10-4-傅里叶级数与函数空间
一句话概括
把函数看成向量、把积分看成内积,函数空间就成了一个无穷维内积空间;三角函数系 是这个空间里的一组正交基,而傅里叶级数(Fourier series)就是函数在这组正交基下的坐标展开——系数由投影公式给出,这正是第 4 章"标准正交基下坐标等于内积"的无穷维版本。
本篇覆盖:
- 函数是向量:函数空间、逐点加法与数乘、无穷维
- 函数的内积:,以及由它诱导的范数与"均方"意义
- 正交函数系的完整验证:三个积分逐个算出
- 傅里叶级数 = 正交基展开:系数公式由"两边取内积"推出
- 最小二乘视角:截断的傅里叶级数是均方误差最小的逼近(与 4-3-最小二乘逼近 完全同构)
- 帕塞瓦尔等式(Parseval): 系数平方和,即"能量守恒/勾股定理"
- 完整例算:方波与锯齿波的傅里叶系数逐步算出,解释 衰减与吉布斯现象
- 复指数形式 与傅里叶矩阵的联系(9-3-快速傅里叶变换FFT)
- 离散 ↔ 连续对照表 与 numpy 数值验算
一、定义:把函数当作向量
1.1 为什么可以这样想
在 中,一个向量就是一列数 ,编号 。把编号换成连续变量 ,"一列数"就变成"一族值" ——函数就是下标连续的向量。这个类比可以逐条落实:
| 中的向量 | 函数空间中的"向量" |
|---|---|
| , 取遍某个区间 | |
| 加法 | (逐点相加) |
| 数乘 | (逐点数乘) |
| 零向量 | 零函数 |
| 维数 有限 | 维数无穷( 线性无关) |
为什么"逐点"定义这么自然
因为唯独这样定义,才能让"函数空间是向量空间"的八条公理逐点继承自 的公理:加法交换律在每一点单独成立,所以整体成立。这也是本库第 3 章 3-1-向量空间 里"矩阵空间、函数空间都是向量空间"的延续。
1.2 函数空间
定义 10.4.1(函数空间) 设区间 。考虑所有满足
的实值函数(按"几乎处处相等"视为同一个元素)构成的集合,在逐点加法与数乘下构成一个实向量空间,记作 。
术语
读作"ell two", 纪念 Lebesgue。条件 叫做平方可积(square integrable)。本篇的例子里方波、锯齿波都满足这个条件(它们有界,且有界函数在有限区间上一定平方可积)。
1.3 函数的内积
定义 10.4.2(内积,inner product) 对 ,定义
它满足内积的三条公理(与 中的点积逐条对应):
- 对称性:;
- 线性性:(积分是线性的);
- 正定性:,且等于 当且仅当 。
定义 10.4.3(范数,norm) 。
定义 10.4.4(正交,orthogonal) 若 ,称 与 正交。
三个"翻译"
- 点积 → 积分: 把"求和"换成"积分";
- 的物理意义:若 是信号, 正比于其能量(energy);若 是误差,它正比于均方误差(mean squared error);
- 正交性:两个函数"在整段区间上乘积的积分为零",几何上是"互相垂直的两个无穷维向量"。
注意:区间不是 也可以(换成 、 都行),但归一化常数会随之改变。这是后面易错点的第一条。
二、几何直观
2.1 无穷维空间中的"垂直"
在 中 与 正交,意味着"两个方向互不干涉"。在函数空间中, 与 正交意味着:
几何图像:把 与 画在 上,前者是偶函数(关于 轴对称)、后者是奇函数(关于原点对称),两者乘积是奇函数,在对称区间上正负部分恰好抵消,积分为零。这就是"函数意义下的垂直"。
2.2 用正交基"组装"函数:频谱的直观
设想把一根绳子按某种形状拉成曲线 。傅里叶级数说:任何(平方可积的)周期函数都可以用不同频率的正弦、余弦波按合适比例叠加出来。
每一项 是一个"纯音", 越大频率越高。 就是各"纯音"的音量——这就是"频谱"(spectrum)。
在本库第 4 章的有限维版本中:,每个标准正交基向量的系数是投影 。傅里叶级数把 换成 、把点积换成积分,其余一字不改。
2.3 最小二乘的几何图像
取前 项的部分和
它是 在子空间
上的正交投影(orthogonal projection)。误差 与 中每个向量都正交,几何图像与第 4 章完全一致:
"最近"的度量是均方误差 。这使傅里叶级数成为函数空间版的最小二乘。
三、性质与定理
3.1 正交函数系的完整验证
定理 10.4.1(三角函数系的正交性)
在区间 上,函数系
满足下列三组正交关系( 均为正整数):
此外,常数函数 与所有 、 正交,且 。
其中 是 Kronecker delta(克罗内克 δ):
证明(第一组:余弦 × 余弦) 用积化和差公式
情形 A:。 此时 且 ,两项都能直接积出:
(用了 是奇函数,且 是 的整数倍、其正弦为零。)
同理 。故总和为 。
情形 B:。 此时第一项 ,
故第一组得证。
证明(第二组:正弦 × 正弦) 用
与第一组完全相同的计算给出: 时为 ; 时
证明(第三组:余弦 × 正弦) 用
情形 A:。 两项都是 ( 或 ),而 是奇函数,在对称区间 上积分为零:
情形 B:。 此时第二项 ,第一项 是奇函数积分为零,故总和仍为 。
证明(常数与三角函数的正交性,以及 ) 对 :
且
三个"归一化常数"必须记牢
- (常数函数的"长度平方")
-
-
这三个数就是所有归一化麻烦的根源。 因为常数函数的范数平方是 而非 ,所以常数项的系数公式与其它项不同——这就是为什么很多教材把常数项写成 而不是 (见 3.2 节的两种写法对照)。
3.2 傅里叶级数 = 正交基展开
定理 10.4.2(傅里叶级数,Fourier series)
设 。若
(等号在均方意义下成立,见 3.5 节),则系数由投影公式唯一确定:
证明思路("两边取内积",与有限维一字不差)
核心操作:在展开式两边同时与某个基函数做内积,利用正交性让其余项全部消失。
以 ()为例。设展开式成立,两边与 做内积。由内积的线性性(积分可以逐项进行):
逐个观察右边:
- 第一项:由 3.1 节,;
- 第三个和:由第三组正交关系,每个 ;
- 第二个和:由第一组正交关系,只有 的那一项非零,值为 。
于是整个右边只剩下一项:
这正是投影公式。 与 的推导完全相同,只是用的基函数不同。
与第 4 章的对应
在有限维中,若 的列 是标准正交基,则任何 的坐标是 —— 坐标等于内积,因为 。
若基只是正交而不标准(如这里的 ,),就必须除以 :
这正是 4-4-标准正交基与Gram-Schmidt 中"若用非标准正交基,坐标要除以长度平方"的无穷维版本。傅里叶级数没有任何新原理,它只是把一个已知公式的求和换成了积分。
两种常见写法的对照:
| 写法 | 常数项 | 常数项系数公式 | 常见于 |
|---|---|---|---|
| 本篇用法 | 强调" 是 的均值" | ||
| 经典用法 | 使 的公式对所有 统一 | ||
| 区间 | 工程、信号处理 |
三种写法的 ()与 公式完全相同(因为 对两种区间都一样)。混用两套常数项定义会导致结果差 2 倍,这是最常见的错误之一。
3.3 最小二乘视角:截断级数是最优逼近
定理 10.4.3(最佳逼近性质)
设 , 是 的傅里叶级数前 项部分和。则对任意 ,有
即 是 中距离 最近的元素。
证明(与第 4 章同一套代数) 记基函数为 。对任意 :
用正交性 ,交叉项全部消失:
对每个 配方(这正是第 4 章法方程的来源):
最后一项是平方和,恒 ,且只在
时取 。这正是傅里叶系数。故 时 最小,最小值为
与 4-3-最小二乘逼近 的同构
有限维最小二乘: 投影到 的列空间,误差 满足 (误差与列空间正交), 由法方程 给出。
无穷维版本: 投影到 ,误差 满足 对所有 (误差与整个子空间正交),系数由"投影公式"给出。
两个公式是同一个公式:若 的列正交,法方程 就解耦成 。三角函数系的正交性做的正是这件事——把耦合的法方程变成一组独立的除法。
3.4 帕塞瓦尔等式
