---
title: 10-4-傅里叶级数与函数空间
aliases:
  - 傅里叶级数
  - Fourier Series
  - 函数空间
  - 正交函数系
tags:
  - 线代/应用
  - 类型/教程
created: 2026-10-11
updated: 2026-10-12
level: 高级
chapter: "10.5"
prerequisites:
  - "[[4-4-标准正交基与Gram-Schmidt]]"
  - "[[4-3-最小二乘逼近]]"
sources:
  - Gilbert Strang, Introduction to Linear Algebra, 5th ed., Wellesley-Cambridge Press, 2016, Section 10.5 "Fourier Series: Linear Algebra for Functions"
  - https://math.mit.edu/~gs/linearalgebra/
  - https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/
  - https://numpy.org/doc/stable/reference/generated/numpy.fft.fft.html
---

# 10-4-傅里叶级数与函数空间

> [!abstract] 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 $1, \cos x, \sin x, \cos 2x, \sin 2x, \dots$ 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**：$\langle f, g\rangle = \int_{-\pi}^{\pi} f(x)g(x)\,\mathrm{d}x$，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）**：$\|f\|^2 = $ 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 $1/n$ 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 $\mathbb{R}^n$ 中，一个向量就是一列数 $(v_1, \dots, v_n)$，编号 $1, \dots, n$。把编号换成连续变量 $x \in [-\pi, \pi]$，"一列数"就变成"一族值" $f(x)$——**函数就是下标连续的向量**。这个类比可以逐条落实：

| $\mathbb{R}^n$ 中的向量 | 函数空间中的"向量" |
|---|---|
| $\mathbf{v} = (v_1, \dots, v_n)$ | $f = f(x)$，$x$ 取遍某个区间 |
| 加法 $(\mathbf{u} + \mathbf{v})_i = u_i + v_i$ | $(f + g)(x) = f(x) + g(x)$（**逐点相加**） |
| 数乘 $(c\mathbf{v})_i = c\,v_i$ | $(cf)(x) = c\,f(x)$（**逐点数乘**） |
| 零向量 $\mathbf{0}$ | 零函数 $f(x) \equiv 0$ |
| 维数 $n$ 有限 | 维数**无穷**（$1, x, x^2, \dots$ 线性无关） |

> [!important] 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 $\mathbb{R}$ 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 $I = [-\pi, \pi]$。考虑所有满足

$$
\int_{-\pi}^{\pi} \left|f(x)\right|^2 \mathrm{d}x < \infty
$$

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 $L^2[-\pi, \pi]$。

> [!note] 术语
> $L^2$ 读作"ell two"，$L$ 纪念 Lebesgue。条件 $\int |f|^2 < \infty$ 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 $f, g \in L^2[-\pi, \pi]$，定义

$$
\langle f, g\rangle = \int_{-\pi}^{\pi} f(x)\,g(x)\,\mathrm{d}x
$$

它满足内积的三条公理（与 $\mathbb{R}^n$ 中的点积逐条对应）：

1. **对称性**：$\langle f, g\rangle = \langle g, f\rangle$；
2. **线性性**：$\langle af + bg, h\rangle = a\langle f, h\rangle + b\langle g, h\rangle$（**积分是线性的**）；
3. **正定性**：$\langle f, f\rangle = \int_{-\pi}^{\pi} f(x)^2\,\mathrm{d}x \ge 0$，且等于 $0$ 当且仅当 $f \equiv 0$。

**定义 10.4.3（范数，norm）** $\|f\| = \sqrt{\langle f, f\rangle} = \left(\int_{-\pi}^{\pi} f(x)^2\,\mathrm{d}x\right)^{1/2}$。

**定义 10.4.4（正交，orthogonal）** 若 $\langle f, g \rangle = 0$，称 $f$ 与 $g$ **正交**。

> [!important] 三个"翻译"
> - **点积 → 积分**：$\mathbf{u}^{\mathrm{T}}\mathbf{v} = \sum_i u_i v_i$ 把"求和"换成"积分"；
> - **$\|f\|^2$ 的物理意义**：若 $f$ 是信号，$\|f\|^2$ 正比于其**能量**（energy）；若 $f$ 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 $[-\pi,\pi]$ 也可以（换成 $[0, 2\pi]$、$[0, T]$ 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 $\mathbb{R}^2$ 中 $\mathbf{e}_1 = (1,0)$ 与 $\mathbf{e}_2 = (0,1)$ 正交，意味着"两个方向互不干涉"。在函数空间中，$\cos x$ 与 $\sin x$ 正交意味着：

$$
\int_{-\pi}^{\pi} \cos x \sin x\,\mathrm{d}x = 0
$$

几何图像：把 $\cos x$ 与 $\sin x$ 画在 $[-\pi,\pi]$ 上，前者是偶函数（关于 $y$ 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 $f(x)$。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**。

$$
f(x) = \underbrace{a_0}_{\text{DC}} + \underbrace{a_1\cos x + b_1\sin x}_{\text{fundamental}} + \underbrace{a_2\cos 2x + b_2\sin 2x}_{\text{2nd harmonic}} + \cdots
$$

每一项 $a_n\cos nx + b_n\sin nx$ 是一个"纯音"，$n$ 越大频率越高。$a_n, b_n$ 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：$\mathbf{b} = q_1(\mathbf{q}_1^{\mathrm{T}}\mathbf{b}) + \dots + q_n(\mathbf{q}_n^{\mathrm{T}}\mathbf{b})$，每个标准正交基向量的系数是**投影** $\mathbf{q}_i^{\mathrm{T}}\mathbf{b}$。傅里叶级数把 $n$ 换成 $\infty$、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 $N$ 项的部分和

$$
f_N(x) = a_0 + \sum_{n=1}^{N}\left(a_n\cos nx + b_n\sin nx\right)
$$

它是 $f$ 在子空间

$$
S_N = \operatorname{span}\left\{1, \cos x, \sin x, \dots, \cos Nx, \sin Nx\right\}
$$

上的**正交投影**（orthogonal projection）。误差 $f - f_N$ 与 $S_N$ 中每个向量都正交，几何图像与第 4 章完全一致：

$$
f \;\xrightarrow{\ \text{projection}\ }\; f_N \in S_N,
\qquad
f - f_N \perp S_N
$$

"最近"的度量是**均方误差** $\|f - f_N\|^2 = \int_{-\pi}^{\pi}(f - f_N)^2\,\mathrm{d}x$。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 $[-\pi, \pi]$ 上，函数系

$$
\left\{1,\ \cos x,\ \sin x,\ \cos 2x,\ \sin 2x,\ \cos 3x,\ \sin 3x,\ \dots\right\}
$$

满足下列三组正交关系（$m, n$ 均为**正整数**）：

$$
\langle \cos mx,\ \cos nx\rangle = \int_{-\pi}^{\pi}\cos mx\cos nx\,\mathrm{d}x = \pi\,\delta_{mn}
$$

$$
\langle \sin mx,\ \sin nx\rangle = \int_{-\pi}^{\pi}\sin mx\sin nx\,\mathrm{d}x = \pi\,\delta_{mn}
$$

$$
\langle \cos mx,\ \sin nx\rangle = \int_{-\pi}^{\pi}\cos mx\sin nx\,\mathrm{d}x = 0
$$

此外，常数函数 $1$ 与所有 $\cos nx$、$\sin nx$ 正交，且 $\langle 1, 1\rangle = 2\pi$。

其中 $\delta_{mn}$ 是 **Kronecker delta**（克罗内克 δ）：

$$
\delta_{mn} = \begin{cases} 1, & m = n \\ 0, & m \ne n \end{cases}
$$

**证明（第一组：余弦 × 余弦）** 用积化和差公式

$$
\cos mx\cos nx = \frac{1}{2}\left[\cos(m-n)x + \cos(m+n)x\right]
$$

**情形 A：$m \ne n$。** 此时 $m - n \ne 0$ 且 $m + n \ne 0$，两项都能直接积出：

$$
\int_{-\pi}^{\pi}\cos(m-n)x\,\mathrm{d}x = \left[\frac{\sin(m-n)x}{m-n}\right]_{-\pi}^{\pi} = \frac{\sin(m-n)\pi - \sin(-(m-n)\pi)}{m-n} = 0
$$

（用了 $\sin$ 是奇函数，且 $(m-n)\pi$ 是 $\pi$ 的整数倍、其正弦为零。）

同理 $\displaystyle\int_{-\pi}^{\pi}\cos(m+n)x\,\mathrm{d}x = 0$。故总和为 $0$。$\checkmark$

**情形 B：$m = n$。** 此时第一项 $\cos 0 = 1$，

$$
\int_{-\pi}^{\pi}\cos mx\cos mx\,\mathrm{d}x = \frac{1}{2}\int_{-\pi}^{\pi}\left(1 + \cos 2mx\right)\mathrm{d}x = \frac{1}{2}\left(2\pi + \left[\frac{\sin 2mx}{2m}\right]_{-\pi}^{\pi}\right) = \frac{1}{2}\cdot 2\pi = \pi
$$

故第一组得证。$\blacksquare$

**证明（第二组：正弦 × 正弦）** 用

$$
\sin mx\sin nx = \frac{1}{2}\left[\cos(m-n)x - \cos(m+n)x\right]
$$

与第一组完全相同的计算给出：$m \ne n$ 时为 $0$；$m = n$ 时

$$
\frac{1}{2}\int_{-\pi}^{\pi}\left(1 - \cos 2mx\right)\mathrm{d}x = \frac{1}{2}\left(2\pi - 0\right) = \pi
$$

$\blacksquare$

**证明（第三组：余弦 × 正弦）** 用

$$
\cos mx\sin nx = \frac{1}{2}\left[\sin(n+m)x + \sin(n-m)x\right]
$$

**情形 A：$n \ne m$。** 两项都是 $\sin(kx)$（$k = n+m \ne 0$ 或 $k = n - m \ne 0$），而 $\sin$ 是奇函数，在对称区间 $[-\pi,\pi]$ 上积分为零：

$$
\int_{-\pi}^{\pi}\sin kx\,\mathrm{d}x = \left[\frac{-\cos kx}{k}\right]_{-\pi}^{\pi} = \frac{-\cos k\pi + \cos(-k\pi)}{k} = 0
$$

**情形 B：$n = m$。** 此时第二项 $\sin 0 = 0$，第一项 $\sin 2mx$ 是奇函数积分为零，故总和仍为 $0$。$\blacksquare$

**证明（常数与三角函数的正交性，以及 $\langle 1,1\rangle$）** 对 $n \ge 1$：

$$
\int_{-\pi}^{\pi} 1 \cdot \cos nx\,\mathrm{d}x = \left[\frac{\sin nx}{n}\right]_{-\pi}^{\pi} = 0,
\qquad
\int_{-\pi}^{\pi} 1 \cdot \sin nx\,\mathrm{d}x = \left[\frac{-\cos nx}{n}\right]_{-\pi}^{\pi} = 0
$$

且

$$
\langle 1, 1\rangle = \int_{-\pi}^{\pi} 1\,\mathrm{d}x = 2\pi
$$

$\blacksquare$

> [!important] 三个"归一化常数"必须记牢
> - $\langle 1, 1\rangle = 2\pi$（常数函数的"长度平方"）
> - $\langle \cos nx, \cos nx\rangle = \pi$
> - $\langle \sin nx, \sin nx\rangle = \pi$
>
> **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 $2\pi$ 而非 $\pi$，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 $a_0/2$ 而不是 $a_0$（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 $f \in L^2[-\pi, \pi]$。若

$$
f(x) = a_0 + \sum_{n=1}^{\infty}\left(a_n\cos nx + b_n\sin nx\right)
$$

（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：

$$
a_0 = \frac{\langle f, 1\rangle}{\langle 1, 1\rangle} = \frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)\,\mathrm{d}x
$$

$$
a_n = \frac{\langle f, \cos nx\rangle}{\langle \cos nx, \cos nx\rangle} = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\cos nx\,\mathrm{d}x,
\qquad n \ge 1
$$

$$
b_n = \frac{\langle f, \sin nx\rangle}{\langle \sin nx, \sin nx\rangle} = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\sin nx\,\mathrm{d}x,
\qquad n \ge 1
$$

**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 $a_m$（$m \ge 1$）为例。设展开式成立，两边与 $\cos mx$ 做内积。由内积的线性性（积分可以逐项进行）：

$$
\langle f, \cos mx\rangle
= a_0\langle 1, \cos mx\rangle
+ \sum_{n=1}^{\infty} a_n\langle \cos nx, \cos mx\rangle
+ \sum_{n=1}^{\infty} b_n\langle \sin nx, \cos mx\rangle
$$

逐个观察右边：

- 第一项：由 3.1 节，$\langle 1, \cos mx\rangle = 0$；
- 第三个和：由第三组正交关系，每个 $\langle \sin nx, \cos mx\rangle = 0$；
- 第二个和：由第一组正交关系，只有 $n = m$ 的那一项非零，值为 $\pi$。

于是整个右边只剩下一项：

$$
\langle f, \cos mx\rangle = a_m \cdot \pi
\quad\Longrightarrow\quad
a_m = \frac{1}{\pi}\langle f, \cos mx\rangle
$$

