内积

内积空间，Inner Product Space 内积空间是泛函分析中的核心概念，它是在向量空间基础上引入了内积结构的赋范线性空间。内积空间允许我们度量向量之间的”角度”和”正交性”，是有限维欧几里得空间在无穷维空间中的自然推广。

一、内积的定义与公理

1.1 基本定义

设 $X$ 是域 $\mathbb{F}$（$\mathbb{R}$ 或 $\mathbb{C}$）上的向量空间。若存在映射 $⟨\cdot ,\cdot ⟩:X\times X\to \mathbb{F}$ 满足以下公理，则称 $(X,⟨\cdot ,\cdot ⟩)$ 为内积空间：

实内积公理（$\mathbb{F}=\mathbb{R}$）：

1. 正定性：$⟨x,x⟩\ge 0$，且 $⟨x,x⟩=0⟺x=0$
2. 对称性：$⟨x,y⟩=⟨y,x⟩$
3. 线性性：$⟨\alpha x+\beta y,z⟩=\alpha ⟨x,z⟩+\beta ⟨y,z⟩$

复内积公理（$\mathbb{F}=\mathbb{C}$）：

1. 正定性：$⟨x,x⟩\ge 0$，且 $⟨x,x⟩=0⟺x=0$
2. 共轭对称性（Hermite对称）：$⟨x,y⟩=\overline{⟨y,x⟩}$
3. 第一变元线性：$⟨\alpha x+\beta y,z⟩=\alpha ⟨x,z⟩+\beta ⟨y,z⟩$
4. 第二变元共轭线性：$⟨z,\alpha x+\beta y⟩=\overline{\alpha }⟨z,x⟩+\overline{\beta }⟨z,y⟩$

注：在复内积空间中，$⟨x,\alpha y⟩=\overline{\alpha }⟨x,y⟩$，这称为半双线性（sesquilinear）形式。

1.2 内积导出的范数

内积自然诱导出一个范数：

$$\Vert x\Vert =\sqrt{⟨x,x⟩}$$

验证范数公理：

1. 非负性：$\Vert x\Vert \ge 0$，且 $\Vert x\Vert =0⟺x=0$ ✓
2. 齐次性：$\Vert \alpha x\Vert =\sqrt{⟨\alpha x,\alpha x⟩}=\sqrt{|\alpha {|}^2⟨x,x⟩}=|\alpha |\Vert x\Vert$ ✓
3. 三角不等式：需要Cauchy-Schwarz不等式证明 ✓

因此，每个内积空间都是赋范线性空间。

二、Cauchy-Schwarz不等式

2.1 定理陈述

Cauchy-Schwarz不等式是内积空间理论中最基本的不等式：

$$|⟨x,y⟩|\le \Vert x\Vert \cdot \Vert y\Vert =\sqrt{⟨x,x⟩⟨y,y⟩}$$

等号成立当且仅当 $x$ 和 $y$ 线性相关。

2.2 证明思路

证明：考虑非负实数 $⟨x-\lambda y,x-\lambda y⟩\ge 0$，其中 $\lambda =\frac{⟨x,y⟩}{⟨y,y⟩}$（设 $y\ne 0$）

$$\begin{array}{rl}⟨x-\lambda y,x-\lambda y⟩& =⟨x,x⟩-\lambda ⟨y,x⟩-\overline{\lambda }⟨x,y⟩+|\lambda {|}^2⟨y,y⟩\\ & =\Vert x{\Vert }^2-\frac{|⟨x,y⟩{|}^2}{\Vert y{\Vert }^2}-\frac{|⟨x,y⟩{|}^2}{\Vert y{\Vert }^2}+\frac{|⟨x,y⟩{|}^2}{\Vert y{\Vert }^2}\\ & =\Vert x{\Vert }^2-\frac{|⟨x,y⟩{|}^2}{\Vert y{\Vert }^2}\ge 0\end{array}$$

因此：

$$|⟨x,y⟩{|}^2\le \Vert x{\Vert }^2\Vert y{\Vert }^2⟹|⟨x,y⟩|\le \Vert x\Vert \Vert y\Vert$$