定理 10.4.4(帕塞瓦尔等式,Parseval's identity)
设 的傅里叶系数为 ,则
若采用"常数项写作 "的经典写法(此时 对 ),则形式更为对称:
证明思路 由 3.3 节的配方结果, 时 (完备性, 中的收敛定理),于是
把 的值代入:,,得
两边除以 即得第一个形式。
帕塞瓦尔 = 勾股定理 = 能量守恒
- 勾股定理:若 且 标准正交,则 (各分量平方和)。
- 帕塞瓦尔:函数的总能量 = 各频率分量能量之和。
物理含义:信号的总能量等于其频谱的能量之和,在正交分解中能量不丢失也不重复计算。这也是为什么正交变换(傅里叶变换、离散余弦变换、SVD)在信号与图像处理中如此重要——它们保能量。
3.5 收敛性的三种意义
定理 10.4.5(收敛性,不同意义下的)
- 收敛(均方收敛):,即 。对任意 成立( 空间的一组正交基是完备的,这是 Riesz–Fischer 定理的内容)。
- 逐点收敛:对每个固定的 ,。这不是对任意 函数都成立,需要额外条件。
- 一致收敛:。条件更强: 连续、分段光滑且 (即周期延拓后仍连续)时才成立。
Dirichlet 条件(逐点收敛的充分条件,常见教材版本):若 在 上分段单调且只有有限个第一类间断点,则傅里叶级数在 的连续点收敛到 ,在间断点 收敛到左右极限的平均值
适用条件与边界:
- 定理 10.4.1–10.4.4(正交性、投影公式、最佳逼近、帕塞瓦尔)只要求 ,条件很宽;
- 逐点收敛与一致收敛需要额外的光滑性条件;
- 在间断点处,级数收敛到左右极限平均值,而不是 本身——这就是方波例子里"级数在跳变点取值 而函数值取 "的原因。
四、计算方法与步骤
求傅里叶系数的操作步骤
第 1 步:确认周期与区间。 设 的周期为 。本篇用 ()。若周期是 ,把所有公式里的 换成 、积分区间换成 、归一化常数换成 。
第 2 步:检查奇偶性(能省一半计算)。
- 若 是偶函数():所有 ,只需算 ,级数是余弦级数;
- 若 是奇函数():所有 (含 ),只需算 ,级数是正弦级数;
- 都不是: 与 都要算。
第 3 步:分段积分算 、、。 把区间按 的分段表达式拆开,逐段用 、。
第 4 步:代入 观察规律。 常见规律:只有奇数 非零( 衰减)、只有偶数 非零、 衰减(函数连续但导数跳变)等。
第 5 步(可选):写出复指数形式,见第六节。
第 6 步:验算。 用帕塞瓦尔等式检查能量是否守恒;或在某个具体点代入前几项,看是否接近函数值。
衰减速度的经验规律(很重要,直接决定"需要取多少项"):
| 的光滑程度 | 系数衰减速度 | 例 |
|---|---|---|
| 有跳跃间断(如方波) | (慢) | 方波 ( 奇) |
| 连续,但导数有跳跃(如三角波、锯齿波) | 锯齿波 | |
| 阶导数连续, 阶跳跃 | 越光滑衰减越快 | |
| 无穷次可微且周期 | 比任何 都快 | 指数衰减 |
原因(分部积分的直观):每一次分部积分都会把 求一次导、把 提到前面;每求一次导,光滑性降一级, 多一个因子。函数越光滑,高频分量越小,级数收敛越快。 这就是为什么图像压缩里"平坦区域几乎不需要高频系数"。
五、例题
例题 1(方波:完整算出全部傅里叶系数)
题目 求方波(square wave)
在 上的傅里叶级数。
第 1 步:判断奇偶性。 检查 :当 时 ,而 故 ;当 时同理。故 是奇函数。
结论:所有 (含 ),只需算 。这与"方波在一个周期内的平均值为零"一致:。
第 2 步:算 ()。 用分段积分:
先算不定积分:。
左段:
右段:
代入并注意左段带负号:
第 3 步:代入 的具体值。 因为
所以
- 偶数:;
- 奇数:。
用 ()重写:
第 4 步:写出级数。
第 5 步:验算。
- 在间断点 :级数每项 ,故部分和恒为 ,收敛到 。而 、,左右极限平均值 ✓,与定理 10.4.5 的 Dirichlet 结论一致。
- 在 :,,,…,即符号交替。级数给出
(用了 Leibniz 级数 。)这个验算顺便证明了 Leibniz 级数,是傅里叶级数的经典副产品。
- 能量验算(帕塞瓦尔):。由帕塞瓦尔公式():
这是巴塞尔问题的奇数版,又是一个副产品 ✓。
例题 2(锯齿波:连续但导数跳变,系数按 衰减)
题目 求 (,周期延拓)的傅里叶级数。
第 1 步:奇偶性。 ,是奇函数,故 。
第 2 步:算 ()。 用分部积分 ,取 、,则 、:
代入上下限:
在 :。
在 :。
相减:
故
第 3 步:写出级数。
第 4 步:验算与说明。
- 衰减速度是 (与方波同阶)。锯齿波虽然本身连续,但在 处(周期延拓后)有跳跃:、 对应同一周期点,跳变量为 。所以它不是"周期连续",衰减速度与方波同阶。
- 在 :
- 帕塞瓦尔验算:,故 。另一方面 。两者相等给出
这就是著名的巴塞尔问题(Basel problem,Euler 1735)✓。
与方波的对比
| | 方波 | 锯齿波 |
|---|---|---|
| 奇偶性 | 奇函数 | 奇函数 |
| 系数 | , | |
| 非零项 | 只有奇数项 | 全部项 |
| 衰减 | | |
| 间断 | 本身跳跃 | 连续,周期延拓后跳跃 |
| 副产品 | | |
例题 3(复指数形式)
定理 10.4.6(复指数形式的傅里叶级数) 利用 Euler 公式 ,可以把级数写成最紧凑的形式:
此时基函数系 关于复内积
是正交的,且
( 时 ,因为 是非零整数。)
三类系数的关系(以本篇 归一化约定):
方波例子:,,故
偶数时 ; 奇数时 。
例题 4(直流偏置方波:加一个常数只改变 )
题目
求函数
在 上的傅里叶级数,并说明它与例题 1 的方波级数之间的关系。
第 1 步: 先看奇偶性。 既不是偶函数( 而 ),也不是奇函数,所以 、、 都要算。但有一个更快的关系:注意
就是例题 1 的方波。因为常数 与所有 、()正交,所以后面会看到: 的系数 ()原封不动搬到 上,只有 变了 。下面用原始定义把这件事算一遍验证。
第 2 步: 算 (平均值)。
(直观:函数在一个周期里有正好一半"亮着"、高度 ,平均值就是 。)
第 3 步: 算 ()。只有右段有贡献:
因为 对每个整数 都成立。故 ()。
第 4 步: 算 ()。
代入 : 偶时 ; 奇时 。
第 5 步: 写出级数并做系数对照。
| 系数 | 例题 1 的方波 | 本题的 | 是否变化 |
|---|---|---|---|
| 变了(加了常数 ) | |||
| () | 没变 | ||
| 没变 | |||
| 没变 |
第 6 步: 三种独立验算。
(1) 用"投影公式在子空间 上"复算 (这就是 3.3 节最佳逼近的系数):
与第 3、4 步一致 ✓。
(2) 帕塞瓦尔验算。
(用了例题 1 得到的 。)
(3) 在连续点 处代入。
第 7 步: 结论与两条几何直觉。
- 加常数 = 只动起点。 时 增加 ,其余系数完全不变——因为常函数与每个 都正交(3.1 节)。
- 是"电平",其余是"波形"。 调音量的旋钮对应 ,波形的形状由 决定。这正是信号的"直流分量"与"交流分量"之分。
- 正交性让"加法"变得透明:这正是线性代数里"正交基下坐标互不干扰"的无穷维版本(见 3-1-向量空间 的子空间与直和)。
例题 5(三角波:连续函数的 衰减)
题目
求三角波
在 上的傅里叶级数(峰值 、底边 的等腰三角形),并验证 处的求和公式。
第 1 步: 把区间平移到标准区间。令 ,,则
这是偶函数,且在 上连续( 在 处连续),只是导数在 处跳变。
第 2 步: 判断奇偶性 → (所有 ),且 中的 ,即用基函数 。
第 3 步: 算 (g 在 上的平均值)。
(等腰三角形面积是 ,除以底边长 得平均值 ✓。)
第 4 步: 算 (),用分部积分。
取 、,则 、:
(第二项求导得 ,符号取 与 相抵,验证: ✓。)
代入上下限 :
在 :第一项 ,第二项 。
