这张图的核心思想是：
把一个复杂的周期函数，当成“无限维空间里的向量”，再用有限个正弦波和余弦波去做最接近它的近似。
这个“最接近的近似”，就是函数在三角函数空间上的正交投影；投影所得的系数，就是傅里叶系数。
可以把它想成音乐分析：
- 原函数 $f(x)$：一段复杂声音；
- 三角函数基：不同频率的纯音；
- 傅里叶系数：每种纯音需要放多大音量；
- 傅里叶级数：把这些纯音重新叠加，恢复原来的声音。
一、图片最上方：三个函数集合的关系
图中研究的是以 $2\pi$ 为周期的函数。最上面给出的包含关系是：
$$L^2(\mathbb{R},\mathbb{C}) \subseteq L^1(\mathbb{R},\mathbb{C})$$
1. $L^1$：绝对值的面积有限
通俗地说：
在一个周期内，函数曲线与横轴之间的总面积不能无限大。
2. $L^2$：平方后的面积有限
物理上，$|f(x)|^2$ 常常代表能量密度，所以 $L^2$ 函数也常被理解为：
一个周期内总能量有限的函数。
在有限区间上，平方可积通常比绝对可积要求更强，因此有上面的包含关系。
3. 三角多项式：有限项的正弦、余弦之和
它指有限项的正弦、余弦之和，例如：
$$a_0 + \sum_{n=1}^{N} \big(a_n \cos(nx) + b_n \sin(nx)\big)$$
这种函数显然也属于 $L^2$，因此它是 $L^2$ 周期函数的一个子集。
这条包含关系表达的是：
三角多项式只是 $L^2$ 周期函数中的一小部分，但我们希望用这一小部分去逼近更复杂的函数。
二、函数也可以有“内积”
图中定义函数之间的内积为：
$$\langle f, g \rangle = \int_{-\infty}^{+\infty} \overline{f(x)}\, g(x)\, dx$$
如果 $f$ 和 $g$ 都是实函数，复共轭符号可以忽略，于是简化为：
$$\langle f, g \rangle = \int_{-\pi}^{\pi} f(x) g(x)\, dx$$
它与普通向量点积非常相似：
- 普通向量的点积：衡量两个箭头方向有多相似；
- 函数内积：衡量两条函数曲线整体上有多相似。
当内积为零时
就说 $f$ 与 $g$ 正交。这不是说两条曲线在图上垂直，而是说：
它们在整个区间上的正负贡献恰好相互抵消。
例如 $\sin x$ 与 $\cos x$ 在一个周期上的内积为零，所以它们正交。
三、傅里叶分析使用的正交归一系统
图中定义：
$$B_k = \left\{ x \mapsto \frac{1}{\sqrt{\pi}},\ x \mapsto \cos(kx),\ x \mapsto \sin(kx) \right\}$$
严格地说，每一项都是一个函数。这个系统一共有 $N = 2k + 1$ 个函数。
为什么常数函数写成 $\frac{1}{\sqrt{\pi}}$？
因为这里希望每个基函数的“长度”都是 1。函数长度由范数
$$\|f\| = \sqrt{\langle f, f \rangle}$$
定义。对于常数函数 $c$，若要求 $\|c\| = 1$，则：
$$\int_{-\pi}^{\pi} c^2\, dx = 2\pi c^2 = 1 \Rightarrow c = \frac{1}{\sqrt{\pi}}$$
同样可以验证，$\cos(kx)$ 和 $\sin(kx)$ 的范数也都是 1，而不同频率之间的内积都是零。所以这些函数彼此正交，而且长度都是 1。这就是图中的 ONS，即标准正交系统。
四、为什么“正交”以后特别容易求傅里叶系数？
把这组基函数写成：
$$B_k = \{ h_1, h_2, \dots, h_N \},\quad N = 2k+1$$
它们张成一个有限维空间 $U_N$。$U_N$ 中的任意函数都可以写成：
$$\sum_{i=1}^{N} a_i h_i$$
例如 $N = 5$ 时，$U_N$ 中只允许使用：
- 常数项；
- 频率为 1、2 的余弦波；
- 频率为 1、2 的正弦波。
五、图中的几何图：傅里叶部分和就是正交投影
图中绿色平面代表 $U_N$，蓝色箭头代表原函数 $f$。虽然真实的函数空间是无限维的，但我们仍然可以用普通三维几何来想象：
- $f$ 是空间中的一个向量；
- $U_N$ 是一个“平面”；
- 把 $f$ 垂直投影到 $U_N$；
- 投影结果记为 $\hat{x}_N(f)$。
公式是：
$$\hat{x}_N(f) = \sum_{i=1}^{N} a_i h_i$$
其中 $a_i = \langle h_i, f \rangle$ 就是 $f$ 在第 $i$ 个基函数方向上的“投影长度”。它们正是傅里叶系数。
