri∈F使得v=∑i=1kriui对任意v∈V成立,其中ri=⟨v,ui⟩。
故v=v^,自然有∥v∥=∥v^∥。
当O不为Hilbert基时,存在v∈V满足v∈/S,可通过Gram-Schmidt增广过程(定理 5.6)得到非零单位向量uk+1=v−∑i=1kriui,其中ri=⟨v,ui⟩。
因此uk+1=v−v^∈S⊥,进而∥v∥2=∥v^∥2+∥v−v^∥2>∥v^∥2。
综上,∥v∥≥∥v^∥对所有v∈V成立。
4.10 投影定理
定理 5.10 (投影定理)
若S是内积空间V的有限维子空间,则V=S⊙S⊥,由此dim(V)=dim(S)+dim(S⊥)。
特别地,若v∈V,则v=v^+(v−v^)∈S⊙S⊥。
证明
取S的一组有限基B,将其通过Gram-Schmidt增广过程(定理 5.6)得到一组标准正交基O={u1,⋯,uk}。
再结合定理 5.9构造任意v∈V的Fourier展开v^,可知(v−v^)∈S⊥,因此V=S+S⊥。
根据命题 5.3和定理 5.5,V=S⊙S⊥。
维数关系源于推论 4.2。
当S不是有限维时,上述结论未必成立。
不过即使在无穷维情形,只要S是完备子空间,上述结论依然成立。
关于这部分的讨论,我们放到第第 8 章章。
例 5.4
仍采用例例 5.3中的例子。
设S=span(M),那么若x=(xn)∈S⊥,则0=⟨x,ei⟩=xi对所有指标i成立,从而x=0,即S⊥={0};
然而S⊙S⊥=S=ℓ2,可见投影定理失效。
命题 5.5
设V为内积空间,S为V的一个有限维子空间。
S⊥⊥=S;
若X⊆V且dim(⟨X⟩)<∞,则X⊥⊥=⟨X⟩。
证明
显然对于任意s∈S,s⊥S⊥,因此S⊆S⊥⊥;
若v∈S⊥⊥⊆V,根据投影定理 5.10,存在s∈S和t∈S⊥使得v=s+t。
那么0=⟨v,t⟩=⟨t,t⟩,进而t=0。
可见v=s∈S,即S⊥⊥⊆S。
综上,S⊥⊥=S;
根据上述结果,只要证明X⊥=⟨X⟩⊥则结论得证。
显然⟨X⟩⊥⊆X⊥;
对于反向包含,由于X⊥是V的子空间(命题 5.3),考虑v∈X⊥以及⟨X⟩的一组有限基B。
由于v⊥X,显然v⊥B,进而v⟨B⟩=⟨X⟩,可见X⊥⊆⟨X⟩⊥。
综上,X⊥=⟨X⟩⊥,结论得证。
4.11 Hilbert基的刻画
命题 5.6
设O={u1,⋯,uk}为内积空间V的标准正交子集,子空间S=⟨O⟩,则下列表述等价:
O为V的标准正交基;
S⊥=⟨O⟩⊥={0};
每个向量等于其自身的Fourier展开,即对于所有v∈V,均有v^=v;
Bessel恒等式对所有v∈V成立,即∥v^∥=∥v∥;
Parseval恒等式对所有v,w∈V成立,即
⟨v,w⟩=[v^]O⋅[w^]O=⟨v,u1⟩⟨w,u1⟩+⋯+⟨v,uk⟩w,uk.
(5.4.4)
证明
若表述1成立,则定理 5.9中结论3的证明已表明,对于任意v∈S⊥⊆V,存在ri∈F使得v=∑i=1kriui,因此⟨v,ui⟩=0对所有指标i=1,⋯,k成立。
故v=0,即S⊥={0},表述2成立;
若表述2成立,根据定理 5.9,(v−v^)∈S⊥={0},因此v^=v,表述3成立;
若表述3成立,表述4显然成立;
若表述4成立,那么对于实内积空间内的任意向量v,
∥v∥2=∥v^∥2=i=1∑k⟨v,ui⟩ui2=i=1∑k⟨v,ui⟩⟨ui,v⟩. (5.4.5)
因此利用极化恒等式(定理 5.2),
⟨v,w⟩=41(∥v+w∥2−∥v−w∥2)=41i=1∑k(⟨v+w,ui⟩⟨ui,v+w⟩−⟨v−w,ui⟩⟨ui,v−w⟩)=21i=1∑k(⟨w,ui⟩⟨uj,v⟩+⟨v,ui⟩⟨uj,w⟩)=i=1∑k⟨w,ui⟩⟨uj,v⟩=⟨v,u1⟩⟨w,u1⟩+⋯+⟨v,uk⟩⟨w,uk⟩.
