Hilbert空间

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。

$$\text{Hilbert空间}=\text{内积空间}+\text{完备性}$$

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

$$\underset{n\to \infty }{\lim }\Vert x_n-x\Vert =0$$

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

$$\text{Hilbert空间}\subset \text{Banach空间}$$

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（$p\ne 2$）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 $(X,\Vert \cdot \Vert )$ 是内积空间的充要条件是范数满足平行四边形法则：

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

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：

• ${\ell }^p$ 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 ${\mathbb{R}}^n$：

• 内积：$⟨x,y⟩={\sum }_{i=1}^n{x}_i{y}_i$
• 范数：$\Vert x\Vert =\sqrt{{\sum }_{i=1}^n{x}_i^2}$
• 完备性：${\mathbb{R}}^n$ 是完备的

酉空间 ${\mathbb{C}}^n$：

• 内积：$⟨x,y⟩={\sum }_{i=1}^n{x}_i\overline{y_i}$
• 范数：$\Vert x\Vert =\sqrt{{\sum }_{i=1}^n|x_i{|}^2}$
• 完备性：${\mathbb{C}}^n$ 是完备的

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

2.2 序列空间 ${\ell }^2$

定义：

$${\ell }^2=\left\{x=(x_1,x_2,\dots ):\sum _{n=1}^{\infty }|x_n{|}^2<\infty \right\}$$

内积：

$$⟨x,y⟩=\sum _{n=1}^{\infty }{x}_n\overline{y_n}$$

范数：

$$\Vert x\Vert =\sqrt{\sum _{n=1}^{\infty }|x_n{|}^2}$$

完备性：${\ell }^2$ 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：${\ell }^2$ 是可分的（有可数稠密子集）

2.3 函数空间 $L^2(\Omega )$

定义：

$$L^2(\Omega )=\left\{f:\Omega \to \mathbb{C}:{\int }_{\Omega }|f(x){|}^{2}dx<\infty \right\}$$

其中 $\Omega \subset {\mathbb{R}}^n$ 是可测集。

内积：

$$⟨f,g⟩={\int }_{\Omega }f(x)\overline{g(x)}dx$$

范数：

$$\Vert f{\Vert }_2=\sqrt{{\int }_{\Omega }|f(x){|}^{2}dx}$$

完备性：$L^2(\Omega )$ 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
• $L^2(\mathbb{R})$：整个实轴上的平方可积函数
• $L^2([0,2\pi ])$：Fourier级数的自然空间

Fourier基：在 $L^2[-\pi ,\pi ]$ 中：

$${\left\{\frac{e^{inx}}{\sqrt{2\pi }}\right\}}_{n\in \mathbb{Z}}$$

2.4 Sobolev空间 $H^1(\Omega )$

定义：

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

内积：

$$⟨f,g{⟩}_{H^1}={\int }_{\Omega }f(x)\overline{g(x)}dx+{\int }_{\Omega }\nabla f(x)\cdot \overline{\nabla g(x)}dx$$

范数：

$$\Vert f{\Vert }_{H^1}=\sqrt{{\int }_{\Omega }|f(x){|}^{2}dx+{\int }_{\Omega }|\nabla f(x){|}^{2}dx}$$

完备性：$H^1(\Omega )$ 是Hilbert空间

应用：偏微分方程的弱解

2.5 Hardy空间 $H^2(\mathbb{D})$

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

$$H^2(\mathbb{D})=\left\{f(z)=\sum _{n=0}^{\infty }{a}_n{z}^n:\sum _{n=0}^{\infty }|a_n{|}^2<\infty \right\}$$

内积：

$$⟨f,g⟩=\sum _{n=0}^{\infty }{a}_n\overline{b_n},f(z)=\sum _{n=0}^{\infty }{a}_n{z}^n,g(z)=\sum _{n=0}^{\infty }{b}_n{z}^n$$