在 :第一项 ,第二项 。
相减:
故
第 5 步: 写出级数(换回 ):
第 6 步: 衰减速度与 处的验算。
- 衰减是 ,比方波的 快一档。 原因与第四节的经验规律一致: 本身连续,只是 有跳跃。每一次分部积分都把 提到前面、同时把 求一次导,求两次导就得到两个 。连续性换取了一阶更快的衰减。
- 在 处(峰值点,且是级数的"最光滑点"):,所有项同号相加,
与例题 1 用完全不同的函数得到同一个常数,这是一个漂亮的自洽性检验。
第 7 步: 帕塞瓦尔验算,并顺手得到一个新级数。
(用对称性:左右两半的平方积分相同。)左边 。右边:
两者相等:
这又是一个"副产品恒等式"——傅里叶级数是产生 函数恒等式的工厂。数值核对:
与例题 2 的锯齿波对照
| | 方波(例题 1) | 锯齿波(例题 2) | 三角波(本题) |
|---|---|---|---|
| 是否连续 | 否(本身跳跃) | 是(但周期延拓后跳跃) | 是(周期延拓后也连续) |
| 系数衰减 | | | |
| 截断误差 | | | |
| 副产品 | | | |
这张表说明一句实用的话:想让"用前几项近似"变得容易,先让函数变光滑。 这正是图像压缩中选择基函数(DCT、小波)时反复用到的准则。
例题 6(复指数形式的系数:把一个实级数改写成复级数)
题目
把例题 4 的平移方波
写成复指数形式 ,求出所有 (),并用 重新写出帕塞瓦尔等式。
第 1 步: 写出复系数公式。本篇约定的复内积是 ,而 ,故
第 2 步: 算 。
第 3 步: 算 ()。只有 有贡献:
(把分母的 翻到分子上。)
第 4 步: 用 Euler 公式化简。注意 (),故
其中用了 。
第 5 步: 用例题 4 的实系数交叉验证。3.2 节的换算式给出 ()。本题 、( 奇),故
一致。同时 ——实函数的复系数满足共轭对称 ,这是实级数里 都是实数的另一种说法。
第 6 步: 复形式的帕塞瓦尔。
左边 (例题 4 已算)。右边:
其中因子 来自 与 两项()。
第 7 步: 一点结构性观察。复形式的最大好处是"一个公式管所有 ": 对正、负、零频率一律成立,不需要为常数项、余弦项、正弦项各写一个公式(三套公式正是"三个归一化常数 "造成的)。代价是要处理复数与共轭(见 9-1-复数与复向量)。
例题 7(函数空间中的 Cauchy–Schwarz 不等式)
题目(证明)
证明积分形式的 Cauchy–Schwarz 不等式:对 ,
并指出证明中没有用到什么、不需要什么假设。
第 1 步: 把不等式翻译成内积的语言。要证的就是
这是 1-2-长度与点积 中 的积分版。
第 2 步: 若 :左边 、右边 ,不等式成立。故以下设 ,于是 (内积的正定性,定义 10.4.2 第 3 条)。
第 3 步: 构造一个"对一切实数 都非负"的二次式。对任意实数 ,考虑
(被积函数是平方,逐点非负,故积分非负——这一步只用到积分保号性,不需要任何光滑性。)
第 4 步: 用内积的线性性把 展开:
这是关于 的二次多项式,首项系数 (开口向上),且在所有 上取值 。
第 5 步: 开口向上的二次式处处非负 判别式 。判別式为
第 6 步: 三个值得注意的细节。
- 等号成立的条件: 存在唯一 使 (几乎处处)。换句话说,等号当且仅当两个函数成比例——与 中的结论一字不差。
- 这个证明不需要 连续、可导、有界,只需要"积分非负"与"内积线性",所以它对任意内积空间都同样有效。Cauchy–Schwarz 不是分析定理,而是代数定理。
- 它是全篇很多结论的地基:三角不等式 、最佳逼近的唯一性、以及"内积是连续函数"都从它推出。去掉它,"函数空间是内积空间"这句话就只剩下一半内容。
用 Cauchy–Schwarz 时最常见的两个错
- 忘记平方:写成 是对的(等价形式),但把 当作"已经是最强"就不对——因为 可以是负的,信息在绝对值里。
- 跨空间乱用: 里的两个函数必须定义在同一个区间上;把 上的 与 上的 相乘做内积是没有意义的。区间是内积的一部分(这是易错点第 1 条与本节 4.x 的呼应)。
例题 8(在多项式基下做 Gram–Schmidt)
题目
在 上取内积 。对函数组 做 Gram–Schmidt 正交化,并验证结果与单项式 全都正交。
第 1 步: 先算两个预备积分(后面反复用)。 与 都是偶函数:
第 2 步: 第一个基函数: 已经是"新的方向",取
第 3 步: 把 中"沿 的分量"减掉。投影系数是
故
第 4 步: 验证 :
第 5 步: 顺便算出 的长度平方(后面例题 9 会用到):
第 6 步: 验证它与 、 也正交:
( 与 都是奇函数,在对称区间上积分为零。)
第 7 步: 结论与意义。
- 在 上互相不正交,但 Gram–Schmidt 能造出正交系
它们就是Legendre 多项式(相差常数倍)。这说明"函数空间里的正交基"不只有三角函数系一种,任何一组线性无关的函数都能被正交化——与 4-4-标准正交基与Gram-Schmidt 的有限维过程逐字相同,只是把求和换成了积分。
- 傅里叶级数之所以特别,不是因为它是"唯一的"正交展开,而是因为它选到了微分算子的特征函数( 是 的特征函数,见第六节最后一行),从而在解微分方程时自动对角化。Legendre 展开在这件事上不行。
- 区间换了,正交系就换了:Legendre 多项式在 上正交,三角函数系在长度 的区间上正交。"拿错区间的基去展开"是最隐蔽的错误之一。
例题 9(截断傅里叶级数在均方意义下最优:完整推导+解方程对照)
题目(证明)
设 (),取基函数 、。证明:在 中,使均方误差 最小的
的系数是 、,并说明为什么这个结果不需要解任何方程组,而用多项式基就必须解方程组。
第 1 步: 算三个必需的内积。 是奇函数,故
也是奇函数,故 奇 奇 偶:
被积函数 是偶函数,所以可以写成两倍的一半区间:
用分部积分 、,则 、:
(、。)故
再由 3.1 节的结论:
第 2 步: 一般推导(先不代入具体数值)。设 ,展开误差:
关键一步:,交叉项消失,于是两个变量各自独立:
(把第 2 步的展开式配方即得:交叉项为零使得"配 "与"配 "互不干扰。)
第 3 步: 读取最优系数。两个平方项都 ,同时取 时误差最小,故
于是最优的 是
第 4 步: 数值验算。用梯形法在 个点的网格上算这两个内积之比(与例题 10 的代码同一套写法),得
与手算一致 ✓。最小误差为
其中 (例题 2 已算过)。
第 5 步: 正交性验算。最优性等价于"误差与整个子空间正交":
第 6 步: 为什么"不需要解方程组",以及什么时候必须解。把上式写成矩阵形式:
这里的 就是 Gram 矩阵(下一节 5.x 会用到的记号)。
- 本题的 ,因为 而成为对角矩阵——方程组解耦, 直接除一下即可。这就是"投影公式"。
- 若改用不正交的基(如 ), 有非零的非对角元,必须解一个真正的线性方程组——这就是 4-3-最小二乘逼近 的法方程 ,其中 正是列向量组的 Gram 矩阵。
与最小二乘的并排对照(同一件事的两种语言)
| | 有限维最小二乘(第 4 章) | 截断傅里叶级数(本篇) |
|---|---|---|
| 待逼近对象 | | |
| 逼近子空间 | ,基为 的列 | ,基为 |
| 误差度量 | | |
| 正交条件 | | |
| 法方程 | | , |
| 系数矩阵 | 一般满阵,需解方程 | 对角(基正交),直接相除 |
| 最小值 | | |
| 最小值条件 | 时误差为零 | 时误差为零 |
一句话:正交基把"解方程组"变成了"做除法"。 这就是傅里叶级数系数公式那么简单的全部原因。
第 7 步: 反过来问一句"去掉正交性会怎样"。若基不正交,上表中的 变成满阵,就必须解一个 阶(无穷维时是无穷阶)线性方程组;更糟的是, 的条件数会随基的选择迅速恶化(多项式幂基的 就是著名的病态例子,见 11-2-范数与条件数)。正交性既是"算得快"的原因,也是"算得准"的原因。