(5.4.6)
复内积空间的情形类似,故表述1成立;
若表述5成立,假设存在v∈V使得O∪{v}为标准正交集,那么0=⟨v,ui⟩对所有指标i=1,⋯,k成立,进而对于任意w∈V,
⟨v,w⟩=⟨v,u1⟩⟨w,u1⟩+⋯+⟨v,uk⟩⟨w,uk⟩=0,
(5.4.7)
即v⊥V,这要求v=0,否则⟨v,v⟩=0推出矛盾。
因此O为极大标准正交集,即标准正交基。
5.5Riesz表示定理
我们在本章初提及复向量空间上的内积关于第二个坐标具有共轭线性,在此我们给出其严格化的一般定义。
定义 5.9 (共轭线性)
对于定义在复向量空间V和W上的函数σ:V→W,若其满足
σ(v1+v2)=σ(v1)+σ(v2)andσ(rv)=rˉσ(v),
(5.5.1)
其中r∈C且v1,v2,v∈V,则称其共轭线性(conjugate linear)。
共轭同构(conjugate isomorphism)是双射共轭线性映射。
对于给定的x∈V,内积函数⟨⋅,x⟩:V→F定义为⟨⋅,x⟩v=⟨v,x⟩,该函数是V上的线性泛函。
因此,若定义线性映射τ:V→V∗为τx=⟨⋅,x⟩,则其为共轭线性的。
定理 5.11 (Riesz表示定理)
设V为有限维内积空间。
若定义映射τ:V→V∗为τx=⟨⋅,x⟩,则其为共轭同构。
特别地,对于每个f∈V∗,存在唯一的向量x∈V使得f=⟨⋅,x⟩,即fv=⟨v,x⟩;
若定义映射R:V∗→V为Rf=Rf,则其为τ的逆,因而同样为共轭同构。
我们称此映射为Riesz映射(Riesz map)。
若V=Rn,则Rf=(f(e1),⋯,f(en)),其中e1,⋯,en为Rn的标准基。
证明
前已证明τx共轭线性,根据引理 5.1,τx=τy即⟨⋅,x⟩=⟨⋅,y⟩意味着x=y,因此τ为单射。
对于任意f∈V∗,根据命题 4.1,K=ker(f)的余维数为1。
根据投影定理 5.10,对于任意给定的非零向量w∈V,V=⟨w⟩⊙K,这要求w∈K⊥。
取x=αw,其中α∈F,我们希望对于任意v∈V证明f(v)=⟨v,αw⟩。
若v∈K,则0=f(v)=αˉ⟨v,w⟩=⟨v,αw⟩;
若v∈K⊥,则存在r∈F使得v=rw,仅需证明f(w)=⟨w,αw⟩。
不妨取α=f(w)/⟨w,w⟩,则上式成立。
综上,对于每个f∈V∗,总可以选择非零向量w∈V和α=f(w)/∥w∥2∈F,使得V=⟨w⟩⊙K。
那么对于任意v∈V,总存在r∈F和u∈K,使得v=rw+u,进而f(v)=rf(w)+f(u)=αˉr⟨w,w⟩=⟨rw,αw⟩=⟨v,x⟩,其中x=αw唯一。
对于上述f∈V∗和非零向量w,可定义Rf=Rf=x=αw,首先验证其共轭线性:
⟨v,Rrf+sg⟩=⟨v,rf(w)+sg(w)(w/∥w∥2)⟩=⟨v,rˉRf+sˉRg⟩
(5.5.2)
对任意v∈V、r∈F和f,g∈V∗成立,因此根据引理 5.1,Rrf+sg=rˉRf+sˉRg,故R具有共轭线性。
另外,对于任意v∈V,(R∘τ)v=R⟨⋅,v⟩=v;
对于任意f∈V∗,存在x∈V使得f=⟨⋅,x⟩,因此(τ∘R)f=τx=⟨⋅,x⟩=f。
可见R是τ的逆映射,因而也是共轭同构,证毕。