无穷级数
Tip
本章的内容主要包括 常数项级数的收敛性 和 函数的级数展开。
对 常数项级数 的研究可以追溯到古人对极限过程的早期理解(如芝诺悖论、割圆术)。而 函数项级数 则是分析学中一项极其重要的工具,它蕴含了深层次的数学思想——即用简单的无穷多项式(或三角函数)的和,来逼近并表示一个复杂的对象。这也是现代计算数学和人工智能中逼近理论的基石。
13.1 常数项级数的概念和性质
Note
常数项级数的直观例子
例1:一尺之棰, 日取其半
设每天取走一半的长度,部分和的过程如下:
当 时,。这就是一个收敛的级数。
例2:割圆法与圆面积
用圆内接正多边形的面积去逼近圆面积,每次增加边数所带来的面积增量之和,最终收敛于 。
Important
级数的定义
无穷多个数的和称为 无穷级数 (Infinite Series),简称 级数。
给定数列 ,其前 项和 称为该级数的 部分和 (Partial sum)。
如果 存在(即极限为一个有限常数),则称级数 收敛 (Convergent),并称 为级数的和;否则称级数 发散 (Divergent)。
Note
几个经典的常数项级数
1. 几何级数 (等比级数)
当 时,级数收敛,和为 ;
当 时,级数发散。
2. 调和级数 (发散的经典例子)
虽然通项 ,但该级数是 发散 的。
3. 裂项相消级数
计算其部分和:
显然 ,故该级数 收敛。
Important
收敛级数的基本性质
性质1:若 ,则 ( 为常数)。
性质2:若 , ,则 。
性质3:在级数中去掉、增加或改变有限项,不会改变级数的收敛性。
性质4 (必要条件):如果级数 收敛,那么必然有 。
Warning
注意:通项趋于零只是级数收敛的 必要条件,绝非充分条件!
例如调和级数 ,其通项 ,但级数发散。所以,如果在判断时发现 ,则级数必定发散。
13.2 常数项级数的审敛法
Tip
直接计算部分和 的极限在多数情况下是不可能的。如果我们只关心级数“是否收敛”(而不求具体的和),可以使用一系列的判别法则,这些法则称为 审敛法。
13.2.1 正项级数及其审敛法
正项级数是指所有项 的级数。对于正项级数,其部分和 必定是单调递增的。
Important
定理1:单调有界原理
正项级数 收敛的充分必要条件是:其部分和数列 有界。
(注: 本质上这个定理就是上册学过的“单调有界必有极限”)
Important
定理2:比较审敛法
设 和 都是正项级数,且对所有 有 :
Note
例:判断级数 的收敛性
解:由于 ,而 (相当于调和级数)是发散的,根据比较审敛法,原级数 发散。
Important
定理3:极限比较审敛法
设 与 为正项级数,若 ,则这两个级数 同收敛或同发散。
Note
例:判断 的收敛性
解:取发散的调和级数 。因为 ,而 发散,故 发散。
Important
定理4:比值审敛法 (达朗贝尔判别法)——非常重要!
设 为正项级数,若 ,则:
Note
例:判断 的收敛性
解:,故级数 收敛。
13.2.2 交错级数与任意项级数
Important
定理5:莱布尼茨定理 (交错级数审敛法)
对于交错级数 ,若满足:
(各项的绝对值单调递减)
则该交错级数 收敛。
Note
例:交错调和级数
解:由于 满足单调递减且趋于0,故该级数 收敛。
Important
绝对收敛与条件收敛
对于包含正负项的任意级数 :
13.3 幂级数及其展开
Tip
由常数构成的级数称为 常数项级数。如果我们把常数换成函数,就得到了 函数项级数。其中最简单、最优美的一类,就是形如多项式无限延伸的 幂级数。用幂级数来逼近函数,是微积分泰勒展开的终极形态。
Important
幂级数的形式
其中,常数 称为幂级数的系数。
Important
定理6:阿贝尔(Abel)定理
如果幂级数 在 处收敛,那么对于所有满足 的 ,幂级数必绝对收敛。
反之,如果在 处发散,则对于所有满足 的 ,幂级数必发散。
Warning
收敛半径与收敛区间
由阿贝尔定理可知,幂级数的收敛域必然是一个以原点为中心的区间 。这个正数 就称为 收敛半径。在 或 的端点处,收敛性需要单独判定。
收敛半径的求法:
若 ,则收敛半径 。(若 则 ;若 则 )。
Note
例:求幂级数 的收敛域
解:令 ,考察 。
故收敛半径 。收敛区间为 ,即 。
检查端点:
Important
常见函数的麦克劳林(幂级数)展开
这些公式在数值计算和计算机算法中极其基础:
指数函数:
正弦函数:
余弦函数:
几何级数:
对数函数:
13.4 傅里叶级数与傅里叶变换
Tip
WHY:我们为什么需要傅里叶级数?