这正是投影公式。$a_0$ 与 $b_m$ 的推导完全相同，只是用的基函数不同。$\blacksquare$

> [!important] 与第 4 章的对应
> 在有限维中，若 $Q$ 的列 $\mathbf{q}_1, \dots, \mathbf{q}_n$ 是**标准正交基**，则任何 $\mathbf{b}$ 的坐标是 $\mathbf{q}_i^{\mathrm{T}}\mathbf{b}$ —— **坐标等于内积**，因为 $\langle \mathbf{q}_i, \mathbf{q}_i\rangle = 1$。
> 若基只是**正交**而不标准（如这里的 $\cos nx$，$\langle \cos nx, \cos nx\rangle = \pi \ne 1$），就必须**除以** $\langle \mathbf{q}_i, \mathbf{q}_i\rangle$：
>
> $$
> \text{coordinate} = \frac{\langle f, \text{basis function}\rangle}{\langle \text{basis function}, \text{basis function}\rangle}
> $$
>
> 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 | $a_0$ | $a_0 = \frac{1}{2\pi}\int_{-\pi}^{\pi} f\,\mathrm{d}x$ | 强调"$a_0$ 是 $f$ 的均值" |
| 经典用法 | $\frac{a_0}{2}$ | $a_0 = \frac{1}{\pi}\int_{-\pi}^{\pi} f\,\mathrm{d}x$ | 使 $a_n$ 的公式对所有 $n \ge 0$ 统一 |
| 区间 $[0,2\pi]$ | $a_0$ | $a_0 = \frac{1}{2\pi}\int_{0}^{2\pi} f\,\mathrm{d}x$ | 工程、信号处理 |

**三种写法的 $a_n$（$n\ge 1$）与 $b_n$ 公式完全相同**（因为 $\langle \cos nx,\cos nx\rangle = \pi$ 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 $S_N = \operatorname{span}\left\{1, \cos x, \sin x, \dots, \cos Nx, \sin Nx\right\}$，$f_N$ 是 $f$ 的傅里叶级数前 $N$ 项部分和。则对**任意** $g \in S_N$，有

$$
\|f - f_N\| \le \|f - g\|
$$

即 $f_N$ 是 $S_N$ 中距离 $f$ 最近的元素。

**证明（与第 4 章同一套代数）** 记基函数为 $\varphi_0 = 1, \varphi_1 = \cos x, \varphi_2 = \sin x, \dots$。对任意 $g = \sum_{k} c_k\varphi_k \in S_N$：

$$
\|f - g\|^2 = \left\|f - \sum_k c_k\varphi_k\right\|^2
= \|f\|^2 - 2\sum_k c_k\langle f, \varphi_k\rangle + \sum_{k,l} c_k c_l \langle \varphi_k, \varphi_l\rangle
$$

用正交性 $\langle \varphi_k, \varphi_l\rangle = \|\varphi_k\|^2 \delta_{kl}$，交叉项全部消失：

$$
\|f - g\|^2 = \|f\|^2 - 2\sum_k c_k\langle f, \varphi_k\rangle + \sum_k c_k^2\|\varphi_k\|^2
$$

对每个 $c_k$ 配方（**这正是第 4 章法方程的来源**）：

$$
\|f - g\|^2 = \|f\|^2 - \sum_k \frac{\langle f, \varphi_k\rangle^2}{\|\varphi_k\|^2} + \sum_k \|\varphi_k\|^2\left(c_k - \frac{\langle f, \varphi_k\rangle}{\|\varphi_k\|^2}\right)^2
$$

最后一项是平方和，恒 $\ge 0$，且只在

$$
c_k = \frac{\langle f, \varphi_k\rangle}{\|\varphi_k\|^2}
$$

时取 $0$。这正是傅里叶系数。故 $g = f_N$ 时 $\|f-g\|^2$ 最小，最小值为

$$
\|f - f_N\|^2 = \|f\|^2 - \sum_{k=0}^{N}\frac{\langle f, \varphi_k\rangle^2}{\|\varphi_k\|^2}
\;\ge\; 0
$$

$\blacksquare$

> [!important] 与 [[4-3-最小二乘逼近]] 的同构
> 有限维最小二乘：$\mathbf{b}$ 投影到 $A$ 的列空间，误差 $\mathbf{e} = \mathbf{b} - A\hat{\mathbf{x}}$ 满足 $A^{\mathrm{T}}\mathbf{e} = \mathbf{0}$（误差与列空间正交），$\hat{\mathbf{x}}$ 由法方程 $A^{\mathrm{T}}A\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$ 给出。
> 无穷维版本：$f$ 投影到 $S_N$，误差 $f - f_N$ 满足 $\langle f - f_N, \varphi_k\rangle = 0$ 对所有 $k \le N$（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 $A$ 的列正交，法方程 $A^{\mathrm{T}}A\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$ 就解耦成 $\hat{x}_k = \langle \mathbf{b}, \mathbf{a}_k\rangle / \|\mathbf{a}_k\|^2$。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 $f$ 的傅里叶系数为 $a_0, a_1, b_1, a_2, b_2, \dots$，则

$$
\frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)^2\,\mathrm{d}x = a_0^2 + \frac{1}{2}\sum_{n=1}^{\infty}\left(a_n^2 + b_n^2\right)
$$

若采用"常数项写作 $a_0/2$"的经典写法（此时 $a_n = \frac{1}{\pi}\int f\cos nx$ 对 $n\ge 0$），则形式更为对称：

$$
\frac{1}{\pi}\int_{-\pi}^{\pi} f(x)^2\,\mathrm{d}x = \frac{a_0^2}{2} + \sum_{n=1}^{\infty}\left(a_n^2 + b_n^2\right)
$$

**证明思路** 由 3.3 节的配方结果，$N \to \infty$ 时 $\|f - f_N\|^2 \to 0$（完备性，$L^2$ 中的收敛定理），于是

$$
0 = \|f\|^2 - \sum_{n=0}^{\infty}\frac{\langle f, \varphi_n\rangle^2}{\|\varphi_n\|^2}
$$

把 $\|\varphi_n\|^2$ 的值代入：$\|1\|^2 = 2\pi$，$\|\cos nx\|^2 = \|\sin nx\|^2 = \pi$，得

$$
\|f\|^2 = \frac{\langle f, 1\rangle^2}{2\pi} + \sum_{n=1}^{\infty}\left(\frac{\langle f,\cos nx\rangle^2}{\pi} + \frac{\langle f,\sin nx\rangle^2}{\pi}\right)
= 2\pi a_0^2 + \pi\sum_{n=1}^{\infty}\left(a_n^2 + b_n^2\right)
$$

两边除以 $2\pi$ 即得第一个形式。$\blacksquare$

> [!important] 帕塞瓦尔 = 勾股定理 = 能量守恒
> - **勾股定理**：若 $\mathbf{b} = \sum_i c_i\mathbf{q}_i$ 且 $\{\mathbf{q}_i\}$ 标准正交，则 $\|\mathbf{b}\|^2 = \sum_i c_i^2$（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. **$L^2$ 收敛（均方收敛）**：$\lim_{N\to\infty}\|f - f_N\| = 0$，即 $\lim_{N \to \infty}\int_{-\pi}^{\pi}(f - f_N)^2\,\mathrm{d}x = 0$。对**任意** $f \in L^2[-\pi, \pi]$ 成立（$L^2$ 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 $x$，$f_N(x) \to f(x)$。这**不是**对任意 $L^2$ 函数都成立，需要额外条件。
3. **一致收敛**：$\sup_x |f(x) - f_N(x)| \to 0$。条件更强：$f$ 连续、分段光滑且 $f(-\pi) = f(\pi)$（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 $f$ 在 $[-\pi,\pi]$ 上**分段单调**且只有有限个第一类间断点，则傅里叶级数在 $f$ 的连续点收敛到 $f(x)$，在间断点 $x_0$ 收敛到**左右极限的平均值**

$$
\frac{f(x_0^{-}) + f(x_0^{+})}{2}
$$

**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 $f \in L^2$**，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 $f(x_0)$ 本身**——这就是方波例子里"级数在跳变点取值 $0$ 而函数值取 $\pm 1$"的原因。

---

## 四、计算方法与步骤

> [!important] 求傅里叶系数的操作步骤
> **第 1 步：确认周期与区间。** 设 $f$ 的周期为 $T = 2L$。本篇用 $T = 2\pi$（$L = \pi$）。若周期是 $2L$，把所有公式里的 $nx$ 换成 $\frac{n\pi x}{L}$、积分区间换成 $[-L, L]$、归一化常数换成 $L$。
> **第 2 步：检查奇偶性（能省一半计算）。**
> - 若 $f$ 是**偶函数**（$f(-x) = f(x)$）：所有 $b_n = 0$，只需算 $a_n$，级数是**余弦级数**；
> - 若 $f$ 是**奇函数**（$f(-x) = -f(x)$）：所有 $a_n = 0$（含 $a_0$），只需算 $b_n$，级数是**正弦级数**；
> - 都不是：$a_n$ 与 $b_n$ 都要算。
> **第 3 步：分段积分算 $a_0$、$a_n$、$b_n$。** 把区间按 $f$ 的分段表达式拆开，逐段用 $\int \cos nx\,\mathrm{d}x = \frac{\sin nx}{n}$、$\int \sin nx\,\mathrm{d}x = -\frac{\cos nx}{n}$。
> **第 4 步：代入 $n = 1, 2, 3, \dots$ 观察规律。** 常见规律：只有奇数 $n$ 非零（$1/n$ 衰减）、只有偶数 $n$ 非零、$1/n^2$ 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"）：

| $f$ 的光滑程度 | 系数衰减速度 | 例 |
|---|---|---|
| 有跳跃间断（如方波） | $\sim 1/n$（慢） | 方波 $\Rightarrow b_n = \frac{4}{n\pi}$（$n$ 奇） |
| 连续，但导数有跳跃（如三角波、锯齿波） | $\sim 1/n^2$ | 锯齿波 $\Rightarrow b_n = \frac{2}{n}(-1)^{n+1}$ |
| $k$ 阶导数连续，$k+1$ 阶跳跃 | $\sim 1/n^{k+2}$ | 越光滑衰减越快 |
| 无穷次可微且周期 | 比任何 $1/n^k$ 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 $f$ 求一次导、把 $\frac{1}{n}$ 提到前面；每求一次导，光滑性降一级，$\frac{1}{n}$ 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）

$$
f(x) = \begin{cases} 1, & 0 < x < \pi \\ -1, & -\pi < x < 0 \end{cases}
$$

在 $[-\pi, \pi]$ 上的傅里叶级数。

**第 1 步：判断奇偶性。** 检查 $f(-x)$：当 $x > 0$ 时 $f(x) = 1$，而 $-x < 0$ 故 $f(-x) = -1 = -f(x)$；当 $x<0$ 时同理。故 $f$ 是**奇函数**。

**结论：所有 $a_n = 0$（含 $a_0$）**，只需算 $b_n$。这与"方波在一个周期内的平均值为零"一致：$\frac{1}{2\pi}\int_{-\pi}^{\pi} f\,\mathrm{d}x = 0$。

**第 2 步：算 $b_n$（$n \ge 1$）。** 用分段积分：

$$
b_n = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\sin nx\,\mathrm{d}x
= \frac{1}{\pi}\left(\int_{-\pi}^{0}(-1)\sin nx\,\mathrm{d}x + \int_{0}^{\pi}(1)\sin nx\,\mathrm{d}x\right)
$$

先算不定积分：$\int \sin nx\,\mathrm{d}x = -\frac{\cos nx}{n}$。

**左段**：

$$
\int_{-\pi}^{0}\sin nx\,\mathrm{d}x = \left[-\frac{\cos nx}{n}\right]_{-\pi}^{0} = -\frac{\cos 0}{n} + \frac{\cos(-n\pi)}{n} = \frac{-1 + \cos n\pi}{n}
$$

**右段**：

$$
\int_{0}^{\pi}\sin nx\,\mathrm{d}x = \left[-\frac{\cos nx}{n}\right]_{0}^{\pi} = -\frac{\cos n\pi}{n} + \frac{\cos 0}{n} = \frac{1 - \cos n\pi}{n}
$$

代入并注意左段带负号：

$$
b_n = \frac{1}{\pi}\left(-\frac{-1 + \cos n\pi}{n} + \frac{1 - \cos n\pi}{n}\right)
= \frac{1}{\pi}\cdot\frac{1 - \cos n\pi + 1 - \cos n\pi}{n}
= \frac{2\left(1 - \cos n\pi\right)}{n\pi}
$$

**第 3 步：代入 $n$ 的具体值。** 因为

$$
\cos n\pi = (-1)^n = \begin{cases} 1, & n \ \text{even} \\ -1, & n \ \text{odd}\end{cases}
$$

所以

- $n$ **偶数**：$1 - \cos n\pi = 1 - 1 = 0 \Rightarrow b_n = 0$；
- $n$ **奇数**：$1 - \cos n\pi = 1 - (-1) = 2 \Rightarrow b_n = \dfrac{4}{n\pi}$。