再生核（Bergman核）：

$$K(z,w)=\frac{1}{1-\overline{w}z}$$

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 $f\in H^{\ast }$，存在唯一的 $y\in H$ 使得：

$$f(x)=⟨x,y⟩,\forall x\in H$$

且 $\Vert f\Vert =\Vert y\Vert$。

证明思路：

1. 若 $f=0$，取 $y=0$
2. 若 $f\ne 0$，令 $M=\ker f$，则 $M$ 是闭子空间
3. 取 $z\in M^{\perp }$ 且 $\Vert z\Vert =1$，验证 $y=\overline{f(z)}z$ 满足条件
4. 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：

$$H^{\ast }\cong H$$

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：

$$x=u+v,u\in M,v\in M^{\perp }$$

其中 $M^{\perp }$ 是 $M$ 的正交补。

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

正交投影算子 $P:H\to M$ 的性质：

1. 线性性：$P(\alpha x+\beta y)=\alpha Px+\beta Py$
2. 幂等性：$P^2=P$
3. 自伴性：$⟨Px,y⟩=⟨x,Py⟩$
4. 范数：$\Vert P\Vert =1$（若 $M\ne \{0\}$）

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：

$$⟨Ax,y⟩=⟨x,Ay⟩,\forall x,y\in H$$

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：

$$A{e}_i={\lambda }_i{e}_i,i=1,\dots ,n$$

其中 ${\lambda }_i\in \mathbb{R}$ 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 $\{{\lambda }_n{\}}_{n=1}^{\infty }$ 使得：

$$Ax=\sum _{n=1}^{\infty }{\lambda }_n⟨x,e_n⟩e_n,\forall x\in H$$

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：${\ell }^2$、$L^2(\Omega )$（$\Omega$ 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 ${\ell }^2$：

$$H\cong {\ell }^2$$

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

$$T:H\to {\ell }^2,Tx=(⟨x,e_1⟩,⟨x,e_2⟩,\dots )$$

由Parseval等式：

$$\Vert Tx{\Vert }_{{\ell }^2}^2=\sum _{n=1}^{\infty }|⟨x,e_n⟩{|}^2=\Vert x{\Vert }_H^2$$

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 $x_n\rightharpoonup x$），如果：

$$\underset{n\to \infty }{\lim }⟨x_n,y⟩=⟨x,y⟩,\forall y\in H$$

强收敛（通常意义下的收敛）：

$$\underset{n\to \infty }{\lim }\Vert x_n-x\Vert =0$$

关系：强收敛 $⟹$ 弱收敛（逆命题不成立）

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

• $\Vert e_n\Vert =1$，不强收敛于0
• 但 $e_n\rightharpoonup 0$（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 $|\psi ⟩$ 表示（$⟨\psi |\psi ⟩=1$）。

可观测量：物理量（位置、动量、能量）对应自伴算子。

Schrödinger方程：

$$i\hslash \frac{\partial }{\partial t}|\psi (t)⟩=H|\psi (t)⟩$$

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 $L^2(\mathbb{R})$，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 $-\Delta u=f$ 在 $H_0^1$ 中的弱解。

6.3 Fourier分析

Fourier级数：在 $L^2[-\pi ,\pi ]$ 中：

$$f(x)=\sum _{n=-\infty }^{\infty }{c}_n{e}^{inx},c_n=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }f(x)e^{-inx}dx$$

Parseval等式：

$$\frac{1}{2\pi }{\int }_{-\pi }^{\pi }|f(x){|}^{2}dx=\sum _{n=-\infty }^{\infty }|c_n{|}^2$$

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

6.4 信号处理

能量有限信号：$L^2(\mathbb{R})$ 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：

$$K(x,y)=⟨\varphi (x),\varphi (y){⟩}_H$$

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

---

参考链接

• 内积
• 正交性
• 正交基
• 函数空间
• Riesz表示定理
• 投影定理

参考文献

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

---

AI 结构化补充（2026-05-02）

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。

$$\text{Hilbert空间}=\text{内积空间}+\text{完备性}$$

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

$$\underset{n\to \infty }{\lim }\Vert x_n-x\Vert =0$$

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

$$\text{Hilbert空间}\subset \text{Banach空间}$$

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（$p\ne 2$）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 $(X,\Vert \cdot \Vert )$ 是内积空间的充要条件是范数满足平行四边形法则：

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

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：

• ${\ell }^p$ 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 ${\mathbb{R}}^n$：

• 内积：$⟨x,y⟩={\sum }_{i=1}^n{x}_i{y}_i$
• 范数：$\Vert x\Vert =\sqrt{{\sum }_{i=1}^n{x}_i^2}$
• 完备性：${\mathbb{R}}^n$ 是完备的