例题 10(numpy 数值实验:系数、帕塞瓦尔、误差衰减与吉布斯现象)
题目
只用 numpy,数值验证下面四件事:
1. 平移方波 ()、()的傅里叶系数,与例题 4 的手算结果对照;
2. 帕塞瓦尔等式 ;
3. 三角波(例题 5)的系数与 衰减、截断误差的下降速度;
4. 吉布斯现象:过冲幅度随 增大不消失。
代码(只用 numpy)
import numpy as np
x = np.linspace(-np.pi, np.pi, 200001)
h = x[1] - x[0]
f = np.where(x > 0, 2.0, 0.0) # 平移方波:2 / 0
f[np.argmin(abs(x))] = 1.0 # 间断点取左右极限的中点 (0+2)/2 = 1
print("网格点数 =", x.size, " h =", f"{h:.2e}", " f(0) =", f[np.argmin(abs(x))])
def ip(g1, g2):
return np.trapezoid(g1 * g2, x)
def coeffs(fun, nmax):
a0 = ip(fun, np.ones_like(x)) / (2 * np.pi)
a = np.array([ip(fun, np.cos(n * x)) / np.pi for n in range(1, nmax + 1)])
b = np.array([ip(fun, np.sin(n * x)) / np.pi for n in range(1, nmax + 1)])
return a0, a, b
print("\n=== 1. 平移方波系数(数值 vs 理论)===")
a0, a, b = coeffs(f, 5)
print(f"a0 = {a0:.10f} 理论 1")
for n in range(1, 6):
th = 4 / (n * np.pi) if n % 2 == 1 else 0.0
print(f"n={n}: a_n={a[n-1]: .2e} (理论 0) b_n={b[n-1]: .8f} (理论 {th:.8f})")
print("\n=== 2. 帕塞瓦尔 ===")
a0, a, b = coeffs(f, 2000)
lhs = ip(f, f) / (2 * np.pi)
rhs = a0 ** 2 + 0.5 * np.sum(a ** 2 + b ** 2)
print(f"左端 (1/2pi)int f^2 dx = {lhs:.10f} 理论 2")
print(f"右端 a0^2 + (1/2)sum(a_n^2+b_n^2) = {rhs:.10f}")
print(f"相对误差 = {abs(lhs-rhs)/lhs:.2e}")
print("\n=== 3. 三角波(1/n^2 衰减):数值 vs 理论 ===")
tt = np.linspace(0, 2, 200001)
tri = np.where(tt < 1, tt, 2 - tt)
print(f"a0 = {np.trapezoid(tri, tt)/2:.8f} 理论 1/2")
for n in range(1, 10):
val = np.trapezoid(tri * np.cos(n * np.pi * (tt - 1)), tt)
th = 4 / (n * n * np.pi ** 2) if n % 2 == 1 else 0.0
print(f"n={n}: a_n={val: .8f} 理论 {th:.8f}")
print("\n=== 4. 均方误差下降:方波 1/n vs 三角波 1/n^2 ===")
print(" N 方波 MSE 三角波 MSE")
for N in [1, 4, 16, 64, 256]:
axn, ax, bx = coeffs(f, N)
s = np.full_like(x, axn)
for n in range(1, N + 1):
s += ax[n - 1] * np.cos(n * x) + bx[n - 1] * np.sin(n * x)
e1 = ip(s - f, s - f)
st = np.full_like(tt, 0.5)
for k in range(N // 2 + 1):
n = 2 * k + 1
st += (4 / (n * n * np.pi ** 2)) * np.cos(n * np.pi * (tt - 1))
e2 = np.trapezoid((st - tri) ** 2, tt)
print(f"{N:4d} {e1:.9f} {e2:.9e}")
print("\n=== 5. 吉布斯现象:过冲不随 N 消失 ===")
for N in [5, 15, 45, 145]:
a0, a, b = coeffs(f, N)
xs = np.linspace(0, np.pi, 400001)
s = np.full_like(xs, a0)
for n in range(1, N + 1):
s += a[n - 1] * np.cos(n * xs) + b[n - 1] * np.sin(n * xs)
i = np.argmax(s)
print(f"N={N:4d} 最大过冲 = {s[i]:.6f} 占平台 2 的 {100*s[i]/2:.3f}% 位置 x = {xs[i]:.5f}")
输出(本机 numpy 2.3.5 实测)
网格点数 = 200001 h = 3.14e-05 f(0) = 1.0
=== 1. 平移方波系数(数值 vs 理论)===
a0 = 1.0000000000 理论 1
n=1: a_n= 2.83e-16 (理论 0) b_n= 1.27323954 (理论 1.27323954)
n=2: a_n= 1.06e-16 (理论 0) b_n=-0.00000000 (理论 0.00000000)
n=3: a_n= 2.12e-16 (理论 0) b_n= 0.42441318 (理论 0.42441318)
n=4: a_n= 1.06e-16 (理论 0) b_n=-0.00000000 (理论 0.00000000)
n=5: a_n= 2.30e-16 (理论 0) b_n= 0.25464791 (理论 0.25464791)
=== 2. 帕塞瓦尔 ===
左端 (1/2pi)int f^2 dx = 1.9999950000 理论 2
右端 a0^2 + (1/2)sum(a_n^2+b_n^2) = 1.9997972243
相对误差 = 9.89e-05
=== 3. 三角波(1/n^2 衰减):数值 vs 理论 ===
a0 = 0.50000000 理论 1/2
n=1: a_n= 0.40528473 理论 0.40528473
n=2: a_n= 0.00000000 理论 0.00000000
n=3: a_n= 0.04503164 理论 0.04503164
n=4: a_n= 0.00000000 理论 0.00000000
n=5: a_n= 0.01621139 理论 0.01621139
n=6: a_n= 0.00000000 理论 0.00000000
n=7: a_n= 0.00827112 理论 0.00827112
n=8: a_n= 0.00000000 理论 0.00000000
n=9: a_n= 0.00500352 理论 0.00500352
=== 4. 均方误差下降:方波 1/n vs 三角波 1/n^2 ===
N 方波 MSE 三角波 MSE
1 1.190195713 2.410950598e-03