等号条件：$⟨x-\lambda y,x-\lambda y⟩=0⟺x-\lambda y=0⟺x=\lambda y$ ∎

2.3 三角不等式的证明

利用Cauchy-Schwarz不等式，可以证明内积导出的范数满足三角不等式：

$$\begin{array}{rl}\Vert x+y{\Vert }^2& =⟨x+y,x+y⟩\\ & =⟨x,x⟩+⟨x,y⟩+⟨y,x⟩+⟨y,y⟩\\ & =\Vert x{\Vert }^2+2\mathrm{Re}⟨x,y⟩+\Vert y{\Vert }^2\\ & \le \Vert x{\Vert }^2+2|⟨x,y⟩|+\Vert y{\Vert }^2\\ & \le \Vert x{\Vert }^2+2\Vert x\Vert \Vert y\Vert +\Vert y{\Vert }^2\text{(Cauchy-Schwarz)}\\ & =(\Vert x\Vert +\Vert y\Vert {)}^2\end{array}$$

因此 $\Vert x+y\Vert \le \Vert x\Vert +\Vert y\Vert$。∎

三、极化恒等式

极化恒等式表明内积可以完全由范数恢复，这是内积空间的特征性质。

3.1 实内积空间的极化恒等式

$$⟨x,y⟩=\frac{1}{4}\left(\Vert x+y{\Vert }^2-\Vert x-y{\Vert }^2\right)$$

证明：

$$\begin{array}{rl}\Vert x+y{\Vert }^2& =⟨x+y,x+y⟩=\Vert x{\Vert }^2+2⟨x,y⟩+\Vert y{\Vert }^2\\ \Vert x-y{\Vert }^2& =⟨x-y,x-y⟩=\Vert x{\Vert }^2-2⟨x,y⟩+\Vert y{\Vert }^2\end{array}$$

相减得：

$$\Vert x+y{\Vert }^2-\Vert x-y{\Vert }^2=4⟨x,y⟩⟹⟨x,y⟩=\frac{1}{4}(\Vert x+y{\Vert }^2-\Vert x-y{\Vert }^2)$$

3.2 复内积空间的极化恒等式

$$⟨x,y⟩=\frac{1}{4}\left(\Vert x+y{\Vert }^2-\Vert x-y{\Vert }^2+i\Vert x+iy{\Vert }^2-i\Vert x-iy{\Vert }^2\right)$$

证明：类似地计算四个范数的组合。∎

3.3 应用：平行四边形法则

平行四边形法则是内积空间的刻画定理：

定理：赋范线性空间 $(X,\Vert \cdot \Vert )$ 可以由内积导出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。

四、经典内积空间例子

4.1 欧几里得空间 ${\mathbb{R}}^n$

标准内积：

$$⟨x,y⟩=\sum _{i=1}^n{x}_i{y}_i=x^{T}y$$

导出范数：$\Vert x\Vert =\sqrt{{\sum }_{i=1}^n{x}_i^2}$（欧几里得范数）

4.2 酉空间 ${\mathbb{C}}^n$

标准内积（Hermite内积）：

$$⟨x,y⟩=\sum _{i=1}^n{x}_i\overline{y_i}=y^{\ast }x$$

其中 $y^{\ast }$ 表示 $y$ 的共轭转置。

导出范数：$\Vert x\Vert =\sqrt{{\sum }_{i=1}^n|x_i{|}^2}$

4.3 空间 ${\ell }^2$（平方可和序列空间）

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

内积：

$$⟨x,y⟩=\sum _{i=1}^{\infty }{x}_i\overline{y_i}$$

验证：由Cauchy-Schwarz不等式，级数绝对收敛：

$$\sum _{i=1}^{\infty }|x_i\overline{y_i}|\le \sqrt{\sum _{i=1}^{\infty }|x_i{|}^2}\sqrt{\sum _{i=1}^{\infty }|y_i{|}^2}<\infty$$

4.4 空间 $L^2([a,b])$（平方可积函数空间）

$$L^2([a,b])=\left\{f:[a,b]\to \mathbb{C}:{\int }_a^b|f(x){|}^{2}dx<\infty \right\}$$