用 $n = 2k+1$（$k = 0,1,2,\dots$）重写：

$$
b_{2k+1} = \frac{4}{(2k+1)\pi},
\qquad
b_{2k} = 0
$$

**第 4 步：写出级数。**

$$
f(x) \;\sim\; \frac{4}{\pi}\left(\sin x + \frac{\sin 3x}{3} + \frac{\sin 5x}{5} + \cdots\right)
= \frac{4}{\pi}\sum_{k=0}^{\infty}\frac{\sin\left((2k+1)x\right)}{2k+1}
$$

**第 5 步：验算。**

- **在间断点 $x = 0$**：级数每项 $\sin 0 = 0$，故部分和恒为 $0$，收敛到 $0$。而 $f(0^{+}) = 1$、$f(0^{-}) = -1$，左右极限平均值 $\frac{1 + (-1)}{2} = 0$ ✓，与定理 10.4.5 的 Dirichlet 结论一致。
- **在 $x = \pi/2$**：$\sin\frac{\pi}{2} = 1$，$\sin\frac{3\pi}{2} = -1$，$\sin\frac{5\pi}{2} = 1$，…，即符号交替。级数给出

$$
\frac{4}{\pi}\left(1 - \frac{1}{3} + \frac{1}{5} - \frac{1}{7} + \cdots\right) = \frac{4}{\pi}\cdot\frac{\pi}{4} = 1 = f\!\left(\frac{\pi}{2}\right) \;\checkmark
$$

（用了 Leibniz 级数 $1 - \frac13 + \frac15 - \cdots = \frac{\pi}{4}$。）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）**：$\|f\|^2 = \int_{-\pi}^{\pi} 1\,\mathrm{d}x = 2\pi$。由帕塞瓦尔公式（$a_n = 0$）：

$$
\frac{1}{2\pi}\cdot 2\pi = 1 = \frac{1}{2}\sum_{n \ \text{odd}}\left(\frac{4}{n\pi}\right)^2
\quad\Longrightarrow\quad
\sum_{n \ \text{odd}}\frac{1}{n^2} = \frac{\pi^2}{8}
$$

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 $1/n$ 衰减）

**题目** 求 $f(x) = x$（$-\pi < x < \pi$，周期延拓）的傅里叶级数。

**第 1 步：奇偶性。** $f(-x) = -x = -f(x)$，是奇函数，故 $a_0 = a_n = 0$。

**第 2 步：算 $b_n$（$n \ge 1$）。** 用分部积分 $\int u\,\mathrm{d}v = uv - \int v\,\mathrm{d}u$，取 $u = x$、$\mathrm{d}v = \sin nx\,\mathrm{d}x$，则 $\mathrm{d}u = \mathrm{d}x$、$v = -\frac{\cos nx}{n}$：

$$
\int x\sin nx\,\mathrm{d}x = -\frac{x\cos nx}{n} + \int\frac{\cos nx}{n}\,\mathrm{d}x = -\frac{x\cos nx}{n} + \frac{\sin nx}{n^2}
$$

代入上下限：

$$
\int_{-\pi}^{\pi} x\sin nx\,\mathrm{d}x = \left[-\frac{x\cos nx}{n} + \frac{\sin nx}{n^2}\right]_{-\pi}^{\pi}
$$

在 $x = \pi$：$-\frac{\pi\cos n\pi}{n} + \frac{\sin n\pi}{n^2} = -\frac{\pi(-1)^n}{n} + 0$。

在 $x = -\pi$：$-\frac{(-\pi)\cos(-n\pi)}{n} + \frac{\sin(-n\pi)}{n^2} = \frac{\pi(-1)^n}{n} + 0$。

相减：

$$
\int_{-\pi}^{\pi} x\sin nx\,\mathrm{d}x = -\frac{\pi(-1)^n}{n} - \frac{\pi(-1)^n}{n} = -\frac{2\pi(-1)^n}{n}
$$

故

$$
b_n = \frac{1}{\pi}\left(-\frac{2\pi(-1)^n}{n}\right) = -\frac{2(-1)^n}{n} = \frac{2(-1)^{n+1}}{n}
$$

**第 3 步：写出级数。**

$$
x \;\sim\; 2\sum_{n=1}^{\infty}\frac{(-1)^{n+1}}{n}\sin nx
= 2\left(\sin x - \frac{\sin 2x}{2} + \frac{\sin 3x}{3} - \cdots\right),
\qquad -\pi < x < \pi
$$

**第 4 步：验算与说明。**

- **衰减速度**是 $1/n$（与方波同阶）。锯齿波虽然本身连续，但在 $x = \pm\pi$ 处（周期延拓后）有**跳跃**：$f(\pi^{-}) = \pi$、$f(-\pi^{+}) = -\pi$ 对应同一周期点，跳变量为 $2\pi$。所以它不是"周期连续"，衰减速度与方波同阶。
- **在 $x = \pi/2$**：

$$
2\left(\sin\frac{\pi}{2} - \frac{\sin\pi}{2} + \frac{\sin\frac{3\pi}{2}}{3} - \cdots\right)
= 2\left(1 - 0 - \frac13 + 0 + \frac15 - \cdots\right) = 2\cdot\frac{\pi}{4} = \frac{\pi}{2} \;\checkmark
$$

- **帕塞瓦尔验算**：$\int_{-\pi}^{\pi}x^2\,\mathrm{d}x = \frac{2\pi^3}{3}$，故 $\frac{1}{2\pi}\|f\|^2 = \frac{\pi^2}{3}$。另一方面 $\frac{1}{2}\sum b_n^2 = \frac{1}{2}\sum_{n\ge1}\frac{4}{n^2} = 2\sum_{n\ge1}\frac{1}{n^2}$。两者相等给出

$$
\sum_{n=1}^{\infty}\frac{1}{n^2} = \frac{\pi^2}{6}
$$

这就是著名的**巴塞尔问题**（Basel problem，Euler 1735）✓。

> [!note] 与方波的对比
> | | 方波 | 锯齿波 |
> |---|---|---|
> | 奇偶性 | 奇函数 | 奇函数 |
> | 系数 | $b_{2k+1} = \frac{4}{(2k+1)\pi}$，$b_{2k}=0$ | $b_n = \frac{2(-1)^{n+1}}{n}$ |
> | 非零项 | 只有奇数项 | 全部项 |
> | 衰减 | $1/n$ | $1/n$ |
> | 间断 | $f$ 本身跳跃 | $f$ 连续，周期延拓后跳跃 |
> | 副产品 | $\sum_{n \ \text{odd}} 1/n^2 = \pi^2/8$ | $\sum_n 1/n^2 = \pi^2/6$ |

### 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 $e^{\mathrm{i}nx} = \cos nx + \mathrm{i}\sin nx$，可以把级数写成最紧凑的形式：

$$
f(x) = \sum_{n=-\infty}^{\infty} c_n e^{\mathrm{i}nx},
\qquad
c_n = \frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)e^{-\mathrm{i}nx}\,\mathrm{d}x
$$

此时基函数系 $\left\{e^{\mathrm{i}nx}\right\}_{n\in\mathbb{Z}}$ 关于复内积

$$
\langle f, g\rangle = \int_{-\pi}^{\pi} f(x)\overline{g(x)}\,\mathrm{d}x
$$

是正交的，且

$$
\left\langle e^{\mathrm{i}mx}, e^{\mathrm{i}nx}\right\rangle
= \int_{-\pi}^{\pi} e^{\mathrm{i}(m-n)x}\,\mathrm{d}x
= \begin{cases} 2\pi, & m = n \\ 0, & m \ne n\end{cases}
$$

（$m \ne n$ 时 $\int e^{\mathrm{i}kx}\mathrm{d}x = \frac{e^{\mathrm{i}kx}}{\mathrm{i}k}\Big|_{-\pi}^{\pi} = \frac{e^{\mathrm{i}k\pi} - e^{-\mathrm{i}k\pi}}{\mathrm{i}k} = \frac{2\mathrm{i}\sin k\pi}{\mathrm{i}k} = 0$，因为 $k$ 是非零整数。）

**三类系数的关系**（以本篇 $[-\pi,\pi]$ 归一化约定）：

$$
c_0 = a_0,
\qquad
c_n = \frac{a_n - \mathrm{i}b_n}{2},
\qquad
c_{-n} = \frac{a_n + \mathrm{i}b_n}{2},
\qquad n \ge 1
$$

**方波例子**：$a_n = 0$，$b_n = \frac{2(1 - \cos n\pi)}{n\pi}$，故

$$
c_n = -\frac{\mathrm{i}b_n}{2} = -\frac{\mathrm{i}\left(1 - (-1)^n\right)}{n\pi},
\qquad
c_{-n} = \frac{\mathrm{i}b_n}{2}
$$

$n$ 偶数时 $c_n = 0$；$n$ 奇数时 $c_n = -\frac{2\mathrm{i}}{n\pi}$。

---

### 例题 4（直流偏置方波：加一个常数只改变 $a_0$）

> [!example] 题目
> 求函数
>
> $$
> f(x) = \begin{cases} 2, & 0 < x < \pi \\ 0, & -\pi < x < 0 \end{cases}
> $$
>
> 在 $[-\pi, \pi]$ 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。$f$ 既不是偶函数（$f(0^{+}) = 2$ 而 $f(0^{-}) = 0$），也不是奇函数，所以 $a_0$、$a_n$、$b_n$ **都要算**。但有一个更快的关系：注意

$$
f(x) = 1 + g(x),
\qquad
g(x) = \begin{cases} 1, & x > 0 \\ -1, & x < 0\end{cases}
$$

就是例题 1 的方波。因为常数 $1$ 与所有 $\cos nx$、$\sin nx$（$n \ge 1$）**正交**，所以后面会看到：$g$ 的系数 $a_n, b_n$（$n \ge 1$）原封不动搬到 $f$ 上，只有 $a_0$ 变了 $1$。下面用原始定义把这件事算一遍验证。

**第 2 步：** 算 $a_0$（平均值）。

$$
a_0 = \frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)\,\mathrm{d}x
= \frac{1}{2\pi}\left(\int_{-\pi}^{0} 0\,\mathrm{d}x + \int_{0}^{\pi} 2\,\mathrm{d}x\right)
= \frac{1}{2\pi}\cdot 2\pi
= 1
$$

（直观：函数在一个周期里有正好一半"亮着"、高度 $2$，平均值就是 $1$。）

**第 3 步：** 算 $a_n$（$n \ge 1$）。只有右段有贡献：

$$
a_n = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\cos nx\,\mathrm{d}x
= \frac{2}{\pi}\int_{0}^{\pi}\cos nx\,\mathrm{d}x
= \frac{2}{\pi}\left[\frac{\sin nx}{n}\right]_{0}^{\pi}
= \frac{2(\sin n\pi - 0)}{n\pi}
= 0
$$

因为 $\sin n\pi = 0$ 对每个整数 $n$ 都成立。故 $a_n = 0$（$n \ge 1$）。

**第 4 步：** 算 $b_n$（$n \ge 1$）。

$$
b_n = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\sin nx\,\mathrm{d}x
= \frac{2}{\pi}\int_{0}^{\pi}\sin nx\,\mathrm{d}x
= \frac{2}{\pi}\left[-\frac{\cos nx}{n}\right]_{0}^{\pi}
= \frac{2}{\pi}\cdot\frac{-\cos n\pi + 1}{n}
= \frac{2\left(1 - \cos n\pi\right)}{n\pi}
$$

代入 $\cos n\pi = (-1)^n$：$n$ 偶时 $b_n = 0$；$n$ 奇时 $b_n = \frac{4}{n\pi}$。

**第 5 步：** 写出级数并做**系数对照**。

$$
f(x) \;\sim\; 1 + \frac{4}{\pi}\left(\sin x + \frac{\sin 3x}{3} + \frac{\sin 5x}{5} + \cdots\right)
= 1 + \frac{4}{\pi}\sum_{k=0}^{\infty}\frac{\sin\left((2k+1)x\right)}{2k+1}
$$

| 系数 | 例题 1 的方波 $g$ | 本题的 $f$ | 是否变化 |
|---|---|---|---|
| $a_0$ | $0$ | $1$ | **变了（加了常数 $1$）** |
| $a_n$（$n \ge 1$） | $0$ | $0$ | 没变 |
| $b_{2k+1}$ | $\frac{4}{(2k+1)\pi}$ | $\frac{4}{(2k+1)\pi}$ | 没变 |
| $b_{2k}$ | $0$ | $0$ | 没变 |