幂级数(泰勒展开)是用 这样的代数多项式来逼近函数,它非常适合在某一个点附近做局部逼近。但是在现实世界中,我们经常遇到周期性的信号(比如声波、脑电波、图像纹理)。对于周期信号,用 去逼近是极其困难且低效的。
19世纪,法国数学家傅里叶提出了一项颠覆性的见解:任何周期函数,都可以展开为一系列不同频率的正弦波和余弦波的叠加! 这就是傅里叶级数。它是现代信号处理、通信工程以及 AI 图像/音频处理的绝对基石。
13.4.1 三角级数与傅里叶展开
Important
傅里叶级数 (Fourier Series)
设 是以 为周期的周期函数,它可以被展开为如下的 三角级数:
其中,常数项和三角函数的系数(称为傅里叶系数)通过积分计算得出:
注:上述公式的基础在于三角函数族 在区间 上构成了正交基(即任意两个不同基函数的乘积积分为0)。
13.4.2 引入欧拉公式与复数形式
Tip
使用 和 两个函数写起来又长又繁琐。伟大的数学家欧拉(Leonhard Euler)为我们提供了一把连通三角函数和指数函数的钥匙,让傅里叶级数发生了质的飞跃。
Important
欧拉公式 (Euler's Formula)
被誉为数学中最美的公式,它将复数、指数与三角函数完美统一:
推论:当 时,得到 ,这个等式将数学中最重要的五个常数 融为一体。
利用欧拉公式,我们可以反向表示正弦和余弦:
将这两个式子代入传统的傅里叶级数中,经过简单的代数合并整理,原本分为三项(常数项、项、项)的冗长公式,可以被压缩成一个极其优雅的复数形式!
Important
傅里叶级数的复数形式
此时,统一的傅里叶系数 为:
在这里, 包含了负整数、0 和正整数,它代表了信号中离散的频率成分。 是一个复数,它的模代表了该频率成分的振幅(能量大小),它的幅角代表了该频率成分的相位。
13.4.3 从傅里叶级数走向傅里叶变换
[!extension]
傅里叶变换 (Fourier Transform)
傅里叶级数非常完美,但它有一个致命的限制:它只能处理周期函数。如果我们在现实中录制了一段只有几秒钟的离散语音,或者一张有限尺寸的图像(它们并非无限循环的周期信号),还能用傅里叶分析吗?
微积分的极限思想在这里再次闪耀!
我们可以把一个非周期信号,看作是一个周期无限大(即 )的周期信号!
当周期 是有限的时候,频率的取值是离散的(即 ),频谱是一根根分立的柱子。
当我们让 (极限过程)时,相邻频率之间的间隔 。于是,离散的求和 就蜕变成了连续的积分 !
由此,我们得出了工程界最伟大的公式之一——连续傅里叶变换:
1. 傅里叶变换(从时域到频域):
这里, 是我们在时间上观察到的信号波形, 就是提取出来的包含连续频率 成分的频谱图!
2. 逆傅里叶变换(从频域还原回时域):
在人工智能中的应用:
无论是计算机视觉中的图像滤波(比如提取图像的边缘特征),还是语音识别系统(如让 AI 听懂人话,往往需要先用傅里叶变换将语音转化为声谱图 Spectrogram),傅里叶变换及其离散形式(DFT / FFT)都是不可或缺的基石工具。