幂级数

研究幂级数的动机，实际上就是利用多项式去逼近一个点的函数值。
对于一般的函数级数：

$$ \sum u_n(x) $$

我们取最简单的幂级数，同时由于平移不应该影响敛散性，我们直接考虑最简单的样子：

$$ \sum_{n=0}^{+\infty} a_n (x - x_0)^n \longrightarrow \sum_{n=0}^{+\infty} a_n x^n $$

---

性质

收敛区间的连通性

对于特殊的函数级数，自然应该有特殊的性质。对于幂级数，有个有趣的事情：收敛区间是连通的：

定理 任给 $\sum a_n x^n$① 若$\exists , x_1 \in \mathbb{R} \setminus {0}$使$\sum a_n (x_1)^n$ 收敛，

则对于 $\forall , x \in (-|x_1|, |x_1|)$，

$\sum a_n x^n$ 绝对收敛。

② 若 $\exists , x_2 \in \mathbb{R}$使$\sum a_n (x_2)^n$ 发散，

则对于 $\forall , x \in (-\infty, -|x_2|) \cup (|x_2|, +\infty)$，

$\sum a_n x^n$ 发散。

---

证：

① $\sum a_n (x_1)^n$收敛$\Longrightarrow { a_n (x_1)^n }$ 有界

对于任意 $x \in (-|x_1|, |x_1|)$，

$$ \sum |a_n x^n| = \sum |a_n x_1^n| \cdot \left| \frac{x}{x_1} \right|^n $$

利用狄利克雷判别法就知道收敛。

② 由 ① 反证，一个点发散，那么利用 ① ，它的外侧不会有点收敛。

---

推论：对 $\sum a_n x^n$ ，我们就可以考虑这样一个收敛区间

$$ A = \{ b \mid \sum a_n b^n \text{ 收敛} \} $$

取出上界

$$ R = \sup A $$

那么 $R$ 就把数轴分成了收敛和发散的两部分。

换句话说：
存在 $R \in [0, +\infty] \quad (R \text{ 可为 } +\infty)$使$\sum a_n x^n$在$(-R, R)$ 内绝对收敛

在 $(-\infty, -R) \cup (R, +\infty)$发散。$R$ 称为收敛半径。

---

收敛与符号、幂次因子无关

(1) 性质一：收敛半径与各项系数绝对值的关系

• 核心结论：收敛半径 $R$只与系数的绝对值$|a_n|$ 有关，与系数的符号无关。

• 表达式：$\sum a_n x^n$与$\sum |a_n| x^n$ 的收敛半径一样。

这利用上面已讨论的就可以得到。

(2) 性质二：引入幂次因子后收敛半径的不变性

• 已知条件：设级数 $\sum_{n=0}^{\infty} a_n x^n$的收敛半径为$R$。

• 研究对象：引入因子 $n^m$（其中 $m \neq 0$为常数）后的新级数$\sum_{n=0}^{\infty} a_n \cdot n^m x^n$，其收敛半径记为 $\tilde{R}$。

• 推导逻辑：

  当 $m > 0$ 时：

  • 一方面可以证明 $\tilde{R} \le R$- 另一方面可以证明$\tilde{R} \ge R$

  • 综合上下界，最终得到结论：$\tilde{R} = R$。

证明

• 数轴示意：

  在区间 $(-R, R)$内，任取一点$x$，并在 $x$与$R$之间插入一个介点$b$，满足：

$$ -R < x < b < R $$

• 级数放缩与收敛性分析：

  为了考察通项的绝对值 $\sum |a_n n^m x^n|$，将其进行恒等变形与拆分：

$$ \sum |a_n n^m x^n| = \sum \left( |a_n b^n| \right) \cdot n^m \left| \frac{x}{b} \right|^n $$

• 分析判定：

    1. 因为 $b < R$，落在原级数的收敛域内，所以数列 $|a_n b^n|$ 是有界（bounded）的。
        
    2. 因为 $|x/b| < 1$，新引入的几何级数部分 $\sum n^m \left| \frac{x}{b} \right|^n$ 是绝对收敛的。
        
  

  • 结论：相乘后的级数收敛。

审敛法

达朗贝尔 / 柯西审敛法

• 定理名称：柯西 / 达朗贝尔 test（Cauchy / d’Alembert test，即根值审敛法与比值审敛法）。

• 研究对象：幂级数 $\sum_{n=0}^{\infty} a_n x^n$。

• 判定条件：

  • 比值形式：若 $\lim_{n \to +\infty} \left| \frac{a_{n+1}}{a_n} \right| = l$- 根值形式：或$\lim_{n \to +\infty} (|a_n|)^{\frac{1}{n}} = l$- 注：其中$l \in [0, +\infty]$。

• 核心结论：则该幂级数的收敛半径 $R = \frac{1}{l}$。

推导

通过考察通项的绝对值，将幂级数问题转化为常数项级数的审敛：

• 令通项绝对值为：$u_n = |a_n x^n|$

• 应用根值审敛法（Root Test）：

$$ \lim_{n \to +\infty} (u_n)^{\frac{1}{n}} = \lim_{n \to +\infty} |a_n x^n|^\frac{1}{n} $$

$$ = \lim_{n \to +\infty} |a_n|^\frac{1}{n} \cdot |x| = l \cdot |x| $$

• 敛散性分类讨论：

  • 当 $l \cdot |x| < 1$ 时，级数绝对收敛。对此不等式移项变形，得到：

$$ |x| < \frac{1}{l} \implies \text{\textbf{收敛}} $$

• 当 $l \cdot |x| > 1$ 时，得到：

$$ |x| > \frac{1}{l} \implies \text{\textbf{发散}} $$

• 结论映射：根据收敛半径的定义（使得级数收敛的 $|x|$的上界），显然有$R = \frac{1}{l}$。

可以完全类似地证明比值判别。

四则运算

幂级数的加法

• 前置条件：已知两个幂级数 $\sum a_n x^n$和$\sum b_n x^n$，其收敛半径分别为 $R_1$和$R_2$。

(1) 线性组合（和级数）的收敛半径 $R$

研究对象为新级数：$\sum (a_n + b_n) x^n$，探讨其收敛半径 $R$ 的取值情况：

• 情况一：当 $R_1 \neq R_2$ 时

  收敛半径由短板决定：

$$ R = \min\{R_1, R_2\} $$

• 情况二：当 $R_1 = R_2$ 时

  由于系数相加可能发生抵消（使得某些高次项系数变为 0 或显著变小），收敛半径可能会扩大：

$$ R \ge R_1 = R_2 $$

幂级数的乘法（柯西乘积 Cauchy Product）

(2) 乘积级数的定义与半径估计

• 定义柯西乘积的系数 $c_n$：

$$ c_n = \sum_{j=0}^{n} a_j b_{n-j} $$

• 形式乘积表达式：

$$ \left( \sum_{n=0}^{+\infty} c_n x^n \right) = \left( \sum_{n=0}^{+\infty} a_n x^n \right) \left( \sum_{n=0}^{+\infty} b_n x^n \right) $$

这里项的乘积表现为 $a_j x^j \cdot b_{n-j} x^{n-j} = a_j b_{n-j} x^n$。

• 绝对值放缩与有界性分析：

  为了考察新级数 $\sum c_n x^n$的收敛半径$R$，对部分和的绝对值进行放缩：

$$ \sum_{k=0}^{n} |c_k x^k| \le \left( \sum_{k=0}^{n} |a_k x^k| \right) \left( \sum_{k=0}^{n} |b_k x^k| \right) $$

从系数层面上看，显然有：

$$ |c_n| \le \sum_{j=0}^{n} |a_j| \cdot |b_{n-j}| $$

• 核心结论：

  通过上述放缩可以证明，只要 $x$同时落在两个原级数的绝对收敛域内，乘积级数就必然收敛。因此新级数的收敛半径$R$ 满足：

$$ \mathbf{R \ge \min\{R_1, R_2\}} $$

示例

1. 前置条件与对象定义

构造两个简单的级数进行相乘：

• 级数一（几何级数）：

$$ \sum_{n=0}^{\infty} x^n = 1 + x + x^2 + \dots = \frac{1}{1-x} $$

• 其系数为 $a_n = 1$。

  • 收敛区间为 $(-1, 1)$，收敛半径 $R_1 = 1$。

• 级数二（多项式退化级数）：

  直接取多项式 $1 - x$ 作为第二个级数。

  • 它的各项系数为：$b_0 = 1$，$b_1 = -1$，当 $n \ge 2$时$b_n = 0$。

  • 因为是有限项多项式，它在全复平面或全实数轴上都收敛，因此收敛半径 $R_2 = +\infty$。

按照之前的定理，两个级数做柯西乘积，其收敛半径下界为 $\min{R_1, R_2} = \min{1, +\infty} = 1$。

2. 柯西乘积系数 $c_n$ 的计算过程

现在通过公式 $c_n = \sum_{j=0}^{n} a_j b_{n-j}$ 逐项计算乘积级数的系数：

• 当 $n = 0$ 时：

$$ c_0 = a_0 b_0 = 1 \cdot 1 = 1 $$

• 当 $n = 1$ 时：

$$ c_1 = a_0 b_1 + a_1 b_0 = 1 \cdot (-1) + 1 \cdot 1 = 0 $$

• 当 $n \ge 2$ 时（一般项）：

  由于当 $j \ge 2$时$b_j = 0$，求和项中只有最后两项非零：

$$ c_n = \sum_{j=0}^{n} a_{n-j} b_{j} = a_n b_0 + a_{n-1} b_1 $$

带入系数 $a_n=1, a_{n-1}=1$以及$b_0=1, b_1=-1$：

$$ c_n = 1 \cdot 1 + 1 \cdot (-1) = 0 $$

3. 核心结论

由于除了常数项 $c_0 = 1$之外，高次项的系数全部完美抵消为 0（即$c_1 = c_2 = \dots = c_n = 0$），所以：

• 乘积级数的形式为：

$$ \sum_{n=0}^{\infty} c_n x^n = 1 $$

• 最终收敛半径：

  因为常数 $1$函数对于任意$x$ 都恒成立（退化为了常数），所以新级数的收敛半径直接发生了“阶跃”：

$$ \mathbf{R = +\infty} $$

这个具体的例子完美支撑了公式里为什么是大于等于号（$\ge$）而非恒等号——在特定的代数抵消下，级数内部的截断效应可以让收敛边界完全消失。

幂级数的除法与待定系数法

(3) 商级数的定义与前置条件

• 重要前提：设分母级数的常数项 $b_0 \neq 0$。

  • 注：这是为了确保在 $x=0$ 的邻域内分母不为零，从而使除法运算在数学上合法（Well-defined）。

• 形式表达式：

  设分子级数的收敛半径为 $R_1$，分母级数的收敛半径为 $R_2$。它们的商可以写成一个新的幂级数，记其收敛半径为 $R$：

$$ \frac{\sum_{n=0}^{\infty} a_n x^n}{\sum_{n=0}^{\infty} b_n x^n} = \sum_{n=0}^{\infty} d_n x^n $$

• 求解方法：待定系数法（Undetermined coefficients）。

  通过两边同乘分母，将其转化为我们熟知的柯西乘积形式：

$$ \sum_{n=0}^{\infty} a_n x^n = \left( \sum_{n=0}^{\infty} b_n x^n \right) \left( \sum_{n=0}^{\infty} d_n x^n \right) $$

• 具体系数的递推关系（以 $a_1$ 为例）：

  通过比较两边 $x^1$ 次项的系数，利用柯西乘积的展开规则，可以得到：

$$ \mathbf{a_1 = d_1 b_0 + d_0 b_1} $$

利用这类递推方程，在已知 $a_n$和$b_n$的情况下，就可以逐个解出待定系数$d_0, d_1, d_2 \dots$。

• 劣势（风险）：由于分母级数 $\sum b_n x^n$在复平面上可能存在零点（Zeros），新级数的收敛半径$R$不仅取决于$\min{R_1, R_2}$，还严重受限于分母级数离原点最近的那个零点的距离。

• 置信度评级（高）：因此，通常只能保证 $R > 0$（在原点的一个足够小的邻域内解析），而无法像乘法那样简单地给出 $R \ge \min{R_1, R_2}$ 的宏观下界。

一致收敛的判断

当然，我们也需要研究一致收敛，以便利用其美妙的性质。

幂级数一致收敛定理

• 前置条件：设级数 $\sum_{n=0}^{\infty} a_n x^n$的收敛半径为$R$。

• 定理内容：

  1. 内部闭区间的一致收敛性：

     $\sum a_n x^n$在$[-b, b]$内一致收敛，其中对$\forall b \in (0, R)$ 均成立。

     (也就是说，只要在收敛区间内部往里缩进一点点，构成的任何对称闭区间都是一致收敛的“安全区”。)

  2. 右边界收敛的延伸（阿贝尔定理的分支）：

     若 $\sum a_n x^n$在右端点$x = R$ 处也收敛，则它在闭区间 $[0, R]$ 上一致收敛。

  3. 左边界收敛的延伸：

     若 $\sum a_n x^n$在左端点$x = -R$ 处也收敛，则它在闭区间 $[-R, 0]$ 上一致收敛。

(1) 证明

利用强数级数压制的逻辑，给出性质 (1) 的核心推导：

• **数轴空间构造：

  在实轴上，选取点满足 $b < c < R$。这就保证了点 $c$依然严格处于收敛半径$R$的内部，因此级数在$c$ 点必然绝对收敛。

• 通项绝对值的放缩：

  对于 $\forall x \in [-b, b]$，我们来考察通项的绝对值 $|a_n x^n|$。因为 $|x| \le b$，所以：

$$ |a_n x^n| \le |a_n b^n| $$

为了利用 $c$点的收敛性，进行恒等变形（乘以并除以$c^n$）：

$$ |a_n b^n| = |a_n c^n| \cdot \left| \frac{b}{c} \right|^n $$

• 优级数（M-series）的敛散性判定：

  1. 因为 $c < R$，所以数列 $|a_n c^n|$是有界（bounded）的（记其上界为$M$）。

  2. 因为 $b < c$，所以公比 $\left| \frac{b}{c} \right| < 1$，从而几何级数 $\sum \left| \frac{b}{c} \right|^n$ 是收敛的。

  3. 综合两点，常数项级数 $\sum |a_n c^n| \cdot \left| \frac{b}{c} \right|^n$ 绝对收敛。

• 应用 Weierstrass M-test 落地结论：

  由于我们找到了一个不依赖于 $x$ 的收敛常数项级数，作为原函数项级数通项的绝对上界：

$$ \implies \sum a_n x^n \text{ 在 } [-b, b] \text{ 上\textbf{一致收敛}}。 $$

(2)证明

• 证明目标：对于 $x \in [0, R]$，证明 $\sum a_n x^n$ 一致收敛。

• 项的拆分（构造阿贝尔形式）：

  由于在 $R$处只有收敛而非绝对收敛，需要另寻他法。完全类似地将幂级数通过乘除$R^n$ 进行恒等变形，拆分为两部分的乘积：

$$ \sum a_n x^n = \sum \underline{a_n R^n} \cdot \underline{\left( \frac{x}{R} \right)^n} $$

分别令：

$$ \beta_n = a_n R^n \quad (\text{常数项部分}) $$

$$ \alpha_n(x) = \left( \frac{x}{R} \right)^n \quad (\text{函数项部分}) $$

• 阿贝尔判别法条件验证：

  1. 关于 $\alpha_n(x)$：当 $x \in [0, R]$时，单项式序列$\alpha_n(x) = \left( \frac{x}{R} \right)^n$ 满足：

     • 针对每个固定的 $x$，随 $n$的增加而关于$n$单调递减（因为商$\le 1$）。

     • 一致有界：由于 $0 \le \frac{x}{R} \le 1$，其绝对值满足 $|\alpha_n(x)| \le 1$，上界与 $x$ 无关。

  2. 关于 $\beta_n$：已知级数 $\sum \beta_n = \sum a_n R^n$ 在端点处收敛。既然它是常数项级数，收敛就等价于它在区间上一致收敛。

• 落地结论：

  由阿贝尔判别法，条件全部满足，因此乘积形式的函数项级数 $\sum \alpha_n(x) \beta_n$在$[0, R]$ 上一致收敛。

3同理可证

一致收敛性质的利用

• 前置条件：设级数 $\sum_{n=0}^{\infty} a_n x^n$的收敛半径为$R$，其和函数记为 $S(x)$。取闭区间参数 $b \in (0, R)$。

(1) 和函数 $S(x)$ 的连续性 (Continuity)

• 核心结论：$S(x)$在闭区间$[-b, b]$ 上连续。

• 边界延伸（阿贝尔定理的推论）：若级数在右端点 $x = R$处收敛，则$S(x)$在$[-b, R]$ 上连续。

$$ \text{若 } \sum a_n R^n \text{ 收敛} \implies S(x) \text{ 在 } [-b, R] \text{ 上连续} $$

(这意味着，只要级数在边界收敛，和函数在边界上就不仅有定义，而且能保持左连续。)

(2) 幂级数的逐项积分定理 (Term-by-term Integration)

由于级数在内部闭区间上是一致收敛的，极限算子（求和）与积分算子可以完美交换顺序：

• 定义变上限积分函数 $F(x)$：

$$ F(x) = \int_{0}^{x} S(t) \, \mathrm{d}t = \int_{0}^{x} \left( \sum_{n=0}^{\infty} a_n t^n \right) \mathrm{d}t $$

• 性质陈述：对于 $\forall x \in [-b, b]$，上述级数可以逐项积分：

$$ F(x) = \sum_{n=0}^{\infty} \int_{0}^{x} a_n t^n \, \mathrm{d}t $$

• 积分落地结果：

$$ \int_{0}^{x} S(t) \, \mathrm{d}t = \sum_{n=0}^{\infty} \frac{a_n}{n+1} x^{n+1} $$

• 新级数的收敛半径：

  利用乘上n的幂次不改变收敛半径，知道积分后得到的新幂级数，其收敛半径仍旧为 $R$，不过在边界的收敛性可能改变。一般来说越积分收敛性越好。

(3) 幂级数的逐项求导定理 (Term-by-term Differentiation)

由于级数在内部闭区间 $[-b, b]$（其中 $b \in (0, R)$）上一致收敛，且各项导数构成的级数也表现良好，极限算子（求和）与求导算子可以完美交换顺序：

• 核心表达式：对于 $\forall x \in [-b, b]$，和函数 $S(x)$ 的导数可以直接对级数的每一项分别求导得到：

$$ S'(x) = \left( \sum_{n=0}^{+\infty} a_n x^n \right)' = \sum_{n=1}^{+\infty} a_n n x^{n-1} $$

• 注：由于常数项 $a_0$求导后变为$0$，新级数的求和下界从 $n=0$变为了$n=1$。

• 收敛半径的不变性：

  求导后得到的新级数，其收敛半径仍旧为 $R$（正如性质 (2) 所证明的，引入 $n^m$ 因子不改变收敛半径）。

(4) 高阶逐项求导与无穷阶可导性

通过数学归纳法，这个逐项求导的操作可以无限次重复进行：

• $k$阶导数表达式：对于$\forall x \in [-b, b]$，和函数的 $k$阶导数$S^{(k)}(x)$ 为：

$$ S^{(k)}(x) = \sum_{n=k}^{+\infty} a_n \cdot n(n-1)(n-2)\cdots(n-k+1) x^{n-k} $$

• 注：求和下界对称地变为了 $n=k$。

• 终极推论（光滑性）：

  由于这个性质对任意满足 $b < R$的闭区间$[-b, b]$都成立，我们可以将局部的一致收敛性平滑过渡到整个开区间$(-R, R)$ 上：

$$ \implies S(x) \in C^{\infty}[-b, b] $$

$$ \implies \mathbf{S(x) \in C^{\infty}(-R, R)} $$

这意味着：任何幂级数在其收敛区间内部都代表了一个绝对完美的“光滑函数”（Smooth function），不仅连续，而且拥有任意阶的连续导数。

例题

1. 经典例题背景与收敛域判定

• 研究对象：给定级数

$$ S(x) = \sum_{n=0}^{+\infty} (-1)^n \frac{x^{2n+1}}{2n+1} $$

• 基本属性：

  • 使用比值审敛法易知其收敛半径 $R = 1$。

  • 边界敛散性：

    • 当 $x = 1$时，级数为$\sum \frac{(-1)^n}{2n+1}$，由交错级数审敛法（Leibniz test）可知其收敛。

    • 当 $x = -1$时，级数为$\sum \frac{(-1)^n (-1)^{2n+1}}{2n+1} = \sum \frac{(-1)^{3n+1}}{2n+1}$，同样交错收敛。

  • 结论：该级数的收敛域为闭区间 $[-1, 1]$，而在开区间 $(-1, 1)$ 内绝对收敛。

2. 运用逐项求导（Term-by-term Differentiation）求和函数

为了解出 $S(x)$的解析表达式，在开区间$(-1, 1)$ 内对级数进行逐项求导：

$$ S'(x) = \sum_{n=0}^{+\infty} (-1)^n \frac{(2n+1)x^{2n}}{2n+1} = \sum_{n=0}^{+\infty} (-1)^n x^{2n} $$

• 几何级数还原：将上式变形为以 $-x^2$ 为公比的等比级数：

$$ S'(x) = \sum_{n=0}^{+\infty} (-x^2)^n = \frac{1}{1 - (-x^2)} = \frac{1}{1 + x^2} $$

3. 积分回推与初值确定

通过对导函数 $S’(x)$求不定积分来还原$S(x)$：

$$ S(x) = \int \frac{1}{1+x^2} \,\mathrm{d}x = \arctan x + C $$

• 确定常数 $C$：代入原级数的初始值。显然当 $x=0$时，每一项都为 0，即$S(0) = 0$。

• 求解：$\arctan(0) + C = 0 \implies C = 0$。

• 得到开区间内的和函数：

$$ S(x) = \arctan x \quad \left(x \in (-1, 1)\right) $$

4. 边界延伸与莱布尼茨 $\pi$ 公式

这里展现了阿贝尔定理（Abel’s Theorem）的威力：因为原级数在端点 $x=1$处收敛，所以和函数$S(x)$在$x=1$处必然左连续。这意味着我们可以把$x=1$直接带入刚才得到的$\arctan x$ 中：

$$ S(1) = \arctan(1) = \frac{\pi}{4} $$

将 $x=1$ 代入原级数展开式，最终落地为数论与分析中大名鼎鼎的经典交错级数公式：

$$ \mathbf{\sum_{n=0}^{+\infty} \frac{(-1)^n}{2n+1} = 1 - \frac{1}{3} + \frac{1}{5} - \frac{1}{7} + \frac{1}{9} - \frac{1}{11} + \dots = \frac{\pi}{4}} $$

泰勒级数

研究幂级数，很大一部分就是为了泰勒级数。

从无限可导向解析的跨越

如果一个函数 $f(x)$在$x_0$附近满足$C^\infty$（即无穷阶连续可导），我们总可以基于泰勒公式形式化地构建一个无穷级数：

$$ T(x) = \sum_{n=0}^{+\infty} \frac{1}{n!} f^{(n)}(x_0)(x - x_0)^n $$

这个级数被称为泰勒级数（当 $x_0=0$时为麦克劳林级数）。由于泰勒级数本质上是幂级数，只要它在某个区间$x \in (-R, R)$ 内收敛，其系数就具有唯一性，由其逐阶导数完全决定：$a_n = \frac{1}{n!} T^{(n)}(0)$。

然而，微积分在这里留下了一个直觉的陷阱。通常情况下，即使泰勒级数在某个区间内完美收敛，它也不一定会收敛到原函数本身。 也就是说， $f(x) = T(x)$ 并非理所当然。要看清这背后的本质，我们需要将视界从孤立的实数轴拓宽到二维的复平面。

隐藏在虚轴上的“暗礁”：收敛半径的几何本质

考虑两个在实轴上表现完全不同的函数，它们的麦克劳林级数却展现出了对称的局限性：

1. 几何级数的自然边界

$$ \frac{1}{1-x} = \sum_{n=0}^{+\infty} x^n $$

该级数的收敛半径是 $R=1$。在实数域内，这个限制非常直观：当 $x=1$ 时，函数的分母为零，出现了解析构造上的“奇点”。

2. 反正切函数的神秘受限

$$ \arctan(x) = \sum_{n=0}^{+\infty} (-1)^n \frac{x^{2n+1}}{2n+1} $$

在实数轴上，$\arctan(x)$是一个无可挑剔的完美函数——它不仅处处连续，而且无穷阶可导，没有任何分母为零的断点。然而，它的泰勒级数收敛半径同样被死死限制在$R=1$。如果只看实数轴，这无疑是一个令人费解的谜题。

当我们引入复数 $z = x + iy$，将函数通过复对数形式进行解析延拓（analytic continuation）后，真相才浮出水面：

$$ \arctan(z) = \frac{i}{2} \ln \left( \frac{i-z}{i+z} \right) $$

在复平面上，复反正切函数在 $z = \pm i$ 处分母为零。复平面上的奇点限制了实数域的收敛半径。

在几何上，幂级数的收敛区域在复平面上表现为一个圆。这个圆的边界必定会触碰到离原点最近的那个“奇点”。这两个隐藏在虚轴上的奇点 $\pm i$到原点的距离恰好是 1，因此划定了一个半径为 1 的收敛圆。我们在实轴上看到的收敛区间$(-1, 1)$，不过是这个复平面收敛圆在实轴上的一段投影。

虚妄的温顺：病态函数的实复两面性

为了彻底划清“无穷阶可导”与“可解析”的界限，我们需要审视数学分析中著名的病态函数（pathological function）：

$$ f_{\text{bad}}(x) = \begin{cases} e^{-\frac{1}{x^2}}, & x \neq 0 \\ 0, & x = 0 \end{cases} $$

这个函数在实轴上极为特殊。如果你在原点 $x=0$ 处对它求各阶导数，会发现由于指数爆炸级缩小的压制，它在原点处的任意一阶导数都精确地等于 0（$f^{(n)}(0) = 0$）。这意味着，它的麦克劳林级数成了恒等于 0 的平庸级数：

$$ T(x) = 0 + 0\cdot x + 0\cdot x^2 + \dots \equiv 0 $$

这个级数显然在全实轴上收敛，但除了 $x=0$这一点外，它在任何地方都不等于原函数$e^{-1/x^2}$。

这种实轴上的“温顺”欺骗了我们。一旦将该函数延拓至复平面 $f_{\text{bad}}(z) = e^{-\frac{1}{z^2}}$，从不同的方向逼近原点，它会展现出截然相反的动态：