**第 6 步：** 三种独立验算。

**(1) 用"投影公式在子空间 $\{1,\cos x,\sin x\}$ 上"复算 $a_0, a_1, b_1$**（这就是 3.3 节最佳逼近的系数）：

$$
a_0 = \frac{\langle f, 1\rangle}{\langle 1,1\rangle} = \frac{2\pi}{2\pi} = 1
$$

$$
a_1 = \frac{\langle f, \cos x\rangle}{\langle \cos x,\cos x\rangle}
= \frac{1}{\pi}\int_{0}^{\pi} 2\cos x\,\mathrm{d}x
= \frac{2}{\pi}\Big[\sin x\Big]_{0}^{\pi} = 0
$$

$$
b_1 = \frac{\langle f, \sin x\rangle}{\langle \sin x,\sin x\rangle}
= \frac{1}{\pi}\int_{0}^{\pi} 2\sin x\,\mathrm{d}x
= \frac{2}{\pi}\Big[-\cos x\Big]_{0}^{\pi} = \frac{2}{\pi}(1 + 1) = \frac{4}{\pi} \approx 1.273240
$$

与第 3、4 步一致 ✓。

**(2) 帕塞瓦尔验算。**

$$
\frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)^2\,\mathrm{d}x = \frac{1}{2\pi}\int_{0}^{\pi} 4\,\mathrm{d}x = \frac{4\pi}{2\pi} = 2
$$

$$
a_0^2 + \frac{1}{2}\sum_{n=1}^{\infty}\left(a_n^2 + b_n^2\right)
= 1^2 + \frac{1}{2}\sum_{k=0}^{\infty}\left(\frac{4}{(2k+1)\pi}\right)^2
= 1 + \frac{8}{\pi^2}\sum_{k=0}^{\infty}\frac{1}{(2k+1)^2}
= 1 + \frac{8}{\pi^2}\cdot\frac{\pi^2}{8} = 2 \;\checkmark
$$

（用了例题 1 得到的 $\sum_{k\ge0}\frac{1}{(2k+1)^2} = \frac{\pi^2}{8}$。）

**(3) 在连续点 $x = \frac{\pi}{2}$ 处代入。**

$$
1 + \frac{4}{\pi}\left(1 - \frac13 + \frac15 - \cdots\right)
= 1 + \frac{4}{\pi}\cdot\frac{\pi}{4} = 1 + 1 = 2 = f\!\left(\frac{\pi}{2}\right) \;\checkmark
$$

**第 7 步：** 结论与两条几何直觉。

1. **加常数 = 只动起点。** $f = g + c$ 时 $a_0$ 增加 $c$，其余系数完全不变——因为常函数与每个 $\cos nx, \sin nx$ 都正交（3.1 节）。
2. **$a_0$ 是"电平"，其余是"波形"。** 调音量的旋钮对应 $a_0$，波形的形状由 $a_n, b_n$ 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 $1/n^2$ 衰减）

> [!example] 题目
> 求三角波
>
> $$
> f(x) = \begin{cases} x, & 0 \le x \le 1 \\ 2 - x, & 1 < x \le 2 \end{cases}
> $$
>
> 在 $[0, 2]$ 上的傅里叶级数（峰值 $1$、底边 $[0,2]$ 的等腰三角形），并验证 $x = 1$ 处的求和公式。

**第 1 步：** 把区间平移到标准区间。令 $g(t) = f(t + 1)$，$t \in [-1, 1]$，则

$$
g(t) = 1 - \lvert t\rvert,
\qquad t \in [-1,1]
$$

这是**偶函数**，且在 $[-1,1]$ 上**连续**（$\lvert t\rvert$ 在 $0$ 处连续），只是导数在 $t = 0$ 处跳变。

**第 2 步：** 判断奇偶性 → $b_n = 0$（所有 $n$），且 $\frac{\pi n t}{L}$ 中的 $L = 1$，即用基函数 $\cos(n\pi t)$。

**第 3 步：** 算 $a_0$（`g` 在 $[-1,1]$ 上的平均值）。

$$
a_0 = \frac{1}{2}\int_{-1}^{1}\left(1 - \lvert t\rvert\right)\mathrm{d}t
= \frac{1}{2}\cdot 2\int_{0}^{1}(1 - t)\,\mathrm{d}t
= \int_{0}^{1}(1-t)\,\mathrm{d}t
= \left[t - \frac{t^2}{2}\right]_{0}^{1}
= \frac12
$$

（等腰三角形面积是 $\frac12\cdot 2\cdot 1 = 1$，除以底边长 $2$ 得平均值 $\frac12$ ✓。）

**第 4 步：** 算 $a_n$（$n \ge 1$），用**分部积分**。

$$
a_n = \frac{1}{1}\int_{-1}^{1} g(t)\cos(n\pi t)\,\mathrm{d}t
= 2\int_{0}^{1}(1 - t)\cos(n\pi t)\,\mathrm{d}t
$$

取 $u = 1 - t$、$\mathrm{d}v = \cos(n\pi t)\,\mathrm{d}t$，则 $\mathrm{d}u = -\mathrm{d}t$、$v = \frac{\sin n\pi t}{n\pi}$：

$$
\int (1-t)\cos n\pi t\,\mathrm{d}t = \frac{(1-t)\sin n\pi t}{n\pi} + \int\frac{\sin n\pi t}{n\pi}\,\mathrm{d}t
= \frac{(1-t)\sin n\pi t}{n\pi} - \frac{\cos n\pi t}{n^2\pi^2}
$$

（第二项求导得 $\frac{\sin n\pi t}{n\pi}$，符号取 $+$ 与 $-$ 相抵，验证：$\frac{\mathrm{d}}{\mathrm{d}t}\left[-\frac{\cos n\pi t}{n^2\pi^2}\right] = \frac{\sin n\pi t}{n\pi}$ ✓。）

代入上下限 $0 \to 1$：

$$
\int_{0}^{1}(1-t)\cos n\pi t\,\mathrm{d}t
= \left[\frac{(1-t)\sin n\pi t}{n\pi} - \frac{\cos n\pi t}{n^2\pi^2}\right]_{0}^{1}
$$

在 $t = 1$：第一项 $(1-1)\cdot\frac{\sin n\pi}{n\pi} = 0$，第二项 $-\frac{\cos n\pi}{n^2\pi^2}$。

在 $t = 0$：第一项 $\frac{1\cdot 0}{n\pi} = 0$，第二项 $-\frac{\cos 0}{n^2\pi^2} = -\frac{1}{n^2\pi^2}$。

相减：

$$
\int_{0}^{1}(1-t)\cos n\pi t\,\mathrm{d}t
= -\frac{\cos n\pi}{n^2\pi^2} + \frac{1}{n^2\pi^2}
= \frac{1 - (-1)^n}{n^2\pi^2}
$$

故

$$
a_n = 2\cdot\frac{1 - (-1)^n}{n^2\pi^2}
= \begin{cases} \dfrac{4}{n^2\pi^2}, & n \ \text{odd} \\[6pt] 0, & n \ \text{even}\end{cases}
$$

**第 5 步：** 写出级数（换回 $t = x - 1$）：

$$
f(x) \;\sim\; \frac12 + \sum_{k=0}^{\infty}\frac{4}{(2k+1)^2\pi^2}\cos\left((2k+1)\pi(x-1)\right),
\qquad 0 \le x \le 2
$$

**第 6 步：** 衰减速度与 $x=1$ 处的验算。

- **衰减是 $\frac{1}{n^2}$，比方波的 $\frac{1}{n}$ 快一档。** 原因与第四节的经验规律一致：$f$ 本身**连续**，只是 $f'$ 有跳跃。每一次分部积分都把 $\frac1n$ 提到前面、同时把 $f$ 求一次导，求两次导就得到两个 $\frac1n$。**连续性换取了一阶更快的衰减。**
- **在 $x = 1$ 处**（峰值点，且是级数的"最光滑点"）：$\cos\left((2k+1)\pi\cdot 0\right) = 1$，所有项同号相加，

$$
f(1) = 1 = \frac12 + \frac{4}{\pi^2}\sum_{k=0}^{\infty}\frac{1}{(2k+1)^2}
\quad\Longrightarrow\quad
\sum_{k=0}^{\infty}\frac{1}{(2k+1)^2} = \frac{\pi^2}{8} \;\checkmark
$$

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**。

$$
\int_{0}^{2} f(x)^2\,\mathrm{d}x = 2\int_{0}^{1}x^2\,\mathrm{d}x = \frac{2}{3}
$$

（用对称性：左右两半的平方积分相同。）左边 $\frac{1}{2}\cdot\frac23 = \frac13$。右边：

$$
a_0^2 + \frac12\sum_{n \ \text{odd}}a_n^2
= \frac14 + \frac12\sum_{k=0}^{\infty}\left(\frac{4}{(2k+1)^2\pi^2}\right)^2
= \frac14 + \frac{8}{\pi^4}\sum_{k=0}^{\infty}\frac{1}{(2k+1)^4}
$$

两者相等：

$$
\frac13 = \frac14 + \frac{8}{\pi^4}\sum_{k=0}^{\infty}\frac{1}{(2k+1)^4}
\quad\Longrightarrow\quad
\sum_{k=0}^{\infty}\frac{1}{(2k+1)^4} = \frac{\pi^4}{96} \;\checkmark
$$

**这又是一个"副产品恒等式"**——傅里叶级数是产生 $\zeta$ 函数恒等式的工厂。数值核对：

$$
\sum_{k=0}^{4}\frac{1}{(2k+1)^4} = 1 + \frac{1}{81} + \frac{1}{625} + \frac{1}{2401} + \frac{1}{6561} \approx 1.014678,
\qquad
\frac{\pi^4}{96} \approx 1.014678 \;\checkmark
$$

> [!tip] 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 | $\frac{1}{n}$ | $\frac{1}{n}$ | $\frac{1}{n^2}$ |
> | 截断误差 $\lVert f - f_N\rVert^2$ | $\sim \frac{1}{N}$ | $\sim \frac{1}{N}$ | $\sim \frac{1}{N^3}$ |
> | 副产品 | $\sum_{\text{odd}}\frac{1}{n^2} = \frac{\pi^2}{8}$ | $\sum_n\frac{1}{n^2} = \frac{\pi^2}{6}$ | $\sum_{\text{odd}}\frac{1}{n^4} = \frac{\pi^4}{96}$ |
>
> 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）

> [!example] 题目
> 把例题 4 的平移方波
>
> $$
> f(x) = \begin{cases} 2, & 0 < x < \pi \\ 0, & -\pi < x < 0\end{cases}
> $$
>
> 写成复指数形式 $f(x) = \displaystyle\sum_{n=-\infty}^{\infty} c_ne^{\mathrm{i}nx}$，求出所有 $c_n$（$n \in \mathbb{Z}$），并用 $c_n$ 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 $\langle f, g\rangle = \int_{-\pi}^{\pi}f\bar g\,\mathrm{d}x$，而 $\lVert e^{\mathrm{i}nx}\rVert^2 = 2\pi$，故

$$
c_n = \frac{\langle f, e^{\mathrm{i}nx}\rangle}{\lVert e^{\mathrm{i}nx}\rVert^2}
= \frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)e^{-\mathrm{i}nx}\,\mathrm{d}x
$$

**第 2 步：** 算 $c_0$。

$$
c_0 = \frac{1}{2\pi}\int_{-\pi}^{\pi} f(x)\,\mathrm{d}x = a_0 = 1
$$

**第 3 步：** 算 $c_n$（$n \ne 0$）。只有 $0 < x < \pi$ 有贡献：

$$
c_n = \frac{1}{2\pi}\int_{0}^{\pi} 2e^{-\mathrm{i}nx}\,\mathrm{d}x
= \frac{1}{\pi}\left[\frac{e^{-\mathrm{i}nx}}{-\mathrm{i}n}\right]_{0}^{\pi}
= \frac{1}{\pi}\cdot\frac{e^{-\mathrm{i}n\pi} - 1}{-\mathrm{i}n}
= \frac{1 - e^{-\mathrm{i}n\pi}}{\mathrm{i}n\pi}
$$

（把分母的 $-\mathrm{i}n$ 翻到分子上。）

**第 4 步：** 用 Euler 公式化简。注意 $e^{-\mathrm{i}n\pi} = \cos n\pi - \mathrm{i}\sin n\pi = (-1)^n$（$\sin n\pi = 0$），故

$$
c_n = \frac{1 - (-1)^n}{\mathrm{i}n\pi}
= \begin{cases} \dfrac{2}{\mathrm{i}n\pi} = -\dfrac{2\mathrm{i}}{n\pi}, & n \ \text{odd} \\[6pt] 0, & n \ \text{even}\end{cases}
$$

其中用了 $\frac{1}{\mathrm{i}} = -\mathrm{i}$。

**第 5 步：** 用例题 4 的实系数交叉验证。3.2 节的换算式给出 $c_n = \frac{a_n - \mathrm{i}b_n}{2}$（$n \ge 1$）。本题 $a_n = 0$、$b_n = \frac{4}{n\pi}$（$n$ 奇），故

$$
c_n = -\frac{\mathrm{i}b_n}{2} = -\frac{\mathrm{i}}{2}\cdot\frac{4}{n\pi} = -\frac{2\mathrm{i}}{n\pi} \;\checkmark
$$

一致。同时 $c_{-n} = \frac{a_n + \mathrm{i}b_n}{2} = +\frac{2\mathrm{i}}{n\pi} = \overline{c_n}$——**实函数的复系数满足共轭对称** $c_{-n} = \overline{c_n}$，这是实级数里 $a_n, b_n$ 都是实数的另一种说法。