4 0.624311472 1.202931016e-04
16 0.158917420 4.665425722e-06
64 0.039754110 9.517854961e-08
256 0.009915825 1.594084507e-09
=== 5. 吉布斯现象:过冲不随 N 消失 ===
N= 5 最大过冲 = 2.188357 占平台 2 的 109.418% 位置 x = 2.61799
N= 15 最大过冲 = 2.180284 占平台 2 的 109.014% 位置 x = 2.94524
N= 45 最大过冲 = 2.179137 占平台 2 的 108.957% 位置 x = 3.07329
N= 145 最大过冲 = 2.178995 占平台 2 的 108.950% 位置 x = 3.12007
读输出(五条结论)
- 系数与手算完全一致。 、(、、), 的""只是浮点舍入,即零。
- 帕塞瓦尔成立但收敛很慢。 左端应是 ,数值给 (误差来自间断点处的 梯形误差);右端用 个系数只到 ——因为 型级数下降得慢,丢掉的高频项还有可观能量。左端与右端之差 ,方向正确(右边偏小)。
- 三角波的系数严格按 衰减:数值 、、 与理论 逐位吻合;且偶数项精确为零(偶函数 + 半波对称)。
- 误差下降速度的对比是全篇最实用的一条:方波误差 , 乘 误差约除 ,即 (理论 ✓);三角波误差 , 乘 误差约除 ,即 。同样取 项,三角波的误差比方波小 个数量级。
- 吉布斯过冲是常数。 从 增到 ,最大过冲从 降到 ,极限是 (即平台 之上多出 跳跃量 ),而过冲位置 不断向间断点 靠拢。这正是第九节易错点 7 说的"幅度不消失、宽度变窄"的定量证据。
数值实验里最容易踩的三个坑
- 间断点上的函数值必须取中点。 下面这段把网格设为 个点(
h = 3.14e-05)时,间断点 恰好落在网格点上。若把 写成 (用x >= 0)或 (用x > 0),梯形法在这一点就产生 的系统偏差, 会集体偏离约 、 偏离 。取左右极限的中点 之后,误差立刻降到机器精度(输出里 是 量级)。- 不要在间断点上评估部分和。 部分和在 处恒等于 (因为每项都含 或 的特殊组合),无法检验逼近效果;要在连续点(如 )或远离跳跃处检验。
-
np.trapezoid在 numpy 2.0 之后才叫这个名字。 老版本()里是np.trapz,两者参数相同。若读者环境较旧,把np.trapezoid换成np.trapz即可。
与傅里叶矩阵的联系
在有限维、离散的情形, 个采样点的 DFT 写成矩阵形式
就是傅里叶矩阵(Fourier matrix),它的列正是 维空间中"离散化的复指数基",且 是酉矩阵(unitary)——即离散版的正交基。 中的积分,在离散化后变成 中的求和:积分 → 求和,连续下标 → 整数下标。FFT 则是把这个矩阵乘法从 加速到 。详见 9-3-快速傅里叶变换FFT 与 9-2-Hermitian矩阵与酉矩阵。
六、离散与连续的对应表
这张表是全篇的骨架,建议背下来:
| (离散) | (连续) |
|---|---|
| 向量 | 函数 , |
| 下标 | 连续变量 |
| 有限维 | 无穷维 |
| 点积 | 内积 |
| 范数 | 范数 |
| 正交 | 正交 |
| 标准正交基 , | 正交函数系 , |
| 展开 | 傅里叶级数 |
| 坐标 | 系数 |
| 帕塞瓦尔(勾股) | 帕塞瓦尔 |
| 最小二乘投影 , | 截断级数 , |
| 有限维基: 函数型( 才为 1) | 正交函数系:(Kronecker delta) |
| 矩阵 作用 | 算子(operator)作用 (如微分算子) |
| 转置 | 伴随算子(adjoint) |
| 特征向量 | 特征函数 (如 是 的特征函数,) |
最后一行是本篇的"彩蛋"
:复指数是二阶导数算子的特征函数,特征值是 。这正是用傅里叶级数解热传导方程的原理——把微分方程在特征函数基下对角化,把微分方程变成一族独立的常微分方程,正如第 6 章用特征向量把 解耦(见 6-3-微分方程组与矩阵指数)。
六之二、把"函数空间上的线性代数"做全:Gram 矩阵与坐标公式
上面这张表是"词汇对照"。这一节把整件事当作一次真正的线性代数运算做完整:选基 → 算 Gram 矩阵 → 解坐标。做完就会发现,"傅里叶系数不用解方程"只是"Gram 矩阵恰好是对角阵"这一句话。
6b.1 第一步:Gram 矩阵——把正交性判断变成一个矩阵
定义 10.4.7(Gram 矩阵,Gram matrix) 给定内积空间中的函数系 ,称
为这组函数的 Gram 矩阵。它有两个立刻可用的性质:
- 是对称矩阵(实内积空间里 ),而且还是正定矩阵(对任何非零系数向量 有 )——这正是 6-4-对称矩阵与正定矩阵 的五个等价条件之一。
- 这组函数线性相关(对有限个函数)。这就是 5-3-克莱姆法则与体积 里"Gram 行列式 = 平行体的体积平方"的连续版,也叫 Gram 行列式判据。
例题(正交性判断的"矩阵化"):幂基 的 Gram 矩阵。 在 上(),
故
- 对角元就是各函数的长度平方:、、;
- 非对角元不为零 ⟹ 这组基不正交( 与 的内积是 );
- 而 的 、 位置为零 ⟹ 与 、 都正交(奇偶性);
- 算出行列式 ,故三个函数线性无关(与" 相关"一致)。
6b.2 第二步:完整正交基的 Gram 矩阵——它是对角阵
三角基 、、()的 Gram 矩阵是对角矩阵:
这正是 3.1 节里三组正交关系的矩阵写法。"正交基"这个词的全部内容就是:Gram 矩阵是对角阵。
6b.3 第三步:把坐标公式并排对照(本篇与第 4 章是同一个公式)
| 项目 | 中的一组正交(非标准)基 | 中的正交函数系 |
|---|---|---|
| 展开式 | ||
| 两边与第 个基做内积 | ||
| 正交性让右边只剩一项 | ||
| 坐标公式 | ||
| 具体写法(本篇) | —— | ,, |
| 与标准正交基的关系 | 时 | 基不标准(长度是 或 ),所以必须除以长度平方 |
| 分母从哪来 | (常数项)与 (、 项)——三个归一化常数的根源 |
把这张表读三遍
傅里叶系数的公式里没有任何新东西:它就是把 4-4-标准正交基与Gram-Schmidt 的公式
里的"点积"换成"积分"、"求和下标"换成"积分区间"。之所以非要除以长度平方,是因为三角函数系只是正交、不是标准正交()。若改用标准化的基 ,坐标公式就变成纯粹的"内积",与 一字不差——但代价是系数里到处带根号,工程上没人这么写。
6b.4 第四步:导数是算子——顺便解释为什么选三角函数系
函数空间上的"线性变换"不叫矩阵,叫算子(operator)。最常用的两个是:
它们的"线性"就是微积分里的 。
为什么 Fourier 选三角函数系? 因为 (等价地 )是二阶导数算子的特征函数。逐步验证(以复指数为例):
(。)对实基也成立:、。
用第 6 章的语言:三角函数系把微分算子"对角化"了,特征值是 。这就是第七节热传导方程能"一项一项独立求解"的全部原因——与 把 解耦是同一件事(见 6-2-矩阵的对角化 与 6-3-微分方程组与矩阵指数)。
一句话把"选择的自由"说清
函数空间里的正交基有无穷多组:三角函数系、Legendre 多项式()、Chebyshev 多项式、小波、Bessel 函数……
选哪一组,取决于你想让哪个算子变成对角阵。
- 想让 对角化 ⟹ 用三角函数系(周期问题、热传导、波动);
- 想让"在区间上做 逼近"最方便 ⟹ 用 Legendre 多项式(有限元、数值积分的高斯求积);
- 想让"局部化、多尺度" ⟹ 用小波(JPEG 2000);
- 想让"图像分块压缩"⟹ 用 DCT(JPEG)。
正交基不是数学的装饰,而是"把问题解耦"的工程选择。