• 沿实轴趋近（$z = x$）：

$$ \lim_{x \to 0} e^{-\frac{1}{x^2}} = 0 $$

函数值平滑地滑向零，各阶导数沉寂。

• 沿虚轴趋近（$z = iy$）：

$$ f_{\text{bad}}(iy) = e^{-\frac{1}{(iy)^2}} = e^{\frac{1}{y^2}} $$

$$ \lim_{y \to 0} e^{\frac{1}{y^2}} = +\infty $$

随着 $y$ 逼近原点，函数值发生剧烈的指数级爆炸。

原点 $z=0$ 实际上是该函数在复平面上的本性奇点（essential singularity）。 它在实轴上的无限光滑，只是复平面上剧烈动荡向实轴投影后留下的一丝假象。这也最终解释了为什么它的泰勒级数永远无法真正代表它本身。一个实函数想要能够被泰勒级数完美局部逼近（即解析），它不仅要在实轴上光滑，更需要经受住复平面全方位逼近的考验。

泰勒公式的余项与级数收敛性判定

由于我们进一步细化，从幂级数跳到了泰勒级数，那么自然我们会有一些更好的性质，这里就是利用余项来判定级数的收敛性。

在研究函数的泰勒展开时，为了精确衡量有限阶泰勒多项式 $T_n(x)$与原函数$f(x)$ 之间的逼近误差，引入了余项（Remainder Term）的概念：

$$ R_n(x) \triangleq f(x) - T_n(x) $$

根据不同的应用场景（误差估计或收敛性证明），余项主要有两种经典的定量表达形式。

泰勒公式的两种经典余项形式

假设函数 $f(x)$在含$x_0$和$x$的区间内具有直到$n+1$ 阶的导数，则余项可以表示为：

1. 拉格朗日型余项（Lagrange Form）

$$ R_n(x) = \frac{f^{(n+1)}(x_0 + \theta(x - x_0))}{(n+1)!} (x - x_0)^{n+1} $$

其中 $\theta = \theta_{x, n} \in (0, 1)$。该形式可以看作是拉格朗日中值定理的高阶推广，非常适合用于函数值的误差上界估计。

2. 柯西型余项（Cauchy Form）

$$ R_n(x) = \frac{f^{(n+1)}(x_0 + \tilde{\theta}(x - x_0))}{n!} (1 - \tilde{\theta})^n (x - x_0)^{n+1} $$

其中 $\tilde{\theta} = \tilde{\theta}_{x, n} \in (0, 1)$。柯西余项在处理某些特殊函数（如 $\ln(1+x)$或$(1+x)^\alpha$ 在接近收敛边界时）的收敛性证明时更为有力。

实例分析：指数函数 $e^x$ 的级数收敛性证明

以 $x_0 = 0$（麦克劳林展开）为例，探讨指数函数 $e^x$ 的幂级数展开：

$$ e^x = \sum_{n=0}^{+\infty} \frac{1}{n!} x^n $$

利用比值判别知其收敛半径 $R = +\infty$。以下提供两种严格证明该级数在全实域 $\mathbb{R}$上等价于$e^x$ 的方法。

方法 1：余项估计法（利用拉格朗日余项）

要证明级数收敛于原函数，只需证明当 $n \to +\infty$ 时，余项的极限为 0。

令 $x_0 = 0$，由于 $f^{(n+1)}(x) = e^x$，其拉格朗日余项为：

$$ |R_n(x)| = \left| e^x - \sum_{k=0}^n \frac{1}{k!} x^k \right| = \left| \frac{e^{\theta x}}{(n+1)!} x^{n+1} \right| \quad (\theta \in (0, 1)) $$

对于任意固定的实数 $x$：

• $e^{\theta x}$是一个有界常数（若$x>0$，则 $e^{\theta x} < e^x$；若 $x<0$，则 $e^{\theta x} < 1$）。

• 根据阶乘的增长速度远快于幂函数这一性质，有 $\lim_{n \to +\infty} \frac{x^{n+1}}{(n+1)!} = 0$。

因此：

$$ \lim_{n \to +\infty} R_n(x) = 0 \quad (\forall x \in \mathbb{R}) $$

级数在整个实数集上收敛于 $e^x$。

方法 2：微分方程法（利用逐项求导）

我们可以直接从和函数出发，利用幂级数的分析性质进行反向证明。

设幂级数的和函数为 $S(x)$：

$$ S(x) = \sum_{n=0}^{+\infty} \frac{1}{n!} x^n \quad (\forall x \in \mathbb{R}) $$

由于幂级数在其收敛区间内可以逐项求导，对 $S(x)$ 求导得：

$$ S'(x) = \sum_{n=1}^{+\infty} \frac{1}{(n-1)!} x^{n-1} $$

令 $m = n-1$，平移求和指标后可得：

$$ S'(x) = \sum_{m=0}^{+\infty} \frac{1}{m!} x^m = S(x) $$

这构成了初值问题：

$$ \begin{cases} S'(x) = S(x) \\ S(0) = 1 \end{cases} $$

解该线性常微分方程可得：

$$ S(x) = C e^x $$

代入初值 $S(0) = 1$确定常数$C = 1$，故有：

$$ S(x) = e^x $$

总结： 无论是通过拉格朗日余项直接夹逼，还是通过逐项求导构造微分方程，都完美地证明了 $\sum_{n=0}^{+\infty} \frac{1}{n!} x^n$在实轴上不仅收敛，且其和函数精确等于$e^x$。

三角函数

在完备了幂级数的余项估计理论后，我们可以将其直接应用于最具周期对称美感的经典三角函数——正弦函数 $\sin(x)$与余弦函数$\cos(x)$。

一、 高阶导数的周期性规律

对三角函数进行泰勒展开的核心在于求解其任意阶导数。通过简单的微积分递推，可以发现它们的 $n$阶导数具有极具几何美感的统一形式（相当于在相位上不断推进$\frac{\pi}{2}$）：

$$ \sin^{(n)}(x) = \sin\left(x + \frac{n}{2}\pi\right) $$

$$ \cos^{(n)}(x) = \cos\left(x + \frac{n}{2}\pi\right) $$

当选取展开中心 $x_0 = 0$（麦克劳林展开）时，由于 $\sin(0)=0$且$\cos(0)=1$，导数序列在 $0, 1, 0, -1$ 之间循环交替。这导致展开后的多项式呈现出奇偶项分离的特征。

二、 麦克劳林级数展开

将上述导数代入公式，可得正弦与余弦函数的经典幂级数展开式。这两个级数的收敛半径均为 $R = +\infty$：

1. 正弦函数（奇函数，仅保留奇数次幂）

$$ \sin(x) = \sum_{n=0}^{+\infty} \frac{(-1)^n}{(2n+1)!} x^{2n+1} = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \dots $$

2. 余弦函数（偶函数，仅保留偶数次幂）

$$ \cos(x) = \sum_{n=0}^{+\infty} \frac{(-1)^n}{(2n)!} x^{2n} = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \dots $$

三、 全实域收敛性证明（拉格朗日余项法）

为了严格说明这两个级数在整个实数域 $\mathbb{R}$上确实收敛于原函数，同样需要考察其拉格朗日余项$R_n(x)$。

以 $\sin(x)$为例，其 $n$ 阶泰勒公式的拉格朗日余项为：

$$ |R_n(x)| = \left| \frac{\sin^{(n+1)}(\theta x)}{(n+1)!} x^{n+1} \right| \quad (\theta \in (0,1)) $$

由于任何阶数的三角函数导数都受到正弦或余弦幅值的绝对控制，因此其导数部分天然有界：

$$ \left| \sin^{(n+1)}(\theta x) \right| \le 1 $$

由此可得误差分量的绝对控制不等式：

$$ |R_n(x)| \le \frac{|x|^{n+1}}{(n+1)!} $$

对于任意给定的实数 $x$，由于阶乘的增长速度在 $n \to +\infty$ 时居于绝对统治地位，级数的尾项必趋于 0：

$$ \lim_{n \to +\infty} R_n(x) = 0 \quad (\forall x \in \mathbb{R}) $$

同理可证 $\cos(x)$ 的余项同样全实域趋于 0。这说明两个级数在整个实轴上与原函数完全等价。

四、 终章：统一于欧拉公式

至此，我们手中已经握有了三个在全实域 $R=+\infty$ 完美收敛的麦克劳林级数：$e^x$、$\sin(x)$以及$\cos(x)$。如果我们再次跨越实数边界，将纯虚数 $ix$代入到指数函数$e^x$ 的级数展开中：

$$ e^{ix} = \sum_{n=0}^{+\infty} \frac{(ix)^n}{n!} = 1 + ix + \frac{(ix)^2}{2!} + \frac{(ix)^3}{3!} + \frac{(ix)^4}{4!} + \dots $$

利用虚数单位的幂次周期性（$i^2 = -1, i^3 = -i, i^4 = 1$），将上式按照实部（不含 $i$的项）与虚部（含有$i$ 的项）进行重新拆分组合：

$$ e^{ix} = \left( 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \dots \right) + i \left( x - \frac{x^3}{3!} + \frac{x^5}{5!} - \dots \right) $$

这便在解析层面上严丝合缝地证明了被誉为“数学界最美公式”的欧拉公式（Euler’s Formula）：

$$ e^{ix} = \cos(x) + i\sin(x) $$

二项级数

在完备了指数函数与三角函数的级数理论后，我们将目光投向另一个经典的函数族——二项式函数 $f(x) = (1+x)^\alpha$（其中 $\alpha \in \mathbb{R}$且$\alpha \neq 0$）。

当 $\alpha$ 不为正整数时，该函数无法通过二项式定理展开为有限项多项式。为了探讨其无穷级数的形式及其在实轴上的等价性，必须对其进行高阶求导并对余项进行极其精细的估计。

一、 二项级数的形式构建与收敛半径

1. 高阶导数与系数确定

对 $f(x) = (1+x)^\alpha$进行逐阶求导，其$n$ 阶导数呈现出明显的阶乘幂规律：

$$ f^{(n)}(x) = \alpha(\alpha-1)\dots(\alpha-n+1)(1+x)^{\alpha-n} $$

在展开中心 $x_0 = 0$ 处，各阶导数值为：

$$ f^{(n)}(0) = \alpha(\alpha-1)\dots(\alpha-n+1) $$

由此，我们可以形式化地构建其麦克劳林级数（即二项级数）：

$$ (1+x)^\alpha \sim \sum_{n=0}^{+\infty} \frac{\alpha(\alpha-1)\dots(\alpha-n+1)}{n!} x^n $$

2. 收敛半径的判定

通过达朗贝尔（Ratio Test）比值判别法，考察相邻两项绝对值的比值极限：

$$ \lim_{n \to +\infty} \left| \frac{a_{n+1} x^{n+1}}{a_n x^n} \right| = \lim_{n \to +\infty} \left| \frac{\alpha-n}{n+1} \right| |x| = |x| $$

若要级数绝对收敛，需满足 $|x| < 1$。因此，二项级数的收敛半径 $R = 1$。这说明该级数在开区间 $x \in (-1, 1)$ 内是完备收敛的。

二、 拉格朗日余项的局限：负区间的失效

为了证明级数在 $x \in (-1, 1)$内严格等价于原函数，我们需要证明其泰勒余项$\lim_{n \to +\infty} R_n(x) = 0$。

如果采用常规的拉格朗日型余项，公式形式如下：

$$ R_n(x) = \frac{\alpha(\alpha-1)\dots(\alpha-n)}{(n+1)!} (1+\theta x)^{\alpha-n-1} x^{n+1} \quad (\theta \in (0, 1)) $$

将变量项进行归类分离：

$$ R_n(x) = \frac{\alpha(\alpha-1)\dots(\alpha-n)}{(n+1)!} x^{n+1} \cdot (1+\theta x)^{\alpha-1} \cdot \underline{(1+\theta x)^{-n}} $$

此时对区间进行分情况讨论，会发现拉格朗日余项遇到了本质阻碍：

• 当 $x \in (0, 1)$时：$1+\theta x > 1$，则 $(1+\theta x)^{-n} < 1$，余项可以顺利被阶乘压制趋于 0。

• 当 $x \in (-1, 0)$时： 此时$0 < 1+\theta x < 1$。这意味着底数小于 1，当 $n \to +\infty$时，负幂次项$(1+\theta x)^{-n}$会变成一个剧烈增长的放大因子。由于$\theta$ 的不确定性，拉格朗日余项在负区间内无法直接证明收敛于 0。

三、 柯西余项的巧妙破局

为了克服拉格朗日余项在负区间估计上的失效，必须引入对基准点权重处理更为细腻的柯西型余项。

柯西余项的标准形式为：

$$ R_n(x) = \frac{\alpha(\alpha-1)\dots(\alpha-n)}{n!} (1+\theta x)^{\alpha-n-1} (1-\theta)^n x^{n+1} \quad (\theta \in (0, 1)) $$

1. 核心代数变形

为了看清各项的控制关系，将柯西余项重组为三个独立因子的乘积结构：

$$ R_n(x) = \left[ \frac{\alpha(\alpha-1)\dots(\alpha-n)}{n!} x^{n+1} \right] \cdot (1+\theta x)^{\alpha-1} \cdot \left[ \frac{1-\theta}{1+\theta x} \right]^n $$

2. 三大因子的收敛行为分析

针对上面拆解出的三个部分，当 $n \to +\infty$且固定$x \in (-1, 1)$ 时，分别进行精细估计：

• 因子一（级数通项关联项）：$A_n = \frac{\alpha(\alpha-1)\dots(\alpha-n)}{n!} x^{n+1}$

  这一部分本质上是二项级数的第 $n+1$项。既然我们已经通过比值判别法证明了级数$\sum a_n x^n$在$|x|<1$ 时收敛，根据级数收敛的必要条件，其通项必趋于 0。因此：

$$ \lim_{n \to +\infty} A_n = 0 $$

• 因子二（有界项）：$B = (1+\theta x)^{\alpha-1}$

  由于 $x \in (-1, 1)$且$\theta \in (0, 1)$，不管 $\alpha-1$的符号如何，连续函数$(1+\theta x)^{\alpha-1}$在闭区间上总能被两端点卡住，针对确定的$x$ 是一个绝对有界的量，不会走向无穷。

• 因子三（关键收缩项）：$C_n = \left[ \frac{1-\theta}{1+\theta x} \right]^n$

  我们需要评估底数 $\frac{1-\theta}{1+\theta x}$与 1 的大小关系。在整体区间$x \in (-1, 1)$ 内：

$$ (1+\theta x) - (1-\theta) = \theta x + \theta = \theta(1+x) > 0 $$

由此可得：

$$ 1+\theta x > 1-\theta \implies 0 < \frac{1-\theta}{1+\theta x} < 1 $$

既然底数被死死限制在 $(0, 1)$之间，那么它的$n$ 次幂在无穷处必然是有界的（甚至严格递减趋于 0）：

$$ \left| \frac{1-\theta}{1+\theta x} \right|^n < 1 $$

3. 最终夹逼结论

综合以上三项的评估结果，整个柯西余项被拆解为了：

$$ \lim_{n \to +\infty} R_n(x) = (\text{趋于 } 0) \times (\text{有界项}) \times (\text{小于 } 1 \text{ 的无穷幂次项}) = 0 $$

通过柯西余项的巧妙重新组合，彻底化解了负区间内 $(1+\theta x)^{-n}$膨胀带来的数学危机。至此，我们完成了二项级数在整个开区间$x \in (-1, 1)$ 内收敛于原函数的严格证明：

$$ (1+x)^\alpha = \sum_{n=0}^{+\infty} \frac{\alpha(\alpha-1)\dots(\alpha-n+1)}{n!} x^n \quad (\forall x \in (-1, 1)) $$

左侧边界：$x = -1$将$x = -1$强行代入级数，通项呈现为$u_n = \frac{\alpha(\alpha-1)\dots(\alpha-n+1)}{n!} (-1)^n$。

粗看之下，符号的介入似乎让事情变得复杂，但只要将视线拉长到无穷远处（当 $n > \alpha$时），你会发现相邻两项的比值$\frac{u_{n+1}}{u_n} = \frac{n-\alpha}{n+1}$ 悄然恒为正数。这意味着，在远离原点的旷野上，它其实蜕变为了一个同号级数。

面对这种看似温和却缺乏相消机制的同号项累加，我们需要请出拉贝判别法（Raabe’s Test）——一种专门用来在比值失效时、通过放大高阶小项来定量级数衰减速度的精细工具。我们去捕捉它的极限行为：

$$ n \left( \frac{u_n}{u_{n+1}} - 1 \right) = n \left( \frac{n+1}{n-\alpha} - 1 \right) = \frac{n(1+\alpha)}{n-\alpha} \xrightarrow{n \to +\infty} 1 + \alpha $$

拉贝判别法的标尺非常客观：当极限值大于 1 时级数收敛，小于 1 时则无情发散。

• 当 $1+\alpha > 1$，即 $\alpha > 0$ 时，衰减速度足够快，级数收敛。

• 当 $1+\alpha < 1$，即 $\alpha < 0$ 时，累加的势头压过了衰减，级数发散。

(注：$\alpha = 0$ 时函数退化为常数 1，级数自然平凡收敛，一般不作为病态情况讨论。)

右侧边界：$x = 1$当目光转向右侧的$x = 1$时，通项变成了$u_n = \frac{\alpha(\alpha-1)\dots(\alpha-n+1)}{n!}$。

与左边恰恰相反，当 $n$ 足够大时，$\frac{u_{n+1}}{u_n} = \frac{\alpha-n}{n+1} < 0$。这里的正负号开始像钟摆一样规律地跳动，级数变成了一个标准的长程交错级数（alternating series）。

交错级数往往拥有一层由“正负相消”赋予的宽容庇护。即使绝对值累加会走向无穷，只要正负交替的浪潮交织得足够均匀，它们就能在动态中达成一种和解：

• $\alpha > 0$：由先前的拉贝判别法可知，此时它连绝对值之和都能收敛，在此处自然稳稳收敛。

• $-1 < \alpha \le 0$：绝对值的盾牌虽然碎了，但交错相消的剑刃还在。借助莱布尼茨判别法的微调审视，项的大小依然单调趋于 0，使得级数能够维持一种脆弱的平衡，表现为条件收敛（conditional convergence）——即级数本身靠着正负抵消活着，但一旦剥离符号取绝对值就会崩溃。

• $\alpha \le -1$：此时跨越了危险的阈值，通项在趋近无穷时连“向零靠拢”的基本底线都无法维持，正负震荡的幅度越来越大，级数彻底发散。

二项级数变体

在建立起二项级数的完备理论之后，我们可以利用逐项求导、逐项积分以及变量代换等解析性质，将许多复杂的初等函数转化为优雅的幂级数形式。

一、 利用二项级数展开复合成反式：$\frac{1}{\sqrt{1-x^2}}$为了求出广义代数分式$f(x) = (1-x^2)^{-\frac{1}{2}}$的级数形式，我们首先引入二项级数中$\alpha = -\frac{1}{2}$ 的特例。

1. 核心系数的基准推导

对于基础形式 $(1-x)^{-\frac{1}{2}}$，其麦克劳林级数的第 $n$ 项系数为：

$$ a_n = \frac{(-\frac{1}{2})(-\frac{3}{2})\dots(-\frac{1}{2}-n+1)}{n!} (-1)^n $$

提取每一项的分母 $2$ 以及负号，分子转化为连续奇数的乘积：

$$ a_n = \frac{(-1)^n \cdot 1 \cdot 3 \cdot 5 \dots (2n-1)}{2^n \cdot n!} (-1)^n = \frac{(2n-1)!!}{2^n \cdot n!} $$

由于 $2^n \cdot n! = 2 \cdot 4 \cdot 6 \dots (2n) = (2n)!!$，系数可以精简为双阶乘（Double Factorial）之比：

$$ a_n = \frac{(2n-1)!!}{(2n)!!} $$

由此得到基础展开式：

$$ (1-x)^{-\frac{1}{2}} = 1+\sum_{n=1}^{+\infty} \frac{(2n-1)!!}{(2n)!!} x^n $$

2. 变量代换完成目标

将上述公式中的 $x$整体替换为$x^2$，即可直接写出目标函数的展开式：

$$ \frac{1}{\sqrt{1-x^2}} =1+ \sum_{n=1}^{+\infty} \frac{(2n-1)!!}{(2n)!!} x^{2n} \quad (\forall x \in (-1, 1)) $$

二、 逐项积分的应用：反正弦函数 $\arcsin(x)$

反正弦函数可以通过导函数积分的形式表达：$\arcsin(x) = \int_0^x \frac{1}{\sqrt{1-t^2}} dt$。由于幂级数在收敛区间内部允许逐项积分，我们可以直接对上一节的结果进行定积分操作。

1. 级数形式的导出

$$ \arcsin(x) = \int_0^x \left( \sum_{n=0}^{+\infty} \frac{(2n-1)!!}{(2n)!!} t^{2n} \right) dt = \sum_{n=0}^{+\infty} \frac{(2n-1)!!}{(2n)!!} \int_0^x t^{2n} dt $$

计算积分项，得到反三角函数的标准级数展开：

$$ \arcsin(x) = \sum_{n=0}^{+\infty} \frac{(2n-1)!!}{(2n)!!(2n+1)} x^{2n+1} $$

2. 边界收敛性

对于收敛区间 $(-1, 1)$内部，逐项积分的有效性毋庸置疑。然而在端点$x = \pm 1$ 处，该级数的表现表现出了更强的收敛倾向。

通过斯特林公式（Stirling’s Approximation）或拉贝判别法评估其通项系数的渐进性质：

$$ \frac{(2n-1)!!}{(2n)!!} \sim \frac{1}{\sqrt{\pi n}} $$

$$ \text{通项大小 } u_n \sim \frac{1}{\sqrt{\pi n} \cdot (2n+1)} \sim O\left(\frac{1}{n^{3/2}}\right) $$

因为 $p = \frac{3}{2} > 1$，根据 $p$-级数判别法，该级数在端点处不仅收敛，而且表现为绝对收敛。因此，反正弦函数的生存疆域完美闭合于全闭区间：

$$ x \in [-1, 1] $$

对数函数的组合：$\frac{1}{2}\ln\left(\frac{1+x}{1-x}\right)$

利用对数函数的代数性质，可以将商结构拆解为两个经典麦克劳林级数的差：

$$ \frac{1}{2}\ln\left(\frac{1+x}{1-x}\right) = \frac{1}{2}\big(\ln(1+x) - \ln(1-x)\big) $$

1. 级数对消过程

分别写出两者的级数展开：

$$ \ln(1+x) = x - \frac{x^2}{2} + \frac{x^3}{3} - \frac{x^4}{4} + \dots = \sum_{n=1}^{+\infty} (-1)^{n-1} \frac{x^n}{n} $$

$$ \ln(1-x) = -x - \frac{x^2}{2} - \frac{x^3}{3} - \frac{x^4}{4} - \dots = -\sum_{n=1}^{+\infty} \frac{x^n}{n} $$

当两者相减时，所有偶数次幂项因符号相同而完全抵消，所有奇数次幂项因符号相反负负得正而完成翻倍：

$$ \ln(1+x) - \ln(1-x) = 2x + \frac{2x^3}{3} + \frac{2x^5}{5} + \dots = 2 \sum_{n=0}^{+\infty} \frac{x^{2n+1}}{2n+1} $$

2. 最终和函数形式

乘以系数 $\frac{1}{2}$ 消除常数倍，得到无偶数项的纯奇次幂级数：

$$ \frac{1}{2}\ln\left(\frac{1+x}{1-x}\right) = \sum_{n=0}^{+\infty} \frac{x^{2n+1}}{2n+1} \quad (\forall x \in (-1, 1)) $$

对数与反正切的内在统一

在实数分析的框架内，上述的对数级数与反正切函数 $\arctan(x) = \sum_{n=0}^{+\infty} (-1)^n \frac{x^{2n+1}}{2n+1}$ 看起来只是结构相似的两个独立公式。然而，一旦引入复数元素，它们将展现出完美的统一性。

如果在对数展开式中进行纯虚数代换 $x \to ix$，则级数变为：

$$ \sum_{n=0}^{+\infty} \frac{(ix)^{2n+1}}{2n+1} = \sum_{n=0}^{+\infty} i^{2n+1} \frac{x^{2n+1}}{2n+1} = i \sum_{n=0}^{+\infty} (-1)^n \frac{x^{2n+1}}{2n+1} = i \arctan(x) $$

结合对数函数的解析延拓，两者的函数形态在复数域内达成了如下的逻辑闭环：

$$ \frac{1}{2}\ln\left(\frac{1+ix}{1-ix}\right) = i \arctan(x) \implies \arctan(x) = \frac{1}{2i}\ln\left(\frac{1+ix}{1-ix}\right) = \frac{i}{2}\ln\left(\frac{i+x}{i-x}\right) $$

这一关系不仅从代数上解释了为什么 $\arctan(x)$的收敛半径会被限制在$R=1$，更揭示了实数域上的对数增长与反三角旋转，在虚轴的魔镜里，不过是同一个解析结构的双面投影。

分式

在掌握了基本初等函数的麦克劳林展开式后，面对非中心点展开或复合分式结构时，直接求导通常会导致组合数爆炸。此时，平移变换与部分分式拆解的组合拳，是间接写出泰勒展开式最高效的代数技巧。

一、 核心问题与平移中心

我们要解决的具体例题是将有理分式 $f(x) = \frac{1}{(x-1)(x+3)}$在指定点$x_0 = 2$ 处进行泰勒展开。

为了能够利用现成的麦克劳林级数（以 0 为中心的展开式），首先需要进行平移变换，将展开中心强行拉回原点：

$$ \text{令 } t = x - 2 \implies x = t + 2 $$

将 $x = t + 2$代入原函数中，使其转化为关于新变量$t$在$t_0 = 0$ 处的麦克劳林展开问题：

$$ g(t) = \frac{1}{(t+2-1)(t+2+3)} = \frac{1}{(t+1)(t+5)} $$

二、 部分分式的代数拆解

分母中的乘积项 $(t+1)(t+5)$ 阻碍了我们直接对应标准级数。利用待定系数法将其拆解为两个独立线性分式的线性组合（部分分式法）：

$$ \frac{1}{(t+1)(t+5)} = \frac{A}{t+1} + \frac{B}{t+5} $$

解得 $A = \frac{1}{4}$，$B = -\frac{1}{4}$。因此，函数被成功解耦：

$$ g(t) = \frac{1}{4} \left( \frac{1}{t+1} - \frac{1}{t+5} \right) $$

三、 经典几何级数映射与逐项展开

解耦后的两项均可完美隐射到标准的几何级数 $\frac{1}{1+u} = \sum_{n=0}^{+\infty} (-1)^n u^n$ 上，但两者的收敛边界存在内在差异：