**第 6 步：** 复形式的帕塞瓦尔。

$$
\frac{1}{2\pi}\int_{-\pi}^{\pi}\lvert f(x)\rvert^2\,\mathrm{d}x = \sum_{n=-\infty}^{\infty}\lvert c_n\rvert^2
$$

左边 $= 2$（例题 4 已算）。右边：

$$
\lvert c_0\rvert^2 + \sum_{n \ne 0}\lvert c_n\rvert^2
= 1 + 2\sum_{\substack{n \ge 1 \\ n \ \text{odd}}}\left(\frac{2}{n\pi}\right)^2
= 1 + \frac{8}{\pi^2}\sum_{k=0}^{\infty}\frac{1}{(2k+1)^2}
= 1 + \frac{8}{\pi^2}\cdot\frac{\pi^2}{8} = 2 \;\checkmark
$$

其中因子 $2$ 来自 $n$ 与 $-n$ 两项（$\lvert c_{-n}\rvert = \lvert c_n\rvert$）。

**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 $n$"**：$c_n = \frac{1}{2\pi}\int f e^{-\mathrm{i}nx}\mathrm{d}x$ 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 $2\pi,\pi,\pi$"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）

> [!example] 题目（证明）
> 证明积分形式的 Cauchy–Schwarz 不等式：对 $f, g \in L^2[-\pi,\pi]$，
>
> $$
> \left(\int_{-\pi}^{\pi} f(x)g(x)\,\mathrm{d}x\right)^2
> \le \left(\int_{-\pi}^{\pi} f(x)^2\,\mathrm{d}x\right)\left(\int_{-\pi}^{\pi} g(x)^2\,\mathrm{d}x\right)
> $$
>
> 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

$$
\langle f, g\rangle^2 \le \lVert f\rVert^2\lVert g\rVert^2
$$

这是 [[1-2-长度与点积]] 中 $\lvert\mathbf{u}^{\mathrm{T}}\mathbf{v}\rvert \le \lVert\mathbf{u}\rVert\lVert\mathbf{v}\rVert$ 的积分版。

**第 2 步：** 若 $g \equiv 0$：左边 $= 0$、右边 $= 0$，不等式成立。故以下设 $g \not\equiv 0$，于是 $\lVert g\rVert^2 > 0$（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 $t$ 都非负"的二次式。对任意实数 $t$，考虑

$$
p(t) = \lVert f - tg\rVert^2 = \int_{-\pi}^{\pi}\left(f(x) - t\,g(x)\right)^2\mathrm{d}x \ge 0
$$

（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 $p(t)$ 展开：

$$
p(t) = \langle f - tg,\ f - tg\rangle
= \langle f,f\rangle - 2t\langle f,g\rangle + t^2\langle g,g\rangle
= \lVert g\rVert^2t^2 - 2\langle f,g\rangle t + \lVert f\rVert^2
$$

这是关于 $t$ 的二次多项式，**首项系数 $\lVert g\rVert^2 > 0$**（开口向上），且在**所有** $t \in \mathbb{R}$ 上取值 $\ge 0$。

**第 5 步：** 开口向上的二次式处处非负 $\iff$ 判别式 $\le 0$。判別式为

$$
\Delta = \left(-2\langle f,g\rangle\right)^2 - 4\lVert g\rVert^2\lVert f\rVert^2
= 4\left(\langle f,g\rangle^2 - \lVert f\rVert^2\lVert g\rVert^2\right) \le 0
$$

$$
\Longrightarrow\quad \langle f,g\rangle^2 \le \lVert f\rVert^2\lVert g\rVert^2
$$

$\blacksquare$

**第 6 步：** 三个值得注意的细节。

1. **等号成立的条件**：$\Delta = 0$ $\iff$ 存在唯一 $t_0 = \frac{\langle f,g\rangle}{\lVert g\rVert^2}$ 使 $p(t_0) = 0$ $\iff$ $\lVert f - t_0g\rVert = 0$ $\iff$ $f = t_0g$（几乎处处）。换句话说，**等号当且仅当两个函数成比例**——与 $\mathbb{R}^n$ 中的结论一字不差。
2. **这个证明不需要 $f$ 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 $\lVert f + g\rVert \le \lVert f\rVert + \lVert g\rVert$、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。**

> [!warning] 用 Cauchy–Schwarz 时最常见的两个错
> - **忘记平方**：写成 $\lvert\langle f,g\rangle\rvert \le \lVert f\rVert\lVert g\rVert$ 是对的（等价形式），但把 $\langle f,g\rangle \le \lVert f\rVert\lVert g\rVert$ 当作"已经是最强"就不对——因为 $\langle f,g\rangle$ 可以是负的，信息在绝对值里。
> - **跨空间乱用**：$\langle f, g\rangle = \int fg\,\mathrm{d}x$ 里的两个函数必须定义在**同一个区间**上；把 $[-\pi,\pi]$ 上的 $f$ 与 $[0,2\pi]$ 上的 $g$ 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）

> [!example] 题目
> 在 $L^2[-1,1]$ 上取内积 $\langle f, g\rangle = \displaystyle\int_{-1}^{1}f(x)g(x)\,\mathrm{d}x$。对函数组 $x,\ x^3$ 做 Gram–Schmidt 正交化，并验证结果与单项式 $1, x, x^2$ 全都正交。

**第 1 步：** 先算两个预备积分（后面反复用）。$x^2$ 与 $x^4$ 都是偶函数：

$$
\langle x, x\rangle = \int_{-1}^{1}x^2\,\mathrm{d}x = \left[\frac{x^3}{3}\right]_{-1}^{1} = \frac13 + \frac13 = \frac23
$$

$$
\langle x^3, x^3\rangle = \int_{-1}^{1}x^6\,\mathrm{d}x = \left[\frac{x^7}{7}\right]_{-1}^{1} = \frac17 + \frac17 = \frac27
$$

**第 2 步：** 第一个基函数：$x$ 已经是"新的方向"，取

$$
\varphi_1 = x,
\qquad
\lVert\varphi_1\rVert^2 = \frac23
$$

**第 3 步：** 把 $x^3$ 中"沿 $\varphi_1$ 的分量"减掉。投影系数是

$$
\frac{\langle x^3, \varphi_1\rangle}{\lVert\varphi_1\rVert^2}
= \frac{\displaystyle\int_{-1}^{1}x^3\cdot x\,\mathrm{d}x}{\frac23}
= \frac{\displaystyle\int_{-1}^{1}x^4\,\mathrm{d}x}{\frac23}
= \frac{\frac25}{\frac23}
= \frac25\cdot\frac32 = \frac35
$$

故

$$
\varphi_2 = x^3 - \frac35 x
$$

**第 4 步：** 验证 $\varphi_2 \perp \varphi_1$：

$$
\langle \varphi_2, \varphi_1\rangle
= \int_{-1}^{1}\left(x^3 - \frac35 x\right)x\,\mathrm{d}x
= \int_{-1}^{1}x^4\,\mathrm{d}x - \frac35\int_{-1}^{1}x^2\,\mathrm{d}x
= \frac25 - \frac35\cdot\frac23
= \frac25 - \frac25 = 0 \;\checkmark
$$

**第 5 步：** 顺便算出 $\varphi_2$ 的长度平方（后面例题 9 会用到）：

$$
\lVert\varphi_2\rVert^2 = \int_{-1}^{1}\left(x^3 - \frac35x\right)^2\mathrm{d}x
= \int_{-1}^{1}\left(x^6 - \frac65x^4 + \frac{9}{25}x^2\right)\mathrm{d}x
= \frac27 - \frac65\cdot\frac25 + \frac{9}{25}\cdot\frac23
$$

$$
= \frac27 - \frac{12}{25} + \frac{6}{25}
= \frac27 - \frac{6}{25}
= \frac{50 - 42}{175}
= \frac{8}{175}
$$

**第 6 步：** 验证它与 $1$、$x^2$ 也正交：

$$
\langle \varphi_2, 1\rangle = \int_{-1}^{1}\left(x^3 - \frac35x\right)\mathrm{d}x = 0 - 0 = 0 \;\checkmark
$$

$$
\langle \varphi_2, x^2\rangle = \int_{-1}^{1}\left(x^5 - \frac35x^3\right)\mathrm{d}x = 0 - 0 = 0 \;\checkmark
$$

（$x^5$ 与 $x^3$ 都是奇函数，在对称区间上积分为零。）

**第 7 步：** 结论与意义。

1. $1,\ x,\ x^2,\ x^3,\ x^4,\ \dots$ 在 $L^2[-1,1]$ 上**互相不正交**，但 Gram–Schmidt 能造出**正交系**
   
$$
1,\quad x,\quad x^2 - \frac13,\quad x^3 - \frac35x,\quad \dots
$$
   
   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。
2. **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**（$e^{\mathrm{i}nx}$ 是 $\frac{\mathrm{d}^2}{\mathrm{d}x^2}$ 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。
3. **区间换了，正交系就换了**：Legendre 多项式在 $[-1,1]$ 上正交，三角函数系在长度 $2\pi$ 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）

> [!example] 题目（证明）
> 设 $f(x) = x$（$-\pi < x < \pi$），取基函数 $\varphi_0 = 1$、$\varphi_1 = \sin x$。证明：在 $\operatorname{span}\{1, \sin x\}$ 中，使均方误差 $\lVert f - g\rVert^2$ 最小的
>
> $$
> g(x) = a_0 + b_1\sin x
> $$
>
> 的系数是 $a_0 = 0$、$b_1 = -2$，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。$f(x) = x$ 是奇函数，故

$$
\langle f, 1\rangle = \int_{-\pi}^{\pi}x\,\mathrm{d}x = 0
$$

$\sin x$ 也是奇函数，故 $(f$ 奇 $\times \sin x$ 奇 $=$ 偶$)$：

$$
\langle f, \sin x\rangle = \int_{-\pi}^{\pi}x\sin x\,\mathrm{d}x
$$

被积函数 $x\sin x$ 是偶函数，所以可以写成两倍的一半区间：

$$
\langle f, \sin x\rangle = 2\int_{0}^{\pi}x\sin x\,\mathrm{d}x
$$

用分部积分 $u = x$、$\mathrm{d}v = \sin x\,\mathrm{d}x$，则 $\mathrm{d}u = \mathrm{d}x$、$v = -\cos x$：

$$
\int_{0}^{\pi}x\sin x\,\mathrm{d}x
= \Big[-x\cos x\Big]_{0}^{\pi} + \int_{0}^{\pi}\cos x\,\mathrm{d}x
= \left(-\pi\cos\pi + 0\right) + \Big[\sin x\Big]_{0}^{\pi}
= \pi + 0 = \pi
$$

（$\cos\pi = -1$、$\sin\pi = \sin 0 = 0$。）故

$$
\langle f, \sin x\rangle = 2\pi
$$

再由 3.1 节的结论：

$$
\langle 1,1\rangle = 2\pi,
\qquad
\langle \sin x, \sin x\rangle = \pi,
\qquad
\langle 1, \sin x\rangle = 0
$$

**第 2 步：** 一般推导（先不代入具体数值）。设 $g = a_0\varphi_0 + b_1\varphi_1$，展开误差：

$$
\lVert f - g\rVert^2
= \lVert f\rVert^2 - 2a_0\langle f,\varphi_0\rangle - 2b_1\langle f,\varphi_1\rangle
+ a_0^2\lVert\varphi_0\rVert^2 + b_1^2\lVert\varphi_1\rVert^2 + 2a_0b_1\langle\varphi_0,\varphi_1\rangle
$$

**关键一步**：$\langle\varphi_0,\varphi_1\rangle = \langle 1,\sin x\rangle = 0$，**交叉项消失**，于是两个变量各自独立：

$$
\lVert f - g\rVert^2
= \underbrace{\lVert f\rVert^2 - \frac{\langle f,\varphi_0\rangle^2}{\lVert\varphi_0\rVert^2} - \frac{\langle f,\varphi_1\rangle^2}{\lVert\varphi_1\rVert^2}}_{\text{与 } a_0, b_1 \text{ 无关的最小值}}
+ \lVert\varphi_0\rVert^2\left(a_0 - \frac{\langle f,\varphi_0\rangle}{\lVert\varphi_0\rVert^2}\right)^2
+ \lVert\varphi_1\rVert^2\left(b_1 - \frac{\langle f,\varphi_1\rangle}{\lVert\varphi_1\rVert^2}\right)^2
$$

（把第 2 步的展开式配方即得：交叉项为零使得"配 $a_0$"与"配 $b_1$"互不干扰。）

**第 3 步：** 读取最优系数。两个平方项都 $\ge 0$，同时取 $0$ 时误差最小，故

$$
a_0 = \frac{\langle f, 1\rangle}{\lVert 1\rVert^2} = \frac{0}{2\pi} = 0,
\qquad
b_1 = \frac{\langle f,\sin x\rangle}{\lVert\sin x\rVert^2} = \frac{2\pi}{\pi} = 2
$$

