正则值原像定理
定理:正则值的原像是子流形
- 定理
- 依赖深度 layer 25
- 分析学
- 多元微分
thm.regular-value · 定理 · 微积分 · 流形
陈述
设 开, 是 ()。点 叫 的正则值,当且仅当对每个 , 都满射;否则叫临界值。
若 是正则值且 ,则 是 的 维子流形:每点附近它都能写成光滑函数的图像(等价地,每点附近它能由 个独立的方程「解出」 个坐标)。
说明
⭐ 「正则值的原像是流形」是整条微分流形理论的入口 —— 它把解方程变成了描述几何对象。
⭐ 标准例题:()的梯度 只在原点为零,故 是正则值,于是 是 维子流形 —— 球面是流形这件事就是这么来的。
⚠ 是临界值(唯一临界点是原点且 ),而 恰好是 维流形 —— 临界值的原像可能仍是流形,只是定理不保证。判别一个点是正则点比判别临界点容易得多,这正是定理的实用之处。
⭐ 与 thm.sard 合起来才有完整图景:正则值多、原像是流形、临界值零测 —— 于是「几乎每个水平集都是流形」。
证明全文在边上(隐函数定理 + 局部选主元把 的 个分量当成坐标)。
它指向谁(出边)
推出 1
-
切空间 = + 极值 乘子存在
记 。由假设 , 是 的正则点,于是由
thm.regular-value, 在 附近是 维子流形。第一步:切空间 = 。 是 的水平集,故 上任何一条过 的曲线的速度向量 都满足 (对 求导)。两个维度都对:,所以
第二步: 在 上为零。 设 ,取过 的曲线 (,,)。函数 在 取局部极值,故其导数为零:由链式法则 。
第三步:纯线性代数。 现在有两个线性映射 (满射)与 (线性型),满足
引理(因子化):若线性映射 满射、线性型 满足 ,则 可分解为 ,其中 线性。
引理的证明:由秩–零化度, 诱导线性同构 ;而 说明 穿过商,给出 。取 即可。∎(引理)
第四步:翻译回梯度。 把 在 的标准基下写成 ,即得 。再用标准内积与 Riesz 表示(每边换成梯度向量)得 。∎
⭐ 这条证明完全没有用到 的几何 —— 极值的分析内容只有第二步一行,其余全是线性代数(引理)。这也是乘子法能做出来的原因:它是一条「对偶空间里取正交补」的事实。
谁指向它(入边)
推出 1
-
隐函数定理 正则值的原像是子流形
设 是正则值、。要在 附近把 写成图。
第一步:选主元。 是 满秩矩阵,故有某个 子式非零。重排坐标使后 个坐标对应的子式非零(把 写成 )。
第二步:用隐函数定理解出 。 令 。则 ,且 就是上一步那个可逆的 块。由隐函数定理(
thm.implicit-function),存在 的邻域 与唯一 映射 使 且 。第三步:认出图。 由第二步,
右边是 函数的图,即 维子流形;而 是它的内点。每个 都能这样处理,所以 是 维子流形。∎
⭐ 「子流形」在这里的操作定义就是「局部是 函数的图」—— 这条定理顺带说明了几件事等价:局部是图、局部由若干独立方程定义、局部同胚于开球。⚠ 结论里的 只用到 ;要「光滑子流形」就把 提成 。
参考
- Guillemin–Pollack, Differential Topology, §1
- Spivak, Calculus on Manifolds, Ch. 2
同一星团的其他概念 25 个
- 赋范空间layer 9
- 梯度layer 11
- 浸入 / 淹没 / 嵌入layer 12
- 压缩映射layer 14
- Banach 空间layer 15
- 压缩映射原理layer 15
- 偏导数layer 16
- 方向导数layer 17
- Hessian 矩阵layer 17
- 可微与全微分layer 18
- Jacobi 矩阵layer 19
- 多元链式法则layer 20
- 多元中值定理layer 22
- 混合偏导相等layer 22
- 逆映射定理layer 23
- 多元 Taylor 公式layer 23
- 隐函数定理layer 24
- 逆映射定理(Banach 版)layer 24
- Morse 引理layer 24
- Sard 定理layer 24
- 极值判别(Hessian 判据)layer 24
- 常秩定理layer 25
- 隐函数定理(Banach 版)layer 25
- Lagrange 乘子法layer 26