1. 第一项直接展开

$$ \frac{1}{1+t} = \sum_{n=0}^{+\infty} (-1)^n t^n $$

• 收敛域限制：该级数要求模长 $|t| < 1$。

2. 第二项提公因式后展开

$$ \frac{1}{t+5} = \frac{1}{5} \cdot \frac{1}{1 + \frac{t}{5}} = \frac{1}{5} \sum_{n=0}^{+\infty} (-1)^n \left(\frac{t}{5}\right)^n = \sum_{n=0}^{+\infty} \frac{(-1)^n}{5^{n+1}} t^n $$

• 收敛域限制：该级数要求模长 $|\frac{t}{5}| < 1 \implies |t| < 5$。

四、 通项合并与收敛域的“短板效应”

将上述两个独立级数带回原式并合并同类项，提取出统一的幂次 $t^n$：

$$ g(t) = \frac{1}{4} \left( \sum_{n=0}^{+\infty} (-1)^n t^n - \sum_{n=0}^{+\infty} \frac{(-1)^n}{5^{n+1}} t^n \right) = \frac{1}{4} \sum_{n=0}^{+\infty} (-1)^n \left( 1 - \left(\frac{1}{5}\right)^{n+1} \right) t^n $$

将 $t = x - 2$重新代回，得到最终关于$(x-2)$ 的泰勒级数标准形式：

$$ f(x) = \frac{1}{4} \sum_{n=0}^{+\infty} (-1)^n \left( 1 - \left(\frac{1}{5}\right)^{n+1} \right) (x-2)^n $$

收敛域的最终判定

整体级数能够安全收敛的区域，取决于两个子级数收敛域的交集（即受限于较窄的那个“短板”）：

$$ |t| < 1 \;\cap\; |t| < 5 \implies |t| < 1 $$

因此，该级数的收敛半径 $R = 1$，其关于新变量的收敛区间为 $t \in (-1, 1)$。还原到原变量 $x$，收敛区间即为：

$$ x - 2 \in (-1, 1) \implies x \in (1, 3) $$

五、 进阶视点：收敛半径的复分析几何本质

结合此前所引入的复数域视点 $f(z) \to T(z)$，我们可以完全脱离繁琐的代数不等式，从几何上降维打击、一眼看穿收敛半径为何必然是 $R = 1$。

• 奇点的空间分布：函数 $f(z) = \frac{1}{(z-1)(z+3)}$ 在复平面上拥有两个阻碍其解析的“天然陷阱”（即分母为 0 的孤立极点）：$z_1 = 1$和$z_2 = -3$。

• 收敛圆的扩张极限：我们在 $z_0 = 2$ 处放置圆规的中心开始作解析展开。根据柯西的复变函数理论，泰勒级数的收敛圆会从中心出发不断向外等向扩张，直到触碰到最近的那个奇点时宣告破裂。

• 距离的直观度量：

$$ \text{中心 } z_0 = 2 \text{ 到最近奇点 } z_1 = 1 \text{ 的距离为：} |2 - 1| = 1 $$

$$ \text{中心 } z_0 = 2 \text{ 到较远奇点 } z_2 = -3 \text{ 的距离为：} |2 - (-3)| = 5 $$

这两种长短距离，严丝合缝地对应了我们在代数拆解中得到的 $|t| < 1$和$|t| < 5$。复平面上这一实一虚的几何拉锯，就是实数轴上级数收敛“短板效应”的真正幕后主宰。

π的估计

经典级数在特定切片下的完整展开

当我们将目光投向麦克劳林展开与 $\arcsin$幂级数时，为了在收敛速度与计算可行性之间取得平衡，通常会放弃直接带入边界值$x=1$，转而退守到更小的特征点：

① 麦克劳林级数（莱布尼茨型）的延伸

该级数在边界 $x=1$处的表现人尽皆知，但若将其推向更具实用价值的特征点$x = \frac{1}{\sqrt{3}}$（对应 $\arctan\frac{1}{\sqrt{3}} = \frac{\pi}{6}$）：

$$ \frac{\pi}{6} = \sum_{n=0}^{+\infty} \frac{(-1)^n}{2n+1} \left(\frac{1}{\sqrt{3}}\right)^{2n+1} = \frac{1}{\sqrt{3}} \left( 1 - \frac{1}{3 \times 3} + \frac{1}{5 \times 9} - \frac{1}{7 \times 27} + \dots \right) $$

此时，原本致命的慢收敛被注入了几何因子 $\left(\frac{1}{3}\right)^n$，使其具备了实际计算的价值。

② $\arcsin$ 幂级数的双位切片

• 直接带入边界 $x=1$（对应 $\arcsin(1) = \frac{\pi}{2}$）：

$$ \frac{\pi}{2} = \sum_{n=0}^{+\infty} \frac{(2n-1)!!}{(2n)!!} \frac{1}{2n+1} = 1 + \frac{1}{2 \times 3} + \frac{3}{8 \times 5} + \frac{5}{16 \times 7} + \dots $$

由于缺少几何因子的加持，此项的收敛性极为脆弱。

• 退守至内部特征点 $x = \frac{1}{2}$（对应 $\arcsin\frac{1}{2} = \frac{\pi}{6}$）：

$$ \frac{\pi}{6} = \sum_{n=0}^{+\infty} \frac{(2n-1)!!}{(2n)!!} \frac{1}{2n+1} \left(\frac{1}{2}\right)^{2n+1} = \frac{1}{2} \left( 1 + \frac{1}{6 \times 4} + \frac{3}{40 \times 16} + \dots \right) $$

这里通过引入 $\left(\frac{1}{4}\right)^n$ 级别的衰减因子，强行挽救了算法的实用度。

通过积分得到新形式

面对 $\arctan(x)$在$|x|>1$ 时遭遇的收敛困境，传统的泰勒级数往往无能为力。如果换一种视角，从积分定义的本质出发，通过巧妙的几何级数构造与华里士积分（Wallis Integral）的桥接，可以赋予它一个在全实数域内绝对收敛的优美级数形式。

思维的起点依旧是那条最朴素的路径：

$$ \arctan(x) = \int_0^x \frac{1}{1+t^2} dt $$

为了打破积分上限的束缚，做第一次线性换元，令 $t = xu$，将积分区间成功压缩到固定的 $[0, 1]$ 之间：

$$ \arctan(x) = x \int_0^1 \frac{1}{1+x^2 u^2} du $$

接下来是一步极其精妙的蜕变：引入三角换元 $u = \cos\theta$，将区间拉伸至广阔的 $[0, \frac{\pi}{2}]$。伴随着分母中 $\cos^2\theta = 1 - \sin^2\theta$ 的恒等变换，积分式转化为：

$$ \arctan(x) = x \int_0^{\frac{\pi}{2}} \frac{\sin\theta}{(1+x^2) - x^2 \sin^2\theta} d\theta $$

此时，若强行从分母中提取出 $(1+x^2)$，就能在内部人工制造出一个完美的几何级数（Geometric Series）内核：

$$ \arctan(x) = \frac{x}{1+x^2} \int_0^{\frac{\pi}{2}} \frac{\sin\theta}{1 - \frac{x^2}{1+x^2} \sin^2\theta} d\theta $$

注意到对于任意实数 $x$，比值 $\frac{x^2}{1+x^2}$总是严格小于$1$的（在积分开区间内$\sin^2\theta < 1$），这意味着我们在全实数域 $\mathbb{R}$ 上获得了展开为无穷级数的绝对安全权。将其展开并交换求和与积分号，核心部分被转化为求解经典的华里士积分：

$$ \arctan(x) = \frac{x}{1+x^2} \sum_{n=0}^{+\infty} \left(\frac{x^2}{1+x^2}\right)^n \left( \int_0^{\frac{\pi}{2}} \sin^{2n+1}\theta d\theta \right) $$

代入华里士积分的结果 $\frac{(2n)!!}{(2n+1)!!}$，便诞生了那个超越了传统收敛半径限制的全域收敛级数公式：

$$ \mathbf{\arctan(x) = \frac{x}{1+x^2} \sum_{n=0}^{+\infty} \frac{(2n)!!}{(2n+1)!!} \left(\frac{x^2}{1+x^2}\right)^n \quad (\forall x \in \mathbb{R})} $$

这个新工具最直接的映射就是对 $\pi$的逼近。只需轻轻将特殊的截面$x = 1$嵌进公式，由于$\arctan(1) = \frac{\pi}{4}$，便能提炼出一条收敛极具效率的 $\pi$ 计算路径：

$$ \mathbf{\frac{\pi}{4} = \frac{1}{2} \sum_{n=0}^{+\infty} \frac{(2n)!!}{(2n+1)!!} \left(\frac{1}{2}\right)^n} $$

为了更清晰地审视这一结论在整个分析学坐标系中的位置，不妨将其与另外两种经典的 $\pi$ 求值底稿进行横向对照。不同的级数构造，背后折射出的是对收敛速度与代数结构的权衡：

级数原型	展开形式与收敛条件	计算 π 的具体切片（以 x=1 或特殊值点为例）	收敛效能评估（逻辑依据与置信度评级）
全域收敛新级数	$\arctan(x) = \frac{x}{1+x^2} \sum_{n=0}^{+\infty} \frac{(2n)!!}{(2n+1)!!} \left(\frac{x^2}{1+x^2}\right)^n$ 条件：$x \in \mathbb{R}$	$\frac{\pi}{4} = \frac{1}{2} \sum_{n=0}^{+\infty} \frac{(2n)!!}{(2n+1)!!} \left(\frac{1}{2}\right)^n$	后项与前项比值趋于$\frac{1}{2}$，具备强烈的几何级数（等比级数）收敛特性，速度极快且无边界发散风险。
麦克劳林级数 (莱布尼茨型)	$\arctan(x) = \sum_{n=0}^{+\infty} (-1)^n \frac{x^{2n+1}}{2n+1}$ 条件：$x \in (-1, 1)$	x
$\arcsin$幂级数	$\arcsin(x) = \sum_{n=0}^{+\infty} \frac{(2n-1)!!}{(2n)!!} \frac{x^{2n+1}}{2n+1}$ 条件：$x \in (-1, 1)$	x

纵观这些公式的演变，从莱布尼茨级数那令人绝望的交错慢收敛，到利用积分变换强行注入的几何收敛因子（$\frac{1}{2}$ 的幂次），数学在处理无穷时展现出的那种“以空间换速度”的精巧，往往就隐藏在最开始那步看似多余的换元之中。

我们希望求解无穷级数：

$$ S(1) = \sum_{n=1}^{+\infty} \frac{1}{n^2} = ? $$

为了解决它，引入一个辅助幂级数（Power Series）函数 $S(x)$：

$$ S(x) = \sum_{n=1}^{+\infty} \frac{x^n}{n^2} $$

• 收敛半径（Radius of convergence）：$R = 1$

• 收敛域（Domain of convergence）：$[-1, 1]$在开区间$(-1, 1)$内，对$S(x)$ 进行逐项求导：

$$ S'(x) = \sum_{n=1}^{+\infty} \frac{n x^{n-1}}{n^2} = \sum_{n=1}^{+\infty} \frac{x^{n-1}}{n}, \quad x \in (-1, 1) $$

为了方便消除分母中的 $n$，给两边同乘以 $x$：

$$ x S'(x) = \sum_{n=1}^{+\infty} \frac{x^n}{n}, \quad x \in (-1, 1) $$

再次对两边关于 $x$ 求导：

$$ (x S'(x))' = \sum_{n=1}^{+\infty} \frac{n x^{n-1}}{n} = \sum_{n=1}^{+\infty} x^{n-1} $$

注意到右边是一个首项为 $1$、公比为 $x$的无穷几何级数（等比级数），在$|x| < 1$ 时收敛：

$$ \sum_{n=1}^{+\infty} x^{n-1} = \sum_{n=0}^{+\infty} x^n = \frac{1}{1-x} $$

由此得到闭式方程：

$$ (x S'(x))' = \frac{1}{1-x} $$

现在我们需要通过积分，从 $(x S’(x))’$一步步还原出$S(x)$。
对上式两边从 $0$到$x$ 进行定积分：

$$ x S'(x) = \int_{0}^{x} \frac{1}{1-t} \, dt $$

利用换元法（令 $u = 1-t, , du = -dt$）可得：

$$ x S'(x) = \Big[ -\ln(1-t) \Big]_{0}^{x} = -\ln(1-x), \quad x \in (-1, 1) $$

将 $x$ 除到右边：

$$ S'(x) = -\frac{1}{x} \ln(1-x) $$

再次从 $0$到$x$积分以还原函数$S(x)$：

$$ S(x) = \int_{0}^{x} -\frac{1}{t} \ln(1-t) \, dt $$

因为 $S(x)$在$x=1$处是连续的，所以可以通过从左侧逼近$1$（左极限）来求得 $S(1)$ 的值：

$$ \lim_{x \to 1^-} S(x) = \lim_{x \to 1^-} \int_{0}^{x} -\frac{1}{t} \ln(1-t) \, dt $$

$$ S(1) = \int_{0}^{1} -\frac{1}{t} \ln(1-t) \, dt $$

但是这个积分我们可以看到，在 $1$ 这个点的函数值是往无穷跑的，这和我们熟悉的黎曼积分就相悖了，被称为所谓广义积分。

广义积分

广义积分的分类

广义积分（又称反常积分）主要分为两大类：

• 无穷积分（积分区域 $\infty$）：积分区间为无穷区间（例如 $[a, +\infty)$、$(-\infty, b]$或$(-\infty, +\infty)$）。

• 瑕积分（函数 $\infty$）：积分区间虽然有限，但被积函数在区间内的某些点（瑕点）附近趋于无穷大。

积分与级数的类比关系

定积分/广义积分与数项级数之间的直观对应纽带：

$$ \begin{aligned} \int_{a}^{A} f(x) \, dx \quad &\longleftrightarrow \quad \sum_{n=1}^{N} a_n \\ \bigg\downarrow A \to +\infty, \ x \longleftrightarrow n \quad & \qquad\quad \bigg\downarrow N \to +\infty \\ \int_{a}^{+\infty} f(x) \, dx \quad &\longleftrightarrow \quad \sum_{n=1}^{+\infty} a_n \quad (S_n \to S) \end{aligned} $$

直观理解：有限区间的定积分对应级数的有限部分和 $S_n$；当上限趋于无穷时，无穷限广义积分在本质上就对应着无穷级数的求和与收敛性。

无穷积分

无穷限积分的严格定义

1. 前提条件

设函数 $f(x)$在区间$[a, +\infty)$上有定义，并且在任意有限区间$[a, A]$ 上都是可积的。

2. 收敛与定义

若极限

$$ \lim_{A \to +\infty} \int_{a}^{A} f(x) \, dx $$

存在（设其值为 $I$），则称广义积分 $\int_{a}^{+\infty} f(x) , dx$ 收敛。

此时，定义该广义积分的值为这个极限值：

$$ \int_{a}^{+\infty} f(x) \, dx = I $$

3. 发散

若上述极限不存在，则称广义积分 $\int_{a}^{+\infty} f(x) , dx$ 发散。

计算示例

示例 1

求广义积分 $\int_{1}^{+\infty} \frac{1}{x^2} , dx$ 的收敛性及值。

$$ \lim_{A \to +\infty} \int_{1}^{A} \frac{1}{x^2} \, dx = \lim_{A \to +\infty} \left. -\frac{1}{x} \right|_{1}^{A} = \lim_{A \to +\infty} \left( 1 - \frac{1}{A} \right) = 1 $$

结论：该广义积分收敛，其值为 $1$。

示例 2

求广义积分 $\int_{0}^{+\infty} e^{-x} , dx$ 的收敛性及值。

$$ \int_{0}^{A} e^{-x} \, dx = \left. -e^{-x} \right|_{0}^{A} = 1 - e^{-A} \xrightarrow{A \to +\infty} 1 $$

结论：该广义积分收敛，其值为 $1$。

$p$-广义积分的收敛性

讨论积分 $\int_{1}^{+\infty} \frac{1}{x^p} , dx \quad (p \in (0, +\infty))$ 的收敛性：

1. 当 $p \in (0, 1]$ 时，该广义积分发散。

2. 当 $p > 1$ 时，该广义积分收敛。

广义积分收敛的柯西准则（Cauchy Criterion）

定理（柯西准则）：

广义积分 $\int_{a}^{+\infty} f(x) , dx$收敛的充要条件是：$\forall \varepsilon > 0$，$\exists X_{\varepsilon} \ge a$，使得对于任意的 $A_1, A_2 > X_{\varepsilon}$，均有：

$$ \left| \int_{A_1}^{A_2} f(x) \, dx \right| \le \varepsilon $$

级数类比：这完美对应了数项级数收敛的柯西准则 $\left| \sum_{k=n}^{m} a_k \right| < \varepsilon$。当区间足够远时，尾部的积分贡献可以忽略不计。

广义积分的性质与误区

1. 线性性质

若 $\int_{a}^{+\infty} f(x) , dx$收敛，且$\int_{a}^{+\infty} g(x) , dx$收敛，则对于任意常数$c_1, c_2$：

$$ \int_{a}^{+\infty} (c_1 f(x) + c_2 g(x)) \, dx \quad \text{亦收敛} $$

2. 关于“被积函数趋于 $0$”的直观误区

• 疑问：若 $\int_{a}^{+\infty} f(x) , dx$收敛，当$x \to +\infty$ 时，$f(x)$是否必然趋于$0$？

• 结论与图形直观：不一定。

  一个经典反例提示：我们可以构造一个函数，它在无穷远处有无数个越来越窄的“脉冲尖峰”（例如在每个整数 $n$处，尖峰高度为$1$，但宽度为 $\frac{1}{2^n}$）。

  此时，虽然当 $x \to +\infty$时$f(x) \not\to 0$（极限甚至不存在），但由于尖峰的面积（即积分贡献）呈几何级数衰减，整个广义积分 $\int_{a}^{+\infty} f(x) , dx$ 依然是收敛的。

审敛法

绝对收敛与条件收敛

类似于数项级数，变号函数的广义积分根据其绝对值的可积性分为以下两种情况：

1. 绝对收敛（Absolute Convergence）

   若广义积分 $\int_{a}^{+\infty} |f(x)| , dx$收敛，则称广义积分$\int_{a}^{+\infty} f(x) , dx$ 绝对收敛。

2. 条件收敛（Conditional Convergence）

   若广义积分 $\int_{a}^{+\infty} f(x) , dx$收敛，但$\int_{a}^{+\infty} |f(x)| , dx$发散，则称广义积分$\int_{a}^{+\infty} f(x) , dx$ 为条件收敛。

图形直观：正负面积相互抵消使得原积分可能收敛；但如果把负半轴全部翻折上去取绝对值，面积累加过快就可能导致发散，这就构成了条件收敛。

非负函数广义积分的有界性定理

对于始终非负的被积函数，其积分具有单调递增的特性，因而其收敛性与有界性完全等价。

定理：

设 $f(x) \ge 0, \ x \in [a, +\infty)$。

则广义积分 $\int_{a}^{+\infty} f(x) , dx$收敛$\Longleftrightarrow$ $\exists M > 0$，使得：

$$ \int_{a}^{A} f(x) \, dx \le M, \quad \forall A \ge a $$

核心逻辑：非负函数的变上限积分 $F(A) = \int_{a}^{A} f(x) , dx$是关于$A$的单调递增函数。根据单调有界原理，只要它上有界，当$A \to +\infty$ 时极限就必然存在。

非负函数广义积分的比较判别法

类似数项级数，我们也有比较判别法：

设在 $x \to +\infty$ 时，两个非负函数满足：

$$ 0 \le f(x) \le g(x) $$

或者考虑它们的极限形式（极限审敛法）：

$$ \lim_{x \to +\infty} \frac{f(x)}{g(x)} = k $$

• 通过已知敛散性的基准函数 $g(x)$（通常为 $p$-积分 $\frac{1}{x^p}$），即可“放大”或“缩小”来锁定目标函数 $f(x)$ 的收敛状态。

比较判别法应用示例

示例 1

分析广义积分 $\int_{1}^{+\infty} \frac{x^2}{x^4 + \sin^2(x)} , dx$ 的收敛性。

由于 $\sin^2(x) \ge 0$，在区间 $[1, +\infty)$ 上显而易见有如下不等式关系：

$$ 0 \le \frac{x^2}{x^4 + \sin^2(x)} \le \frac{x^2}{x^4} = \frac{1}{x^2} $$

因为基准 $p$-积分 $\int_{1}^{+\infty} \frac{1}{x^2} , dx$收敛（此时$p = 2 > 1$），根据非负函数的比较判别法，原积分收敛。

示例 2

分析广义积分 $\int_{0}^{+\infty} e^{-x^2} , dx$ 的收敛性。

我们可以将积分区间拆分为 $[0, 1]$和$[1, +\infty)$。由于被积函数在有限区间 $[0, 1]$上连续，该部分定积分必然存在，因此只需考察无穷限部分$\int_{1}^{+\infty} e^{-x^2} , dx$。

当 $x \ge 1$时，有$x^2 \ge x$，从而引出不等式：

$$ e^{-x^2} \le e^{-x} $$

因为 $\int_{1}^{+\infty} e^{-x} , dx$已知收敛，根据比较判别法，原积分$\int_{0}^{+\infty} e^{-x^2} , dx$ 亦收敛。

(注：黑板上此处写出的 $\frac{\sqrt{\pi}}{2}$为该积分在$[0, +\infty)$ 上的精确高斯积分值)

阿贝尔判别法（Abel’s Test）

1. 经典引例

讨论变号函数积分 $\int_{1}^{+\infty} \frac{\sin(x)}{x^p} , dx$ 的收敛性：

• 当 $p > 1$时：由于$\left| \frac{\sin(x)}{x^p} \right| \le \frac{1}{x^p}$，原积分绝对收敛。

• 当 $p \in (0, 1]$时：原积分条件收敛。为了系统性证明此类单调递减驱向$0$ 的函数与振荡函数乘积的收敛性，需要引入更高级的判别法。

2. 定理：阿贝尔判别法（Abel’s Test）

考察积分 $\int_{a}^{+\infty} f(x)g(x) , dx$，若满足以下两个条件：

1. $f(x)$在$[a, +\infty)$ 上单调且有界；

2. 广义积分 $\int_{a}^{+\infty} g(x) , dx$ 收敛；

则广义积分 $\int_{a}^{+\infty} f(x)g(x) , dx$ 收敛。

三、 定理的数学证明与推导

有两种主流的微积分证明路径：

路径 A：利用积分第二中值定理（配合柯西准则）

根据广义积分收敛的柯西准则，我们需要证明当 $A_1, A_2$充分大时，保持$\left| \int_{A_1}^{A_2} f(x)g(x) , dx \right| \le \varepsilon$。

由于 $f(x)$在$[A_1, A_2]$ 上单调，由积分第二中值定理，$\exists \xi \in [A_1, A_2]$，使得：

$$ \left| \int_{A_1}^{A_2} f(x)g(x) \, dx \right| = \left| f(A_1) \int_{A_1}^{\xi} g(x) \, dx + f(A_2) \int_{\xi}^{A_2} g(x) \, dx \right| $$

• 因为 $f(x)$有界，即$|f(x)| \le K$；

• 因为 $\int_{a}^{+\infty} g(x) , dx$收敛，由柯西准则，当$A_1, A_2$足够大时，其子区间的积分$\int_{A_1}^{\xi} g(x) , dx$和$\int_{\xi}^{A_2} g(x) , dx$ 均可任意小。

  由此可证整个积分式趋近于 $0$，即满足收敛条件。

路径 B：利用分部积分法（进一步探讨可导情形）

假设 $f(x)$在区间上具有连续导数$f’(x)$，且不失一般性，设 $f(x) \downarrow f$且$f’(x) \le 0$。

设 $G(x) = \int_{a}^{x} g(t) , dt$。由于 $\int_{a}^{+\infty} g(x) , dx$收敛，可知$G(x)$在无穷远处极限存在且有界，即存在常数$M$使得$|G(x)| \le M$。

对原式进行分部积分：

$$ \int_{a}^{A} f(x)g(x) \, dx = \left. f(x)G(x) \right|_{a}^{A} - \int_{a}^{A} f'(x)G(x) \, dx = f(A)G(A) - f(a)G(a) - \int_{a}^{A} f'(x)G(x) \, dx $$

现在对 $A \to +\infty$ 取极限，逐项分析：

1. 第一项 $f(A)G(A)$：当 $A \to +\infty$ 时，$f(A)$ 极限存在（单调有界原理），$G(A)$ 极限存在，故该项极限必然存在。

2. 最后一项积分项：考察其绝对值以验证是否绝对收敛：

$$ \int_{a}^{A} |f'(x)G(x)| \, dx \le M \int_{a}^{A} |f'(x)| \, dx $$

因为已知 $f’(x) \le 0$，所以 $|f’(x)| = -f’(x)$。带入积分可得：

$$ M \int_{a}^{A} -f'(x) \, dx = M \Big| \int_{a}^{A} f'(x) \, dx \Big| = M |f(a) - f(A)| = \tilde{M} $$

由于 $f(A)$在无穷远处有界，该积分项被一个常数$\tilde{M}$ 控制（上有界）。由于非负函数变上限积分上有界，该积分必然收敛。

总结：分部积分后的各项在 $A \to +\infty$ 时极限均存在，从而圆满证明了阿贝尔判别法的正确性。

利用阿贝尔判别法，就不难知道 $p$ 广义积分的收敛。

发散的示例

当 $p \in (0, 1]$ 时，广义积分的绝对值积分是发散的：

$$ \int_{1}^{+\infty} \frac{|\sin(x)|}{x^p} \, dx = +\infty $$

为了证明其发散，只需证明当上限 $A \to +\infty$ 时，变上限积分没有上界。

推导与放大步骤

1. 缩小区间

让上限 $A$取一个特定的离散值$N\pi$（其中 $N$为足够大的正整数），并将下限由$1$缩小到$\pi$（由于 $[1, \pi]$ 上的积分为有限常数，省去后不影响敛散性判断）：

$$ \int_{1}^{A} \frac{|\sin(x)|}{x^p} \, dx \ge \int_{\pi}^{N\pi} \frac{|\sin(x)|}{x^p} \, dx $$

2. 区间拆分（离散化为级数）

利用定积分的区间可加性，将 $[\pi, N\pi]$拆分为$N-1$个长度为$\pi$的小区间$[k\pi, (k+1)\pi]$ 之和：

$$ = \sum_{k=1}^{N-1} \int_{k\pi}^{(k+1)\pi} \frac{|\sin(x)|}{x^p} \, dx $$

3. 分母放大（整体缩小）

在每一个子区间 $x \in [k\pi, (k+1)\pi]$上，由于$x^p$是单调递增的，为了将变量$x$从分母中提取出来，我们把分母替换为其在区间右端点的最大值$((k+1)\pi)^p$。

分母变大，整个分式变小，从而得到不等式：

$$ \ge \sum_{k=1}^{N-1} \frac{1}{((k+1)\pi)^p} \int_{k\pi}^{(k+1)\pi} |\sin(x)| \, dx $$