于是最优的 $g$ 是

$$
g(x) = 2\sin x
$$

$\blacksquare$

**第 4 步：** 数值验算。用梯形法在 $200001$ 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

$$
a_0 = \frac{\langle f,1\rangle}{\langle 1,1\rangle} = 0.000000,
\qquad
b_1 = \frac{\langle f,\sin x\rangle}{\langle \sin x,\sin x\rangle} = 2.000000
$$

与手算一致 ✓。最小误差为

$$
\lVert f - g\rVert^2 = \lVert f\rVert^2 - \frac{\langle f,1\rangle^2}{\lVert 1\rVert^2} - \frac{\langle f,\sin x\rangle^2}{\lVert\sin x\rVert^2}
= \frac{2\pi^3}{3} - 0 - \frac{(2\pi)^2}{\pi}
= \frac{2\pi^3}{3} - 4\pi \approx 20.670851 - 12.566371 = 8.104480
$$

其中 $\lVert f\rVert^2 = \int_{-\pi}^{\pi}x^2\mathrm{d}x = \frac{2\pi^3}{3}$（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"：

$$
\langle f - g, 1\rangle = \langle x, 1\rangle - 2\langle \sin x, 1\rangle = 0 - 0 = 0 \;\checkmark
$$

$$
\langle f - g, \sin x\rangle = \langle x,\sin x\rangle - 2\langle\sin x,\sin x\rangle = 2\pi - 2\pi = 0 \;\checkmark
$$

**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：

$$
\begin{bmatrix} \langle\varphi_0,\varphi_0\rangle & \langle\varphi_0,\varphi_1\rangle \\[2pt] \langle\varphi_1,\varphi_0\rangle & \langle\varphi_1,\varphi_1\rangle\end{bmatrix}
\begin{bmatrix} a_0 \\ b_1\end{bmatrix}
=
\begin{bmatrix} \langle f,\varphi_0\rangle \\ \langle f,\varphi_1\rangle\end{bmatrix}
\quad\Longleftrightarrow\quad
G\,\mathbf{c} = \mathbf{d}
$$

这里的 $G$ 就是 **Gram 矩阵**（下一节 5.x 会用到的记号）。

- 本题的 $G = \begin{bmatrix} 2\pi & 0 \\ 0 & \pi\end{bmatrix}$，**因为 $\langle 1,\sin x\rangle = 0$ 而成为对角矩阵**——方程组解耦，$c_k = \frac{d_k}{G_{kk}}$ 直接除一下即可。这就是"投影公式"。
- 若改用**不正交**的基（如 $1, x, x^2$），$G$ 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 $A^{\mathrm{T}}A\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$，其中 $A^{\mathrm{T}}A$ 正是列向量组的 Gram 矩阵。

> [!important] 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 | $\mathbf{b} \in \mathbb{R}^m$ | $f \in L^2[-\pi,\pi]$ |
> | 逼近子空间 | $\mathbf{C}(A)$，基为 $A$ 的列 $\mathbf{a}_k$ | $S_N$，基为 $\varphi_k$ |
> | 误差度量 | $\lVert\mathbf{b} - A\mathbf{x}\rVert^2 = \sum_i(\cdot)^2$ | $\lVert f - g\rVert^2 = \int(\cdot)^2\mathrm{d}x$ |
> | 正交条件 | $A^{\mathrm{T}}(\mathbf{b} - A\hat{\mathbf{x}}) = \mathbf{0}$ | $\langle f - g, \varphi_k\rangle = 0$ |
> | 法方程 | $(A^{\mathrm{T}}A)\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$ | $G\mathbf{c} = \mathbf{d}$，$G_{jk} = \langle\varphi_k,\varphi_j\rangle$ |
> | 系数矩阵 | $A^{\mathrm{T}}A$ 一般满阵，需解方程 | $G$ **对角**（基正交），直接相除 |
> | 最小值 | $\lVert\mathbf{b}\rVert^2 - \lVert A\hat{\mathbf{x}}\rVert^2$ | $\lVert f\rVert^2 - \sum_k\frac{\langle f,\varphi_k\rangle^2}{\lVert\varphi_k\rVert^2}$ |
> | 最小值条件 | $\mathbf{b} \perp \mathbf{C}(A)$ 时误差为零 | $f \in S_N$ 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 $G$ 变成满阵，就必须解一个 $n$ 阶（无穷维时是无穷阶）**线性方程组**；更糟的是，$G$ 的条件数会随基的选择迅速恶化（多项式幂基的 $G$ 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）

> [!example] 题目
> 只用 numpy，数值验证下面四件事：
>
> 1. 平移方波 $f(x) = 2$（$x>0$）、$0$（$x<0$）的傅里叶系数，与例题 4 的手算结果对照；
> 2. 帕塞瓦尔等式 $\frac{1}{2\pi}\int f^2 = a_0^2 + \frac12\sum(a_n^2+b_n^2)$；
> 3. 三角波（例题 5）的系数与 $1/n^2$ 衰减、截断误差的下降速度；
> 4. 吉布斯现象：过冲幅度随 $N$ 增大**不消失**。

