w wyl123ly 的博客
MD

10-4-傅里叶级数与函数空间

102 KB 2026.10.11 原文件

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:

  1. 函数是向量:函数空间、逐点加法与数乘、无穷维
  2. 函数的内积:,以及由它诱导的范数与"均方"意义
  3. 正交函数系的完整验证:三个积分逐个算出
  4. 傅里叶级数 = 正交基展开:系数公式由"两边取内积"推出
  5. 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)
  6. 帕塞瓦尔等式(Parseval): 系数平方和,即"能量守恒/勾股定理"
  7. 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
  8. 复指数形式 与傅里叶矩阵的联系(9-3-快速傅里叶变换FFT)
  9. 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):

  1. 对称性:;
  2. 线性性:(积分是线性的);
  3. 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)

  1. 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)。
  2. 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。
  3. 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。

  1. 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)。
  2. 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。
  3. 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。

  1. 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。
  2. 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。
  3. 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。

  1. 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。

  1. 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。
  2. 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)

  1. 系数与手算完全一致。 、(、、), 的""只是浮点舍入,即零。
  2. 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)。
  3. 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)。
  4. 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。
  5. 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:

  1. 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。
  2. 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:

  1. 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;
  2. 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):

  1. "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。
  2. 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 。
  3. 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 ✓。
  4. 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

  1. 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)。
  2. 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)。
  3. 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。
  4. 把一个实级数改写成复指数形式,并用 自检。
  5. 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

  1. 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?
  2. 能否独立算一遍 (分 与 两种情形)?
  3. 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 "?
  4. 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"?
  5. 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?
  6. 能否解释吉布斯现象为什么不违反 收敛?
  7. 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