4. 计算正弦函数的周期面积

注意到正弦函数绝对值 $|\sin(x)|$在任意长度为$\pi$的半周期区间上的积分都是一个固定的常数$C$：

$$ C = \int_{k\pi}^{(k+1)\pi} |\sin(x)| \, dx = \int_{0}^{\pi} \sin(x) \, dx = \left. -\cos(x) \right|_{0}^{\pi} = 1 - (-1) = 2 $$

将 $C = 2$ 代入上式，并把常数项提出来：

$$ = \frac{2}{\pi^p} \sum_{k=1}^{N-1} \frac{1}{(k+1)^p} $$

• 当 $p \in (0, 1]$时，根据$p$-级数的敛散性原理（或当 $p=1$时作为著名的调和级数），级数$\sum_{k=1}^{+\infty} \frac{1}{(k+1)^p}$是发散的，其和为$+\infty$。

• 既然缩小的下界在 $N \to +\infty$ 时都趋于无穷大，根据夹逼准则（比较判别法），原绝对值积分必然发散。

最终结论：当 $p \in (0, 1]$时，广义积分$\int_{1}^{+\infty} \frac{\sin(x)}{x^p} , dx$ 不是绝对收敛的。结合此前阿贝尔判别法的结论，它在此区间内是条件收敛的。

全直线上广义积分

对于积分上下限皆为无穷的情形，其定义类似于单侧无穷限积分 $\int_{a}^{+\infty} f(x) , dx$和$\int_{-\infty}^{b} f(x) , dx$。

定义：

广义积分 $\int_{-\infty}^{+\infty} f(x) , dx$ 收敛的充要条件（$\Longleftrightarrow$）是：在实数轴上任意选择一个基准点（通常选 $0$），将其拆分为两部分，这两部分都必须独立收敛。即：

$$ \int_{-\infty}^{+\infty} f(x) \, dx \text{ 收敛} \Longleftrightarrow \int_{-\infty}^{0} f(x) \, dx \text{ 收敛} \quad \text{且} \quad \int_{0}^{+\infty} f(x) \, dx \text{ 收敛} $$

此时，定义该积分的值为两部分单独求极限后的和：

$$ \int_{-\infty}^{+\infty} f(x) \, dx = \int_{-\infty}^{0} f(x) \, dx + \int_{0}^{+\infty} f(x) \, dx $$

逻辑单向性与柯西主值（Cauchy Principal Value）

1. 单向蕴含关系

如果广义积分 $\int_{-\infty}^{+\infty} f(x) , dx$ 收敛，那么我们让对称的上下限同时趋于无穷大，其极限也必然存在：

$$ \lim_{A \to +\infty} \int_{-A}^{A} f(x) \, dx \quad \text{存在} $$

注意：反之不成立！ 这种对称逼近的极限存在，并不能代表原广义积分收敛。

2. 柯西主值的定义

为了定义这种“对称取极限”的特殊积分状态，引入柯西主值的概念，记作 $\text{P.V.}$（Principal Value）：

$$ \text{P.V.} \int_{-\infty}^{+\infty} f(x) \, dx = \lim_{A \to +\infty} \int_{-A}^{A} f(x) \, dx $$

经典反例与辨析

“柯西主值存在 $\not\Rightarrow$ 广义积分收敛”

考察函数：

$$ f(x) = \frac{x}{1+x^2} $$

1. 严格定义视角

我们将其按定义拆分，优先考察右侧半轴的广义积分：

$$ \int_{0}^{+\infty} \frac{x}{1+x^2} \, dx = \lim_{A \to +\infty} \left. \frac{1}{2} \ln(1+x^2) \right|_{0}^{A} = \lim_{A \to +\infty} \frac{1}{2} \ln(1+A^2) = +\infty \quad (\text{发散}) $$

同理，左侧半轴的积分 $\int_{-\infty}^{0} \frac{x}{1+x^2} , dx = -\infty$ 亦发散。

结论：根据定义，原广义积分 $\int_{-\infty}^{+\infty} \frac{x}{1+x^2} , dx$ 发散。

2. 柯西主值视角

由于该被积函数 $f(x) = \frac{x}{1+x^2}$是一个奇函数（满足$f(-x) = -f(x)$），对其在对称区间 $[-A, A]$ 上进行定积分：

$$ \int_{-A}^{A} \frac{x}{1+x^2} \, dx = 0 \quad (\text{奇函数在对称区间上的积分恒为 } 0) $$

此时对其取极限：

$$ \text{P.V.} \int_{-\infty}^{+\infty} \frac{x}{1+x^2} \, dx = \lim_{A \to +\infty} \int_{-A}^{A} \frac{x}{1+x^2} \, dx = \lim_{A \to +\infty} 0 = 0 $$

结论：该积分的柯西主值存在，且等于 $0$。

核心总结：

广义积分收敛是一种极其严格的考核，要求负无穷和正无穷两端“各自为政、独立收敛”；而柯西主值 $\text{P.V.}$ 则允许两端的面积在同步对等（对称）扩大的过程中“相互抵消”。因此，不能将两者混为一谈。

瑕积分

一、 瑕积分与瑕点的严格定义

当积分区间为有限区间 $[a, b]$，但被积函数在区间端点无界时，需要引入瑕积分的概念。以下以左端点 $a$ 为瑕点为例：

1. 前提与定义

设函数 $f(x)$在半开区间$(a, b]$上有定义。若$f(x)$在点$a$的右邻域内无界，则称点$a$为$f(x)$ 的一个瑕点（Singular Point / Singular end）。

2. 收敛与发散

若 $f(x)$在任意有限子区间$[a+\delta, b]$（其中 $0 < \delta < b-a$）上可积，且极限：

$$ \lim_{\delta \to 0^+} \int_{a+\delta}^{b} f(x) \, dx $$

存在，则称广义积分 $\int_{a}^{b} f(x) , dx$ 收敛。

若上述极限不存在，则称该瑕积分发散。

图形直观：在曲线下方，当 $x \to a^+$时，函数曲线垂直向上飙升趋于无穷。我们切掉靠近$a$的一小段$\delta$，计算 $[a+\delta, b]$的阴影面积，最后让$\delta \to 0^+$ 观察该面积是否能稳定收敛到一个常数。

二、 瑕积分与无穷限积分的转换（倒数换元）

瑕积分和无穷限积分在本质上可以相互过渡。

设 $a$为瑕点，对积分$\int_{a+\delta}^{b} f(x) , dx$ 作倒数换元：

令 $t = \frac{1}{x-a}$，则 $x = \frac{1}{t} + a$，从而 $dx = -\frac{1}{t^2} , dt$。

变换积分上下限：

• 当 $x = b$ 时，$t = \frac{1}{b-a}$- 当$x = a+\delta$ 时，$t = \frac{1}{\delta}$

带入积分式中：

$$ \int_{a+\delta}^{b} f(x) \, dx = \int_{\frac{1}{\delta}}^{\frac{1}{b-a}} f\left(\frac{1}{t}+a\right) \left(-\frac{1}{t^2}\right) dt = \int_{\frac{1}{b-a}}^{\frac{1}{\delta}} f\left(\frac{1}{t}+a\right) \frac{1}{t^2} \, dt $$

当 $\delta \to 0^+$时，上限$\frac{1}{\delta} \to +\infty$。于是瑕积分成功转化为一个无穷限广义积分：

$$ \int_{\frac{1}{b-a}}^{+\infty} f\left(\frac{1}{t}+a\right) \frac{1}{t^2} \, dt $$

三、 几何对称性与对偶性

函数 $y = \frac{1}{x}$（或类似反比例曲线）在第一象限的图像，并将其沿着对角线 $y=x$ 做区域划分：

• 区域 $I_1$：代表横向向右延伸到正无穷的区域，对应无穷限积分。

• 区域 $I_2$：代表纵向向上延伸到正无穷的区域，对应瑕积分。

图形直观地揭示了：从图形面积的几何互换（或反函数、坐标轴对调）视角来看，无穷限积分与瑕积分只是同一个几何实体在不同轴向上的投影，这也解释了为什么两者的分析工具和结论具有高度的对称性。

$q$-瑕积分的敛散性

黑板最右侧给出了瑕积分中最重要的基准判别式：分析积分 $\int_{0}^{1} \frac{1}{x^q} , dx \quad (q > 0)$的收敛性（此时$x=0$ 为瑕点）。

先求邻域定积分：

$$ \int_{\delta}^{1} \frac{1}{x^q} \, dx = \left. \frac{1}{1-q} x^{1-q} \right|_{\delta}^{1} = \frac{1}{1-q} (1 - \delta^{1-q}) $$

当 $\delta \to 0^+$ 时，分类讨论极限情况：

1. 当 $q \in (0, 1)$ 时：

   由于 $1-q > 0$，当 $\delta \to 0^+$ 时，$\delta^{1-q} \to 0$。

   极限存在，值为 $\frac{1}{1-q}$。因此该瑕积分收敛。

2. 当 $q > 1$ 时：

   由于 $1-q < 0$，可写为 $\frac{1}{\delta^{q-1}}$。当 $\delta \to 0^+$ 时，$\delta^{1-q} \to +\infty$。

   极限为无穷大，因此该瑕积分发散。

3. 当 $q = 1$ 时（单独讨论）：

$$ \int_{\delta}^{1} \frac{1}{x} \, dx = \left. \ln(x) \right|_{\delta}^{1} = \ln(1) - \ln(\delta) = -\ln(\delta) $$

当 $\delta \to 0^+$ 时，$-\ln(\delta) \to +\infty$。因此该瑕积分发散。

💡 核心总结与对比（避坑指南）

对比此前无穷限 $p$-积分的结论，我们可以发现一个非常优美的“相反”镜像：

• 无穷限积分 $\int_{1}^{+\infty} \frac{1}{x^p} , dx$：空间太大，需要幂次足够大 ($p>1$) 才能把函数压得足够低从而收敛。

• 瑕积分 $\int_{0}^{1} \frac{1}{x^q} , dx$：高度太高，需要幂次足够小 ($q<1$) 才能控制住瑕点处的爆炸速度从而收敛。

瑕点的其它情形与严格定义

1. 右端点为瑕点

同理，若函数 $f(x)$在半开区间$[a, b)$上有定义，且右端点$b$为$f(x)$ 的瑕点。则可定义瑕积分为左极限：

$$ \int_{a}^{b} f(x) \, dx = \lim_{\delta \to 0^+} \int_{a}^{b-\delta} f(x) \, dx $$

2. 区间内部为瑕点

若瑕点 $c$位于积分区间$(a, b)$的内部（即$c \in (a, b)$为$f(x)$ 的瑕点），其收敛性定义要求两边独立收敛：

$$ \int_{a}^{b} f(x) \, dx \text{ 收敛} \Longleftrightarrow \int_{a}^{c} f(x) \, dx \text{ 收敛} \quad \text{且} \quad \int_{c}^{b} f(x) \, dx \text{ 收敛} $$

按照极限的严格写法，两边需要使用独立的扰动量（$\delta$和$\varepsilon$）分别逼近 $c$：

$$ \int_{a}^{b} f(x) \, dx = \lim_{\delta \to 0^+} \int_{a}^{c-\delta} f(x) \, dx + \lim_{\varepsilon \to 0^+} \int_{c+\varepsilon}^{b} f(x) \, dx $$

图形直观：在内部瑕点 $c$处，函数曲线两侧同时向正负无穷延伸（类似于$\frac{1}{x}$在$0$附近）。严格定义要求挖掉$[c-\delta, c+\varepsilon]$这一段，并在$\delta, \varepsilon$各自独立趋于$0$ 时两侧面积均存在极限。

瑕积分的柯西主值（Cauchy Principal Value）

如果强行令两侧逼近瑕点的速度完全对称（即令 $\delta = \varepsilon$），此时对应的极限被称为瑕积分的柯西主值，记作 $\text{P.V.}$：

$$ \text{P.V.} \int_{a}^{b} f(x) \, dx = \lim_{\delta \to 0^+} \left( \int_{a}^{c-\delta} f(x) \, dx + \int_{c+\delta}^{b} f(x) \, dx \right) $$

经典实例分析

考虑 $\int_{0}^{1} \frac{1}{x} , dx$ 。

1. 严格定义视角

将积分以 $0$ 为界拆分为两部分：

• 右侧：$\int_{0}^{1} \frac{1}{x} , dx$发散（根据$q$-瑕积分定理，$q=1$ 发散）；

• 左侧：$\int_{-1}^{0} \frac{1}{x} , dx$ 亦发散。

由于两部分不能同时独立收敛，根据定义：

$$ \int_{-1}^{1} \frac{1}{x} \, dx \quad \mathbf{\text{发散}} $$

2. 柯西主值视角

采用对称的边界 $\delta$同时逼近瑕点$0$：

$$ \lim_{\delta \to 0^+} \left( \int_{-1}^{-\delta} \frac{1}{x} \, dx + \int_{\delta}^{1} \frac{1}{x} \, dx \right) $$

由于 $\frac{1}{x}$是奇函数，在对称挖空的区间$[-1, -s] \cup [s, 1]$上，正负面积完全抵消，积分值恒为$0$：

$$ \lim_{\delta \to 0^+} \left( \ln|-1| - \ln|-\delta| + \ln|1| - \ln|\delta| \right) = \lim_{\delta \to 0^+} (0 - \ln \delta + 0 + \ln \delta) = \lim_{\delta \to 0^+} 0 = 0 $$

由此得到：

$$ \text{P.V.} \int_{-1}^{1} \frac{1}{x} \, dx = 0 $$

幂级数作为一种拟合，还是有些不当之处，随着 $x$增长，高幂次的项数增长很快，于是需要一个很大的系数去压制，能不能找一个更好的基底拟合，而非$x$ 的幂次呢？

动机我们难以理解，毕竟我们不是傅里叶。但是我们可以找这样一组基 $e^{ikx}$，或者等价地写作$\sin{kx},\cos{kx}$。我们会发现这组基有相当好的性质，考虑积分从$-\frac{\pi}{2}$到$\frac{\pi}{2}$ 构成的一个内积空间，那么这组基是正交的。这意味着我们可以通过

$$ f(x)=\sum a_ke^{ikx} $$

直接积分，就得到对应的系数。详细地：

从幂级数过渡到傅里叶级数，其本质是从“用代数多项式逼近一切函数”转向“用具有周期性的三角多项式逼近一切函数”。这一过程伴随着空间基底的转换，也揭示了现代数学中“正交分解”的深刻动机。

泰勒级数（幂级数）的局限与动机

对于一些难以直接求出原函数的积分，例如 $\int_{0}^{1} e^{x^2} dx$，我们无法通过初等函数给表达式。为了解决这一困境，最自然的动机就是将复杂的非多项式函数转化为我们最熟悉的“无限项多项式”进行积。

利用已知的泰勒展开公式：

$$ e^t = \sum_{n=0}^{+\infty} \frac{t^n}{n!} $$

令 $t = x^2$，我们可以将该积项展开为幂级数：

$$ \int_{0}^{1} e^{x^2} dx = \int_{0}^{1} \sum_{n=0}^{+\infty} \frac{(x^2)^n}{n!} dx $$

这种做法在本质上是在假定一个函数 $f(x)$属于由单项式作为基底所张成的空间。在$x_0 = 0$ 处展开时，其形式为：

$$ f(x) \in \text{span}\{1, x, x^2, x^3, \dots, x^n, \dots\} $$

$$ f(x) = \sum_{n=0}^{+\infty} \frac{f^{(n)}(0)}{n!} x^n = S(x), \quad x \in (-R, +R) $$

局限性分析（置信度评级：高）：

1. 收敛域的严格限制：泰勒级数仅在收敛半径 $x \in (-R, +R)$ 内有效。一旦超出这个范围，级数就会发散，无法表现全局性质。

2. 非周期性高次爆炸：由于单项式基底 $x^n$在$x \to \infty$时会趋于无穷（如图$x^n$ 的发散曲线），它极其不适合用来描述具有周期性、波动性或者局部剧烈震荡的信号。

从代数基底向一般函数基底的泛化

为了摆脱幂级数的空间限制，我们需要抽象出更一般的基底表达。假设存在某一组更广泛的函数基底 ${\varphi_0(x), \varphi_1(x), \varphi_2(x), \dots, \varphi_n(x), \dots}$，使得：

$$ f(x) \in \text{span}\{\varphi_0(x), \varphi_1(x), \varphi_2(x), \dots, \varphi_n(x), \dots\} $$

针对特定物理和数学场景——比如一个以 $T$为周期的函数$f(x)$（满足 $f(x+T) = f(x)$），或者一个在局部呈现密集波动的复杂信号：

普通的幂级数在面对这类具有周期性边界、或包含复杂局部纹理的函数时，拟合效率极低。我们迫切需要一种天然具备周期性（如在 $[0, T]$、$[0, 2T]$ 循环往复）且在整体边界内有界的基底。

傅里叶级数（三角级数）的构造

既然目标是逼近周期信号与波动函数，最完美的基底选择自然是简谐振动（三角函数）。我们构建一组由常数、正弦函数和余弦函数组成的完备正交基：

$$ \{1, \sin(x), \cos(x), \sin(2x), \cos(2x), \dots, \sin(nx), \cos(nx), \dots\} $$

那么，任意函数 $f(x)$ 都可以看作是该基底空间中的一个“向量”：

$$ \forall f(x) \in \text{span}\{1, \sin(x), \cos(x), \sin(2x), \cos(2x), \dots, \sin(nx), \cos(nx), \dots\} $$

核心问题提出：

对于任意给定的函数 $f(x)$，是否必然存在唯一的一组系数 ${a_0, a_1, a_2, \dots, a_n, \dots}$和${b_1, b_2, \dots, b_n, \dots}$，使得函数可以被分解为：

$$ f(x) = \frac{a_0}{2} + \sum_{n=1}^{+\infty} (a_n \cos(nx) + b_n \sin(nx)) $$

且该公式成立的自变量定义域 $x \in ?$ 究竟能扩展到多大？

通过这种基底的转换，我们成功将复杂的时域信号分解为了不同频率的谐波组合。正如在线性代数中利用对偶基提取系数一样，三角函数的“正交性”（即不同频率的三角函数在周期内的积分乘积为零）将作为后续提取这组系数 ${a_n, b_n}$ 的强力工具。

从傅里叶级数的系数确定，到利用其求解偏微分方程（如热传导方程），再到从几何视角理解函数逼近的“距离”概念，这一阶段完成了从“纯函数分解”向“空间几何与动力学应用”的跃升。

物理背景：非齐次热传导方程的引入

为了展现傅里叶级数解题的强大威力，我们引入一个经典的物理模型：一根两端固定的均匀细杆的温度变化控制。

假设杆的长度为 $\pi$，考虑其温度分布函数 $u(x, t)$，其满足如下带有外加热源的非齐次热传导方程：

$$ u_t = u_{x2} + f(x) $$

• $u_t$（左端项）：温度随时间的变化率（热量随时间的累积）。

• $u_{xx}$（右端第一项）：热传导项，代表由于空间温度不均匀引起的扩散。

• $f(x)$（右端第二项）：外加热源项，它不随时间变化，仅与位置 $x$ 有关。

核心动机：面对这样一个偏微分方程（PDE），直接求解极其困难。由于三角函数基底具有求导后形式不变（仅改变系数）的优良性质，我们自然的动机是将未知解 $u(x,t)$和已知源项$f(x)$ 统一在空间域上进行傅里叶级数展开，从而将“偏微分方程”降维解耦为“常微分方程”。

谱方法求解：偏微分方程的代数化

我们将 $u(x, t)$看作空间基底上的组合，其系数是时间的函数；同时将外加热源$f(x)$ 也做三角展开：

$$ \begin{aligned} u(x, t) &= \frac{a_0(t)}{2} + \sum_{n=1}^{+\infty} \left[ a_n(t) \cos(nx) + b_n(t) \sin(nx) \right] \\ f(x) &= \frac{\alpha_0}{2} + \sum_{n=1}^{+\infty} \left[ \alpha_n \cos(nx) + \beta_n \sin(nx) \right] \end{aligned} $$

1. 算子作用（求导）

利用傅里叶级数逐项求导的性质，分别计算控制方程的左、右两端：

• 对时间求导：

$$ u_t = \frac{a_0'(t)}{2} + \sum_{n=1}^{+\infty} \left[ a_n'(t) \cos(nx) + b_n'(t) \sin(nx) \right] $$

• 对空间求二次导：

$$ u_{xx} = 0 + \sum_{n=1}^{+\infty} \left[ -n^2 a_n(t) \cos(nx) - n^2 b_n(t) \sin(nx) \right] $$

2. 代入方程与系数匹配

将上述展开式代入原物理方程 $u_t = u_{xx} + f(x)$，利用三角函数基底的线性独立性，我们可以让每一个谐波分量的系数分别对应相等。由此，偏微分方程成功转化为无限个独立的常微分方程（ODE）组：

$$ \begin{aligned} a_n'(t) &= -n^2 a_n(t) + \alpha_n \implies a_n(t) = \dots \\ b_n'(t) &= -n^2 b_n(t) + \beta_n \implies b_n(t) = \dots \end{aligned} $$

通过求解这组一阶常微分方程，再结合初始条件，即可彻底锁定制得的未知解 $u(x,t)$。

几何视角：函数空间中的逼近与距离

当我们在实际计算中无法取无限项时，只能截取前 $N$项的有限和$S_N(x)$来逼近原函数$f(x)$。那么，如何度量这种“逼近的优劣”？这促使我们建立函数空间的几何学，即定义“距离”（范数）。

这里存在两种不同的“度量误差”的哲学：

1. 一致范数（$L^\infty$ 范数）—— 绝对极致的误差

$$ \max |f(x) - S_N(x)| \iff \|\vec{a} - \vec{b}\|_\infty $$

• 动机：关注的是“最坏的情况”。它要求在定义域的每一个点上，逼近函数与原函数的最大偏差都必须尽可能小。如图中两条曲线在最宽处的垂直距离。

2. 均方范数（$L^2$ 范数）—— 整体能量的误差

$$ \int_{0}^{\pi} (f(x) - S_N(x))^2 dx \iff \|\vec{a} - \vec{b}\|_2 $$

• 动机：关注的是“整体的拟合能量”。它允许个别点存在相对明显的偏差（例如在间断点处的吉布斯现象），但要求整个区间上的总误差平方和（面积）达到最小。

结论：傅里叶级数在 $L^2$均方范数下具有完美的最佳逼近性。从几何上看，截断的傅里叶级数$S_N(x)$恰好是原函数$f(x)$ 在低频有限维子空间上的正交投影。这一几何本质，构成了近代泛函分析与现代信号处理的理论基石。

有了前面对“几何度量”与“三角基底”的宏观直觉，这一阶段的核心任务是严格建立函数空间的内积架构。通过引入内积，函数空间被赋予了几何结构，进而能像处理有限维欧几里得空间一样，利用“正交性”去精确提取傅里叶级数的每一个系数。

构造平方可积函数空间 $V$

为了让“整体能量误差”的度量在数学上是合法的，我们首先必须定义一个严谨的函数空间。这个空间不能包含那些会发散到无穷大的恶性函数。

我们定义空间 $V$为在$[-\pi, \pi]$区间上的平方可积函数空间（即$L^2$ 空间的雏形）：

$$ V = \left\{ f(x) : [-\pi, \pi] \to \mathbb{R} \;\middle|\; \int_{-\pi}^{\pi} |f(x)|^2 dx < +\infty \right\} $$

要让 $V$ 构成一个合格的线性向量空间，它必须对加法和数乘封闭。我们通过基本性质进行验证：

1. 包含零元：恒等于 $0$的函数显然属于$V$。

2. 数乘封闭性：若 $f \in V$，对于任意实数 $\lambda \in \mathbb{R}$，有 $\lambda f \in V$。

3. 加法封闭性：若 $f, g \in V$，则其和 $f+g \in V$。

   动机与数学支撑：为什么两个平方可积函数的和仍是平方可积的？我们可以通过简单的代数不等式与柯西-施瓦茨不等式来加以保证：

$$ \int_{-\pi}^{\pi} |f+g|^2 dx = \int_{-\pi}^{\pi} (f^2 + g^2 + 2fg) dx \le \int_{-\pi}^{\pi} f^2 dx + \int_{-\pi}^{\pi} g^2 dx + 2\sqrt{\int_{-\pi}^{\pi} f^2 dx \int_{-\pi}^{\pi} g^2 dx} < +\infty $$

> 其中利用了基本的积性不等式 $\int fg dx \le \sqrt{\int f^2 dx \int g^2 dx}$。

函数空间几何化：内积 $\langle \cdot, \cdot \rangle$ 的定义

有了线性空间后，为了引入“角度”和“投影”的概念，我们需要在 $V$ 上定义一个内积。

对于任意 $f, g \in V$，我们定义其内积形式为在全周期上的加权积分：

$$ \langle f, g \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)g(x) dx $$

这个定义必须严格满足内积的三条核心公理：

1. 线性度 / 对称性：$\langle f, g \rangle = \langle g, f \rangle$

2. 正定性：$\langle f, f \rangle \ge 0$且$\langle f, f \rangle = 0 \iff f \equiv 0$> 注：在勒贝格积分意义下，这里的$f \equiv 0$表示$f$几乎处处为 0。若两个函数满足$\int{-\pi}^{\pi} |f-g|^2 dx = 0$，在几何上我们视它们为“同一个向量”（即 $f=g$）。_

正交的几何定义：有了内积，我们就可以定义函数之间的垂直关系。若两个函数的内积为零，即：

$$ \langle f, g \rangle = 0 $$

则称函数 $f$与$g$ 正交。

三角函数基底的标准正交性验证

现在我们将视线移回由常数和三角函数构成的基底空间：

$$ V = \text{span}\left\{ \frac{1}{\sqrt{2}}, \cos(x), \sin(x), \dots, \cos(nx), \sin(nx), \dots \right\} $$

(注：为了后续规范化，这里将常数 1 修正为 $\frac{1}{\sqrt{2}}$，以便让所有基向量的模长统一。)

我们的目标是证明这组基是一组标准正交基，即满足克罗内克积性质：

$$ \langle \varphi_i, \varphi_j \rangle = \delta_{ij} = \begin{cases} 1, & i=j \\ 0, & i \neq j \end{cases} $$

通过经典的三角函数系积化和差公式，我们可以逐一验证其在内积定义下的正交与归一性：

1. 异类函数正交（正弦与余弦）

对于任意的正整数 $m, n$，正弦与余弦在周期内总是正交的：

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} \cos(mx)\sin(nx) dx = 0, \quad \forall m, n $$

2. 同类不同频函数正交（频率不相等）

当 $m \neq n$ 时，不同频率的波形相互独立：

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} \cos(mx)\cos(nx) dx = 0 \quad (m \neq n) $$