为什么说它是“最好的近似”？
在所有 $U_N$ 中的函数 $g$ 里，$\hat{x}_N(f)$ 与 $f$ 的 $L^2$ 距离最小：
$$\| f - \hat{x}_N(f) \| \le \| f - g \|, \quad \forall g \in U_N$$
这里的距离是：
$$\| f - g \| = \left( \int_{-\pi}^{\pi} |f(x) - g(x)|^2 dx \right)^{1/2}$$
所以“最好”指的不是每一个点都误差最小，而是：
在整个区间上，误差平方的平均值最小。
就像照片压缩时，不可能保证每个像素都完全相同，但可以让总体误差尽可能小。
六、傅里叶部分和的具体公式
图中定义：
$$F_k(f)(x) = \frac{\bar{a}_0}{2} + \sum_{n=1}^{\infty} \left[ a_n \cos(nx) + b_n \sin(nx) \right]$$
这叫做第 $k$ 阶傅里叶部分和。它只使用频率 $1, 2, \dots, k$ 的正弦和余弦，频率更高的波暂时不使用。
1. 常数系数
展开式中的常数项是：
$$\bar{a}_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\, dx$$
所以它与通常写法中的 $\frac{a_0}{2}$ 对应。
2. 余弦系数
$$a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} \cos(nx) f(x)\, dx$$
它表示：原函数中含有多少频率为 $n$ 的余弦波。
3. 正弦系数
$$b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} \sin(nx) f(x)\, dx$$
它表示：原函数中含有多少频率为 $n$ 的正弦波。
七、图中的例子：半边为 1，半边为 0 的阶梯函数
定义：
$$f(x) = \begin{cases} 1, & x \in (0, \pi) \\ 0, & x \in [\pi, 2\pi] \end{cases}$$
然后把它按照 $2\pi$ 周期不断重复。它看起来像一个周期性的开关：
- 左半个周期：开，数值为 1；
- 右半个周期：关，数值为 0。
八、计算常数项
因为 $f(x)$ 只在 $(0, \pi)$ 上等于 1，所以：
$$\bar{a}_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\, dx = \frac{1}{\pi} \int_{0}^{\pi} 1\, dx = \frac{1}{\pi} \cdot \pi = 1$$
因此展开式中的常数项是：
$$\frac{\bar{a}_0}{2} = \frac{1}{2}$$
这也很好理解：函数一半时间等于 1，一半时间等于 0，所以平均值是 $\frac{1}{2}$。
九、为什么所有余弦系数都是零？
计算余弦系数：
$$a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} \cos(nx) f(x)\, dx = \frac{1}{\pi} \int_{0}^{\pi} \cos(nx)\, dx$$
积分得：
$$a_n = \frac{1}{\pi} \left[ \frac{\sin(nx)}{n} \right]_{0}^{\pi} = 0$$
因为 $\sin(n\pi) = 0$ 对所有整数 $n$ 都成立。因此这个函数的傅里叶级数里没有任何非恒定余弦项。
更深一层的直观解释
把平均值 $\frac{1}{2}$ 减掉，得到：
$$g(x) = f(x) - \frac{1}{2}$$
这个 $g(x)$ 是奇函数，而余弦是偶函数。奇函数乘偶函数仍然是奇函数，在对称区间上积分等于零，所以所有余弦系数消失。
十、计算正弦系数
因为 $f(x)$ 只在 $(0, \pi)$ 上等于 1，所以：
$$b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} \sin(nx) f(x)\, dx = \frac{1}{\pi} \int_{0}^{\pi} \sin(nx)\, dx$$
计算积分：
$$b_n = \frac{1}{\pi} \left[ -\frac{\cos(nx)}{n} \right]_{0}^{\pi} = \frac{1}{\pi} \left( -\frac{\cos(n\pi)}{n} + \frac{\cos(0)}{n} \right) = \frac{1}{\pi} \left( -\frac{(-1)^n}{n} + \frac{1}{n} \right)$$