七、应用
7.1 热传导方程(傅里叶级数的历史起点)
考虑一维热传导方程(初值问题)
设解可以展开为
代入方程。因为 (特征函数!),每一项独立演化:
由三角函数系的线性无关性,两边各频率的系数必须相等(把方程投影到每个基函数上),得到一族互不耦合的常微分方程:
逐个求解(第 6 章的一维线性方程):
故
其中 由初值 的傅里叶系数给出。
物理含义:
- 高频分量( 大)以 的速度迅速衰减——热传导是"抹平细节"的过程;
- 常数分量 永久保留——总热量守恒;
- 时间 时解趋于常数 (温度均匀);
- 若初值 是方波(比如左半段热、右半段冷),瞬间之后温度分布就变得非常光滑——因为 的高频系数乘上 后立刻消失。
这正是傅里叶 1822 年研究热传导时发明这套方法的动机。
7.2 信号频谱分析
把一段音频信号 的傅里叶系数画成"幅度—频率"图,就是频谱图(spectrum)。用途:
- 滤波(filtering):把某些 置零,再逆变换。去掉高频 低通滤波(去噪、模糊);去掉低频 高通滤波(边缘检测、锐化)。
- 压缩:人耳对高频不敏感,可以粗糙地量化高频系数(MP3);人眼对小波/余弦高频不敏感,JPEG 用 DCT(离散余弦变换,与傅里叶级数只差一个偶延拓)。
- 调制解调:通信中把信号搬到不同频段。
- 振动分析:机械故障会在特定频率上产生峰值,做频谱即可诊断(轴承、齿轮、转子)。
7.3 图像压缩与 JPEG
把图像切成 小块,对每块做二维 DCT(本质是二维余弦级数的截断),得到 64 个系数。由于自然图像的相邻像素高度相关(低频项占绝大部分能量),可以:
- 量化:把小的(通常是高频)系数量化为零——这一步损失信息,也是压缩的来源;
- 熵编码:大量零系数用游程编码压缩。
这与第 7 章的 SVD 低秩逼近是同一思想的两个技术实现:都用"能量集中在少数几个正交方向"这一事实换取压缩率。见 7-2-图像压缩与低秩逼近。
7.4 与其他领域的联系
| 领域 | 傅里叶级数/变换的作用 |
|---|---|
| 量子力学 | 动量表象与坐标表象之间是傅里叶变换; 是动量算子的特征函数 |
| 偏微分方程 | 分离变量法 = 在特征函数基下对角化微分算子 |
| 概率论 | 特征函数 ;中心极限定理的傅里叶证明 |
| 数值计算 | 谱方法(spectral method)用傅里叶基做超高精度数值解 |
| 数据科学 | 周期数据的特征工程;时间序列的周期检测 |
八、代码:数值计算傅里叶系数并验证正交性
以下示例只用 numpy,不需要安装任何额外库。
import numpy as np
# ---------- 1. 数值验证三角函数系的正交性 ----------
# 在 [-pi, pi] 上取足够密的网格,用梯形法近似积分
x = np.linspace(-np.pi, np.pi, 200001)
def ip(f, g):
"""数值内积 <f, g> = int f g dx"""
return np.trapezoid(f * g, x)
print("=== 正交性验证(理论值 vs 数值)===")
print("<1,1> =", f"{ip(np.ones_like(x), np.ones_like(x)):.6f}", " 理论 2*pi =", f"{2*np.pi:.6f}")
print("<cos x,cos x> =", f"{ip(np.cos(x), np.cos(x)):.6f}", " 理论 pi =", f"{np.pi:.6f}")
print("<sin x,sin x> =", f"{ip(np.sin(x), np.sin(x)):.6f}", " 理论 pi =", f"{np.pi:.6f}")
print("<cos x,cos 2x> =", f"{ip(np.cos(x), np.cos(2*x)):.2e}", " 理论 0")
print("<sin x,sin 3x> =", f"{ip(np.sin(x), np.sin(3*x)):.2e}", " 理论 0")
print("<cos x,sin x> =", f"{ip(np.cos(x), np.sin(x)):.2e}", " 理论 0")
print("<1,cos x> =", f"{ip(np.ones_like(x), np.cos(x)):.2e}", " 理论 0")
# ---------- 2. 方波的傅里叶系数 ----------
f = np.where(x > 0, 1.0, -1.0) # 方波
a0 = ip(f, np.ones_like(x)) / (2 * np.pi)
print("\n=== 方波系数(数值 vs 理论)===")
print("a0 =", f"{a0:.2e}", " 理论 0")
for n in [1, 2, 3, 4, 5]:
an = ip(f, np.cos(n*x)) / np.pi
bn = ip(f, np.sin(n*x)) / np.pi
theory = 4/(n*np.pi) if n % 2 == 1 else 0.0
print(f"n={n}: a_n={an: .2e} b_n={bn:.6f} 理论 b_n={theory:.6f}")
# ---------- 3. 部分和逼近与均方误差 ----------
def partial_sum(x, N):
s = np.zeros_like(x)
for k in range(N):
n = 2*k + 1
s += (4/(np.pi*n)) * np.sin(n*x)
return s
print("\n=== 截断级数的均方误差 int (f - f_N)^2 dx ===")
for N in [1, 3, 10, 50]:
e = np.trapezoid((partial_sum(x, N) - f)**2, x)
print(f"N={N:3d} L2 误差 = {e:.6f} (总能量 = {2*np.pi:.6f})")
# ---------- 4. 帕塞瓦尔等式验证 ----------
print("\n=== 帕塞瓦尔 === ")
print("(1/2pi)*int f^2 dx =", f"{np.trapezoid(f**2, x)/(2*np.pi):.8f}")
s = sum((1/2)*(4/(n*np.pi))**2 for n in range(1, 200001, 2))
print("a0^2 + 1/2*sum(b_n^2) =", f"{s:.8f}", " 两者应相等")
输出(本机 numpy 2.3.5 实测):
=== 正交性验证(理论值 vs 数值)===
<1,1> = 6.283185 理论 2*pi = 6.283185
<cos x,cos x> = 3.141593 理论 pi = 3.141593
<sin x,sin x> = 3.141593 理论 pi = 3.141593
<cos x,cos 2x> = 2.22e-16 理论 0
<sin x,sin 3x> = -1.39e-16 理论 0
<cos x,sin x> = 0.00e+00 理论 0
<1,cos x> = 4.44e-16 理论 0
=== 方波系数(数值 vs 理论)===
a0 = -5.00e-06 理论 0
n=1: a_n=-1.00e-05 b_n=1.273240 理论 b_n=1.273240
n=2: a_n=-1.00e-05 b_n=-0.000000 理论 b_n=0.000000
n=3: a_n=-1.00e-05 b_n=0.424413 理论 b_n=0.424413
n=4: a_n=-1.00e-05 b_n=-0.000000 理论 b_n=0.000000