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} \sin(mx)\sin(nx) dx = 0 \quad (m \neq n) $$

3. 同类同频归一化（频率相等）

当 $m = n \ge 1$时，利用二倍角公式（如$\cos^2(nx) = \frac{1+\cos(2nx)}{2}$）积分：

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} \cos(mx)\cos(nx) dx = 1 \quad (m = n) $$

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} \sin(mx)\sin(nx) dx = 1 \quad (m = n) $$

4. 常数项基底的特殊验证

常数项与任何正余弦波形在全周期内积分均为 0（因为正余弦的均值为 0）：

$$ \int_{-\pi}^{\pi} 1 \cdot \cos(nx) dx = 0; \quad \int_{-\pi}^{\pi} 1 \cdot \sin(nx) dx = 0 \quad (n \ge 1) $$

而常数基底自身的内积为：

$$ \langle 1, 1 \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} 1^2 dx = \frac{2\pi}{\pi} = 2 $$

这就是为什么我们在写傅里叶级数时，常数项往往写成 $\frac{a_0}{2}$的几何动机——因为常数$1$的模长平方是$2$，为了在形式上与后面模长为 $1$ 的三角项系数保持内积提取形式的统一，需要进行相应的数学修正。

通过这一套完美的标准正交基，任意函数 $f(x)$的傅里叶系数提取就变得易如反掌：只需要将$f(x)$分别与对应的基向量$\cos(nx)$或$\sin(nx)$做内积，就能像在线性代数中投射坐标一样，直接“拍”出系数$a_n$和$b_n$。

在建立了空间内积与三角基底的标准正交性后，最后一步核心任务就是利用正交投影严谨导出傅里叶系数，并明确函数能够展开为傅里叶级数的收敛条件（狄利克雷条件）。这完成了从线性代数框架到数学分析收敛性的闭环。

几何投影：傅里叶系数的精确导出

在线性代数中，已知一组标准正交基 ${\varphi_i}$，任意向量 $f$ 都可以表示为：

$$ f = \sum_{i=1}^{N} c_i \varphi_i $$

利用标准正交性 $\langle \varphi_i, \varphi_j \rangle = \delta_{ij}$，我们对等式两边同时与 $\varphi_i$ 做内积，可以直接“拍”出组合系数：

$$ c_i = \langle f, \varphi_i \rangle $$

现在，我们将这个结论完全平移到平方可积函数空间 $V$ 中。由于空间基底为：

$$ \left\{ \frac{1}{\sqrt{2}}, \cos(x), \sin(x), \dots, \cos(nx), \sin(nx), \dots \right\} $$

我们假设函数 $f(x)$ 展开为：

$$ f(x) \approx \tilde{a}_0 \cdot \frac{1}{\sqrt{2}} + \sum_{n=1}^{+\infty} \left[ a_n \cos(nx) + b_n \sin(nx) \right] $$

1. 提取余弦项系数 $a_n$与正弦项系数$b_n$利用定义好的内积$\langle f, g \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)g(x) dx$，当 $n \ge 1$ 时，直接作投影：

$$ a_n = \langle f, \cos(nx) \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\cos(nx) dx $$

$$ b_n = \langle f, \sin(nx) \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\sin(nx) dx $$

2. 提取常数项系数 $\tilde{a}_0$同理，将$f(x)$与常数基底$\frac{1}{\sqrt{2}}$ 做内积：

$$ \tilde{a}_0 = \left\langle f, \frac{1}{\sqrt{2}} \right\rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \cdot \frac{1}{\sqrt{2}} dx $$

为了消除项中不习惯的 $\sqrt{2}$，让常数项在形式上更统一，我们重新定义一个系数 $a_0$，令：

$$ a_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \cdot 1 dx $$

此时，由于 $\tilde{a}0 \cdot \frac{1}{\sqrt{2}} = \left( \frac{1}{\sqrt{2}\pi} \int{-\pi}^{\pi} f(x)dx \right) \cdot \frac{1}{\sqrt{2}} = \frac{1}{2\pi} \int_{-\pi}^{\pi} f(x)dx = \frac{1}{2} a_0$，级数的常数项便自然化为了我们最熟悉的经典形式：

$$ f(x) \sim \frac{1}{2}a_0 + \sum_{n=1}^{+\infty} (a_n \cos(nx) + b_n \sin(nx)) = S(x) $$

收敛的边界：狄利克雷（Dirichlet）条件

写出级数表达式 $S(x)$只是形式上的展开。这个级数到底在什么情况下才能真正收敛，并且其和$S(x)$是否严格等于原函数$f(x)$ 呢？这就需要引入狄利克雷条件。

对于定义在 $[-\pi, \pi]$上的函数$f(x)$，若满足以下三个条件，则其傅里叶级数在区间内是收敛的：

1. 分段连续 (Piecewise Continuous)

函数 $f: [-\pi, \pi] \to \mathbb{R}$ 在区间内只有有限个第一类间断点。

也就是说，可以把区间切分成有限个小区间 $(x_i, x_{i+1})$：

$$ -\pi = x_0 < x_1 < x_2 < \dots < x_k = \pi $$

使得 $f$在每个单侧开区间内都是连续的，并且在端点处的左极限$\lim_{x \to x_{i+1}^-} f(x)$与右极限$\lim_{x \to x_i^+} f(x)$ 均存在（不能发散到无穷大）。

2. 分段单调 (Piecewise Monotonic)

函数 $f(x)$在每个小区间$(x_i, x_{i+1})$内是单调的（要么单调递增，要么单调递减）。这意味着函数在整个大区间内只有有限个极值点，排除了像$y = \sin(1/x)$ 这样在原点附近产生无限次密集震荡的恶性函数。

3. 分段可导 / 导数有界 (Piecewise Differentiable)

函数 $f(x)$在每个小区间$(x_i, x_{i+1})$内可导，并且其导函数$f’(x)$ 在该区间内也是有界的。这一条件进一步保证了函数曲线的局部光滑度，使得级数逼近时在连续点处能够完美收敛。

当函数满足上述狄利克雷条件时，傅里叶级数的收敛值 $S(x)$ 具有如下极其漂亮的分析学性质：

• 当 $x$是$f(x)$ 的连续点时，级数严格收敛于函数值：

$$ S(x) = f(x) $$

• 当 $x$是$f(x)$ 的间断点时，级数将收敛于该点左右极限的算术平均值：

$$ S(x) = \frac{f(x^+) + f(x^-)}{2} $$

至此，傅里叶级数从空间的代数构造，最终平稳落地到了分析学的严格收敛应用上。

在明确了狄利克雷收敛定理之后，最有效的巩固方式就是通过一个经典的非光滑函数——方波函数（Square Wave）来亲自实践傅里叶系数的计算，并直观观察级数在连续点与跳跃间断点处的收敛表现。

经典案例：符号函数（方波）的构建

我们考虑一个在 $[-\pi, \pi]$上的分段恒定函数$f(x)$（实质上是符号函数 $\text{sgn}(x)$ 在该区间上的表现）：

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

物理与几何动机：这是一个最典型的不连续函数。它在 $x = 0$处有一个跨度为$2$的剧烈跳跃（从$-1$直接跳变到$1$）。我们希望用光滑的三角函数波形的叠加来逼近这个处处“坚硬”的方波。

傅里叶系数的精细推导

利用之前导出的正交投影公式，我们分别计算各个系数。

1. 常数项与余弦系数的奇偶性简化

注意到函数 $f(x)$是一个标准的奇函数（满足$f(-x) = -f(x)$）。

• 常数基底 $1$和余弦基底$\cos(nx)$ 都是偶函数。

• 奇函数与偶函数的乘积仍为奇函数。

根据定积分在对称区间上的性质，奇函数在 $[-\pi, \pi]$上的积分必然为$0$。因此，我们甚至不需要进行具体代数计算，就能从几何对称性上直接判定：

$$ a_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) dx = 0 $$

$$ a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\cos(nx) dx = 0, \quad \forall n \ge 1 $$

这意味着，奇函数的傅里叶展开中只包含正弦项（称为傅里叶正弦级数）。

2.正弦项系数 $b_n$ 的计算

由于 $f(x)$和$\sin(nx)$都是奇函数，它们的乘积$f(x)\sin(nx)$ 变为偶函数。因此积分可以简化为半区间积分的两倍：

$$ b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\sin(nx) dx = \frac{2}{\pi} \int_{0}^{\pi} 1 \cdot \sin(nx) dx $$

进行一元积分：

$$ b_n = \frac{2}{\pi} \left[ -\frac{1}{n} \cos(nx) \right]_{0}^{\pi} = \frac{2}{n\pi} \left( -\cos(n\pi) + \cos(0) \right) $$

由于 $\cos(n\pi) = (-1)^n$，上式化简为：

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

3. 系数的分类讨论

分析因子 $(1 - (-1)^n)$ 的取值：

• 当 $n$ 为偶数（$n = 2m$）时，$(-1)^n = 1$，则 $b_n = 0$。

• 当 $n$ 为奇数（$n = 2k+1$）时，$(-1)^n = -1$，则 $b_n = \frac{4}{n\pi}$。

4.级数合成与狄利克雷收敛验证

将计算出的系数代回傅里叶级数表达式：

$$ f(x) \sim \sum_{n=1}^{+\infty} \frac{2}{n\pi}(1 - (-1)^n) \sin(nx) = \frac{4}{\pi} \sum_{k=0}^{+\infty} \frac{1}{2k+1} \sin((2k+1)x) = S(x) $$

展开前几项可以更直观地看到波形的叠加：

$$ S(x) = \frac{4}{\pi} \left( \sin(x) + \frac{1}{3}\sin(3x) + \frac{1}{5}\sin(5x) + \dots \right) $$

现在我们用狄利克雷定理来严格检验其收敛值 $S(x)$：

1. 在连续点处（如 $x \in (0, \pi)$）：

   函数满足分段光滑，级数严格收敛于原函数值：

$$ S(x) = f(x) = 1 $$

2. 在跳跃间断点处（如 $x = 0$）：

   根据狄利克雷条件，级数应该收敛于左右极限的平均值。我们进行验证：

   • 左极限：$f(0^-) = -1$

   • 右极限：$f(0^+) = 1$

   • 理论收敛值：$\frac{f(0^-) + f(0^+)}{2} = \frac{-1 + 1}{2} = 0$直接带入级数级数解析式进行检验：当$x = 0$时，每一项$\sin((2k+1) \cdot 0) = 0$，所以整个级数的和 $S(0) = 0$。理论预言与级数实际求和结果完全吻合。

这一完美的实例不仅展示了如何通过正交性剥离出特定频率的系数，更证明了即使面对有间断点的函数，傅里叶级数也能在整体能量不失真的前提下，以一种圆滑且极其优美的方式在间断点处准确平稳地着陆。

在深入理解了奇偶函数的特殊性质后，面对更具一般性的非对称分段信号，我们需要完整地同时计算出余弦和正弦系数。通过对这类函数的傅里叶级数在特定点（如不连续点）进行求值，我们不仅能再次验证狄利克雷收敛定理，还能意外获得求解数论中经典数项级数（如巴塞尔问题变形）的强力代数工具。

复杂分段函数的傅里叶级数展开

考虑如下非对称的分段函数 $f(x)$：

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

动机分析：该函数在 $(-\pi, 0)$内为常数，在$[0, \pi)$内为线性函数，既非奇函数也非偶函数。因此，其傅里叶系数中同时存在直流分量$a_0$、余弦分量 $a_n$与正弦分量$b_n$。我们需要在区间上分段进行定积分提取。

1. 常数项系数 $a_0$ 的计算

$$ \begin{aligned} a_0 &= \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) dx = \frac{1}{\pi} \left[ \int_{-\pi}^{0} (-\pi) dx + \int_{0}^{\pi} x dx \right] \\ &= \frac{1}{\pi} \left[ -\pi^2 + \frac{\pi^2}{2} \right] = -\frac{\pi}{2} \end{aligned} $$

2. 余弦项系数 $a_n$ 的计算（$n \ge 1$）

$$ \begin{aligned} a_n &= \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\cos(nx) dx = \frac{1}{\pi} \left[ \int_{-\pi}^{0} (-\pi)\cos(nx) dx + \int_{0}^{\pi} x\cos(nx) dx \right] \end{aligned} $$

• 左半部分：$\int_{-\pi}^{0} (-\pi)\cos(nx) dx = -\pi \left[ \frac{\sin(nx)}{n} \right]_{-\pi}^{0} = 0$

• 右半部分（使用分部积分法）：

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

合并得到：

$$ a_n = \frac{(-1)^n - 1}{n^2\pi} $$

3. 正弦项系数 $b_n$ 的计算（$n \ge 1$）

$$ \begin{aligned} b_n &= \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)\sin(nx) dx = \frac{1}{\pi} \left[ \int_{-\pi}^{0} (-\pi)\sin(nx) dx + \int_{0}^{\pi} x\sin(nx) dx \right] \end{aligned} $$

• 左半部分：$-\pi \left[ -\frac{\cos(nx)}{n} \right]_{-\pi}^{0} = \frac{\pi}{n}(1 - (-1)^n)$

• 右半部分：$\left[ -\frac{x\cos(nx)}{n} \right]{0}^{\pi} - \int{0}^{\pi} \left(-\frac{\cos(nx)}{n}\right) dx = -\frac{\pi(-1)^n}{n}$合并各项并消去$\pi$：

$$ b_n = \frac{1}{n}(1 - 2(-1)^n) $$

4. 级数形式合成

将各系数代入标准表达式中（注意直流项为 $\frac{a_0}{2}$）：

$$ f(x) \sim -\frac{\pi}{4} + \sum_{n=1}^{+\infty} \left[ \frac{(-1)^n - 1}{n^2\pi} \cos(nx) + \frac{1}{n}(1 - 2(-1)^n) \sin(nx) \right] = S(x) $$

狄利克雷定理在跳跃间断点 $x=0$ 处的检验

该函数在 $x=0$ 处不连续，我们利用狄利克雷定理来计算级数在该点处的理论收敛值：

• 左极限：$f(0^-) = -\pi$

• 右极限：$f(0^+) = 0$

• 理论收敛值：

$$ S(0) = \frac{f(0^-) + f(0^+)}{2} = \frac{-\pi + 0}{2} = -\frac{\pi}{2} $$

应用拓宽：解析经典数项级数的和

核心动机：如果我们直接对傅里叶级数解析式在 $x=0$处代入求和，并令其等于理论收敛值$-\frac{\pi}{2}$，就能建立起函数空间与纯数级数之间的神奇桥梁。

当 $x=0$时，所有正弦项$\sin(0)=0$，余弦项 $\cos(0)=1$，级数表达式简化为：

$$ S(0) = -\frac{\pi}{4} + \sum_{n=1}^{+\infty} \frac{(-1)^n - 1}{n^2\pi} $$

令其等于理论值 $-\frac{\pi}{2}$：

$$ -\frac{\pi}{2} = -\frac{\pi}{4} + \sum_{n=1}^{+\infty} \frac{(-1)^n - 1}{n^2\pi} \implies -\frac{\pi}{4} = \sum_{n=1}^{+\infty} \frac{(-1)^n - 1}{n^2\pi} $$

1. 求解奇数项平方倒数和

分析分子项 $((-1)^n - 1)$：

• 当 $n$ 为偶数时，$1 - 1 = 0$，项消失；

• 当 $n$为奇数时（令$n = 2k+1$），$-1 - 1 = -2$。

因此，级数中仅剩下奇数项：

$$ -\frac{\pi}{4} = \sum_{k=0}^{+\infty} \frac{-2}{(2k+1)^2\pi} \implies -\frac{\pi}{4} = -\frac{2}{\pi} \sum_{k=0}^{+\infty} \frac{1}{(2k+1)^2} $$

两边同乘 $-\frac{\pi}{2}$，精确导出：

$$ \sum_{k=0}^{+\infty} \frac{1}{(2k+1)^2} = \frac{\pi^2}{8} $$

2. 泛化推导：解决巴塞尔问题 $\sum \frac{1}{n^2}$我们可以进一步利用上述奇数项的求和结果，推导出所有正整数的平方倒数和（即著名的$\zeta(2)$ ）。

设总和为 $X = \sum_{n=1}^{+\infty} \frac{1}{n^2}$，我们可以将其拆分为偶数项与奇数项两部分：

$$ X = \sum_{n=\text{偶数}} \frac{1}{n^2} + \sum_{n=\text{奇数}} \frac{1}{n^2} = \sum_{m=1}^{+\infty} \frac{1}{(2m)^2} + \sum_{k=0}^{+\infty} \frac{1}{(2k+1)^2} $$

将偶数项提取出 $\frac{1}{4}$：

$$ X = \frac{1}{4} \sum_{m=1}^{+\infty} \frac{1}{m^2} + \frac{\pi^2}{8} \implies X = \frac{1}{4}X + \frac{\pi^2}{8} $$

移项化简：

$$ \frac{3}{4}X = \frac{\pi^2}{8} \implies X = \sum_{n=1}^{+\infty} \frac{1}{n^2} = \frac{\pi^2}{6} $$

这向我们展示了傅里叶级数非凡的副产物：原本属于高等微积分的函数空间正交分解方法，居然能够极其轻巧地破解纯粹数论中极其困难的解析求和问题。

在前一个案例中，我们处理了一个在原点处不连续的函数。现在，为了研究更具光滑性的波形，我们引入一个连续但非处处可导的二次抛物线拼接信号。通过它，我们不仅能观察到傅里叶系数随频率衰减速度的变化规律，还能顺藤摸瓜地攻克更高级的数项级数求和问题（如 $\sum \frac{1}{n^4}$）。

一、 连续分段函数（抛物线波形）的构建

考虑如下在 $[-\pi, \pi]$上的分段二次函数$f(x)$：

$$ f(x) = \begin{cases} (x-\pi)^2, & x \in [0, \pi] \\ (x+\pi)^2, & x \in [-\pi, 0) \end{cases} $$

物理与几何动机：

1. 对称性（奇偶性）：由于 $f(-x) = f(x)$，该函数是一个标准的偶函数。它在 $x=0$处的取值为$\pi^2$，在 $x=\pm\pi$处光滑地落到$0$。

2. 光滑度提升：与前面的方波和锯齿波相比，这个函数在区间内部以及周期边界上（由于 $f(-\pi)=f(\pi)=0$）都是完全连续的。这种连续性将直接映射到其傅里叶系数的衰减速率上。

二、 傅里叶系数的精细推导

利用偶函数的对称性质，我们可以大幅化简内积分运算。

1. 正弦分量系数 $b_n$由于$f(x)$是偶函数，而$\sin(nx)$ 是奇函数，它们的乘积在对称区间上的积分恒为零：

$$ b_n = 0, \quad \forall n \ge 1 $$

这意味着，偶函数的傅里叶展开只包含直流分量与余弦分量（称为傅里叶余弦级数）。

2. 直流项系数 $a_0$

利用半区间积分的两倍：

$$ a_0 = \frac{2}{\pi} \int_{0}^{\pi} (x-\pi)^2 dx = \frac{2}{\pi} \left[ \frac{(x-\pi)^3}{3} \right]_{0}^{\pi} = \frac{2}{\pi} \left[ 0 - \frac{(-\pi)^3}{3} \right] = \frac{2}{3}\pi^2 $$

3. 余弦项系数 $a_n$ （$n \ge 1$）

同样利用偶函数性质展开，并采用连续两次分部积分法：

$$ a_n = \frac{2}{\pi} \int_{0}^{\pi} (x-\pi)^2 \cos(nx) dx $$

• 第一次分部积分：

$$ a_n = \frac{2}{\pi} \left[ (x-\pi)^2 \frac{\sin(nx)}{n} \right]_{0}^{\pi} - \frac{2}{\pi} \int_{0}^{\pi} 2(x-\pi) \frac{\sin(nx)}{n} dx $$

由于 $\sin(n\pi) = \sin(0) = 0$，第一项完全消失。化简剩：

$$ a_n = -\frac{4}{n\pi} \int_{0}^{\pi} (x-\pi) \sin(nx) dx $$

• 第二次分部积分：

$$ a_n = -\frac{4}{n\pi} \left[ (x-\pi) \frac{-\cos(nx)}{n} \right]_{0}^{\pi} + \frac{4}{n\pi} \int_{0}^{\pi} 1 \cdot \frac{-\cos(nx)}{n} dx $$

因为 $\int_{0}^{\pi} \cos(nx) dx = 0$（当 $n \ge 1$），最后一项积分项再次消失。我们只需要代入边界评估前一项：

$$ a_n = \frac{4}{n^2\pi} \left[ (x-\pi)\cos(nx) \right]_{0}^{\pi} = \frac{4}{n^2\pi} \left[ 0 - (-\pi)\cos(0) \right] = \frac{4}{n^2} $$

4. 级数形式合成

将系数代入标准傅里叶余弦级数公式（注意直流项需要除以 2）：

$$ f(x) \sim \frac{1}{3}\pi^2 + \sum_{n=1}^{+\infty} \frac{4}{n^2} \cos(nx) = S(x) $$

数学本质观察：对比前几节的方波系数（正比于 $\frac{1}{n}$），当前二次波形的系数正比于 $\frac{1}{n^2}$。在分析学中，这表明原函数越光滑（连续性越好），其高频谐波系数衰减得就越快。

三、 狄利克雷收敛验证与级数求和

由于该函数在其定义域内处处连续，根据狄利克雷定理，在任意点 $x$处都必定有$S(x) = f(x)$。

1. 回归巴塞尔问题（验证 $x=0$ 点）

我们在 $x = 0$处对级数进行求值。此时$f(0) = \pi^2$，且 $\cos(0) = 1$：

$$ \pi^2 = \frac{1}{3}\pi^2 + \sum_{n=1}^{+\infty} \frac{4}{n^2} \implies \frac{2}{3}\pi^2 = 4 \sum_{n=1}^{+\infty} \frac{1}{n^2} $$

两边同时除以 $4$，再次极其漂亮地导出了巴塞尔问题的经典答案：

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

2. 探索未知：求解四次平方倒数和 $\sum \frac{1}{n^4}$更高阶的动机：利用刚刚构造出的这个连续函数的傅里叶级数，我们该如何提取出带有$n^4$ 分母的数项级数呢？

这需要借助帕塞瓦尔恒等式（Parseval’s Identity）。该定理在线性代数中的本质就是“毕达哥拉斯定理（勾股定理）”在无穷维标准正交基函数空间中的延伸——向量的总能量（模长平方）等于其各个分量能量的总和。

根据内积空间中的帕塞瓦尔恒等式：

$$ \frac{1}{\pi} \int_{\alpha}^{\beta} |f(x)|^2 dx = \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} (a_n^2 + b_n^2) $$

(注：这里由于我们的内积定义带了 $\frac{1}{\pi}$ 前缀，故左侧形式对应匹配。)

我们将本题的系数 $a_0 = \frac{2}{3}\pi^2$，$a_n = \frac{4}{n^2}$ 统一代入：

• 左端项（总能量）：

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} |f(x)|^2 dx = \frac{2}{\pi} \int_{0}^{\pi} (x-\pi)^4 dx = \frac{2}{\pi} \left[ \frac{(x-\pi)^5}{5} \right]_{0}^{\pi} = \frac{2}{5}\pi^4 $$

• 右端项（分量平方和）：

$$ \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} a_n^2 = \frac{1}{2}\left(\frac{2}{3}\pi^2\right)^2 + \sum_{n=1}^{+\infty} \left(\frac{4}{n^2}\right)^2 = \frac{2}{9}\pi^4 + 16 \sum_{n=1}^{+\infty} \frac{1}{n^4} $$

令两端相等：

$$ \frac{2}{5}\pi^4 = \frac{2}{9}\pi^4 + 16 \sum_{n=1}^{+\infty} \frac{1}{n^4} $$

$$ \left(\frac{2}{5} - \frac{2}{9}\right)\pi^4 = 16 \sum_{n=1}^{+\infty} \frac{1}{n^4} \implies \frac{8}{45}\pi^4 = 16 \sum_{n=1}^{+\infty} \frac{1}{n^4} $$

两边同时除以 16，我们最终一锤定音地解出了四次幂级数的和：

$$ \sum_{n=1}^{+\infty} \frac{1}{n^4} = \frac{\pi^4}{90} $$

从代数逼近的局限，到内积空间的几何化，再到算子方程的求解，最后到帕塞瓦尔能量守恒破解数论级数——至此，傅里叶级数在解析与几何上的宏伟全貌已全部闭环。

从标准周期到任意周期的坐标伸缩

在经典的傅里叶级数中，我们通常习惯于在区间 $[-\pi, \pi]$上讨论周期为$2\pi$的函数。然而，现实中的物理信号或波动方程往往定义在任意长度的区间$[-L, L]$上，其周期为$2L$。我们的首要动机，就是通过一种平移和伸缩的变量代换，将未知的任意周期问题转化为已知的标准 $2\pi$ 周期问题。

设函数 $f(x)$定义在$[-L, L]$上，其周期为$2L$。为了将其映射到以 $t$为自变量的$[-\pi, \pi]$ 空间，我们需要构造一个线性映射。

由于当 $x = L$时，我们需要$t = \pi$，因此两者的比例关系应当满足：

$$ \frac{t}{x} = \frac{\pi}{L} $$

由此我们引入频率参数 $\omega = \frac{\pi}{L}$。于是，坐标变换关系可以优雅地写为：

$$ t = \omega x, \quad x = \frac{t}{\omega} $$

通过这个桥梁，我们构造一个辅助函数 $g(t)$，使得它在 $t \in [-\pi, \pi]$上的表现完全复刻$f(x)$在$x \in [-L, L]$ 上的行为：

$$ g(t) = f\left(\frac{t}{\omega}\right) = f\left(\frac{L}{\pi}t\right) $$

由于 $f(x)$的周期是$2L$，容易验证 $g(t)$的周期恰好是$2\pi$。现在，我们可以直接写出 $g(t)$ 在标准区间上的傅里叶级数展开：

$$ g(t) \sim \frac{a_0}{2} + \sum_{n=1}^{+\infty} \left( a_n \cos(nt) + b_n \sin(nt) \right) $$

这只是我们在标准空间里的工具。为了回归现实，我们需要将 $t = \omega x$ 逆向代回上式。通过这个回代过程，我们便完成了从标准周期到任意周期傅里叶级数的严格推导：

$$ f(x) \sim \frac{a_0}{2} + \sum_{n=1}^{+\infty} \left( a_n \cos(n\omega x) + b_n \sin(n\omega x) \right) $$

其中，$\omega = \frac{\pi}{L}$。这表明，任意周期的函数依然可以分解为一组相互正交的三角函数基 ${\cos(n\omega x), \sin(n\omega x)}$ 的线性组合。