酉空间 ${\mathbb{C}}^n$：

• 内积：$⟨x,y⟩={\sum }_{i=1}^n{x}_i\overline{y_i}$
• 范数：$\Vert x\Vert =\sqrt{{\sum }_{i=1}^n|x_i{|}^2}$
• 完备性：${\mathbb{C}}^n$ 是完备的

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

2.2 序列空间 ${\ell }^2$

定义：

$${\ell }^2=\left\{x=(x_1,x_2,\dots ):\sum _{n=1}^{\infty }|x_n{|}^2<\infty \right\}$$

内积：

$$⟨x,y⟩=\sum _{n=1}^{\infty }{x}_n\overline{y_n}$$

范数：

$$\Vert x\Vert =\sqrt{\sum _{n=1}^{\infty }|x_n{|}^2}$$

完备性：${\ell }^2$ 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：${\ell }^2$ 是可分的（有可数稠密子集）

2.3 函数空间 $L^2(\Omega )$

定义：

$$L^2(\Omega )=\left\{f:\Omega \to \mathbb{C}:{\int }_{\Omega }|f(x){|}^{2}dx<\infty \right\}$$

其中 $\Omega \subset {\mathbb{R}}^n$ 是可测集。

内积：

$$⟨f,g⟩={\int }_{\Omega }f(x)\overline{g(x)}dx$$

范数：

$$\Vert f{\Vert }_2=\sqrt{{\int }_{\Omega }|f(x){|}^{2}dx}$$

完备性：$L^2(\Omega )$ 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
• $L^2(\mathbb{R})$：整个实轴上的平方可积函数
• $L^2([0,2\pi ])$：Fourier级数的自然空间

Fourier基：在 $L^2[-\pi ,\pi ]$ 中：

$${\left\{\frac{e^{inx}}{\sqrt{2\pi }}\right\}}_{n\in \mathbb{Z}}$$

2.3.1 ${\ell }^2$ 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 ${\ell }^2$ 当且仅当

$$\Vert v{\Vert }_{{\ell }^2}^2=\sum _{j=1}^{\infty }|v_j{|}^2<\infty .$$

例如

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

满足

$$\Vert v{\Vert }^2=1+\frac{1}{4}+\frac{1}{16}+\cdots =\frac{4}{3},$$

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

$$\Vert f{\Vert }_{L^2[0,2\pi ]}^2={\int }_0^{2\pi }|f(x){|}^{2}dx<\infty .$$

例如

$$\Vert \sin x{\Vert }^2={\int }_0^{2\pi }{\sin }^{2}xdx=\pi .$$

同一个有限长度边界也排除形式上的 delta 尖峰。周期三角和

$$\frac{1}{2}+\cos x+\cos 2x+\cos 3x+\cdots$$

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 $\pi \delta (x)$ 的周期版本。归一化的 $\delta$ 满足 $\int \delta (x)dx=1$，但

$$\int \delta (x{)}^{2}dx=\infty ,$$

也常简写为 $\int {\delta }^2=\infty$。所以 $\delta$ 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 ${\ell }^2$ 的坐标化桥梁。若

$$f(x)=a_0+\sum _{k=1}^{\infty }(a_k\cos kx+b_k\sin kx),$$

则正交性给出

$$\Vert f{\Vert }_{L^2}^2=2\pi a_0^2+\pi \sum _{k=1}^{\infty }(a_k^2+b_k^2).$$

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 ${\ell }^2$ 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 $H^1(\Omega )$

定义：

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

内积：

$$⟨f,g{⟩}_{H^1}={\int }_{\Omega }f(x)\overline{g(x)}dx+{\int }_{\Omega }\nabla f(x)\cdot \overline{\nabla g(x)}dx$$

范数：

$$\Vert f{\Vert }_{H^1}=\sqrt{{\int }_{\Omega }|f(x){|}^{2}dx+{\int }_{\Omega }|\nabla f(x){|}^{2}dx}$$

完备性：$H^1(\Omega )$ 是Hilbert空间

应用：偏微分方程的弱解

2.5 Hardy空间 $H^2(\mathbb{D})$

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

$$H^2(\mathbb{D})=\left\{f(z)=\sum _{n=0}^{\infty }{a}_n{z}^n:\sum _{n=0}^{\infty }|a_n{|}^2<\infty \right\}$$

内积：

$$⟨f,g⟩=\sum _{n=0}^{\infty }{a}_n\overline{b_n},f(z)=\sum _{n=0}^{\infty }{a}_n{z}^n,g(z)=\sum _{n=0}^{\infty }{b}_n{z}^n$$