现在分两种情况。
当 $n$ 为偶数
此时 $(-1)^n = 1$，所以：
$$b_n = \frac{1}{\pi} \left( -\frac{1}{n} + \frac{1}{n} \right) = 0$$
偶数频率全部消失。
当 $n$ 为奇数
此时 $(-1)^n = -1$，所以：
$$b_n = \frac{1}{\pi} \left( -\frac{-1}{n} + \frac{1}{n} \right) = \frac{1}{\pi} \cdot \frac{2}{n} = \frac{2}{\pi n}$$
因此：
$$b_n = \begin{cases} 0, & n \text{ 为偶数} \\ \dfrac{2}{\pi n}, & n \text{ 为奇数} \end{cases}$$
这说明：
偶数频率全部消失，只剩下第 1、3、5、7……个奇数频率。
十一、最终得到的傅里叶级数
把各项系数代回去，得到：
$$f(x) \sim \frac{1}{2} + \frac{2}{\pi} \sin x + \frac{2}{3\pi} \sin(3x) + \frac{2}{5\pi} \sin(5x) + \cdots$$
更紧凑地写成：
$$f(x) \sim \frac{1}{2} + \frac{2}{\pi} \sum_{m=0}^{\infty} \frac{\sin\big((2m+1)x\big)}{2m+1}$$
这里的“$\sim$”表示这是 $f$ 的傅里叶级数，而不是说有限项时已经完全相等。
十二、它是怎样逐步逼近阶梯函数的？
只取第一项：
$$f(x) \approx \frac{1}{2} + \frac{2}{\pi} \sin x$$
这只是一条比较圆滑的波，离方形阶梯还较远。
加入第 3 次谐波：
$$f(x) \approx \frac{1}{2} + \frac{2}{\pi} \sin x + \frac{2}{3\pi} \sin(3x)$$
顶部和底部开始变平，跳跃位置开始变陡。
再加入第 5 次谐波：
$$f(x) \approx \frac{1}{2} + \frac{2}{\pi} \sin x + \frac{2}{3\pi} \sin(3x) + \frac{2}{5\pi} \sin(5x)$$
继续加入第 7、9、11 次谐波，曲线会越来越像阶梯函数。
可以把它理解为：
低频波负责搭出大轮廓，高频波负责补充尖锐的边缘。
十三、最下面的图：为什么跳跃处会有波纹？
图中蓝色曲线在平坦区域已经接近 1 和 0，但在跳跃附近出现了明显的振荡和超调。这就是吉布斯现象。
在跳跃点附近：
- 曲线会超过上方的 1；
- 也可能低于下方的 0；
- 加入更多项后，振荡区域会越来越窄；
- 但最大超调高度不会完全消失。
超调量大约是跳跃高度的 $9\%$。这里跳跃高度为 1，所以曲线可能达到约 $1.09$，或下降到约 $-0.09$。
十四、在跳跃点，级数到底收敛到哪里？
在 $x = \pi$ 处，函数左极限为 $1$，右极限为 $0$。傅里叶级数在跳跃点收敛到左右极限的平均值：
$$\frac{1 + 0}{2} = \frac{1}{2}$$
所以即使原定义规定 $f(\pi) = 0$，傅里叶级数在 $x = \pi$ 仍然趋向 $\frac{1}{2}$。
同样，由于函数是周期延拓的，在 $x = 0$ 也存在跳跃，级数同样收敛到 $\frac{1}{2}$。
十五、图片中一个需要准确理解的地方
图片标题写的是 “Fourier Transform”，但这一页真正讲的是：
傅里叶级数，而不是通常意义上定义在整个实轴上的傅里叶变换。
两者的区别是：
- 傅里叶级数：处理周期函数，频率是离散的 $n$；
- 傅里叶变换：通常处理非周期函数，频率是连续的。
此外，图中 $F_k(f)(x)$ 是第 $k$ 个傅里叶部分和。完整的傅里叶级数应理解为部分和序列 $F_k(f)(x)$ 或者对应的无限三角级数。
十六、整张图的逻辑主线
整张图可以浓缩成下面这条路线：
先选择正交归一的三角函数系统，再通过内积计算每个方向上的投影长度，然后把这些投影重新组合，得到由有限个正弦波和余弦波组成的最佳近似。
随着 $k$ 增大，部分和会逐渐逼近原函数。至少在这个分段常数例子中：
- 连续点处趋向原函数；
- 跳跃点处趋向左右极限的平均值；
- 跳跃附近出现吉布斯振荡。
一句话总结：
傅里叶级数就是把函数投影到不同频率的正弦、余弦方向上，再把这些频率分量重新叠加起来。
发表于 2 小时前
|
查看: 6|
回复: 0