对称性的馈赠：奇偶函数的系数简化

当我们得到任意周期的展开式后，下一个动机是如何利用函数自身的几何对称性来减少积分计算的冗余。积分在几何上代表面积。如果三角函数基与函数本身具有某种奇偶对称性的契合，积分的基底就会发生有趣的坍塌。

1. 奇函数（本质奇）

当 $f(x)$是一个奇函数时，它关于原点中心对称，满足$f(-x) = -f(x)$。

由于余弦函数 $\cos(n\omega x)$是偶函数，奇函数与偶函数的乘积依然是奇函数。在对称区间$[-L, L]$ 上，奇函数的积分必然为零。因此，所有的余弦系数全部消亡：

$$ a_n = 0 \quad (\forall n \ge 0) $$

而正弦函数 $\sin(n\omega x)$也是奇函数，两个奇函数相乘变成了偶函数。偶函数在对称区间上的积分等于正区间上积分的两倍。因此，正弦系数$b_n$ 的计算可以从整个区间简化为半区间：

$$ b_n = \frac{1}{L} \int_{-L}^{L} f(x) \sin(n\omega x) \, dx = \frac{2}{L} \int_{0}^{L} f(x) \sin(n\omega x) \, dx $$

2. 偶函数（本质偶）

同理，当 $f(x)$是一个偶函数时，它关于$y$轴轴对称，满足$f(-x) = f(x)$。

此时，偶函数与奇函数 $\sin(n\omega x)$ 的乘积变成奇函数，在对称区间上的积分归零。这意味着所有的正弦系数荡然无存：

$$ b_n = 0 \quad (\forall n \ge 1) $$

而余弦部分因为是两个偶函数相乘，依然保持偶性，积分同样可以减半：

$$ a_n = \frac{2}{L} \int_{0}^{L} f(x) \cos(n\omega x) \, dx $$

定义域的平移与周期拓延

在讨论了对称区间 $[-L, L]$ 之后，我们常常还会遇到另一种常见的定义域形式：$[0, 2L]$。虽然区间变了，但其本质跨度（周期）依然是 $2L$。这里的动机在于证明：由于三角函数和周期函数的循环特性，只要积分区间的长度等于一个完整的周期，积分的具体起点并不会影响傅里叶系数的最终结果。

对于定义在 $x \in [0, 2L]$上的函数$f(x) \to \mathbb{R}$，其傅里叶级数的形式在结构上与前文完全一致：

$$ f(x) \sim \frac{a_0}{2} + \sum_{n=1}^{+\infty} \left( a_n \cos(n\omega x) + b_n \sin(n\omega x) \right) $$

唯一的区别在于傅里叶系数的积分区间。当我们直接在函数的定义域上提取系数时，积分区间为 $[0, 2L]$：

$$ a_n = \frac{1}{L} \int_{0}^{2L} f(x) \cos(n\omega x) \, dx $$

为了直观理解这一点，我们可以引入一个无缝拼接的几何视角：

从几何图形的拓延来看，将函数在 $[-\pi, \pi]$上的图象向右平移，或者直接研究它在$[0, 2\pi]$ 上的表现，它们所围成的面积在总量上是完全守恒的。因此，我们在线性空间里可以得到一个重要的等价恒等式：

$$ a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(t) \cos(nt) \, dt = \frac{1}{\pi} \int_{0}^{2\pi} f(t) \cos(nt) \, dt $$

这种区间的等价性赋予了傅里叶分析极大的自由度。无论是选择关于原点对称的区间来利用奇偶性简化计算，还是选择从零开始的区间来顺应信号的物理时间轴，其数学本质在傅里叶变换的框架下都是完全融通的。

任意周期系数的严格换元推导

在将周期为 $2L$的函数$f(x)$映射到标准周期$2\pi$的辅助函数$g(t)$后，我们通过已知的标准傅里叶系数公式，对任意周期的系数$a_n$ 进行严格的换元积分推导。

设变换关系为 $t = \omega x = \frac{\pi}{L}x$，则微分关系为 $dt = \frac{\pi}{L}dx$。

标准级数的系数定义在 $t \in [-\pi, \pi]$ 上：

$$ a_n = \frac{1}{\pi} \int_{-\pi}^{\pi} g(t) \cos(nt) \, dt $$

我们的动机是将积分变量由物理意义抽象的 $t$空间还原回原始的$x$空间。代入$g(t) = f\left(\frac{L}{\pi}t\right) = f(x)$以及$dt$的微分关系，积分区间从$[-\pi, \pi]$相应地变换为$x \in [-L, L]$：

$$ a_n = \frac{1}{\pi} \int_{-L}^{L} f(x) \cos\left(n \frac{\pi}{L} x\right) \cdot \frac{\pi}{L} \, dx $$

消去常数项 $\pi$，我们便严格得到了任意周期下的系数提取公式：

$$ a_n = \frac{1}{L} \int_{-L}^{L} f(x) \cos(n\omega x) \, dx $$

同理，对于定义在正向半周期平移区间 $[0, 2L]$上的函数，积分范围对称地平移为$[0, 2L]$。其背后的数学本质在于：在一个完整周期长度内，基向量与函数的内积（即积分值）对区间的起点具有平移不变性。

典型案例分析：绝对值正弦波的谱分解

为了具体化对称性的应用，我们引入一个具有极高工程价值的经典案例：全波整流波形（绝对值正弦波）。

设函数 $f(x) = |\sin(\omega x)|$，其中 $\omega = \frac{\pi}{L}$，定义在 $x \in [-L, L]$。

1. 奇偶性预判（动机：消除冗余计算）

由于 $f(-x) = |\sin(-\omega x)| = |-\sin(\omega x)| = |\sin(\omega x)| = f(x)$，该函数是一个标准的偶函数。

几何上，图形关于 $y$轴完全对称。因此，它与任何奇函数基$\sin(n\omega x)$ 的内积在对称区间上必然相互抵消：

$$ b_n = 0 \quad (\forall n \ge 1) $$

这意味着其展开式中将只包含直流分量与余弦谐波。

2. 利用对称性减半区间

由于函数和余弦基皆为偶函数，其乘积在 $[-L, L]$ 上的积分可以简化为正半区间的两倍：

$$ a_n = \frac{2}{L} \int_{0}^{L} |\sin(\omega x)| \cos(n\omega x) \, dx $$

在区间 $x \in [0, L]$ 上，$\omega x \in [0, \pi]$，此时 $\sin(\omega x) \ge 0$，因此绝对值符号可以直接去掉。积分式转化为：

$$ a_n = \frac{2}{L} \int_{0}^{L} \sin\left(\frac{\pi}{L}x\right) \cos\left(n\frac{\pi}{L}x\right) \, dx $$

通过积化和差公式，我们可以将两个正交基的乘积转化为单一频率的余弦组合，进而轻松求出各项系数。这表明，看似复杂的非线性绝对值波形，通过奇偶性简化后，计算难度会大幅度降低。

半区间展开：边界拓延的选择艺术

在实际应用（如热传导方程、波动方程的边界值问题）中，函数 $f(x)$往往最初只定义在半区间$[0, L]$ 上。由于该区间不具备周期性，我们无法直接对其进行傅里叶分解。

我们的核心动机在于：人为地将定义在 $[0, L]$上的函数拓延到$[-L, L]$ 上，使其获得周期性与对称性。拓延的方式不同，会导致函数在边界外的行为发生剧变，从而产生截然不同的级数表达。

针对定义在 $[0, L]$上的$f(x) \to \mathbb{R}$，存在以下三种主流的拓延策略：

1. 直接周期拓延 (以 L 为周期)  -> 包含正余弦，边界可能不连续
2. 奇拓延 (以 2L 为周期)     -> 仅含正弦项 (正弦级数)，边界强行归零
3. 偶拓延 (以 2L 为周期)     -> 仅含余弦项 (余弦级数)，边界平滑过渡

策略一：以 $L$ 为周期的直接延拓

最直观的想法是将 $[0, L]$ 直接作为最小正周期进行复制。

此时函数的物理周期变为 $L$（相当于前文公式中的 $2L’ = L \implies L’ = \frac{L}{2}$），基频率提升为 $\omega = \frac{2\pi}{L}$。

其级数展现为同时含有正余弦的完全体：

$$ f(x) \sim \frac{a_0}{2} + \sum_{n=1}^{+\infty} \left( a_n \cos\left(\frac{2n\pi}{L}x\right) + b_n \sin\left(\frac{2n\pi}{L}x\right) \right) $$

• 动机缺陷： 如果 $f(0) \neq f(L)$，这种强行拓延会导致在边界点 $x = L, 2L, \dots$ 处出现第一类跳跃间断点，从而在级数收敛时引发吉布斯现象（Gibbs phenomenon）。

策略二：奇延拓（构造正弦级数）

为了消除余弦项，或者为了满足边界上 $f(0)=f(L)=0$的物理约束，我们可以构造一个奇函数$F^o(x)$：

$$ F^o(x) = \begin{cases} f(x), & x \in (0, L) \\ 0, & x = 0, L \\ -f(-x), & x \in (-L, 0) \end{cases} $$

随后，再将 $F^o(x)$以$2L$为周期进行全轴拓延。由于$F^o(x)$ 是严格的奇函数，所有的余弦系数自然坍塌：

$$ a_n^o = 0 $$

系数完全由正弦项继承：

$$ b_n^o = \frac{2}{L} \int_{0}^{L} f(x) \sin\left(\frac{n\pi}{L}x\right) \, dx $$

此时，函数被完全展开为纯正弦级数：$f(x) \sim \sum_{n=1}^{+\infty} b_n^o \sin\left(\frac{n\pi}{L}x\right)$。

策略三：偶延拓（构造余弦级数）

如果物理边界条件要求导数为零（如绝热边界），或者为了在边界处获得更好的平滑度，我们可以构造一个偶函数 $F^e(x)$：

$$ F^e(x) = \begin{cases} f(x), & x \in [0, L] \\ f(-x), & x \in [-L, 0) \end{cases} $$

将其以 $2L$ 为周期进行全轴拓延。基于偶函数的性质，所有的正弦系数被洗脱：

$$ b_n^e = 0 $$

余弦系数在半区间上加倍提取：

$$ a_n^e = \frac{2}{L} \int_{0}^{L} f(x) \cos\left(\frac{n\pi}{L}x\right) \, dx $$

由此，函数在区间 $[0, L]$ 上被等价地表达为纯余弦级数：

$$ f(x) \sim \frac{a_0^e}{2} + \sum_{n=1}^{+\infty} a_n^e \cos\left(\frac{n\pi}{L}x\right) $$

总结与收敛性洞察：

虽然这三种拓延方法在原始区间 $x \in [0, L]$ 上的数学取值完全等价，但由于它们在区间外部构造的几何形态各异，它们在边界点处的收敛速度和连续性有着本质不同。这种边界拓延的自由度，正是傅里叶分析解决边界值问题时最核心的威力所在。

函数空间的代数视角：半区间拓延的基底坍塌

当我们把定义在 $[0, L]$上的函数$f(x)$ 分别通过三种不同的拓延方式（直接周期、奇、偶拓延）推向全轴时，在代数上，这本质上对应着将同一个函数投射到三个不同的希尔伯特空间（Hilbert Space）子空间中。

下面我们站在线性代数的视角，将这三种拓延策略所对应的正交基进行系统的梳理：

一、 三种拓延对应的函数空间基底

1. 策略一：直接周期拓延空间 $V_L$当我们把$[0, L]$视为一个独立的完整周期进行拓延时，所产生的函数空间我们记为$V_L$。在这个空间中，谐波的基频率变成了 $\frac{2\pi}{L}$。

其对应的标准正交基底为：

$$ \left\{ 1, \, \cos\left(\frac{2\pi}{L}x\right), \, \sin\left(\frac{2\pi}{L}x\right), \, \dots, \, \cos\left(n\frac{2\pi}{L}x\right), \, \sin\left(n\frac{2\pi}{L}x\right), \, \dots \right\} $$

2. 策略二：奇拓延空间 $V_1$（纯正弦空间）

若我们将函数进行奇拓延，函数在 $[-L, L]$上的物理周期变为$2L$。由于奇对称性，所有的余弦项被清洗，空间被坍塌为纯正弦子空间，记为 $V_1$。

容易发现，这个空间是 $2L$周期总空间$V_{2L}$ 的一个子空间（$V_1 \subset V_{2L}$）。其对应的基底为：

$$ \left\{ \sin\left(\frac{\pi}{L}x\right), \, \sin\left(2\frac{\pi}{L}x\right), \, \dots, \, \sin\left(n\frac{\pi}{L}x\right), \, \dots \right\} $$

从集合势的角度来看，虽然它们都是无穷维空间，但其基底的“大小”（维度）在代数意义上满足 $\dim(V_1) = |\mathbb{N}|$。

3. 策略三：偶拓延空间 $V_2$（纯余弦空间）

同理，偶拓延对应的空间是纯余弦子空间，记为 $V_2$。它同样包含于 $2L$ 周期的总空间（$V_2 \subset V_{2L}$）。

其对应的基底为：

$$ \left\{ 1, \, \cos\left(\frac{\pi}{L}x\right), \, \cos\left(2\frac{\pi}{L}x\right), \, \dots, \, \cos\left(n\frac{\pi}{L}x\right), \, \dots \right\} $$

同样地，其空间维度为 $\dim(V_2) = \dim(V_1) = |\mathbb{N}|$。

二、 正弦谐波空间的深层正交直和分解

为了进一步解构纯正弦空间 $V_1$，我们可以根据谐波频率的奇偶性，将正弦基底再次做代数上的切分。这种解构的动机在于研究更精细的波动对称性（例如不仅关于原点奇对称，还关于半周期点对称）。

我们将 $V_1$ 拆分为两个更小的子空间：

• 偶次谐波正弦空间 $V_{1, e}$：由所有偶数倍频的正弦基向量张成。

$$ V_{1, e} = \text{span}\left\{ \sin\left(2n\frac{\pi}{L}x\right) \right\}_{n=1}^{\infty} $$

• 奇次谐波正弦空间 $V_{1, o}$：由所有奇数倍频的正弦基向量张成。

$$ V_{1, o} = \text{span}\left\{ \sin\left((2m+1)\frac{\pi}{L}x\right) \right\}_{m=0}^{\infty} $$

因为不同频率的正弦波在区间上是严格正交的，所以这两个子空间的交集仅含零元素（$V_{1, e} \cap V_{1, o} = {0}$）。于是，整个纯正弦空间可以完美地表示为这两个子空间的正交直和：

$$ V_1 = V_{1, e} \oplus V_{1, o} $$

三、 空间基底的代数变换与耦合关系

在线性代数中，当一个向量在不同的基底下表示时，我们可以通过过渡矩阵来进行坐标变换。板书右下角展示的正是不同谐波子空间之间的耦合与变换动机。

如果我们希望将某一类子空间 $\begin{pmatrix} V_1 \ V_2 \end{pmatrix}$ 中的元素，投影或变换到另一组由特定奇偶谐波混合构成的空间中，可以通过三角函数的积化和差以及正交投影矩阵来建立联系。例如，考虑奇次正弦波与最基础的单倍频余弦/正弦项相乘时的耦合：

$$ \sin\left(2n\frac{\pi}{L}x\right)\cos\left(\frac{\pi}{L}x\right), \quad \sin\left(2n\frac{\pi}{L}x\right)\sin\left(\frac{\pi}{L}x\right) $$

利用三角恒等式展开：

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

这个代数事实表明：一个偶次谐波正弦空间中的基向量，在受到一个基本余弦扰动（调制）后，其频谱会完全线性组合转化为奇次谐波正弦空间 $V_{1, o}$ 中的基向量。

这种子空间之间的转换关系，不仅在线性空间理论中非常优美，在现代信号处理的“调制解调”以及量子力学算符的正确选择中，更是构成了其最核心的代数骨架。

最佳逼近的动机：数据、物理与模型的博弈

在面对来自物理世界的真实数据（Data）时，我们通常希望建立一个数学模型（Model）来描述它。此时会面临一个核心矛盾：模型的复杂性（Complexity）与预测能力（Prediction）的权衡。

• 过拟合（Overfitting）：如果我们一味追求模型在已知数据点上的完美拟合，使用极其复杂的超高维函数（如高次多项式或过多项的三角级数），模型会去追踪数据中的噪声，导致其剧烈震荡。虽然在已知点上的误差为 $0$，但脱离这些点后的预测能力会彻底崩溃。

• 奥卡姆剃刀原理：我们希望模型在保持“相对简单（Simple Model）”的同时，尽可能逼近真实数据。

为了量化这种“逼近”，我们引入内积空间中的距离概念。若真实函数为 $f$，逼近模型为 $T_N$，我们的目标是最小化它们之间的均方误差：

$$ \min \int ( \text{Data} - \text{Model} )^2 \, dx = \min \| f - T_N \|^2 $$

在线性空间中，寻找这个最小误差模型的本质，就是做正交投影。

正交投影定理与傅里叶最佳逼近

1. 子空间的构建

设 $f(x)$为我们想要逼近的平方可积函数。我们引入一个由前$N$阶三角函数生成的有限维子空间$V_N$：

$$ V_N = \text{span} \{ 1, \cos(x), \sin(x), \dots, \cos(Nx), \sin(Nx) \} $$

显然，该空间的维数为 $\dim(V_N) = 2N + 1$。在该子空间中，任意一个元素（即三角多项式）都可以写成：

$$ T_N(x) = \frac{a_0}{2} + \sum_{n=1}^N (a_n \cos(nx) + b_n \sin(nx)) $$

2. 引理：正交投影的几何本质

要让 $T_N \in V_N$成为$f$在该子空间上的最佳逼近，几何直觉告诉我们：从向量$f$指向子空间$V_N$的误差向量$f - T_N$ 必须垂直于该子空间。

引理（正交垂直关系）

设 $T_N$是$f$在$V_N$中的最佳逼近，则对任意的$g \in V_N$，都有误差向量与子空间正交：

$$ \langle f - T_N, g \rangle = 0 \quad (\text{即 } f - T_N \perp V_N) $$

此时，$T_N$称为$f$在子空间$V_N$上的正交投影，记作$T_N = P_{V_N} f$。

3. 定理的严密验证

我们通过计算内积来验证傅里叶系数是否天然满足这一正交性。两组基向量的验证是对称的，此处以基向量 $\cos(nx)$（其中$n=0,1,\dots,N$）为例：

利用内积的线性性质，将误差项拆开：

$$ \langle f - T_N, \cos(nx) \rangle = \langle f, \cos(nx) \rangle - \langle T_N, \cos(nx) \rangle $$

由于三角函数系具有标准正交性（此处略去规范化常数 $\pi$的干扰，重点看系数耦合），将$T_N$的展开式代入后，除了相同频率的项外，其余项的内积均为$0$：

$$ \langle T_N, \cos(nx) \rangle = \left\langle \dots + a_n\cos(nx) + \dots, \cos(nx) \right\rangle = a_n \cdot \pi $$

而在傅里叶系数的定义中，原本就有 $a_n = \frac{1}{\pi} \langle f, \cos(nx) \rangle$。因此：

$$ \langle f - T_N, \cos(nx) \rangle = a_n \cdot \pi - a_n \cdot \pi = 0 $$

结论：傅里叶级数的前 $N$项截断项$T_N$，恰好就是 $f$在有限维子空间$V_N$ 上的正交投影。这就从几何上保证了傅里叶有限项截断是在均方误差意义下的最佳逼近。

核心定理：均方误差意义下的最佳逼近与唯一性

设 $f$为定义在$[-\pi, \pi]$上的平方可积函数（即$f \in L^2[-\pi, \pi]$），其 $L^2$模长定义为$|g|{L^2}^2 = \langle g, g \rangle = \int{-\pi}^\pi |g(x)|^2 dx$。

设 $V_N$是由前$N$阶三角函数生成的$(2N+1)$ 维子空间，$T_N \in V_N$为$f$的傅里叶级数前$N$ 项截断。

最佳逼近定理

1. 存在性（最佳逼近）：对于任意的子空间元素 $g \in V_N$，傅里叶截断 $T_N$ 能够最大程度地减小均方误差：

$$ \|f - T_N\|_{L^2}^2 = \min_{g \in V_N} \|f - g\|_{L^2}^2 $$

2. 唯一性：如果子空间中存在某个元素 $g \in V_N$实现了相同的最小误差，即$|f - T_N|{L^2} = |f - g|{L^2}$，则该元素必然与傅里叶截断恒等：

$$ \Longrightarrow T_N = g \quad (\text{在 } V \text{ 中}) $$

核心推导：正交分解与误差恒等式

1. 巧妙引入中间项（构造动机）

为了比较任意逼近函数 $g$与最佳逼近项$T_N$的优劣，我们需要计算任意误差$|f - g|_{L^2}^2$。直接计算无法显现出 $T_N$的特殊地位，因此我们在内积内部巧妙地插入$T_N$ 作为桥梁：

$$ \|f - g\|_{L^2}^2 = \langle f - g, f - g \rangle = \langle (f - T_N) + (T_N - g), (f - T_N) + (T_N - g) \rangle $$

2. 利用内积的双线性展开

根据内积的分配律，将上式完全展开为四项，并合并同类项：

$$ \|f - g\|_{L^2}^2 = \langle f - T_N, f - T_N \rangle + \langle T_N - g, T_N - g \rangle + 2\langle f - T_N, T_N - g \rangle $$

利用模长的定义，前两项可以写为模长的平方：

$$ \|f - g\|_{L^2}^2 = \|f - T_N\|_{L^2}^2 + \|T_N - g\|_{L^2}^2 + 2\langle f - T_N, T_N - g \rangle $$

3. 交叉项的消除（几何投影的代数体现）

现在审视交叉项 $2\langle f - T_N, T_N - g \rangle$。

• 依据前文的正交投影引理，误差向量 $f - T_N$垂直于整个子空间$V_N$。

• 因为 $T_N \in V_N$且$g \in V_N$，根据子空间对减法的封闭性，它们的差向量也必然属于该子空间：$(T_N - g) \in V_N$。

因此，根据正交性，该内积严格为 $0$：

$$ \langle f - T_N, \underline{T_N - g}_{\in V_N} \rangle = 0 $$

交叉项被成功“划掉”后，我们得到了极其优美的误差恒等式：

$$ \|f - g\|_{L^2}^2 = \|f - T_N\|_{L^2}^2 + \|T_N - g\|_{L^2}^2 $$

定理的逻辑闭环证明

有了上述恒等式，定理的两个部分便不证自明：

1. 最佳逼近的证明：

   因为模长的平方具有非负性，即 $|T_N - g|_{L^2}^2 \ge 0$，所以从恒等式中移去该项后必然满足不等式：

$$ \|f - g\|_{L^2}^2 \ge \|f - T_N\|_{L^2}^2 $$

这表明任意非傅里叶截断的函数 $g$带来的误差，都大于或等于$T_N$带来的误差。即$T_N$ 实现了误差的最小值。

2. 唯一性的证明：

   若存在一个 $g$使得等号成立，即$|f - g|{L^2}^2 = |f - T_N|{L^2}^2$，代入恒等式中：

$$ \|f - T_N\|_{L^2}^2 = \|f - T_N\|_{L^2}^2 + \|T_N - g\|_{L^2}^2 \Longrightarrow \|T_N - g\|_{L^2}^2 = 0 $$

根据模长的正定性（只有零向量的模长才为 $0$），这意味着：

$$ T_N - g = 0 \Longrightarrow T_N = g $$

最终结论：在线性空间 $V_N$中，傅里叶级数截断项$T_N$是唯一能够将均方误差降至最低的最佳逼近函数。任何其他尝试（改变系数或组合）都必然会引入一个额外的正误差项$|T_N - g|_{L^2}^2$，导致逼近效果变差。

核心定理：贝塞尔不等式（Bessel’s Inequality）

在平方可积函数空间 $L^2[-\pi, \pi]$中，设$f(x)$对应的傅里叶级数前$N$项截断项为$T_N(x)$。贝塞尔不等式的宏观几何形式极其简洁，它表明子空间投影的能量（模长平方）永远不会超过原函数的总能量：

$$ \|T_N\|_{L^2}^2 \le \|f\|_{L^2}^2, \quad \forall N $$

详细代数推导过程

1. 展开式的内积表示

根据 $L^2$空间中标准规范内积的定义，我们将上述宏观不等式的左右两侧写成定义域$[-\pi, \pi]$ 上的积分形式。

• 右侧原函数的总能量为：

$$ \|f\|_{L^2}^2 = \frac{1}{\pi} \int_{-\pi}^\pi f(x)^2 \, dx $$

• 左侧截断项 $T_N(x)$ 的能量为：

$$ \|T_N\|_{L^2}^2 = \frac{1}{\pi} \int_{-\pi}^\pi (T_N(x))^2 \, dx $$

2. 代入傅里叶截断多项式

将 $T_N(x) = \frac{a_0}{2} + \sum_{n=1}^N (a_n \cos(nx) + b_n \sin(nx))$ 代入左侧积分中：

$$ \|T_N\|_{L^2}^2 = \frac{1}{\pi} \int_{-\pi}^\pi \left( \frac{a_0}{2} + \sum_{n=1}^N \left(a_n \cos(nx) + b_n \sin(nx)\right) \right)^2 \, dx $$

3. 利用三角函数系的正交性化简

当我们将上述级数的平方完全展开时，会产生大量的交叉项（如 $\cos(nx)\sin(mx)$，$\cos(nx)\cos(mx)$其中$n \neq m$）。由于三角函数系在 $[-\pi, \pi]$上具有标准正交性，所有不同频率的交叉项积分结果全部严格为$0$。

最终，积分式中仅留下各项自身的平方项，即：

• 常数项：$\frac{1}{\pi} \int_{-\pi}^\pi \left(\frac{a_0}{2}\right)^2 , dx = \frac{1}{\pi} \cdot \frac{a_0^2}{4} \cdot 2\pi = \frac{a_0^2}{2}$

• 余弦项：$\frac{1}{\pi} \int_{-\pi}^\pi a_n^2 \cos^2(nx) , dx = a_n^2$

• 正弦项：$\frac{1}{\pi} \int_{-\pi}^\pi b_n^2 \sin^2(nx) , dx = b_n^2$

将这些非零积分项求和，我们得到了截断项能量的离散代数精确表达式：

$$ \|T_N\|_{L^2}^2 = \frac{a_0^2}{2} + \sum_{n=1}^N (a_n^2 + b_n^2) $$

4. 导出 Bessel 不等式

由于几何上已知 $|T_N|{L^2}^2 \le |f|{L^2}^2$，我们将化简后的代数结果直接代入，即导出了 Bessel 不等式的经典代数形式：

$$ \frac{a_0^2}{2} + \sum_{n=1}^N (a_n^2 + b_n^2) \le \frac{1}{\pi} \int_{-\pi}^\pi f(x)^2 \, dx $$