内积：

$$⟨f,g⟩={\int }_a^{b}f(x)\overline{g(x)}dx$$

验证：由积分形式的Cauchy-Schwarz不等式：

$$\left|{\int }_a^{b}f(x)\overline{g(x)}dx\right|\le \sqrt{{\int }_a^b|f(x){|}^{2}dx}\sqrt{{\int }_a^b|g(x){|}^{2}dx}<\infty$$

注：$L^2$ 空间是完备的内积空间，即Hilbert空间。

4.5 加权内积空间

在 $L^2$ 空间上可以定义加权内积。设 $w(x)>0$ 是权函数：

$$⟨f,g{⟩}_w={\int }_a^{b}f(x)\overline{g(x)}w(x)dx$$

特例：

• 勒让德多项式：$w(x)=1$，$[a,b]=[-1,1]$
• 切比雪夫多项式：$w(x)=\frac{1}{\sqrt{1-x^2}}$，$[a,b]=[-1,1]$
• Hermite多项式：$w(x)=e^{-x^2}$，$[a,b]=(-\infty ,\infty )$

4.6 Sobolev空间 $H^1$

$$H^1([a,b])=\left\{f\in L^2([a,b]):f^{\prime }\in L^2([a,b])\right\}$$

内积：

$$⟨f,g{⟩}_{H^1}={\int }_a^{b}f(x)\overline{g(x)}dx+{\int }_a^b{f}^{\prime }(x)\overline{g^{\prime }(x)}dx$$

范数：

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

五、内积空间的重要性质

5.1 内积的连续性

定理：内积 $⟨\cdot ,\cdot ⟩:X\times X\to \mathbb{F}$ 是连续映射。

证明：若 $x_n\to x$ 且 $y_n\to y$，则：

$$\begin{array}{rl}|⟨x_n,y_n⟩-⟨x,y⟩|& =|⟨x_n-x,y_n⟩+⟨x,y_n-y⟩|\\ & \le \Vert x_n-x\Vert \Vert y_n\Vert +\Vert x\Vert \Vert y_n-y\Vert \to 0\end{array}$$

5.2 Pythagoras定理（勾股定理）

若 $⟨x,y⟩=0$（即 $x\perp y$），则：

$$\Vert x+y{\Vert }^2=\Vert x{\Vert }^2+\Vert y{\Vert }^2$$

证明：

$$\Vert x+y{\Vert }^2=⟨x+y,x+y⟩=\Vert x{\Vert }^2+\underset{=0}{\underbrace{2\mathrm{Re}⟨x,y⟩}}+\Vert y{\Vert }^2=\Vert x{\Vert }^2+\Vert y{\Vert }^2$$

推广到正交系 $\{e_1,\dots ,e_n\}$：

$${\Vert \sum _{i=1}^n{\alpha }_i{e}_i\Vert }^2=\sum _{i=1}^n|{\alpha }_i{|}^2\Vert e_i{\Vert }^2$$

5.3 正交分解性质

若 $x\perp y$，则：

$$\Vert x+y{\Vert }^2=\Vert x{\Vert }^2+\Vert y{\Vert }^2$$

这是有限维欧几里得空间中勾股定理的无穷维推广。

六、与相关概念的联系

6.1 内积空间 vs 赋范线性空间

• 内积空间 $\subset$ 赋范线性空间（但逆命题不成立）
• Jordan-von Neumann定理：赋范线性空间是内积空间的充要条件是满足平行四边形法则

反例：$L^p$ 空间（$p\ne 2$）是Banach空间但不是内积空间。

6.2 内积空间 vs Hilbert空间

• 内积空间：配备内积的向量空间
• Hilbert空间：完备的内积空间

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

例子：

• ${\mathbb{R}}^n$、${\mathbb{C}}^n$、${\ell }^2$、$L^2$：Hilbert空间
• $C[a,b]$ 配备 $L^2$ 内积：内积空间但不完备
• 多项式空间配备 $L^2$ 内积：内积空间但不完备