**代码（只用 numpy）**

```python
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。** $a_0 = 1$、$b_{2k+1} = \frac{4}{(2k+1)\pi}$（$1.27323954 = 4/\pi$、$0.42441318 = 4/(3\pi)$、$0.25464791 = 4/(5\pi)$），$a_n$ 的"$\sim 10^{-16}$"只是浮点舍入，即**零**。
2. **帕塞瓦尔成立但收敛很慢。** 左端应是 $2$，数值给 $1.999995$（误差来自间断点处的 $O(h)$ 梯形误差）；右端用 $2000$ 个系数只到 $1.999797$——因为 $\sum 1/n^2$ 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 $\approx 2\times10^{-4}$，方向正确（右边偏小）。
3. **三角波的系数严格按 $\frac{1}{n^2}$ 衰减**：数值 $0.40528473$、$0.04503164$、$0.01621139$ 与理论 $\frac{4}{n^2\pi^2}$ 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 $1.190\to0.624\to0.159\to0.040\to0.0099$，$N$ 乘 $4$ 误差约除 $4$，即 $\sim\frac1N$（理论 $\sum_{n>N}\frac{1}{n^2}\sim\frac1N$ ✓）；三角波误差 $2.4\times10^{-3}\to1.2\times10^{-4}\to4.7\times10^{-6}\to9.5\times10^{-8}\to1.6\times10^{-9}$，$N$ 乘 $4$ 误差约除 $64$，即 $\sim\frac{1}{N^3}$。**同样取 $256$ 项，三角波的误差比方波小 $6$ 个数量级。**
5. **吉布斯过冲是常数。** $N$ 从 $5$ 增到 $145$，最大过冲从 $2.188357$ 降到 $2.178995$，**极限是 $2.179$**（即平台 $2$ 之上多出 $0.179 = 8.95\%\times$跳跃量 $2$），而**过冲位置 $x = 2.618\to3.120$ 不断向间断点 $\pi$ 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。

> [!warning] 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 $200001$ 个点（`h = 3.14e-05`）时，间断点 $x = 0$ **恰好落在网格点上**。若把 $f(0)$ 写成 $2$（用 `x >= 0`）或 $0$（用 `x > 0`），梯形法在这一点就产生 $O(h)$ 的系统偏差，$a_n$ 会集体偏离约 $10^{-5}$、$a_0$ 偏离 $5\times10^{-6}$。取**左右极限的中点** $1$ 之后，误差立刻降到机器精度（输出里 $a_n$ 是 $10^{-16}$ 量级）。
> - **不要在间断点上评估部分和。** 部分和在 $x=0$ 处恒等于 $a_0$（因为每项都含 $\sin 0$ 或 $\cos 0$ 的特殊组合），无法检验逼近效果；要在**连续点**（如 $x = \frac{\pi}{2}$）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（$\le 1.25$）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。

---

> [!important] 与傅里叶矩阵的联系
> 在有限维、离散的情形，$N$ 个采样点的 DFT 写成矩阵形式
>
> $$
> \mathbf{c} = F_N\mathbf{x},
> \qquad
> (F_N)_{jk} = \omega^{jk},
> \qquad
> \omega = e^{-2\pi\mathrm{i}/N}
> $$
>
> $F_N$ 就是**傅里叶矩阵**（Fourier matrix），它的列正是 $N$ 维空间中"离散化的复指数基"，且 $\frac{1}{\sqrt{N}}F_N$ 是**酉矩阵**（unitary）——即离散版的正交基。$c_n = \frac{1}{2\pi}\int f e^{-\mathrm{i}nx}$ 中的积分，在离散化后变成 $c_k = \frac{1}{N}\sum_j x_j\omega^{jk}$ 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 $O(N^2)$ 加速到 $O(N\log N)$。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：

| $\mathbb{R}^n$（离散） | $L^2[-\pi,\pi]$（连续） |
|---|---|
| 向量 $\mathbf{v} = (v_1, \dots, v_n)$ | 函数 $f = f(x)$，$x \in [-\pi,\pi]$ |
| 下标 $i = 1, \dots, n$ | 连续变量 $x$ |
| 有限维 $n$ | 无穷维 |
| 点积 $\mathbf{u}^{\mathrm{T}}\mathbf{v} = \sum_{i=1}^{n}u_iv_i$ | 内积 $\langle f, g\rangle = \int_{-\pi}^{\pi}f(x)g(x)\,\mathrm{d}x$ |
| 范数 $\|\mathbf{v}\| = \sqrt{\sum v_i^2}$ | 范数 $\|f\| = \sqrt{\int f^2\,\mathrm{d}x}$ |
| 正交 $\mathbf{u}^{\mathrm{T}}\mathbf{v} = 0$ | 正交 $\int fg = 0$ |
| 标准正交基 $\mathbf{q}_1,\dots,\mathbf{q}_n$，$\mathbf{q}_i^{\mathrm{T}}\mathbf{q}_j = \delta_{ij}$ | 正交函数系 $\varphi_k$，$\langle\varphi_k,\varphi_l\rangle = \|\varphi_k\|^2\delta_{kl}$ |
| 展开 $\mathbf{b} = \sum_i c_i\mathbf{q}_i$ | 傅里叶级数 $f = a_0 + \sum_n(a_n\cos nx + b_n\sin nx)$ |
| 坐标 $c_i = \mathbf{q}_i^{\mathrm{T}}\mathbf{b}$ | 系数 $a_n = \frac{\langle f,\cos nx\rangle}{\langle\cos nx,\cos nx\rangle}$ |
| 帕塞瓦尔（勾股）$\|\mathbf{b}\|^2 = \sum_i c_i^2$ | 帕塞瓦尔 $\frac{1}{2\pi}\int f^2 = a_0^2 + \frac12\sum(a_n^2+b_n^2)$ |
| 最小二乘投影 $\hat{\mathbf{b}} = A\hat{\mathbf{x}}$，$A^{\mathrm{T}}(\mathbf{b} - A\hat{\mathbf{x}}) = \mathbf{0}$ | 截断级数 $f_N$，$\langle f - f_N, \varphi_k\rangle = 0$ |
| 有限维基：$\delta$ 函数型（$i=j$ 才为 1） | 正交函数系：$\delta_{mn}$（Kronecker delta） |
| 矩阵 $A$ 作用 $\mathbf{x} \mapsto A\mathbf{x}$ | 算子（operator）作用 $f \mapsto Tf$（如微分算子） |
| 转置 $A^{\mathrm{T}}$ | 伴随算子（adjoint） |
| 特征向量 $A\mathbf{v} = \lambda\mathbf{v}$ | 特征函数 $Tf = \lambda f$（如 $e^{\mathrm{i}nx}$ 是 $\frac{\mathrm{d}^2}{\mathrm{d}x^2}$ 的特征函数，$\lambda = -n^2$） |

> [!important] 最后一行是本篇的"彩蛋"
> $\frac{\mathrm{d}^2}{\mathrm{d}x^2}e^{\mathrm{i}nx} = -n^2 e^{\mathrm{i}nx}$：**复指数是二阶导数算子的特征函数**，特征值是 $-n^2$。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 $\mathrm{d}\mathbf{u}/\mathrm{d}t = A\mathbf{u}$ 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 $\varphi_1, \dots, \varphi_n$，称

$$
G = \begin{bmatrix}
\langle \varphi_1, \varphi_1\rangle & \langle \varphi_1, \varphi_2\rangle & \cdots & \langle \varphi_1, \varphi_n\rangle \\
\langle \varphi_2, \varphi_1\rangle & \langle \varphi_2, \varphi_2\rangle & \cdots & \langle \varphi_2, \varphi_n\rangle \\
\vdots & \vdots & \ddots & \vdots \\
\langle \varphi_n, \varphi_1\rangle & \langle \varphi_n, \varphi_2\rangle & \cdots & \langle \varphi_n, \varphi_n\rangle
\end{bmatrix},
\qquad
G_{ij} = \langle \varphi_j, \varphi_i\rangle
$$

为这组函数的 **Gram 矩阵**。它有两个立刻可用的性质：

1. **$G$ 是对称矩阵**（实内积空间里 $\langle \varphi_i,\varphi_j\rangle = \langle \varphi_j,\varphi_i\rangle$），而且还是**正定矩阵**（对任何非零系数向量 $\mathbf{c}$ 有 $\mathbf{c}^{\mathrm{T}}G\mathbf{c} = \lVert\sum_k c_k\varphi_k\rVert^2 > 0$）——这正是 [[6-4-对称矩阵与正定矩阵]] 的五个等价条件之一。
2. **$\det G = 0 \iff$ 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 $1, x, x^2$ 的 Gram 矩阵。** 在 $L^2[-1,1]$ 上（$\langle f,g\rangle = \int_{-1}^{1}fg\,\mathrm{d}x$），

$$
\langle x^i, x^j\rangle = \int_{-1}^{1}x^{i+j}\,\mathrm{d}x =
\begin{cases}
\dfrac{2}{i+j+1}, & i + j \ \text{even} \\[6pt]
0, & i + j \ \text{odd}
\end{cases}
$$

故

$$
G = \begin{bmatrix}
2 & 0 & \dfrac23 \\[4pt]
0 & \dfrac23 & 0 \\[4pt]
\dfrac23 & 0 & \dfrac25
\end{bmatrix}
$$

- **对角元**就是各函数的长度平方：$\lVert 1\rVert^2 = 2$、$\lVert x\rVert^2 = \frac23$、$\lVert x^2\rVert^2 = \frac25$；
- **非对角元**不为零 ⟹ **这组基不正交**（$1$ 与 $x^2$ 的内积是 $\frac23 \ne 0$）；
- 而 $G$ 的 $(1,2)$、$(2,3)$ 位置为零 ⟹ $x$ 与 $1$、$x^2$ 都正交（奇偶性）；
- 算出行列式 $\det G = 2\left(\frac23\cdot\frac25 - 0\right) - 0 + \frac23\left(0 - \frac23\cdot\frac23\right) = \frac{8}{15} - \frac{8}{27} = \frac{8\cdot 27 - 8\cdot 15}{405} = \frac{96}{405} = \frac{32}{135} > 0$，故三个函数**线性无关**（与"$\det G = 0 \iff$ 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 $\varphi_0 = 1$、$\varphi_k = \cos kx$、$\psi_k = \sin kx$（$k \ge 1$）的 Gram 矩阵是**对角矩阵**：

$$
G = \operatorname{diag}\left(2\pi,\ \pi,\ \pi,\ \pi,\ \pi,\ \dots\right)
$$

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 | $\mathbb{R}^n$ 中的一组**正交（非标准）**基 $\mathbf{a}_1,\dots,\mathbf{a}_n$ | $L^2$ 中的正交函数系 $\varphi_0, \varphi_1, \dots$ |
|---|---|---|
| 展开式 | $\mathbf{b} = \sum_{k} c_k\mathbf{a}_k$ | $f = \sum_k c_k\varphi_k$ |
| 两边与第 $i$ 个基做内积 | $\mathbf{a}_i^{\mathrm{T}}\mathbf{b} = \sum_k c_k\,\mathbf{a}_i^{\mathrm{T}}\mathbf{a}_k$ | $\langle f, \varphi_i\rangle = \sum_k c_k\langle \varphi_k,\varphi_i\rangle$ |
| 正交性让右边只剩一项 | $\mathbf{a}_i^{\mathrm{T}}\mathbf{a}_k = \lVert\mathbf{a}_i\rVert^2\delta_{ik}$ | $\langle\varphi_k,\varphi_i\rangle = \lVert\varphi_i\rVert^2\delta_{ik}$ |
| 坐标公式 | $c_i = \dfrac{\mathbf{a}_i^{\mathrm{T}}\mathbf{b}}{\lVert\mathbf{a}_i\rVert^2}$ | $c_i = \dfrac{\langle f, \varphi_i\rangle}{\lVert\varphi_i\rVert^2}$ |
| 具体写法（本篇） | —— | $a_0 = \dfrac{\langle f,1\rangle}{2\pi}$，$a_n = \dfrac{\langle f,\cos nx\rangle}{\pi}$，$b_n = \dfrac{\langle f,\sin nx\rangle}{\pi}$ |
| 与标准正交基的关系 | $\mathbf{q}_i = \mathbf{a}_i/\lVert\mathbf{a}_i\rVert$ 时 $c_i = \mathbf{q}_i^{\mathrm{T}}\mathbf{b}$ | 基**不标准**（长度是 $\sqrt{2\pi}$ 或 $\sqrt\pi$），所以**必须除以长度平方** |
| 分母从哪来 | $\langle\mathbf{a}_i,\mathbf{a}_i\rangle$ | $2\pi$（常数项）与 $\pi$（$\cos$、$\sin$ 项）——**三个归一化常数的根源** |

> [!important] 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
>
> $$
> \text{coordinate} = \frac{\langle \text{vector}, \text{basis vector}\rangle}{\langle \text{basis vector}, \text{basis vector}\rangle}
> $$
>
> 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**（$\langle\cos nx,\cos nx\rangle = \pi \ne 1$）。若改用标准化的基 $\left\{\frac{1}{\sqrt{2\pi}}, \frac{\cos nx}{\sqrt{\pi}}, \frac{\sin nx}{\sqrt{\pi}}\right\}$，坐标公式就变成纯粹的"内积"，与 $\mathbf{q}_i^{\mathrm{T}}\mathbf{b}$ 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：

$$
(Tf)(x) = f'(x)
\qquad\text{（微分算子）}
\qquad
(Sf)(x) = \int_{-\pi}^{x}f(t)\,\mathrm{d}t
\qquad\text{（积分算子）}
$$

它们的"线性"就是微积分里的 $(af+bg)' = af' + bg'$。

**为什么 Fourier 选三角函数系？** 因为 $e^{\mathrm{i}nx}$（等价地 $\cos nx, \sin nx$）是二阶导数算子的**特征函数**。逐步验证（以复指数为例）：

$$
\frac{\mathrm{d}}{\mathrm{d}x}e^{\mathrm{i}nx} = \mathrm{i}n\,e^{\mathrm{i}nx}
\quad\Longrightarrow\quad
\frac{\mathrm{d}^2}{\mathrm{d}x^2}e^{\mathrm{i}nx} = \mathrm{i}n\cdot\mathrm{i}n\,e^{\mathrm{i}nx} = \mathrm{i}^2n^2e^{\mathrm{i}nx} = -n^2e^{\mathrm{i}nx}
$$

（$\mathrm{i}^2 = -1$。）对实基也成立：$\frac{\mathrm{d}^2}{\mathrm{d}x^2}\cos nx = -n^2\cos nx$、$\frac{\mathrm{d}^2}{\mathrm{d}x^2}\sin nx = -n^2\sin nx$。

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 $-n^2$。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 $A = S\Lambda S^{-1}$ 把 $\mathrm{d}\mathbf{u}/\mathrm{d}t = A\mathbf{u}$ 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]]）。

> [!note] 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（$[-1,1]$）、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 $\frac{\mathrm{d}^2}{\mathrm{d}x^2}$ 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 $L^2$ 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）

$$
\frac{\partial u}{\partial t} = \frac{\partial^2 u}{\partial x^2},
\qquad
u(t, -\pi) = u(t, \pi),
\qquad
u(0, x) = u_0(x)
$$

设解可以展开为

$$
u(t, x) = a_0(t) + \sum_{n=1}^{\infty}\left(a_n(t)\cos nx + b_n(t)\sin nx\right)
$$

代入方程。因为 $\frac{\partial^2}{\partial x^2}\cos nx = -n^2\cos nx$（**特征函数！**），每一项独立演化：

$$
\dot{a}_n(t)\cos nx + \dots = -n^2\left(a_n(t)\cos nx + \dots\right)
$$

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：

$$
\dot{a}_0 = 0,
\qquad
\dot{a}_n = -n^2 a_n,
\qquad
\dot{b}_n = -n^2 b_n,
\qquad n \ge 1
$$

逐个求解（第 6 章的一维线性方程）：

$$
a_0(t) = a_0(0),
\qquad
a_n(t) = a_n(0)e^{-n^2t},
\qquad
b_n(t) = b_n(0)e^{-n^2t}
$$

故

$$
u(t, x) = a_0(0) + \sum_{n=1}^{\infty}e^{-n^2t}\left(a_n(0)\cos nx + b_n(0)\sin nx\right)
$$

其中 $a_n(0), b_n(0)$ 由初值 $u_0$ 的傅里叶系数给出。

**物理含义**：

- 高频分量（$n$ 大）以 $e^{-n^2t}$ 的速度**迅速衰减**——热传导是"抹平细节"的过程；
- 常数分量 $a_0(0)$ 永久保留——总热量守恒；
- 时间 $t \to \infty$ 时解趋于常数 $a_0(0)$（温度均匀）；
- 若初值 $u_0$ 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 $1/n$ 的高频系数乘上 $e^{-n^2t}$ 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 $f(t)$ 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 $c_n$ 置零，再逆变换。去掉高频 $\Rightarrow$ 低通滤波（去噪、模糊）；去掉低频 $\Rightarrow$ 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 $8\times 8$ 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；$e^{\mathrm{i}px/\hbar}$ 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 $\varphi(t) = E[e^{\mathrm{i}tX}]$；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。

```python
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 $10^{-16}$ 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（$\approx 2.2\times10^{-16}$）——**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 $a_n$ 出现 $-1.00\times10^{-5}$、$a_0$ 出现 $-5.00\times10^{-6}$：这是离散化伪影，不是函数真的有不零的余弦系数。** 量级 $\approx h = 3.1\times10^{-5}$，与步长同阶，正是"间断点上梯形法只有 $O(h)$ 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 $f(0)$ 设成左右极限的中点，同样的网格上误差立刻降到 $10^{-16}$。**
3. **帕塞瓦尔的右端 $0.99999797$ 略小于 $1$**：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 $\sim \frac{1}{N}$ 的速度下降**（$1.190 \to 0.128$ 相当于 $N$ 增大 10 倍、误差降为约 $1/9.4$），与"有跳跃的函数系数 $\sim 1/n$、误差平方和 $\sim \sum_{n>N} 1/n^2 \sim 1/N$"的理论一致 ✓。

> [!important] 数值积分的注意事项
> 1. **网格要够密**：方波在 $x=0$ 处有间断，梯形法在那里误差 $O(h)$。本例取 $200001$ 个点（$h \approx 3\times10^{-5}$）才得到 $10^{-5}$ 量级的精度。若用 $1000$ 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 $0$ 处取到 $f(0) = 1$（因为用了 `x > 0`），这使 $a_n$ 出现 $\sim 10^{-5}$ 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 $f$ 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 $O(N^2)$ 降到 $O(N\log N)$。

---

## 九、易错点

> [!warning] 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 $n = 0, 1, 2, \dots$，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 $\hat{f}(\omega)$，是**积分**。
>
> 二者的关系是极限：把周期 $T \to \infty$，相邻频率间隔 $\Delta\omega = \frac{2\pi}{T} \to 0$，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 $\frac{1}{\pi}$（或 $\frac{1}{2\pi}$）忘掉 $\Rightarrow$ 所有系数差 $2\pi$ 或 $\pi$ 倍；
> - 常数项：$a_0 = \frac{1}{2\pi}\int f$ 与经典写法 $a_0 = \frac{1}{\pi}\int f$（配 $\frac{a_0}{2}$）**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 $\frac{1}{2\pi}$，右边有 $\frac{1}{2}$，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（$L^2$、逐点、一致），强度依次递增，所需条件也依次增强。$L^2$ 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 $f(x_0)$。方波在 $x=0$ 处级数给 $0$，而 $f(0)$ 无论取 $1$ 还是 $-1$ 都不是 $0$——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 $a_n$（含 $a_0$）为零，偶函数的所有 $b_n$ 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 $[-L, L]$ 而言的**；若区间是 $[0, 2\pi]$，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 $[0, \pi]$ 上，可以**偶延拓**到 $[-\pi,\pi]$（得余弦级数）或**奇延拓**（得正弦级数），两者都收敛到原函数在 $[0,\pi]$ 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 $f$ 与各基函数的内积，即 $f$ 的形状。例如方波的余弦系数全为零，是因为 $f$ 是奇函数，而不是因为 $\cos nx$ 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 $N \to \infty$ 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 **$L^2$ 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：$\langle f, g\rangle = \int f\bar{g}\,\mathrm{d}x$。若丢掉共轭，正定性 $\langle f, f\rangle \ge 0$ 就不成立（$f = \mathrm{i}g$ 时 $\int f^2 = -\int g^2 < 0$）。这也是本库统一把共轭转置记作 $A^{\mathrm{H}}$ 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 $J$（即左右极限之差，方波例子中 $J = 1 - (-1) = 2$）。可以证明，部分和在跳跃点右侧的最大值趋近于

$$
f(x_0^{+}) + \frac{J}{2}\left(\frac{2}{\pi}\int_{0}^{\pi}\frac{\sin t}{t}\,\mathrm{d}t - 1\right)
$$

其中括号内的常数

$$
\frac{2}{\pi}\int_{0}^{\pi}\frac{\sin t}{t}\,\mathrm{d}t - 1 \approx \frac{2}{\pi}\cdot 1.8519 - 1 \approx 0.17898
$$