核心推论：傅里叶级数的收敛性

推论（级数收敛性）

若 $f \in L^2[-\pi, \pi]$（即 $f$的平方积分有限），当截断项数$N \to \infty$ 时，其傅里叶系数构成的无穷级数必然收敛：

$$ \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} (a_n^2 + b_n^2) < +\infty $$

动机与逻辑支撑：

因为对于任意有限的 $N$，正项级数的部分和 $\frac{a_0^2}{2} + \sum_{n=1}^N (a_n^2 + b_n^2)$都被一个与$N$无关的常数（即原函数的积分$|f|_{L^2}^2$）牢牢压住（单调有界），根据数学分析中的单调有界原理，该正项级数在 $N \to \infty$ 时必然收敛。

这从根本上保证了，只要原函数能量有限，其拆解出的各阶谐波分量的能量总和就绝不会发散。

向极限制过渡：帕塞瓦尔等式（Parseval’s Identity）

在宏观极限下，我们进一步审视级数的能量分布：

当 $N \to \infty$时，如果三角函数基底在空间中满足完备性（即空间中没有任何非零向量能够同时垂直于所有的基向量，逼近误差$|f - T_N|_{L^2} \to 0$），那么上述 Bessel 不等式中的“小于等于号”将严格蜕变为“等号”：

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

帕塞瓦尔定理

若三角函数基底具有完备性，则对任意平方可积函数 $f \in V$，其误差向量的模长在无穷维极限下必然收敛于 $0$：

$$ \lim_{N \to \infty} \|f - S_N\|_{L^2}^2 = 0, \quad \forall f \in V $$

此时等号严格成立，能量完全守恒：

$$ \|S\|_{L^2}^2 = \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} (a_n^2 + b_n^2) = \frac{1}{\pi} \int_{-\pi}^\pi f(x)^2 \, dx $$

1. 核心动机与几何起点

在线性空间中，根据正交投影的代数恒等式，对于任意项数 $N$，函数 $f$ 的总能量（模长平方）都可以严格分解为“投影项能量”与“残差项能量”之和（即高维勾股定理）：

$$ \|f\|_{L^2}^2 = \|T_N\|_{L^2}^2 + \|f - T_N\|_{L^2}^2 $$

将具体的代数形式代入，上式等价于：

$$ \frac{1}{\pi} \int_{-\pi}^\pi f(x)^2 \, dx = \left( \frac{a_0^2}{2} + \sum_{n=1}^N (a_n^2 + b_n^2) \right) + \|f - T_N\|_{L^2}^2 $$

2. 极限逼近与完备性假设（极限制的跨越）

现在，我们让截断的项数趋于无穷大，即 $N \to \infty$。

此时需要引入希尔伯特空间中三角函数系的完备性（Completeness）（或称逼近中的均方收敛性）。对于任何平方可积的函数 $f \in L^2[-\pi, \pi]$，随着谐波成分逐渐增加，残差项（即近似误差）在 $L^2$模长意义下必然趋于$0$：

$$ \lim_{N \to \infty} \|f - T_N\|_{L^2}^2 = 0 $$

这一性质的直观几何意义是：当基底的维度增长到无穷大时，子空间 $V_N$最终“铺满”了整个函数空间，使得原向量$f$与其在子空间上的投影之间的距离缩水为$0$。

3. 极限消除残差项

我们在能量分解恒等式的两边同时取 $N \to \infty$ 的极限：

$$ \frac{1}{\pi} \int_{-\pi}^\pi f(x)^2 \, dx = \lim_{N \to \infty} \left( \frac{a_0^2}{2} + \sum_{n=1}^N (a_n^2 + b_n^2) \right) + \lim_{N \to \infty} \|f - T_N\|_{L^2}^2 $$

由于右侧最后的残差极限为 $0$，该项被彻底消除。而中间的有限项求和则自然蜕变为无穷级数：

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

这就是帕塞瓦尔等式。

结论的物理重构

• Bessel 不等式 揭示了部分信号的能量截断性质：你用有限个频率成分去拟合信号，得到的能量总和只能无限逼近、但绝不会超过原信号的总能量。

• Parseval 等式 则是全频域能量守恒定律：当把所有从 $1$到$+\infty$ 频率的谐波能量全部累加起来时，频域的总能量（左侧）与时域的总能量（右侧）严格相等，没有任何能量在空间转换中丢失。

本篇笔记聚焦于帕塞瓦尔（Parseval）等式的完备性条件证明，并通过一个经典的方波函数（Square Wave）进行具体计算。最后，我们将见证纯粹的时域能量积分如何转化为频域的无穷级数，从而出人意料地导出一个著名的数论级数求和结果。

经典案例推导：方波函数的傅里叶级数与能量积分

1. 建立问题与动机

为了验证 Parseval 等式在实际计算中的威力，我们引入一个具有代表性的不连续周期函数——标准方波函数 $f(x)$。我们不仅要计算它的频域系数，还要通过时频两端的能量等价性，去求解一个高难度的数学分析级数和。

设 $f(x)$定义在$[-\pi, \pi]$ 上，具体分段形式为：

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

2. 傅里叶系数的代数计算

由于 $f(x)$ 是一个严格的奇函数（关于原点对称），根据积分的对称性，其所有余弦分量的投影分量必然全部消失：

$$ a_n = 0, \quad \forall n \ge 0 $$

接下来计算正弦分量 $b_n$ 的投影值：

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

分析 $1 - (-1)^n$ 的奇偶耦合特性：

• 当 $n$ 为偶数（$n=2k$）时，$b_{2k} = 0$。

• 当 $n$ 为奇数（$n=2k+1$）时，$b_{2k+1} = \frac{4}{(2k+1)\pi}$。

3. 时域总能量的积分

我们在时域端直接对 $f(x)^2$ 进行定积分，以获取该信号的总能量常数：

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

运用 Parseval 等式进行级数求和的飞跃

步骤动机

傅里叶系数 $b_n$的模长平方和代表了频域的总能量。根据帕塞瓦尔定理，频域总能量必须与时域总能量严格相等（即等于$2$）。通过建立这个等式，我们可以将复杂的三角级数能量，转化为一个纯粹的数论级数。

详细推导

将 $a_n = 0$和$b_n$ 代入 Parseval 等式的左侧（频域级数部分）：

$$ \sum_{n=1}^{+\infty} b_n^2 = \sum_{n=1}^{+\infty} \left[ \frac{2}{n\pi} (1 - (-1)^n) \right]^2 = \sum_{n=1}^{+\infty} \frac{4}{n^2\pi^2} (1 - (-1)^n)^2 $$

由于只有奇数项（$n = 2k+1$）保留非零值，此时 $(1 - (-1)^n)^2 = 2^2 = 4$。我们将求和指标替换为奇数项指标 $k$（从 $0$到$+\infty$）：

$$ \sum_{n=1}^{+\infty} b_n^2 = \sum_{k=0}^{+\infty} \frac{4}{(2k+1)^2\pi^2} \cdot 4 = \sum_{k=0}^{+\infty} \frac{16}{\pi^2 \cdot (2k+1)^2} $$

让频域总能量等于时域总能量 $2$：

$$ \sum_{k=0}^{+\infty} \frac{16}{\pi^2 \cdot (2k+1)^2} = 2 $$

两边同时乘以 $\frac{\pi^2}{16}$，移项孤立出未知的无穷级数：

$$ \sum_{k=0}^{+\infty} \frac{1}{(2k+1)^2} = 2 \cdot \frac{\pi^2}{16} = \frac{\pi^2}{8} $$

终极结论与数学之美

通过帕塞瓦尔等式的桥梁，我们成功证明了所有奇数倒数的平方和：

$$ 1 + \frac{1}{9} + \frac{1}{25} + \frac{1}{49} + \dots = \sum_{k=0}^{+\infty} \frac{1}{(2k+1)^2} = \frac{\pi^2}{8} $$

批判性评估

• 优势（置信度评级：极高）：方波函数虽然在 $x=0, \pm\pi$处具有不连续的跳跃点（会引发局部频域震荡的吉布斯现象），但它在$L^2$ 空间中是严格平方可积的。Parseval 等式从宏观积分能量的角度完美避开了局部不连续点的数学诘难，无需复杂的极限证明便直接锁定了级数的精确和。

• 物理意义重构：该推导展现了希尔伯特空间的几何威力——原本时域中一个简单的方波信号，其能量在频域被拆解为了无限多个奇数倍频高谐波的能量叠加。两者的守恒关系不仅论证了完备性，还意外成为解决数论级数求和（巴塞尔问题变体）的强力代数工具。

奇函数的傅里叶展开与巴塞尔问题

面对形如 $\sum_{n=1}^{+\infty} \frac{1}{n^2}$的倒数平方和，直接在数论或离散代数里硬凑通常举步维艰。我们需要一个“桥梁”，将离散的整数$n$变成某种解析结构中的频率。傅里叶展开正是绝佳的选择，因为其基函数的系数在积分后往往会自然产生$1/n$或$1/n^2$ 的结构。

为了让级数中只出现正弦项（便于利用积分产生偶次方分母），我们首先构建一个周期为 $2\pi$的奇函数$f(x)$，其在初始周期内的定义为：

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

由于 $f(x)$是严格的奇函数，其傅里叶系数中的直流分量与余弦项系数直接归零，即$a_0 = 0$且$a_n = 0$。我们只需要专注于正弦系数 $b_n$ 的提取：

$$ b_n = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x) \sin(nx) \, dx = \frac{2}{\pi} \int_{0}^{\pi} (\pi - x) \sin(nx) \, dx $$

利用分部积分法（Integration by parts）来剥离 $x$的多项式结构。设$u = \pi - x \implies du = -dx$，且 $dv = \sin(nx)dx \implies v = -\frac{1}{n}\cos(nx)$：

$$ b_n = \frac{2}{\pi} \left[ -\frac{1}{n}(\pi - x)\cos(nx) \right]_0^{\pi} - \frac{2}{\pi} \int_{0}^{\pi} \frac{1}{n}\cos(nx) \, dx $$

代入上下限后，第一项在 $\pi$处为$0$，在 $0$处贡献了$\frac{2}{n}$；而第二项在区间 $[0, \pi]$上对余弦函数积分，结果显然为$0$。因此，我们得到了极其干净的系数：

$$ b_n = \frac{2}{n} $$

此时，如果我们直接写出 $f(x)$的傅里叶级数，会得到$\sum \frac{2}{n}\sin(nx)$。但这只能用来计算交错级数。为了得到纯粹的 $\frac{1}{n^2}$，我们需要引入帕塞瓦尔定理（Parseval’s identity）。其物理本质是信号在时域的有限能量等于其在频域的能量总和。对于奇函数，该定理表现为：

$$ \frac{1}{\pi} \int_{-\pi}^{\pi} |f(x)|^2 \, dx = \sum_{n=1}^{+\infty} b_n^2 $$

我们将已知的 $b_n$和$f(x)$ 代入该等式。左侧的能量积分由于对称性可以化简为单侧：

$$ \sum_{n=1}^{+\infty} \left(\frac{2}{n}\right)^2 = \frac{2}{\pi} \int_{0}^{\pi} (\pi - x)^2 \, dx $$

对右侧进行直接积分：

$$ \frac{2}{\pi} \left[ -\frac{1}{3}(\pi - x)^3 \right]_0^{\pi} = \frac{2}{3\pi} \cdot \pi^3 = \frac{2}{3}\pi^2 $$

两端同时展开与整理：

$$ \sum_{n=1}^{+\infty} \frac{4}{n^2} = \frac{2}{3}\pi^2 \implies \mathbf{\sum_{n=1}^{+\infty} \frac{1}{n^2} = \frac{\pi^2}{6}} $$

至此，通过奇函数的能量守恒，巴塞尔问题得到了完美的证明。

偶函数的对称跃迁与高阶级数

上面的尝试让我们尝到了甜头：函数的自乘积分（平方）让原本分母上的 $n$变成了$n^2$。如果我们需要计算更高阶的级数，比如 $\sum_{n=1}^{+\infty} \frac{1}{n^4}$，一种直观的动机就是提升函数的齐次幂次，使得傅里叶系数在基础阶段就带有 $1/n^2$的特征，这样经过帕塞瓦尔定理的平方后，就能自然催生出$1/n^4$。

为此，我们重新构建一个偶函数 $f(x)$（将其在图形上表现为一个平滑的“山峰”状对称曲线）：

$$ f(x) = \begin{cases} (\pi - x)^2, & x \in [0, \pi] \\ (\pi + x)^2, & x \in [-\pi, 0) \end{cases} $$

由于是偶函数，正弦项系数 $b_n = 0$。我们重点计算直流分量 $a_0$与余弦项系数$a_n$。首先是均值（直流分量）：

$$ a_0 = \frac{2}{\pi} \int_{0}^{\pi} (\pi - x)^2 \, dx = \frac{2}{\pi} \cdot \frac{\pi^3}{3} = \frac{2}{3}\pi^2 $$

接着计算交流系数 $a_n$。同样使用分部积分法，对 $(\pi - x)^2 \cos(nx)$ 进行两次连续的剥离：

$$ a_n = \frac{2}{\pi} \int_{0}^{\pi} (\pi - x)^2 \cos(nx) \, dx $$

第一次分部积分后，一次幂项在边界消失，留下正弦积分；第二次分部积分则将正弦转回余弦，并在分母上累积了 $n^2$。经过精细的上下限带入，我们得到：

$$ a_n = \frac{4}{n^2} $$

这正符合我们的预期：傅里叶系数的基础形态已经是 $\frac{1}{n^2}$ 了。现在，再次调用通用的帕塞瓦尔定理。注意，此时包含直流分量，其完整形式为：

$$ \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} a_n^2 = \frac{1}{\pi} \int_{-\pi}^{\pi} |f(x)|^2 \, dx $$

将得到的系数与函数式代入左端与右端：

$$ \frac{1}{2}\left(\frac{2}{3}\pi^2\right)^2 + \sum_{n=1}^{+\infty} \left(\frac{4}{n^2}\right)^2 = \frac{2}{\pi} \int_{0}^{\pi} (\pi - x)^4 \, dx $$

分别对两边进行算术展开与定积分计算：

$$ \frac{2}{9}\pi^4 + \sum_{n=1}^{+\infty} \frac{16}{n^4} = \frac{2}{\pi} \left[ -\frac{1}{5}(\pi - x)^5 \right]_0^{\pi} = \frac{2}{5}\pi^4 $$

现在，我们移项并分离核心级数：

$$ \sum_{n=1}^{+\infty} \frac{16}{n^4} = \frac{2}{5}\pi^4 - \frac{2}{9}\pi^4 = \frac{8}{45}\pi^4 $$

两边同除以 $16$，高阶欧拉级数的经典结论优雅浮现：

$$ \mathbf{\sum_{n=1}^{+\infty} \frac{1}{n^4} = \frac{\pi^4}{90}} $$

纵深思考与外推

这种基于几何对称性与解析延拓（Analytic continuation）的工具展现了惊人的威力。通过对特定多项式边界的级数构造，我们实际上建立了一种通用范式：

• 更高级数的求解路径：如果我们需要解决 $\sum_{n=1}^{+\infty} \frac{1}{n^6}$，其动机会逼迫我们去寻找一个傅里叶系数为 $a_n = \frac{C}{n^3}$的函数。由于每次分部积分都会在分母上挂一个$n$，这意味着我们需要构造一个原函数，使其在完成三次分部积分后才能完全消去 $x$的多项式结构——也就是说，我们需要从一个三次幂的函数$f(x) = (\pi - x)^3$（并作适当的奇偶延拓）出发，通过帕塞瓦尔定理即可在平方后得到分母为 $n^6$ 的离散和。

傅里叶分析在此处将复杂的数论级数变成了一种可以线性外推的分析学游戏。

傅里叶级数中的内积空间与帕塞瓦尔定理证明

在经典微积分中，帕塞瓦尔定理通常被视为一种纯粹的微积分积分恒等式。然而，如果我们将其放入希尔伯特空间（Hilbert Space）的框架下，该定理的本质不过是欧几里得空间中“勾股定理”或“向量模长平方等于各分量平方和”在无穷维函数空间中的自然延伸。

1. 结构构造：定义函数空间的内积

设 $V$是定义在周期区间$[-\pi, \pi]$ 上的平方可积函数空间。为了度量两个函数之间的“夹角”与“投影”，我们定义内积（Inner Product）如下：

$$ \langle f, g \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)g(x) \, dx $$

在这种内积定义下，三角函数族 ${1/\sqrt{2}, \cos(nx), \sin(nx)}$ 恰好构成了该空间的一组标准正交基（Orthogonal Basis）。

假设函数 $f, g \in V$ 的傅里叶展开式分别为：

$$ f(x) \sim \frac{a_0}{2} + \sum_{n=1}^{+\infty} (a_n \cos(nx) + b_n \sin(nx)) $$

$$ g(x) \sim \frac{c_0}{2} + \sum_{n=1}^{+\infty} (c_n \cos(nx) + d_n \sin(nx)) $$

由标准正交基的性质，两个函数的内积可以直接转化为其傅里叶系数的离散代数和（类似于几何向量的坐标内积）：

$$ \langle f, g \rangle = \frac{a_0 c_0}{2} + \sum_{n=1}^{+\infty} (a_n c_n + b_n d_n) $$

2. 动机与推导：从线性扩张到帕塞瓦尔定理

我们的目标是证明当 $f = g$时，上述内积关系能够完美契合能量守恒。为了从代数上严格导出该结论，我们考察向量（函数）和$f+g$ 的内积。

依据内积的双线性（Bilinearity）与对称性，我们有：

$$ \langle f+g, f+g \rangle = \langle f, f \rangle + \langle g, g \rangle + 2\langle f, g \rangle $$

这是一个纯粹的代数恒等式。接下来，我们将 $f+g$ 的对应傅里叶系数直接带入内积的系数表示法中。显然，$f+g$的各阶系数为$(a_n + c_n)$和$(b_n + d_n)$。于是左侧可以写为：

$$ \langle f+g, f+g \rangle = \frac{(a_0 + c_0)^2}{2} + \sum_{n=1}^{+\infty} \left[ (a_n + c_n)^2 + (b_n + d_n)^2 \right] $$

同时，右侧的 $\langle f, f \rangle$与$\langle g, g \rangle$ 也可以写成对应的平方和形式：

$$ \langle f, f \rangle = \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} (a_n^2 + b_n^2) $$

$$ \langle g, g \rangle = \frac{c_0^2}{2} + \sum_{n=1}^{+\infty} (c_n^2 + d_n^2) $$

将这些显式表达代入最初的代数恒等式中，展开左侧的完全平方式：

$$ \frac{a_0^2 + 2a_0c_0 + c_0^2}{2} + \sum_{n=1}^{+\infty} (a_n^2 + 2a_ncc_n + c_n^2 + b_n^2 + 2b_nd_n + d_n^2) $$

消去两端相同的自乘项 $\frac{a_0^2}{2}, \frac{c_0^2}{2}, a_n^2, c_n^2, b_n^2, d_n^2$，中间的交叉项 $\frac{2a_0c_0}{2}$与$2a_nc_n, 2b_nd_n$提取出系数$2$后，正好与右端的$2\langle f, g \rangle$ 完美对齐：

$$ \frac{(a_n+c_n)^2 - a_n^2 - c_n^2}{2} = a_n c_n $$

当我们在空间中令 $g = f$时（即坐标完全重合），所有的$c_n = a_n$且$d_n = b_n$，上述关系自然退化为：

$$ \langle f, f \rangle = \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} (a_n^2 + b_n^2) $$

还原为具体的积分表达，即完成了帕塞瓦尔定理的通用证明：

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

傅里叶级数逐项积分的代数本质：测试函数的构造

在分析学中，对一个无穷级数进行局部区间 $[\alpha, \beta]$的逐项积分$\int_{\alpha}^{\beta} f(x) , dx$，通常需要严格论证级数的一致收敛性（Uniform Convergence）。然而，借助刚刚建立的内积框架，我们可以绕过繁琐的分析学收敛性大棒，通过构造一个特定的“测试函数”，将复杂的区间积分运算，精妙地转化为内积空间中的代数投影。

1. 动机：如何用内积表达局部区间积分？

我们希望计算的表达式为：

$$ \int_{\alpha}^{\beta} f(x) \, dx \quad (\text{其中 } [ \alpha, \beta ] \subset [-\pi, \pi]) $$

注意到现有的内积工具 $\langle f, g \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)g(x) , dx$是在整个$[-\pi, \pi]$区间上进行积分的。为了把整个区间的积分“裁剪”成局部区间的积分，我们需要构造一个在$[\alpha, \beta]$内部为$1$，在区间外部为 $0$的示性函数（Indicator Function）作为测试函数$g(x)$。

2. 构造测试函数 $g(x)$定义测试函数$g(x)$ 如下：

$$ g(x) = \begin{cases} 1, & x \in [\alpha, \beta] \\ 0, & x \in [-\pi, \pi] \setminus [\alpha, \beta] \end{cases} $$

此时，由于 $g(x)$在区间外的截断特性，$f$与$g$ 的内积会发生如下变换：

$$ \langle f, g \rangle = \frac{1}{\pi} \int_{-\pi}^{\pi} f(x)g(x) \, dx = \frac{1}{\pi} \int_{\alpha}^{\beta} f(x) \cdot 1 \, dx $$

也就是说：

$$ \int_{\alpha}^{\beta} f(x) \, dx = \pi \langle f, g \rangle $$

3. 计算测试函数 $g(x)$ 的傅里叶坐标

既然局部积分等价于 $\pi \langle f, g \rangle$，而内积又可以通过两个函数的傅里叶系数代数和求得，我们接下来只需要算出这个人工构造的 $g(x)$的傅里叶系数$c_0, c_n, d_n$：

• 直流分量 $c_0$：

$$ c_0 = \frac{1}{\pi} \int_{-\pi}^{\pi} g(x) \, dx = \frac{1}{\pi} \int_{\alpha}^{\beta} 1 \, dx = \frac{\beta - \alpha}{\pi} $$

• 余弦项系数 $c_n$：

$$ c_n = \frac{1}{\pi} \int_{-\pi}^{\pi} g(x) \cos(nx) \, dx = \frac{1}{\pi} \int_{\alpha}^{\beta} \cos(nx) \, dx $$

• 正弦项系数 $d_n$：

$$ d_n = \frac{1}{\pi} \int_{-\pi}^{\pi} g(x) \sin(nx) \, dx = \frac{1}{\pi} \int_{\alpha}^{\beta} \sin(nx) \, dx $$

4. 代数统合与最终推导

现在，我们将 $f$的已知系数$(a_0, a_n, b_n)$与$g$的新系数$(c_0, c_n, d_n)$ 共同带入内积坐标公式中：

$$ \frac{1}{\pi} \int_{\alpha}^{\beta} f(x) \, dx = \langle f, g \rangle = \frac{a_0 c_0}{2} + \sum_{n=1}^{+\infty} (a_n c_n + b_n d_n) $$

将等式两边同时乘以 $\pi$，并把 $c_0, c_n, d_n$ 具体的积分定义式原封不动地代回右侧：

$$ \int_{\alpha}^{\beta} f(x) \, dx = \frac{a_0}{2} \cdot \pi c_0 + \sum_{n=1}^{+\infty} \left( a_n \cdot \pi c_n + b_n \cdot \pi d_n \right) $$

$$ \int_{\alpha}^{\beta} f(x) \, dx = \frac{a_0}{2} \int_{\alpha}^{\beta} 1 \, dx + \sum_{n=1}^{+\infty} \left( a_n \int_{\alpha}^{\beta} \cos(nx) \, dx + b_n \int_{\alpha}^{\beta} \sin(nx) \, dx \right) $$

利用积分的线性性质，将求和号与系数移入积分号内部：

$$ \int_{\alpha}^{\beta} f(x) \, dx = \int_{\alpha}^{\beta} \left\{ \frac{a_0}{2} + \sum_{n=1}^{+\infty} \left[ a_n \cos(nx) + b_n \sin(nx) \right] \right\} \, dx $$

结论：这个最终形态在形式上正是对 $f(x)$的傅里叶级数表达式在$[\alpha, \beta]$ 区间上进行了逐项积分。

通过构造测试函数 $g(x)$并借由内积空间转译，我们证明了：只要函数$f(x)$ 平方可积，其傅里叶级数在任意子区间上的逐项积分不仅完全合法，而且天然收敛。 这一巧妙的代数处理不仅避开了逐项求导时对平滑性的苛刻要求，也揭示了现代泛函分析在经典调和分析中的威力。

之前我们证明了逐项积分的优良性质，但当面对“傅里叶级数的部分和 $S_n(x)$是否收敛于原函数$f(x)$”这一根本问题时，我们需要从局部收敛（点点收敛）跨越到全局收敛（一致收敛）。

下面我们将通过引入导函数的能量约束，利用柯西-施瓦茨不等式（Cauchy-Schwarz inequality），严格证明傅里叶级数的一致收敛定理。

核心定理与动机

在数学分析中，一个函数项级数如果能一致收敛（Uniform Convergence），就意味着它能保持原函数的连续性，且能保证极限与积分/求导号的交换律。为了让傅里叶级数 $S_n(x) \rightrightarrows f(x)$在整个区间上一致收敛，仅要求$f(x)$ 连续是不够的，我们需要对函数的“粗糙度”进行限制。

定理陈述

设 $f \in V$是定义在$[-\pi, \pi]$上的连续函数（且满足周期边界条件$f(-\pi) = f(\pi)$）。若其导函数 $f’$满足平方可积（即$f’ \in V$，$\frac{1}{\pi}\int_{-\pi}^{\pi} |f’(x)|^2 , dx < +\infty$），则 $f(x)$的傅里叶级数$S_n(x)$在$[-\pi, \pi]$上一致收敛于$f(x)$。

代数动机

要想证明一个三角级数一致收敛，最强有力的工具是 魏尔斯特拉斯判别法（M-判别法）。如果我们可以证明各项系数的绝对值之和是收敛的，即：

$$ \sum_{n=1}^{+\infty} (|a_n| + |b_n|) < +\infty $$

那么由于 $|\a_n \cos(nx) + b_n \sin(nx)| \le |a_n| + |b_n|$，级数的一致收敛性便可直接宣告成立。因此，我们的核心代数动机就是去界定并放大系数级数 $\sum (|a_n| + |b_n|)$。

严密推导过程

1. 导函数的傅里叶系数表达

假设 $f(x)$ 的傅里叶展开为：

$$ f(x) \sim \frac{a_0}{2} + \sum_{n=1}^{+\infty} (a_n \cos(nx) + b_n \sin(nx)) $$