七、应用领域

7.1 量子力学

量子力学的数学基础就是Hilbert空间：

• 波函数 $\psi (x)\in L^2({\mathbb{R}}^3)$
• 期望值：$⟨A⟩=⟨\psi ,A\psi ⟩$
• 态的叠加：$\psi =c_1{\psi }_1+c_2{\psi }_2$

7.2 信号处理

• 信号能量：$\Vert f{\Vert }^2=\int |f(t){|}^{2}dt$
• 信号相关：$⟨f,g⟩$ 衡量信号相似性
• 正交变换：傅里叶变换、小波变换

7.3 机器学习

• 核方法：通过内积计算在高维特征空间中的相似度
• 支持向量机：最大间隔分类
• 核技巧：$K(x,y)=⟨\varphi (x),\varphi (y)⟩$

---

参考链接

• Hilbert空间
• 正交性
• 正交基
• 函数空间
• 泛函分析

参考文献

1. Rudin, W. (1991). Functional Analysis (2nd ed.). McGraw-Hill.
2. Kreyszig, E. (1978). Introductory Functional Analysis with Applications. Wiley.
3. Lax, P. D. (2002). Functional Analysis. Wiley-Interscience.

---

AI 结构化补充（2026-05-02）

定义

Inner Product 内积是在向量空间上定义的标量值运算，用来同时表达长度、角度、正交和投影。有限维线性代数中最重要的入口是 ${\mathbb{R}}^n$ 的标准内积：

$$⟨v,w⟩=v^{T}w=\sum _{i=1}^n{v}_i{w}_i.$$

这正是点积。因此，点积可以看作 ${\mathbb{R}}^n$ 中最常用、最标准的内积。

实内积公理

设 $V$ 是实向量空间。若映射 $⟨\cdot ,\cdot ⟩:V\times V\to \mathbb{R}$ 满足：

$$⟨x,x⟩\ge 0,⟨x,x⟩=0⟺x=0,$$ $$⟨x,y⟩=⟨y,x⟩,$$ $$⟨ax+by,z⟩=a⟨x,z⟩+b⟨y,z⟩,$$

则它是 $V$ 上的实内积。正定性保证长度不为负，对称性保证两向量的相互关系不依赖顺序，线性性保证代数展开可用。

复内积约定

在复向量空间中，必须明确共轭放在哪一边。本文采用“第一变元线性、第二变元共轭线性”的约定：

$$⟨ax+by,z⟩=a⟨x,z⟩+b⟨y,z⟩,$$ $$⟨z,ax+by⟩=\overline{a}⟨z,x⟩+\overline{b}⟨z,y⟩,$$ $$⟨x,y⟩=\overline{⟨y,x⟩}.$$

在这个约定下，${\mathbb{C}}^n$ 的标准内积是

$$⟨x,y⟩=\sum _{i=1}^n{x}_i\overline{y_i}=y^{\ast }x.$$

也可以采用第二变元线性的相反约定；两种约定都合法，但公式中的共轭位置要随之调整。

诱导长度、距离与角度

内积最直接的作用是诱导范数：

$$\Vert x\Vert =\sqrt{⟨x,x⟩}.$$

于是可以定义距离

$$d(x,y)=\Vert x-y\Vert .$$

在实内积空间中，非零向量的夹角由

$$\cos \theta =\frac{⟨x,y⟩}{\Vert x\Vert \Vert y\Vert }$$

定义。柯西-施瓦茨不等式

$$|⟨x,y⟩|\le \Vert x\Vert \Vert y\Vert$$

保证右端落在 $[-1,1]$，所以夹角公式是合法的。

在无限列向量空间中，这个不等式还说明点积本身不会跑出有限数。若 $v,w\in {\ell }^2$，则

$$|v\cdot w|=\left|\sum _{j=1}^{\infty }{v}_j\overline{w_j}\right|\le \Vert v{\Vert }_{{\ell }^2}\Vert w{\Vert }_{{\ell }^2}<\infty .$$