n=5: a_n=-1.00e-05 b_n=0.254648 理论 b_n=0.254648
=== 截断级数的均方误差 int (f - f_N)^2 dx ===
N= 1 L2 误差 = 1.190227 (总能量 = 6.283185)
N= 3 L2 误差 = 0.420625 (总能量 = 6.283185)
N= 10 L2 误差 = 0.127218 (总能量 = 6.283185)
N= 50 L2 误差 = 0.025464 (总能量 = 6.283185)
=== 帕塞瓦尔 ===
(1/2pi)*int f^2 dx = 1.00000000
a0^2 + 1/2*sum(b_n^2) = 0.99999797 两者应相等
读输出(四条,第 2 条最容易误判):
- "正交性"那四项的 量级就是零。
2.22e-16、-1.39e-16、4.44e-16都是双精度浮点的机器 epsilon 量级()——判别"数值零"要看量级,不要看它是否被写成0.00e+00。 - 方波的 出现 、 出现 :这是离散化伪影,不是函数真的有不零的余弦系数。 量级 ,与步长同阶,正是"间断点上梯形法只有 精度"的直接体现(见下面「数值积分的注意事项」第 2 条)。修法见第十节例题 10:把 设成左右极限的中点,同样的网格上误差立刻降到 。
- 帕塞瓦尔的右端 略小于 :只取了有限项,丢掉的高频还有一点点能量,方向与理论一致 ✓。
- 均方误差以 的速度下降( 相当于 增大 10 倍、误差降为约 ),与"有跳跃的函数系数 、误差平方和 "的理论一致 ✓。
数值积分的注意事项
1. 网格要够密:方波在 处有间断,梯形法在那里误差 。本例取 个点()才得到 量级的精度。若用 个点,间断点附近的误差会污染所有系数。
2. 采样点正好落在间断点上要留意:本例网格在 处取到 (因为用了
x > 0),这使 出现 的假值。这是离散化伪影,不是函数真的有不零的余弦系数。3. 周期函数的积分:对周期函数,在一个整周期上积分与起点无关,
np.trapezoid的首尾点不需要特殊处理(因为 周期连续时端点值相等);但间断函数要注意端点。4. 若函数给的是均匀采样值而非解析表达式,应该用 FFT(9-3-快速傅里叶变换FFT)而不是逐项数值积分——FFT 的系数与傅里叶系数之间只差一个归一化因子,且计算复杂度从 降到 。
九、易错点
八个高频错误
1. 混淆傅里叶级数与傅里叶变换。 这是最常见的概念错误。
- 傅里叶级数:对象是周期函数(或定义在有限区间上的函数),结果是离散的频率分量 ,是求和;
- 傅里叶变换:对象是非周期函数(定义在整个实轴,且绝对可积),结果是连续的频率函数 ,是积分。
二者的关系是极限:把周期 ,相邻频率间隔 ,求和趋于积分。不要把两者混着写公式。
2. 忘记归一化常数。 三处最容易漏:
- 系数公式中的 (或 )忘掉 所有系数差 或 倍;
- 常数项: 与经典写法 (配 )不要混用,混用会让常数项差 2 倍;
- 帕塞瓦尔等式的两边权重:左边有 ,右边有 ,必须与所用约定配套。算完一定要用帕塞瓦尔自查一次。
3. 以为任何函数都能"逐点"收敛到原函数。 收敛有三种意义(、逐点、一致),强度依次递增,所需条件也依次增强。 收敛对任意平方可积函数成立;逐点收敛需要额外条件(例如 Dirichlet 条件);在间断点处,级数收敛到左右极限的平均值,不是 。方波在 处级数给 ,而 无论取 还是 都不是 ——这不是错误,这是定理的内容。
4. 忽略奇偶性而白算一半。 奇函数的所有 (含 )为零,偶函数的所有 为零。不检查奇偶性会做出大量恒为零的无用积分,还容易算错。注意:奇偶性是相对于对称区间 而言的;若区间是 ,先平移再判断,或老老实实积分。
5. 与"半幅展开"混淆(奇延拓/偶延拓)。 若函数只定义在 上,可以偶延拓到 (得余弦级数)或奇延拓(得正弦级数),两者都收敛到原函数在 上的值,但级数完全不同、收敛速度也不同。同一个函数有两种合法的傅里叶级数(对应不同的周期延拓),必须说清用的是哪一种。
6. 把"正交"当成"系数为零"的理由搞反了。 正交性是用来求系数的(两边取内积消掉其他项),不是"因为正交所以系数是零"。系数是否为零取决于 与各基函数的内积,即 的形状。例如方波的余弦系数全为零,是因为 是奇函数,而不是因为 与什么正交。
7. 忽略吉布斯现象(Gibbs phenomenon)的存在。 在间断点附近,部分和会出现过冲(overshoot),幅度约为跳跃量的 8.95%,且 时过冲的幅度不消失(位置越来越靠近间断点、宽度越来越窄)。这说明 收敛并不意味着一致收敛!很多人第一次看到"级数明明收敛了却在跳变处冒尖"会以为是算错了。
8. 在复数形式上丢掉共轭。 复内积定义里的共轭不能丢:。若丢掉共轭,正定性 就不成立( 时 )。这也是本库统一把共轭转置记作 的原因,见 9-1-复数与复向量。
关于吉布斯现象的定量说明:设跳跃量为 (即左右极限之差,方波例子中 )。可以证明,部分和在跳跃点右侧的最大值趋近于
其中括号内的常数
而 正是著名的 Wilbraham–Gibbs 常数。因此过冲量约为
即跳跃量的约 。对方波(、上平台高度为 ),过冲的绝对幅度约为 ,也就是相对平台高度 的约 ——数值实验( 项)给出的正是 。两种百分比的分母不同(一个用跳跃量 ,一个用平台高度),不要混淆。关键结论是:这个过冲与 无关, 增大只是让它更靠近间断点、宽度更窄,幅度始终存在。这是傅里叶级数的固有性质,不是数值误差。
十、练习题
基础题 1 验证 与 (),并说明 。
基础题 2 判断下列函数的傅里叶级数中哪些系数必然为零,并说明理由:
(a) ,;(b) ;(c) ;(d) ()。
进阶题 3 求三角波
的傅里叶级数(提示:这是偶函数,只需算 ;答案是 的变体,请自行完成并验证 处的值)。用它推导 。
进阶题 4 用例题 2 的锯齿波级数,在 处求值,推导 Leibniz 级数 。再用帕塞瓦尔等式从锯齿波级数推导 。
进阶题 5 设 ()。分别做偶延拓与奇延拓,写出两个不同的傅里叶级数,并比较它们在 处的收敛值。哪个级数收敛更快?为什么?
思考题 6 设 是周期为 的连续函数,且 平方可积。利用分部积分证明: 的傅里叶系数满足 、,其中 是与 无关的常数(提示:,对 凑出 再分部积分)。由此解释"函数越光滑,系数衰减越快"。
思考题 7 说明为什么 是微分算子 的特征函数,并据此解释第七节中热传导方程被"对角化"为无穷多个独立的一维常微分方程。这与第 6 章用 解 有什么共同点?
十一、常见问题 FAQ
Q1:傅里叶级数的"完备性"是什么意思?凭什么保证它能表示任意函数?
完备性是指三角函数系在 中是极大正交系:不存在非零函数与所有 、 都正交(除了零函数)。等价地,对任意 ,。这条定理(Riesz–Fischer)远非平凡,但它的线性代数读法很朴素:正交系是"基",没有漏掉任何方向。这也解释了为什么投影公式给出的系数是唯一的——若还有另一组系数也表示 ,两者之差与所有基函数正交,由完备性只能是零函数。
Q2:为什么必须用正交基?随便选一组基不行吗?
可以,但会很痛苦。用非正交基展开 时,"两边取内积"会得到一组耦合的方程
即要解一个无穷维线性方程组( 叫 Gram 矩阵)。正交性的全部价值就是让 对角化,于是方程组解耦、 一步到位。这正是第 4 章 Gram–Schmidt 正交化的动机:正交化 = 把耦合的方程组变成除法。
Q3: 到底表示什么?和 ()的地位一样吗?
就是 在一个周期上的平均值(直流分量)。它的地位与其它系数略有不同:因为 而不是 ,所以 的公式少了一个因子 。许多教材干脆把常数项写成 并定义 ,这样 对所有 统一(把 代入即可)。两种写法结果一样,但不能中途换用。工程上还常写成 ,其中 。
Q4:傅里叶级数和最小二乘、和 SVD 到底什么关系?