而 $\frac{2}{\pi}\int_{0}^{\pi}\frac{\sin t}{t}\mathrm{d}t \approx 1.17898$ 正是著名的 **Wilbraham–Gibbs 常数**。因此过冲量约为

$$
0.0895\,J
$$

即跳跃量的约 $8.95\%$。对方波（$J = 2$、上平台高度为 $1$），过冲的**绝对幅度**约为 $0.179$，也就是相对平台高度 $1$ 的约 $17.9\%$——数值实验（$N = 30$ 项）给出的正是 $17.9\%$。两种百分比的分母不同（一个用跳跃量 $J$，一个用平台高度），不要混淆。关键结论是：**这个过冲与 $N$ 无关**，$N$ 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 $\displaystyle\int_{0}^{2\pi}\cos mx\cos nx\,\mathrm{d}x = \pi\delta_{mn}$ 与 $\displaystyle\int_{0}^{2\pi}\sin mx\sin nx\,\mathrm{d}x = \pi\delta_{mn}$（$m,n \ge 1$），并说明 $\displaystyle\int_{0}^{2\pi}\cos mx\sin nx\,\mathrm{d}x = 0$。

**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) $f(x) = x^2$，$x \in [-\pi,\pi]$；(b) $f(x) = x^3$；(c) $f(x) = |x|$；(d) $f(x) = e^x$（$x \in [-\pi,\pi]$）。

**进阶题 3** 求三角波

$$
f(x) = \begin{cases} x + \pi, & -\pi \le x < 0 \\ \pi - x, & 0 \le x \le \pi \end{cases}
$$

的傅里叶级数（提示：这是偶函数，只需算 $a_n$；答案是 $f(x) = \frac{\pi}{2} + \frac{4}{\pi}\sum_{k\ge0}\frac{\cos((2k+1)x)}{(2k+1)^2}$ 的变体，请自行完成并验证 $x=0$ 处的值）。用它推导 $\sum_{k\ge0}\frac{1}{(2k+1)^2} = \frac{\pi^2}{8}$。

**进阶题 4** 用例题 2 的锯齿波级数，在 $x = \pi/2$ 处求值，推导 Leibniz 级数 $\sum_{n\ge0}\frac{(-1)^n}{2n+1} = \frac{\pi}{4}$。再用帕塞瓦尔等式从锯齿波级数推导 $\sum_{n\ge1}\frac{1}{n^2} = \frac{\pi^2}{6}$。

**进阶题 5** 设 $f(x) = x$（$-\pi < x < \pi$）。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 $x = 0$ 处的收敛值。哪个级数收敛更快？为什么？

**思考题 6** 设 $f$ 是周期为 $2\pi$ 的连续函数，且 $f'$ 平方可积。利用分部积分证明：$f$ 的傅里叶系数满足 $|a_n| \le \frac{C}{n}$、$|b_n| \le \frac{C}{n}$，其中 $C$ 是与 $n$ 无关的常数（提示：$a_n = \frac{1}{\pi}\int f\cos nx\,\mathrm{d}x$，对 $\cos nx$ 凑出 $\frac{1}{n}\frac{\mathrm{d}}{\mathrm{d}x}\sin nx$ 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 $e^{\mathrm{i}nx}$ 是微分算子 $\frac{\mathrm{d}^2}{\mathrm{d}x^2}$ 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 $A = S\Lambda S^{-1}$ 解 $\mathrm{d}\mathbf{u}/\mathrm{d}t = A\mathbf{u}$ 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 $L^2[-\pi,\pi]$ 中是**极大正交系**：不存在非零函数与所有 $\cos nx$、$\sin nx$ 都正交（除了零函数）。等价地，对任意 $f \in L^2$，$\|f - f_N\| \to 0$。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 $f$，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 $f = \sum_k c_k\varphi_k$ 时，"两边取内积"会得到一组**耦合**的方程

$$
\langle f, \varphi_j\rangle = \sum_k c_k\langle \varphi_k, \varphi_j\rangle
\quad\Longleftrightarrow\quad
\mathbf{G}\mathbf{c} = \mathbf{d},
\qquad G_{jk} = \langle \varphi_k, \varphi_j\rangle
$$

即要解一个无穷维线性方程组（$\mathbf{G}$ 叫 **Gram 矩阵**）。正交性的全部价值就是让 $\mathbf{G}$ **对角化**，于是方程组解耦、$c_k = \frac{\langle f, \varphi_k\rangle}{\|\varphi_k\|^2}$ 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：$a_0$ 到底表示什么？和 $a_n$（$n \ge 1$）的地位一样吗？**

$a_0 = \frac{1}{2\pi}\int_{-\pi}^{\pi}f\,\mathrm{d}x$ 就是 $f$ 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 $\langle 1,1\rangle = 2\pi$ 而不是 $\pi$，所以 $a_0$ 的公式少了一个因子 $2$。许多教材干脆把常数项写成 $\frac{a_0}{2}$ 并定义 $a_0 = \frac{1}{\pi}\int f$，这样 $a_n = \frac{1}{\pi}\int f\cos nx$ 对**所有** $n \ge 0$ 统一（把 $\cos 0x = 1$ 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 $\frac{a_0}{2} + \sum(a_n\cos n\omega t + b_n\sin n\omega t)$，其中 $\omega = \frac{2\pi}{T}$。

**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 | $\mathbb{R}^m$ | $A$ 的列（不正交，需解 $A^{\mathrm{T}}A\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$） | $\hat{\mathbf{x}}$ |
| 傅里叶级数 | $L^2$ | $\{1, \cos nx, \sin nx\}$（正交，无需解方程） | $a_n, b_n$ |
| SVD / PCA | $\mathbb{R}^n$ | $A$ 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 $O(N\log N)$ 的快速算法。

---

## 本篇小结

> [!abstract] 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 $\;\xrightarrow{\ \text{积分是内积}\ }\;$ $\langle f,g\rangle = \int fg\,\mathrm{d}x$ $\;\xrightarrow{\ \text{三角函数系正交}\ }\;$ 用内积"读出"坐标 $\;\xrightarrow{\ \text{截断即最优}\ }\;$ 均方误差最小的逼近 $\;\xrightarrow{\ \text{能量守恒}\ }\;$ 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 $\langle f,g\rangle = \int fg\,\mathrm{d}x$ 满足内积三条公理 | 定义 10.4.2 |
| 3 | $1,\cos nx,\sin nx$ 两两正交，长度平方分别是 $2\pi,\pi,\pi$ | 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 $f_N$ 是 $S_N$ 上距离 $f$ 最近的元素（最小均方误差） | 定理 10.4.3 |
| 6 | 令 $N\to\infty$ 得帕塞瓦尔：能量 = 各频率分量能量之和 | 定理 10.4.4 |
| 7 | $L^2$ 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 $\lVert f - f_N\rVert^2 = \lVert f\rVert^2 - \sum_{k\le N}\frac{\langle f,\varphi_k\rangle^2}{\lVert\varphi_k\rVert^2}$，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 | $\langle f,g\rangle = \int_{-\pi}^{\pi}fg\,\mathrm{d}x$，$\lVert f\rVert = \sqrt{\langle f,f\rangle}$ | $f,g \in L^2[-\pi,\pi]$ |
| 正交性（三组） | $\langle\cos mx,\cos nx\rangle = \pi\delta_{mn}$，$\langle\sin mx,\sin nx\rangle = \pi\delta_{mn}$，$\langle\cos mx,\sin nx\rangle = 0$ | $m,n \ge 1$；区间长度 $2\pi$ |
| 常数函数 | $\langle 1,1\rangle = 2\pi$，$\langle 1,\cos nx\rangle = \langle 1,\sin nx\rangle = 0$ | —— |
| 傅里叶系数 | $a_0 = \frac{1}{2\pi}\int f$，$a_n = \frac{1}{\pi}\int f\cos nx$，$b_n = \frac{1}{\pi}\int f\sin nx$ | 本篇约定（常数项写作 $a_0$） |
| 坐标通则 | $c_i = \frac{\langle f,\varphi_i\rangle}{\lVert\varphi_i\rVert^2}$ | 基**正交但不标准** |
| 标准正交基 | $c_i = \langle f,\varphi_i\rangle$ | $\lVert\varphi_i\rVert = 1$，即第 4 章 $\mathbf{q}_i^{\mathrm{T}}\mathbf{b}$ |
| 最佳逼近 | $\lVert f - f_N\rVert \le \lVert f - g\rVert$ 对一切 $g \in S_N$ | $f_N$ 是正交投影 |
| 最小误差 | $\lVert f - f_N\rVert^2 = \lVert f\rVert^2 - \sum_{k\le N}\frac{\langle f,\varphi_k\rangle^2}{\lVert\varphi_k\rVert^2} \ge 0$ | 由帕塞瓦尔 |
| 帕塞瓦尔 | $\frac{1}{2\pi}\int f^2 = a_0^2 + \frac12\sum_{n\ge1}(a_n^2+b_n^2)$ | 完备正交系 |
| 复形式 | $c_n = \frac{1}{2\pi}\int f e^{-\mathrm{i}nx}\mathrm{d}x$，$\sum_n\lvert c_n\rvert^2 = \frac{1}{2\pi}\int\lvert f\rvert^2$ | $c_{-n} = \overline{c_n}$（$f$ 实值） |
| 复 ↔ 实 | $c_0 = a_0$，$c_n = \frac{a_n - \mathrm{i}b_n}{2}$，$c_{-n} = \frac{a_n + \mathrm{i}b_n}{2}$ | $n \ge 1$ |
| 系数衰减 | 有跳跃时 $\sim\frac1n$；$f$ 连续而 $f'$ 跳跃时 $\sim\frac{1}{n^2}$ | 分部积分一次降一档 |
| 吉布斯过冲 | 幅度 $\approx 0.0895\times$ 跳跃量，$N\to\infty$ 不消失 | 与 $N$ 无关 |
| 特征函数 | $\frac{\mathrm{d}^2}{\mathrm{d}x^2}e^{\mathrm{i}nx} = -n^2e^{\mathrm{i}nx}$ | 微分算子被对角化 |
| Gram 矩阵 | $G_{ij} = \langle\varphi_j,\varphi_i\rangle$，$\det G = 0 \iff$ 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 $0$；标准正交还要求长度为 $1$ | 傅里叶基只正交不标准，所以公式里**必须除以** $2\pi$ 或 $\pi$ |
| **$a_0$** vs **$\frac{a_0}{2}$** | 两种常数项约定差 $2$ 倍，$a_0$ 的定义也随之差 $2$ 倍 | **选定一套就不要换**；混用是最常见的错 |
| **$L^2$ 收敛** vs **一致收敛** | $L^2$ 只看"能量差"；一致收敛看"逐点最大偏差" | 方波：$L^2$ 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 $a_n$ 全为零（正弦级数）；偶函数 $b_n$ 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（$\frac1n$ 还是 $\frac{1}{n^2}$，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 $c_{-n} = \overline{c_n}$ 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 $\int_{-\pi}^{\pi}\cos mx\cos nx\,\mathrm{d}x$（分 $m = n$ 与 $m \ne n$ 两种情形）？
3. 能否说明为什么常数项的长度平方是 $2\pi$ 而不是 $\pi$，以及这如何导致常数项公式"少一个 $2$"？
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"（$\sum\frac{1}{n^2}$、$\sum\frac{1}{n^4}$ 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** $L^2$ 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 $c_i = \frac{\langle f,\varphi_i\rangle}{\lVert\varphi_i\rVert^2}$ 与 $\mathbf{q}_i^{\mathrm{T}}\mathbf{b}$ 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 $A^{\mathrm{T}}A\hat{\mathbf{x}} = A^{\mathrm{T}}\mathbf{b}$ 中的 $A^{\mathrm{T}}A$ 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 $F_N$（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 $c_{-n} = \overline{c_n}$ 也来自复内积。
- [[6-3-微分方程组与矩阵指数]]：$e^{\mathrm{i}nx}$ 是 $\frac{\mathrm{d}^2}{\mathrm{d}x^2}$ 的特征函数；"在特征函数基下解耦"与"用特征向量解 $\mathrm{d}\mathbf{u}/\mathrm{d}t = A\mathbf{u}$"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 $A = S\Lambda S^{-1}$ 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"$\det G = 0 \iff$ 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 $a_0$"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 $F_N$ 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]] —— $\frac{1}{\sqrt{N}}F_N$ 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 $\mathrm{d}\mathbf{u}/\mathrm{d}t = A\mathbf{u}$"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"$C[a,b]$ 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 $n$ 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](https://math.mit.edu/~gs/linearalgebra/)（含各节 PDF 与目录）。
- [MIT 18.06 Linear Algebra, Spring 2010](https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/)（课程主页）。
- [MIT 18.06 Readings](https://ocw.mit.edu/courses/18-06-linear-algebra-spring-2010/pages/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](https://numpy.org/doc/stable/reference/generated/numpy.fft.fft.html)（离散傅里叶变换的定义、归一化模式 `norm` 的取值与约定）。