因此平方可和的无限向量仍然可以安全地做内积；${\ell }^2$ 的条件正是把“无限点积可能发散”的对象排除出去。

正交与勾股定理

若

$$⟨x,y⟩=0,$$

则称 $x$ 与 $y$ 正交，记作 $x\perp y$。内积把“垂直”从平面几何推广到任意维向量空间。

若 $x\perp y$，则

$$\Vert x+y{\Vert }^2=⟨x+y,x+y⟩=\Vert x{\Vert }^2+\Vert y{\Vert }^2.$$

同样有

$$\Vert x-y{\Vert }^2=\Vert x{\Vert }^2+\Vert y{\Vert }^2,$$

因为展开 $⟨x-y,x-y⟩$ 时交叉项也由 $⟨x,y⟩=0$ 消去。这就是勾股定理的内积形式。正交分解、最小二乘和傅里叶展开都依赖这个结构。

子空间与正交补

在内积空间中，子空间 $S$ 的正交补定义为

$$S^{\perp }=\{x:⟨x,s⟩=0\text{对任意 }s\in S\}.$$

这里的“任意”不能省略：两个子空间 $V,W$ 正交，意思是每个 $v\in V$ 都与每个 $w\in W$ 满足 $⟨v,w⟩=0$。若只知道 $V\cap W=\{0\}$，只能说明它们没有共享的非零向量，不能推出它们正交。

在 ${\mathbb{R}}^n$ 的标准内积下，$S$ 与 $S^{\perp }$ 的维数相加为 $n$，并且每个向量都可唯一分解为

$$x=s+z,s\in S,z\in S^{\perp }.$$

如果两个候选子空间已经彼此正交，但维数和小于环境空间维数，它们只是互相正交的子空间，不是完整的正交补；若维数和超过环境空间维数，则它们不可能彼此正交。

投影公式

若 $v\ne 0$，则 $w$ 在 $v$ 方向上的投影是

$${\mathrm{proj}}_{v}w=\frac{⟨w,v⟩}{⟨v,v⟩}v$$

在实标准内积下就是

$${\mathrm{proj}}_{v}w=\frac{w\cdot v}{v\cdot v}v.$$

投影误差 $w-{\mathrm{proj}}_{v}w$ 与 $v$ 正交。这是向量投影和正规方程的基本机制。

函数内积的积分形式

在函数空间中，向量点积的有限求和被积分替代。实值函数在区间 $I=[a,b]$ 上常用

$$⟨f,g{⟩}_I={\int }_a^{b}f(x)g(x)dx.$$

复值函数要加入共轭；按本文第一变元线性的约定，

$$⟨f,g{⟩}_I={\int }_a^{b}f(x)\overline{g(x)}dx.$$

若区间中不同位置有不同权重，则可写成

$$⟨f,g{⟩}_{I,w}={\int }_a^{b}w(x)f(x)\overline{g(x)}dx,w(x)>0.$$

由内积诱导的长度是能量积分：

$$\Vert f{\Vert }_{L^2(I)}^2=⟨f,f{⟩}_I={\int }_I|f(x){|}^{2}dx.$$

例如在 $[0,2\pi ]$ 上，

$${\int }_0^{2\pi }\sin x\cos xdx=0,{\int }_0^{2\pi }{\sin }^{2}xdx={\int }_0^{2\pi }{\cos }^{2}xdx=\pi .$$

所以 $\sin x$ 与 $\cos x$ 正交，但它们不是单位向量；归一化后应除以 $\sqrt{\pi }$。常数函数 $1$ 的长度平方是 $2\pi$，归一化常数则是 $\sqrt{2\pi }$。

典型例子

• ${\mathbb{R}}^n$：$⟨x,y⟩=x^{T}y$，即标准点积。
• ${\mathbb{C}}^n$：$⟨x,y⟩=y^{\ast }x$，需要共轭。
• 加权内积：若 $M$ 是实对称正定矩阵，则 $⟨x,y{⟩}_M=x^{T}My$。
• 函数空间：常见形式为 $⟨f,g⟩={\int }_a^{b}f(t)\overline{g(t)}dt$。

不是每个范数都来自内积。能由内积诱导的范数必须满足平行四边形恒等式：

$$\Vert x+y{\Vert }^2+\Vert x-y{\Vert }^2=2\Vert x{\Vert }^2+2\Vert y{\Vert }^2.$$

因此，内积空间比一般赋范空间多了“角度”和“正交”的几何信息。