再生核（Bergman核）：

$$K(z,w)=\frac{1}{1-\overline{w}z}$$

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 $f\in H^{\ast }$，存在唯一的 $y\in H$ 使得：

$$f(x)=⟨x,y⟩,\forall x\in H$$

且 $\Vert f\Vert =\Vert y\Vert$。

证明思路：

1. 若 $f=0$，取 $y=0$
2. 若 $f\ne 0$，令 $M=\ker f$，则 $M$ 是闭子空间
3. 取 $z\in M^{\perp }$ 且 $\Vert z\Vert =1$，验证 $y=\overline{f(z)}z$ 满足条件
4. 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：

$$H^{\ast }\cong H$$

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：

$$x=u+v,u\in M,v\in M^{\perp }$$

其中 $M^{\perp }$ 是 $M$ 的正交补。

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

正交投影算子 $P:H\to M$ 的性质：

1. 线性性：$P(\alpha x+\beta y)=\alpha Px+\beta Py$
2. 幂等性：$P^2=P$
3. 自伴性：$⟨Px,y⟩=⟨x,Py⟩$
4. 范数：$\Vert P\Vert =1$（若 $M\ne \{0\}$）

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：

$$⟨Ax,y⟩=⟨x,Ay⟩,\forall x,y\in H$$

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：

$$A{e}_i={\lambda }_i{e}_i,i=1,\dots ,n$$

其中 ${\lambda }_i\in \mathbb{R}$ 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 $\{{\lambda }_n{\}}_{n=1}^{\infty }$ 使得：

$$Ax=\sum _{n=1}^{\infty }{\lambda }_n⟨x,e_n⟩e_n,\forall x\in H$$

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：${\ell }^2$、$L^2(\Omega )$（$\Omega$ 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 ${\ell }^2$：

$$H\cong {\ell }^2$$

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

$$T:H\to {\ell }^2,Tx=(⟨x,e_1⟩,⟨x,e_2⟩,\dots )$$

由Parseval等式：

$$\Vert Tx{\Vert }_{{\ell }^2}^2=\sum _{n=1}^{\infty }|⟨x,e_n⟩{|}^2=\Vert x{\Vert }_H^2$$

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 $x_n\rightharpoonup x$），如果：

$$\underset{n\to \infty }{\lim }⟨x_n,y⟩=⟨x,y⟩,\forall y\in H$$

强收敛（通常意义下的收敛）：

$$\underset{n\to \infty }{\lim }\Vert x_n-x\Vert =0$$

关系：强收敛 $⟹$ 弱收敛（逆命题不成立）

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

• $\Vert e_n\Vert =1$，不强收敛于0
• 但 $e_n\rightharpoonup 0$（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 $|\psi ⟩$ 表示（$⟨\psi |\psi ⟩=1$）。

可观测量：物理量（位置、动量、能量）对应自伴算子。

Schrödinger方程：

$$i\hslash \frac{\partial }{\partial t}|\psi (t)⟩=H|\psi (t)⟩$$

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 $L^2(\mathbb{R})$，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 $-\Delta u=f$ 在 $H_0^1$ 中的弱解。

6.3 Fourier分析

Fourier级数：在 $L^2[-\pi ,\pi ]$ 中：

$$f(x)=\sum _{n=-\infty }^{\infty }{c}_n{e}^{inx},c_n=\frac{1}{2\pi }{\int }_{-\pi }^{\pi }f(x)e^{-inx}dx$$

Parseval等式：

$$\frac{1}{2\pi }{\int }_{-\pi }^{\pi }|f(x){|}^{2}dx=\sum _{n=-\infty }^{\infty }|c_n{|}^2$$

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

6.4 信号处理

能量有限信号：$L^2(\mathbb{R})$ 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：

$$K(x,y)=⟨\varphi (x),\varphi (y){⟩}_H$$

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

---

参考链接

• 内积
• 正交性
• 正交基
• 函数空间
• Riesz表示定理
• 投影定理

参考文献

1. Rudin, W. (1991). Functional Analysis (2nd ed.). McGraw-Hill.
2. Reed, M., & Simon, B. (1980). Functional Analysis (Vol. 1). Academic Press.
3. Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.
4. 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

$$B^{\ast }B=I,$$

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：

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

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。