无穷级数

Tip
本章的内容主要包括 常数项级数的收敛性函数的级数展开 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:

S1=12S2=12+14=34S3=12+14+18=78Sn=12+14++12n=12(1(12)n)112=112n

n 时,limnSn=1。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 πr2

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 an,n=1,2,,,其前 n 项和 Sn=i=1nai 称为该级数的 部分和 (Partial sum)。 如果 limnSn=S 存在(即极限为一个有限常数),则称级数 收敛 (Convergent),并称 S 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) Sn=i=1naqi1(a0)

  • |q|<1 时,级数收敛,和为 a1q

  • |q|1 时,级数发散。

2. 调和级数 (发散的经典例子) n=11n=1+12+13+ 虽然通项 1n0,但该级数是 发散 的。

3. 裂项相消级数 n=11n(n+1) 计算其部分和:

Sn=112+123++1n(n+1)=(112)+(1213)++(1n1n+1)=11n+1

显然 limnSn=1,故该级数 收敛

Important
收敛级数的基本性质

性质1:若 un=s,则 kun=ksk 为常数)。 性质2:若 un=s, vn=σ,则 (un±vn)=s±σ 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 un 收敛,那么必然有 limnun=0

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 1n,其通项 1n0,但级数发散。所以,如果在判断时发现 limnun0,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 Sn 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 un0 的级数。对于正项级数,其部分和 Sn 必定是单调递增的。

Important
定理1:单调有界原理

正项级数 n=1un 收敛的充分必要条件是:其部分和数列 Sn 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

unvn 都是正项级数,且对所有 nunvn

  • 如果“大级数” vn 收敛 “小级数” un 必收敛。

  • 如果“小级数” un 发散 “大级数” vn 必发散。

Note
例:判断级数 1n(n+1) 的收敛性 :由于 1n(n+1)>1(n+1)(n+1)=1n+1,而 1n+1(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

unvn 为正项级数,若 limnunvn=l (0<l<),则这两个级数 同收敛或同发散

Note
例:判断 n=1sin1n 的收敛性 :取发散的调和级数 vn=1n。因为 limnsin1n1n=1>0,而 1n 发散,故 sin1n 发散

Important
定理4:比值审敛法 (达朗贝尔判别法)——非常重要!

un 为正项级数,若 limnun+1un=ρ,则:

  • ρ<1 时,级数 收敛

  • ρ>1ρ= 时,级数 发散

  • ρ=1 时,方法失效(不确定,需用其他方法)。

Note
例:判断 n=11n! 的收敛性 limnun+1un=limnn!(n+1)!=limn1n+1=0<1,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 n=1(1)n1un (un>0),若满足:

  1. unun+1 (各项的绝对值单调递减)

  2. limnun=0 则该交错级数 收敛

Note
例:交错调和级数 112+1314++(1)n11n+ :由于 un=1n 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 un

  • 绝对收敛:如果加上绝对值后的正项级数 |un| 收敛,则原级数必然收敛,且称为绝对收敛。

  • 条件收敛:如果原级数 un 收敛,但加了绝对值后的级数 |un| 发散,则称原级数为条件收敛(如交错调和级数)。

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 n=0anxn=a0+a1x+a2x2++anxn+ 其中,常数 a0,a1, 称为幂级数的系数。

Important
定理6:阿贝尔(Abel)定理

如果幂级数 anxnx=x0 (x00) 处收敛,那么对于所有满足 |x|<|x0|x,幂级数必绝对收敛 反之,如果在 x=x1 处发散,则对于所有满足 |x|>|x1|x,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 (R,R)。这个正数 R 就称为 收敛半径。在 x=Rx=R 的端点处,收敛性需要单独判定。

收敛半径的求法: limn|an+1an|=ρ,则收敛半径 R=1ρ。(若 ρ=0R=;若 ρ=R=0)。

Note
例:求幂级数 n=1(x1)n2nn 的收敛域

:令 t=x1,考察 tn2nn ρ=limn|an+1an|=limn2nn2n+1(n+1)=12 故收敛半径 Rt=2。收敛区间为 |t|<2,即 1<x<3 检查端点:

  • x=1 时,级数变为 (1)nn,由莱布尼茨定理知其 收敛

  • x=3 时,级数变为 1n(调和级数),发散 因此原级数的收敛域是 [1,3)

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:

  1. 指数函数ex=n=0xnn!=1+x+x22!+(xR)

  2. 正弦函数sinx=n=0(1)nx2n+1(2n+1)!(xR)

  3. 余弦函数cosx=n=0(1)nx2n(2n)!(xR)

  4. 几何级数11x=n=0xn(1<x<1)

  5. 对数函数ln(1+x)=n=1(1)n1xnn(1<x1)

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 xn 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 xn 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)

f(x) 是以 2π 为周期的周期函数,它可以被展开为如下的 三角级数 f(x)=a02+n=1(ancos(nx)+bnsin(nx)) 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:

  • a0=1πππf(x)dx (代表信号的直流/平均分量)

  • an=1πππf(x)cos(nx)dx

  • bn=1πππf(x)sin(nx)dx

注:上述公式的基础在于三角函数族 {1,cosx,sinx,cos2x,sin2x,} 在区间 [π,π] 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 cossin 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: eix=cosx+isinx

推论:当 x=π 时,得到 eiπ+1=0,这个等式将数学中最重要的五个常数 0,1,i,π,e 融为一体。

利用欧拉公式,我们可以反向表示正弦和余弦: cos(nx)=einx+einx2,sin(nx)=einxeinx2i

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、an项、bn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

f(x)=n=cneinx 此时,统一的傅里叶系数 cn 为: cn=12πππf(x)einxdx

在这里,n 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。cn 是一个复数,它的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 T)的周期信号

  • 当周期 T 是有限的时候,频率的取值是离散的(即 n=1,2,3,),频谱是一根根分立的柱子。

  • 当我们让 T(极限过程)时,相邻频率之间的间隔 Δω0。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): F(ω)=f(t)eiωtdt 这里,f(t) 是我们在时间上观察到的信号波形,F(ω) 就是提取出来的包含连续频率 ω 成分的频谱图!

2. 逆傅里叶变换(从频域还原回时域): f(t)=12πF(ω)eiωtdω

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。