三者是同一个几何事实在三个场景下的名字:
| 场景 | 空间 | 正交系 | 展开系数 |
|---|---|---|---|
| 最小二乘拟合 | 的列(不正交,需解 ) | ||
| 傅里叶级数 | (正交,无需解方程) | ||
| SVD / PCA | 的左/右奇异向量(标准正交) | 奇异值坐标 |
共同骨架是:选一组正交基 → 用内积(投影)取坐标 → 截断即最优压缩(帕塞瓦尔保证误差 = 丢掉系数的能量和)。傅里叶的特别之处只在于基函数有解析表达式、且有 FFT 这个 的快速算法。
本篇小结
一页纸回顾
本篇只有一条主线:把"向量"换成"函数"、"点积"换成"积分",第 4 章的全部结论原样成立。
函数 = 无穷维向量 用内积"读出"坐标 均方误差最小的逼近 帕塞瓦尔等式。
逻辑链条(每一环都用上一环)
| 环节 | 命题 | 依据 |
|---|---|---|
| 1 | 函数在逐点加法与数乘下构成向量空间,维数无穷 | 定义 10.4.1 |
| 2 | 积分 满足内积三条公理 | 定义 10.4.2 |
| 3 | 两两正交,长度平方分别是 | 定理 10.4.1 |
| 4 | 正交让"两边取内积"只剩一项 ⟹ 投影公式 | 定理 10.4.2 |
| 5 | 截断级数 是 上距离 最近的元素(最小均方误差) | 定理 10.4.3 |
| 6 | 令 得帕塞瓦尔:能量 = 各频率分量能量之和 | 定理 10.4.4 |
| 7 | 收敛对一切平方可积函数成立;逐点/一致收敛需额外光滑性 | 定理 10.4.5 |
| 8 | 截断误差 ,即"丢掉的系数能量和" | 定理 10.4.3 的推论 |
| 9 | 幂基的 Gram 矩阵非对角,必须解方程;三角基的 Gram 矩阵对角,直接相除 | 6b 节 |
必背公式清单
| 名称 | 公式 | 条件 |
|---|---|---|
| 内积 / 范数 | , | |
| 正交性(三组) | ,, | ;区间长度 |
| 常数函数 | , | —— |
| 傅里叶系数 | ,, | 本篇约定(常数项写作 ) |
| 坐标通则 | 基正交但不标准 | |
| 标准正交基 | ,即第 4 章 | |
| 最佳逼近 | 对一切 | 是正交投影 |
| 最小误差 | 由帕塞瓦尔 | |
| 帕塞瓦尔 | 完备正交系 | |
| 复形式 | , | ( 实值) |
| 复 ↔ 实 | ,, | |
| 系数衰减 | 有跳跃时 ; 连续而 跳跃时 | 分部积分一次降一档 |
| 吉布斯过冲 | 幅度 跳跃量, 不消失 | 与 无关 |
| 特征函数 | 微分算子被对角化 | |
| Gram 矩阵 | , 线性相关 | 对称正定 |
易混概念对照表(本篇最容易搞错的四组)
| 易混的一对 | 关键区别 | 一句话记法 |
|---|---|---|
| 傅里叶级数 vs 傅里叶变换 | 周期函数 → 离散频谱、用求和;非周期函数 → 连续频谱、用积分 | 周期对应离散,非周期对应连续 |
| 正交 vs 标准正交 | 正交只要求内积为 ;标准正交还要求长度为 | 傅里叶基只正交不标准,所以公式里必须除以 或 |
| vs | 两种常数项约定差 倍, 的定义也随之差 倍 | 选定一套就不要换;混用是最常见的错 |
| 收敛 vs 一致收敛 | 只看"能量差";一致收敛看"逐点最大偏差" | 方波: 收敛但不一致收敛(吉布斯过冲) |
| 正交 vs 完备 | 正交是"两两垂直";完备是"没有漏掉任何方向" | 有正交系不一定能张成整个空间,帕塞瓦尔依赖完备 |
| 奇函数 vs 偶函数 的系数 | 奇函数 全为零(正弦级数);偶函数 全为零(余弦级数) | 先判奇偶,省一半计算 |
| 同一个函数的两套级数 | 偶延拓得余弦级数,奇延拓得正弦级数,两者都合法 | 说清用的是哪一种延拓 |
| Gram 矩阵对角 vs 非对角 | 对角 ⟹ 坐标直接相除;非对角 ⟹ 必须解方程组 | 正交性是"把解方程变成除法"的唯一原因 |
五个"必须会动手做"的动作
- 写出方波、锯齿波、三角波的系数,并说出各自的衰减阶数与原因( 还是 ,看有没有跳跃)。
- 算一次帕塞瓦尔,用它检验自己算出的系数对不对(能量必须守恒)。
- 判断奇偶性再动手积分——这一步能省掉一半工作量,也能发现算错的系数。
- 把一个实级数改写成复指数形式,并用 自检。
- 解释"为什么傅里叶系数不用解方程组"——答案要落在"Gram 矩阵是对角阵"上,而不是"课本给的公式"。
自测清单
- 能否说清"函数是向量"这个类比在加法、数乘、内积、范数、正交、基这六件事上分别对应什么?
- 能否独立算一遍 (分 与 两种情形)?
- 能否说明为什么常数项的长度平方是 而不是 ,以及这如何导致常数项公式"少一个 "?
- 能否写出截断傅里叶级数的最小误差公式,并解释它的几何意义是"丢掉的能量的和"?
- 能否举出两个"傅里叶级数副产品恒等式"(、 之类),并说明它们是从哪个函数算出来的?
- 能否解释吉布斯现象为什么不违反 收敛?
- 能否说出热传导方程在傅里叶基下"变成了什么"(一族互不耦合的一维常微分方程)?
关联与后续用法
- 4-4-标准正交基与Gram-Schmidt:本篇就是它的无穷维版本。坐标公式 与 是同一个公式;例题 8 把 Gram–Schmidt 直接搬到函数空间做了一遍。
- 4-3-最小二乘逼近:法方程 中的 就是 Gram 矩阵;例题 9 把"最小二乘"与"截断傅里叶级数"并排列出了对照表。
- 9-3-快速傅里叶变换FFT:把本篇的连续积分离散化,就得到 (傅里叶矩阵)与 FFT——积分换成求和,连续下标换成整数下标。这是"离散与连续对照表"最后一行落地的样子。
- 9-1-复数与复向量:复指数形式与复内积(含共轭)的规则在那里,例题 6 用到的 也来自复内积。
- 6-3-微分方程组与矩阵指数: 是 的特征函数;"在特征函数基下解耦"与"用特征向量解 "是同一件事(6b.4 节)。
- 6-2-矩阵的对角化:Gram 矩阵对角化、微分算子被三角函数系对角化,都是 的语言。
- 7-2-图像压缩与低秩逼近:JPEG 的 DCT 就是"对图像块做截断余弦级数";"能量集中在少数正交方向"是 SVD 与傅里叶共同的前提。
- 11-2-范数与条件数:用非正交基(多项式幂基)展开时 Gram 矩阵病态,误差被条件数放大——例题 9 第 7 步提到的"算不准"就在这里定量化。
- 5-3-克莱姆法则与体积:Gram 行列式 = 平行体体积平方,是 6b.1 节" 线性相关"的几何来源。
- 3-1-向量空间:函数空间首先是向量空间(八条公理逐点继承);例题 4 的"加常数只改 "用的就是子空间与直和的思路。
相关笔记
- 4-4-标准正交基与Gram-Schmidt —— 本篇的有限维原型:标准正交基下坐标等于内积;傅里叶系数公式就是加上"除以长度平方"的版本。
- 4-3-最小二乘逼近 —— 截断傅里叶级数是函数空间中的最小二乘,定理 10.4.3 与法方程是同一件事。
- 9-3-快速傅里叶变换FFT —— 傅里叶矩阵 是复指数基的离散版本,FFT 是它的快速乘法。
- 9-2-Hermitian矩阵与酉矩阵 —— 是酉矩阵,离散正交性的来源。
- 6-3-微分方程组与矩阵指数 —— "在特征函数基下对角化微分算子"与"用特征向量解 "是同一思想。
- 7-2-图像压缩与低秩逼近 —— 用正交展开的稀疏性换取压缩率,与 JPEG 的 DCT 同源。
- 8-1-线性变换的思想 —— 本篇开头的"函数也能当向量"与" 是无限维线性空间",在那篇第十节 10.2–10.3 节有系统的公理化处理(八条公理、维数、为什么"恰好 次多项式"不构成线性空间),并说明了无限维空间为什么会让"基"与"维数公式"失效。
参考来源
- Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016, Section 10.5 "Fourier Series: Linear Algebra for Functions"(函数空间、正交函数系、帕塞瓦尔、与 FFT 的衔接)。
- Introduction to Linear Algebra, 5th Edition 官方站点(含各节 PDF 与目录)。
- MIT 18.06 Linear Algebra, Spring 2010(课程主页)。
- MIT 18.06 Readings(第 32 次课的阅读材料明确指向 5th ed. 的 10.5 节 "Fourier series, FFT, complex matrices")。
- numpy.fft.fft 文档(离散傅里叶变换的定义、归一化模式
norm的取值与约定)。