[论文解读] Multiple weight Riesz and Fourier transforms in bilateral anisotropic Grand Lebesgue spaces

E. Ostrovsky, L. Sirota|arXiv (Cornell University)|Aug 12, 2012

Advanced Harmonic Analysis Research参考文献 15被引用 11

一句话总结

本文引入了双边各向异性广义勒贝格-里茨空间作为经典勒贝格空间和广义勒贝格空间的推广，并在这些空间中建立了多重权里茨变换和傅里叶变换算子范数的精确上下界。关键贡献在于通过多维伸缩方法和对慢变函数的分析，对皮特-贝克纳-奥基库利不等式进行了多维推广，给出了算子范数在距离临界指标的渐近精确估计。

ABSTRACT

In this short article we introduce so-called anisotropic (weight) Grand Lebesgue Spaces (more exactly, Grand Lebesgue-Riesz Spaces), which are generalization of the classical Lebesgue-Riesz Spaces and ordinary Grand Lebesgue Spaces, and investigate the boundedness of weight Riesz potential and weight Fourier transforms in this spaces.

研究动机与目标

• 引入并定义一类新的函数空间——双边各向异性广义勒贝格-里茨空间，推广经典勒贝格空间和广义勒贝格空间。
• 研究在新定义的各向异性广义勒贝格-里茨空间中加权里茨潜能和傅里叶变换的有界性。
• 建立这些变换算子范数的精确上下界估计，尤其在多维情形下。
• 通过显式反例和构造证明所得估计的精确性。

提出的方法

• 作者通过在乘积测度空间上使用向量指数 $\vec{p} = (p_1, \dots, p_l)$ 和定义在凸集 $Q \subset \prod_{j=1}^l [1, \infty]$ 内部的连续正权函数 $\psi(\vec{p})$，定义了各向异性广义勒贝格-里茨空间。
• 这些空间中的范数定义为 $||f||_{AG\psi} = \sup_{\vec{p} \in Q^0} \left[ |f|_{\vec{p}} / \psi(\vec{p}) \right]$，推广了经典的 $L_p$ 和广义勒贝格范数。
• 通过广义皮特-贝克纳-奥基库利（GPBO）不等式分析多重权里茨和傅里叶变换的有界性，其形式为 $|G_{\vec{m},\vec{\alpha},\vec{\beta},\vec{\gamma}}[f]|_{\vec{q}} \leq K_{\vec{m},\vec{\alpha},\vec{\beta},\vec{\gamma}}(\vec{p}) \cdot |f|_{\vec{p}}$。
• 利用多维伸缩方法估计算子范数 $K_{\vec{m},\vec{\alpha},\vec{\beta},\vec{\gamma}}(\vec{p})$，以推导其有限性的必要与充分条件。
• 通过将多维问题约化为一维类比问题，并应用 [20]、[52]、[22]、[51]、[58] 和 [42] 中的已知结果构造反例，推导出估计结果。
• 论文通过构造例子表明，上下界中的指数 1 和 $ (\alpha_j + \beta_j - \gamma_j)/m_j $ 均为精确的，证实了估计的精确性。

实验结果

研究问题

• RQ1 参数 $\vec{m}, \vec{\alpha}, \vec{\beta}, \vec{\gamma}$ 需满足何种条件，才能保证在各向异性广义勒贝格-里茨空间中多重权里茨和傅里叶变换的有界性？
• RQ2 如何根据距离临界指数 $\tilde{p}_{-}^{(j)}$ 的远近来估计广义里茨-傅里叶变换的算子范数？
• RQ3 在多维情形下，当 $p_j \to \tilde{p}_{-}^{(j)}$ 从上方趋近时，算子范数的精确渐近行为是什么？
• RQ4 能否证明算子范数的上下界是精确的？哪些构造能够说明这种精确性？
• RQ5 空间的各向异性结构如何影响范数对向量 $\vec{p}$ 各分量的依赖关系？

主要发现

• 算子范数 $K_{\vec{m},\vec{\alpha},\vec{\beta},\vec{\gamma}}(\vec{p})$ 有限性的必要与充分条件为 $\beta_j + \gamma_j - \alpha_j = m_j(1 - 1/p_j - 1/q_j)$，其中 $\alpha_j - \gamma_j > 0$，$\gamma_j < m_j$，$\alpha_j + \beta_j > \gamma_j$，且 $p_j \in (\tilde{p}_{-}^{(j)}, \infty)$，$q_j \in (1, \tilde{q}_{+}^{(j)})$，$p_j \leq q_j$。
• 算子范数满足双边估计 $C_1 \prod_{j=1}^l \left[ \frac{p_j}{p_j - \tilde{p}_{-}^{(j)}} \right]^{(\alpha_j + \beta_j - \gamma_j)/m_j} \leq K_{\cdots}(\vec{p}) \leq C_2 \prod_{j=1}^l \left[ \frac{p_j}{p_j - \tilde{p}_{-}^{(j)}} \right]^{\max(1, (\alpha_j + \beta_j - \gamma_j)/m_j)}$，其中 $C_1, C_2 > 0$ 为依赖于参数的正常数。
• 上界中的指数 $ (\alpha_j + \beta_j - \gamma_j)/m_j $ 是精确的，且可被取到，这由 [42] 和文献中的反例所示。
• 上界中的指数 1 同样可被取到，表明估计覆盖了所有可能的增长率范围。
• 通过构造在临界指数 $\tilde{p}_{-}^{(j)}$ 附近的渐近行为匹配的反例，确认了边界的精确性，证明了估计的紧致性。
• 多维伸缩方法被用于建立条件的必要性，将一维技术推广至各向异性向量设置。