我们对 $f(x)$进行形式上的逐项求导，设$f’(x)$的傅里叶系数为$a_n^{(1)}$和$b_n^{(1)}$：

$$ f'(x) \sim \sum_{n=1}^{+\infty} (-n a_n \sin(nx) + n b_n \cos(nx)) $$

通过直接对照或者分部积分法，我们可以精确建立 $f’$的系数与$f$ 的系数之间的代数纽带：

$$ a_n^{(1)} = n b_n, \quad b_n^{(1)} = -n a_n $$

2. 引入导函数的帕塞瓦尔恒等式

由于定理给出了条件 $f’ \in V$（平方可积），我们可以对 $f’$ 施加帕塞瓦尔定理：

$$ \sum_{n=1}^{+\infty} \left[ (a_n^{(1)})^2 + (b_n^{(1)})^2 \right] = \frac{1}{\pi} \int_{-\pi}^{\pi} |f'(x)|^2 \, dx < +\infty $$

将第 1 步的纽带关系代入左侧，得到：

$$ \sum_{n=1}^{+\infty} \left[ (n b_n)^2 + (-n a_n)^2 \right] = \sum_{n=1}^{+\infty} n^2 (a_n^2 + b_n^2) = \frac{1}{\pi} \int_{-\pi}^{\pi} |f'(x)|^2 \, dx $$

这个式子非常关键，它说明只要导函数的能量有限，原函数的傅里叶系数 $(a_n, b_n)$在乘上权重$n$ 之后，其平方和依然是收敛的。

3. 利用柯西-施瓦茨不等式进行解耦

现在我们回到核心动机：计算 $\sum_{n=1}^{+\infty} (|a_n| + |b_n|)$。

直接观察这个级数很难与其高阶的 $n^2(a_n^2 + b_n^2)$产生联系。为此，我们引入一类经典的代数解耦技巧——在各项中同时乘以$n$并除以$n$：

$$ \sum_{n=1}^{+\infty} (|a_n| + |b_n|) = \sum_{n=1}^{+\infty} \frac{1}{n} \cdot \left( n|a_n| + n|b_n| \right) $$

在无穷维空间中，利用离散形式的柯西-施瓦茨不等式（$\sum x_y \le \sqrt{\sum x^2} \sqrt{\sum y^2}$），将上述级数拆解为两个独立级数乘积的平方根：

$$ \sum_{n=1}^{+\infty} \frac{1}{n} \left( n|a_n| + n|b_n| \right) \le \left( \sum_{n=1}^{+\infty} \frac{1}{n^2} \right)^{\frac{1}{2}} \cdot \left( \sum_{n=1}^{+\infty} (n|a_n| + n|b_n|)^2 \right)^{\frac{1}{2}} $$

4. 算术放大与最终约束

我们对右侧的第二项（即包含系数的部分）应用基本的二元均值不等式或简单的放大关系 $(|u|+|v|)^2 \le 2(u^2 + v^2)$：

$$ (n|a_n| + n|b_n|)^2 = n^2 (|a_n| + |b_n|)^2 \le 2n^2 (a_n^2 + b_n^2) $$

将其整体代回不等式中：

$$ \sum_{n=1}^{+\infty} (|a_n| + |b_n|) \le \left( \sum_{n=1}^{+\infty} \frac{1}{n^2} \right)^{\frac{1}{2}} \cdot \left( \sum_{n=1}^{+\infty} 2n^2 (a_n^2 + b_n^2) \right)^{\frac{1}{2}} $$

此时，奇迹发生了：

• 第一项是经典的巴塞尔级数，我们已知其收敛值为 $\frac{\pi^2}{6}$。

• 第二项内部的 $\sum n^2(a_n^2+b_n^2)$正好是我们在第 2 步中通过$f’$ 的帕塞瓦尔定理算出的定积分。

将这两部分确定有限的值代入：

$$ \sum_{n=1}^{+\infty} (|a_n| + |b_n|) \le \left( \frac{\pi^2}{6} \right)^{\frac{1}{2}} \cdot \left( \frac{2}{\pi} \int_{-\pi}^{\pi} |f'(x)|^2 \, dx \right)^{\frac{1}{2}} < +\infty $$

由于右侧两项均为确定有限的实数，我们成功证明了 $\sum_{n=1}^{+\infty} (|a_n| + |b_n|)$ 的绝对收敛性。

结论与魏尔斯特拉斯判别

令 $U_n(x) = a_n \cos(nx) + b_n \sin(nx)$ 为傅里叶级数的每一项。显然：

$$ |U_n(x)| \le |a_n| \cdot 1 + |b_n| \cdot 1 = |a_n| + |b_n| = M_n $$

因为我们刚刚证明了常数级数 $\sum M_n = \sum (|a_n| + |b_n|)$收敛，根据 魏尔斯特拉斯 M-判别法（Weierstrass M-test），傅里叶级数的部分和$S_n(x)$必然在整个区间$[-\pi, \pi]$ 上一致收敛。

再结合之前建立的逐项积分性质或连续性定理，我们最终确认其一致收敛的极限函数只能是原函数 $f(x)$ 本身：

$$ S_n(x) \rightrightarrows f(x), \quad x \in [-\pi, \pi] $$

纵深总结

该证明展现了数学分析中“光滑度”与“收敛速度”的深刻对偶：导函数的能量有限（即原函数足够平滑），直接锁定了其傅里叶系数以高于 $1/n$ 的速度快速衰减。 这种快速衰减压制了三角基函数的波动，最终编织出了一致收敛的完美结果。

帕塞瓦尔等式的严格证明（逼近与稠密性视角）

在前面的讨论中，我们知道帕塞瓦尔等式在代数形式上等价于傅里叶部分和 $S_n$在$L^2$ 模长下的均方收敛，即目标是证明：

$$ \lim_{N \to \infty} \|f - S_N\|_{L^2}^2 = 0 \quad (\forall f \in V) $$

然而，由于 $L^2$ 空间中的函数可能存在间断点甚至非常粗糙，我们无法直接断言其傅里叶级数一致收敛。这里的核心动机是利用空间稠密性（Density）：用足够漂亮的“光滑函数”去逼近粗糙的函数，再利用最佳逼近性质将误差传递给部分和。

1. 动机与核心引理：通过 $C^1$ 函数进行误差控制

依据测度论与泛函分析的结论，连续可微函数空间 $C^1[-\pi, \pi]$在平方可积空间$L^2[-\pi, \pi]$中是稠密的。这意味着，对于任意给定的粗糙函数$f \in V$和任意小的误差限$\varepsilon > 0$，我们总能找到一个高度光滑的基准测试函数 $g \in C^1[-\pi, \pi]$，使得它们之间的距离足够小：

$$ \|f - g\|_{L^2} < \varepsilon $$

2. 利用最佳逼近性质完成误差传递

设 $T_N$是测试函数$g(x)$在三角多项式子空间$V_N$上的傅里叶部分和（即投影）。由于$g \in C^1$，满足上一节的一致收敛定理，因此当 $N \to \infty$ 时，$T_N \rightrightarrows g$（一致收敛）。

一旦一致收敛，由控制收敛定理，其 $L^2$模长自然收敛。即存在足够大的$N$，使得：

$$ \|g - T_N\|_{L^2}^2 = \frac{1}{\pi}\int_{-\pi}^{\pi} |g(x) - T_N(x)|^2 \, dx \le \frac{1}{\pi} \cdot 2\pi \cdot \varepsilon^2 = 2\varepsilon^2 \implies \|g - T_N\|_{L^2} \le \sqrt{2}\varepsilon $$

现在我们来考察原函数 $f$与其自身的傅里叶部分和$S_N$ 的距离。根据希尔伯特空间中正交投影的最佳逼近性质（Best Approximation Property），$S_N$是子空间$V_N$中距离$f$最近的元素。因此，空间中任何其他$V_N$内的三角多项式（包括$g$的部分和$T_N$）到 $f$的距离，都必然大于等于$S_N$到$f$ 的距离：

$$ \|f - S_N\|_{L^2} \le \|f - T_N\|_{L^2} $$

利用三角不等式对右侧进行强行拆分，插入测试函数 $g$ 作为中转桥梁：

$$ \|f - T_N\|_{L^2} = \|(f - g) + (g - T_N)\|_{L^2} \le \|f - g\|_{L^2} + \|g - T_N\|_{L^2} $$

代入前两步的误差控制范围：

$$ \|f - S_N\|_{L^2} \le \varepsilon + \sqrt{2}\varepsilon = (1+\sqrt{2})\varepsilon = C \cdot \varepsilon $$

由于 $\varepsilon$具有任意性，当$N \to \infty$时，误差边界被逼近至$0$。至此，通过“$L^2 \leftarrow C^1 \leftarrow \text{一致收敛的 } T_N$”的逼近链条，我们严格证明了帕塞瓦尔等式对一切平方可积函数均成立。

函数高阶光滑性与傅里叶系数的定量衰减

证明了逼近的可行性后，我们进一步定量探讨：如果一个函数不仅有一阶导数，而是拥有 $m$阶导数，它的傅里叶系数会以怎样的速度向$0$ 隐退？ 在信号处理中，高频分量的衰减速度直接对应了信号的平滑程度。我们可以通过高阶求导将这种关系精确量化。

1. $m$ 阶导数的傅里叶系数退化

假设 $f \in V$，且其直到 $m$阶的导数均在$[-\pi, \pi]$上连续且满足周期性边界条件，即$f^{(m)} \in V$。

通过对积分式连续进行 $m$次分部积分（每次分部积分都会因求导将内部的$n$提取到外面，并伴随正余弦项的互换与正负号交替），我们可以建立$f^{(m)}$的傅里叶系数$(a_n^{(m)}, b_n^{(m)})$与原函数系数$(a_n, b_n)$ 的精准对偶关系：

• 当 $m$ 为偶数时：

$$ a_n^{(m)} = (-1)^{\frac{m}{2}} n^m a_n, \quad b_n^{(m)} = (-1)^{\frac{m}{2}} n^m b_n $$

• 当 $m$ 为奇数时：

$$ a_n^{(m)} = (-1)^{\frac{m-1}{2}} n^m b_n, \quad b_n^{(m)} = (-1)^{\frac{m+1}{2}} n^m a_n $$

无论 $m$ 的奇偶性如何，将其系数平方求和时，正负号与三角函数的互换均被抹平，统一服从以下代数关系：

$$ (a_n^{(m)})^2 + (b_n^{(m)})^2 = n^{2m} (a_n^2 + b_n^2) $$

2. 系数衰减速度的级数约束

将上式变形，把原函数的傅里叶能量谱孤立出来：

$$ a_n^2 + b_n^2 = \frac{1}{n^{2m}} \left[ (a_n^{(m)})^2 + (b_n^{(m)})^2 \right] $$

因为 $f^{(m)} \in V$，由帕塞瓦尔定理，高阶导数系数的无穷级数必收敛：$\sum_{n=1}^{+\infty} [ (a_n^{(m)})^2 + (b_n^{(m)})^2 ] < +\infty$。根据级数收敛的必要条件，其通项当 $n \to \infty$时趋于$0$，即：

$$ (a_n^{(m)})^2 + (b_n^{(m)})^2 = o(1) $$

由此，我们立即锁定了原函数傅里叶系数模长的渐近线界：

$$ \sqrt{a_n^2 + b_n^2} = o\left( \frac{1}{n^m} \right) $$

物理与几何意义：函数的导数阶数 $m$越高，意味着图形越圆润、没有尖点或突变。反映在频域上，其高频系数以$1/n^m$的幂指数速度极其剧烈地向$0$ 衰减。

终极延拓：解析性与指数级衰减

如果我们将上述的光滑性推向极致——假设 $f(x)$ 在整个定义域内是无穷阶可导的（$C^\infty$），甚至是在复平面上某个区域内满足柯西-黎曼方程的解析函数（Analytic Function）。

此时，对于任意大的整数 $m$，上式中的衰减屏障 $1/n^m$均成立。为了满足对任意$m$ 都成立的约束，代数级数的内在逻辑会发生质的跃迁：系数的衰减速度将直接超越任何多项式倒数，从而演变为指数级衰减（Exponential Decay）：

$$ a_n \longrightarrow C_1 e^{-nc}, \quad b_n \longrightarrow C_2 e^{-nc} \quad (c > 0) $$

• 毛刺与锯齿（如方波、三角波）：不可导或仅一阶可导，对应低阶的多项式衰减（分母为 $n$或$n^2$），频域上有长长的“高频尾巴”。

• 极度平滑的无瑕曲线（如 $\sin x$ 或解析曲线）：频域能量高度集中在极少数的低频项中，高频系数呈现断崖式的指数级消亡。这一结论不仅揭示了时域光滑度与频域集中度的完美对偶，也构成了现代谱方法（Spectral Methods）数值求解微分方程的理论根基。

经典案例剖析：几何撕裂与频域衰减的定量映射

当我们在时域对一个函数进行求导时，图形的几何特征（如间断点、尖角）会逐层暴露。每一次不连续性的出现，都会深刻影响其傅里叶系数的衰减速率。

案例一：具有第一类间断点的锯齿状奇函数

考察一个经典的非连续周期函数 $f(x)$，其在初始区间内的定义为：

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

1. 时域求导分析与几何性质

从空间结构上看，$f(x)$ 在整个平方可积空间中是完备的（$f \in V$）。然而，当我们在复平面或实数轴上对它进行一阶求导时：

$$ f'(x) = -1, \quad x \in (-\pi, \pi) \setminus \{0\} $$

在 $x = 0$和$x = \pm\pi$处，函数发生了阶跃型的跳跃（第一类间断点）。在这些跳跃点上，广义导数会直接催生出狄拉克$\delta$函数。由于$\delta$ 函数的平方积分发散，这意味着：

$$ f' \notin V \quad (\text{一阶导数脱离平方可积空间}) $$

2. 对应的频域衰减速度

因为在一阶求导时几何结构就已经“撕裂”（产生间断），其傅里叶系数不具备高阶衰减的条件。根据之前的计算，该函数的正弦系数为：

$$ b_n = \frac{2}{n} \sim O\left(\frac{1}{n}\right) $$

这验证了我们的规律：若函数本身包含不连续的跳跃边界，其傅里叶系数仅以 $1/n$ 的最慢速度衰减。

案例二：具有“尖点”连续的一阶平滑偶函数

为了延缓时域几何结构的破坏，我们提升幂次，考察如下偶函数：

$$ f(x) = \begin{cases} (\pi - x)^2, & x \in [0, \pi] \\ (\pi + x)^2, & x \in [-\pi, 0) \end{cases} $$

1. 时域求导分析与几何性质

• 原函数 $f(x)$：在 $x=0$ 处，$(\pi-0)^2 = \pi^2$；在 $x=\pi$ 处，$(\pi-\pi)^2 = 0$。函数在整个实轴上是连续的，即 $f \in V$。

• 一阶导函数 $f’(x)$：直接求导得到：

$$ f'(x) = \begin{cases} -2(\pi - x), & x \in (0, \pi) \\ 2(\pi + x), & x \in (-\pi, 0) \end{cases} $$

此时 $f’(x)$依然是连续的（在$x=0$处左右导数均为$-2\pi$和$2\pi$处的边界对称性）。因为$f’$ 连续且无间断，其能量有限：

$$ f' \in V $$

• 二阶导函数 $f’’(x)$：对 $f’$ 再次求导：

$$ f''(x) = \begin{cases} 2, & x \in (0, \pi) \\ 2, & x \in (-\pi, 0) \end{cases} $$

表面上看起来在两侧都是常数 $2$，但在 $x=0$处，$f’(x)$的图形是一个尖角（类似于绝对值函数的翻转）。这意味着在一阶导数$f’$的图形中存在“尖点”，从而导致二阶导数$f’’$在$x=0$处发生阶跃型间断，甚至带有$\delta$ 函数分量。因此：

$$ f'' \notin V $$

2. 对应的频域衰减速度

由于几何结构的破坏被推迟到了二阶导数，该函数的傅里叶系数在基础阶段获得了更高的衰减动力。计算出的系数为：

$$ a_n = \frac{4}{n^2} \sim O\left(\frac{1}{n^2}\right) $$

这再次精准对齐：函数本身连续（$f \in V$）且一阶导数平方可积（$f’ \in V$），其频域系数衰减速度跃升至 $1/n^2$。

案例三：无限平滑的解析函数

如果我们考察形如 $f(x) = e^{\cos(x)}$ 的函数，它在整个复平面上都没有任何几何尖点或间断。

无论你对其求多少次导，所有的 $f^{(m)}$永远属于$V$。这种无限的光滑性使得频域分量以惊人的速度消亡。其系数的渐近线界超越了任何多项式倒数 $1/n^m$，而是呈现指数级断崖式衰减：

$$ a_n \sim \frac{1}{n!} \quad \text{或} \quad a_n \sim \frac{1}{2^n} $$

现代泛函延拓：索伯列夫空间与分数阶平滑度

在经典理论中，我们只能讨论一阶导数、二阶导数等整数阶导数是否平方可积。然而，有些函数的平滑度恰好介于“一阶导数平方可积”与“二阶导数平方可积”之间。为了实现对函数光滑度更精准的定量刻画，现代泛函分析引入了索伯列夫空间 $H^s$。

其核心动机是：利用傅里叶系数的加权求和，将“时域的求导运算”完全等价地转译为“频域的代数加权”。

1. 从整数阶到分数阶的代数重构

回想一下，如果 $f$的$m$阶导数$f^{(m)}$ 平方可积，那么根据帕塞瓦尔定理，其对应的频域级数为：

$$ \sum_{n=1}^{+\infty} n^{2m} (a_n^2 + b_n^2) < +\infty $$

泛函分析提出了一个极其大胆且优雅的想法：为什么指数 $2m$ 必须是偶数或整数？

我们可以直接将这个指标推广到任意实数 $s \ge 0$，从而定义索伯列夫空间 $H^s$。我们定义一个新函数 $g(x)$，使其傅里叶系数带有分数阶权重 $n^s$：

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

2. $H^s$ 空间的严密定义

对于任意实数 $s \in \mathbb{R}$，如果函数 $f(x)$ 的傅里叶系数满足如下加权级数收敛：

$$ \|f\|_{H^s}^2 = \frac{a_0^2}{2} + \sum_{n=1}^{+\infty} n^{2s} (a_n^2 + b_n^2) < +\infty $$

则称函数 $f$ 属于 $s$阶索伯列夫空间（记作$f \in H^s$）。

• $H^0$空间：当$s=0$时，上式退化为$\sum (a_n^2 + b_n^2) < +\infty$，这正是经典的平方可积空间 $L^2$。它只要求函数自身的总能量有限。

• $H^1$空间：当$s=1$时，上式要求$\sum n^2 (a_n^2 + b_n^2) < +\infty$，这等价于函数的一阶导数平方可积（$\int |f’|^2 dx < +\infty$）。

• 分数阶空间（例如 $H^{\frac{1}{2}}$）：当 $s = \frac{1}{2}$时，级数形式为$\sum n (a_n^2 + b_n^2) < +\infty$。它度量了一种“半阶导数”的能量。

3. 纵深总结

通过引入索伯列夫空间 $H^s$，数学家成功建立了一套完美的对偶谱方法体系：

$$ \text{时域平滑度标准：} f \in H^s \Longleftrightarrow \text{频域衰减谱约束：} \sum n^{2s}(a_n^2+b_n^2) < +\infty $$

这一理论打破了经典微积分只能讨论整数阶导数的局限。在现代偏微分方程（PDE）的数值求解、小波分析以及信号处理的谱方法中，通过考察指标 $s$ 的临界边界，我们可以非常精准地捕捉微分方程解的奇异性与图形毛刺的演化规律。

（叠甲：以下默认底层域 $K$为代数闭域（例如$\mathbb C$））
我们知道，矩阵乘法一般而言并没有交换律，于是满足交换律的矩阵们就有一定的稀缺性，有时具有一些有趣的性质。

记号：$K[A] = {f(A) \mid f \in K[x]}$，$C(A)={X\mid XA=AX}$

我们首先看一个广为人知的命题。

可交换的可对角化的矩阵可以同时对角化

设 $AB=BA$，且二者可对角化，那么存在$U$，使得$UAU^{-1},UBU^{-1}$ 同时为对角阵。

法1——爆算

第一步：对齐 $A$ 的特征景观

由于 $A$可对角化，存在可逆阵$U$，使得 $UAU^{-1} = D$。为了看清结构，我们将 $D$ 中相同的特征值聚集在一起，写成分块形式：

$$ D = \begin{pmatrix} \lambda_1 I_{k_1} & & \\ & \lambda_2 I_{k_2} & \\ & & \ddots \end{pmatrix} $$

这里 $\lambda_i$ 互不相同，$I_{k_i}$是$k_i$阶单位阵（即$\lambda_i$ 的重数）。

第二步：交换性带来的“形状限制”

设 $B’ = UBU^{-1}$。由 $AB=BA$可推导出$DB’ = B’D$。

我们将 $B’$按照$D$ 的尺寸进行分块：$B’ = (B’_{ij})$。

带入等式 $DB’ = B’D$ 可得，对于每一块都有：

$$ \lambda_i I_{k_i} B'_{ij} = B'_{ij} \lambda_j I_{k_j} \implies (\lambda_i - \lambda_j) B'_{ij} = 0 $$

• 当 $i \neq j$时，由于$\lambda_i \neq \lambda_j$，必有 $B’_{ij} = 0$。

  这说明 $B’$ 必须是一个分块对角阵：

$$ B' = \begin{pmatrix} B'_{11} & & \\ & B'_{22} & \\ & & \ddots \end{pmatrix} $$

第三步：继承对角化性质

这是最关键的一步。因为 $B$可对角化，所以它的极小多项式$m_B(x)$ 没有重根。

由于 $B’$是分块对角阵，容易证明每个分块$B’{ii}$的极小多项式$m{B’_{ii}}(x)$必然能整除$m_B(x)$。

这意味着每个子块 $B’_{ii}$ 的极小多项式也没有重根。

根据可对角化的充要条件，每一个小块 $B’_{ii}$ 都是可对角化的。

第四步：局部微调实现全域对角化

对于每个 $B’{ii}$，存在可逆阵 $P_i$使得$P_i B’{ii} P_i^{-1} = \Lambda_i$（对角阵）。

构造全空间的变换矩阵 $P = \text{diag}(P_1, P_2, \dots)$。

此时，考虑总变换矩阵 $W = PU$：

1. 对于 $A$：$WAW^{-1} = P D P^{-1}$。由于 $P$的分块结构与$D$一致，且$P_i$与单位阵的倍数$\lambda_i I$交换，所以$WAW^{-1} = D$，保持对角形不变。

2. 对于 $B$：$WBW^{-1} = P B’ P^{-1} = \text{diag}(\Lambda_1, \Lambda_2, \dots)$，变成了对角阵。

至此，证明完成。

法2：不变子空间分解法

第一步：空间按 $A$ 的特征值进行谱分解

由于 $A$在$V$上可对角化，全空间$V$可以分解为$A$ 的特征子空间的直和：

$$ V = V_{\lambda_1} \oplus V_{\lambda_2} \oplus \dots \oplus V_{\lambda_k} $$

其中 $V_{\lambda_i} = { v \in V \mid Av = \lambda_i v }$。

第二步：证明 $V_{\lambda_i}$是$B$ 的不变子空间

对于任何 $v \in V_{\lambda_i}$，我们考察 $Bv$ 后的结果。

利用交换性 $AB = BA$：

$$ A(Bv) = (AB)v = (BA)v = B(Av) = B(\lambda_i v) = \lambda_i (Bv) $$

这表明 $Bv$依然满足$A$的特征向量定义，其对应的特征值仍为$\lambda_i$。

因此，$Bv \in V_{\lambda_i}$，即 $V_{\lambda_i}$是$B$ 的不变子空间。

第三步：限制算子的可对角化性继承

由于 $B$在全空间$V$上可对角化，其极小多项式$m_B(x)$ 是互异一次因子的乘积。

考虑 $B$在子空间$V_{\lambda_i}$上的限制算子$B|{V{\lambda_i}}$。该限制算子的极小多项式 $m_{B|{V{\lambda_i}}}(x)$必然能整除$m_B(x)$。

因此，$m_{B|{V{\lambda_i}}}(x)$ 同样是由互异一次因子构成的。

结论： $B$在每一个特征子空间$V_{\lambda_i}$ 上都是可对角化的。

第四步：选取共同基底

既然 $B$在$V_{\lambda_i}$上可对角化，我们可以在每个$V_{\lambda_i}$中选出一组$B$的特征向量作为基底，记为$\mathcal{B}_i$。

• 因为这组基在 $V_{\lambda_i}$中，它们天然全是$A$的特征向量（特征值均为$\lambda_i$）。

• 因为这组基是按 $B$的特征向量选取的，它们也全是$B$ 的特征向量。

第五步：组合与完成

将这些基底合起来：$\mathcal{B} = \mathcal{B}_1 \cup \mathcal{B}_2 \cup \dots \cup \mathcal{B}_k$。

由于全空间是直和关系，$\mathcal{B}$构成了全空间$V$ 的一组基。在这组基下，$A$和$B$ 同时呈现为对角矩阵。

---

从中，有一件事具有一定的一般性，如果可交换，那么一方的特征子空间是另一方的不变子空间。类似的，核空间和像空间也一样：

若线性变换 $A,B$可以交换，那么$KerB,ImB$都是$A$ 不变子空间。

设

$$ AB=BA $$

考虑 $B\alpha=0$则$B(A\alpha)=A(B\alpha)=0$，故$A\alpha\in KerB$ 。
考虑 $\alpha=B\beta$，则$A(B\beta)=B(A\beta)\in ImB$ 。

通过Jordan标准型研究中心化子 C(A)

问题的转化

我们如何研究比较一般的对易性或者说可交换性呢？一个自然的想法是，原来的矩阵很复杂，我们可以看看标准型，如果能通过标准型判定，自然是极好的。那么就想到用 $Jordan$ 标准型来考虑问题。

若 $A = UJU^{-1}$（其中 $J$可以是 Jordan 标准型或对角阵），则关于$A$的算子性质可以平移到$J$ 上：

• $A^k = UJ^kU^{-1}$-$g(A) = Ug(J)U^{-1}$

• 中心化子的相似性：$C(A) = U C(J) U^{-1}$这意味着研究$A$的交换矩阵，等价于在$A$的标准型坐标系下研究与$J$ 交换的矩阵。

Jordan标准型的对易性

K[A]

对于一个若尔当块 $J_k(\lambda)$，其多项式函数 $g(J_k(\lambda))$的结果是一个上三角托普利茨矩阵 (Upper Triangular Toeplitz Matrix)。其填充逻辑基于$g(x)$ 在特征值处的泰勒展开 (Taylor Expansion)。

展开式规则：

• 针对特征值 $\lambda$（阶数为 3）：

  $g(x) \equiv c_0 + c_1(x-\lambda) + c_2(x-\lambda)^2 \pmod{(x-\lambda)^3}$其中系数$c_i = \frac{g^{(i)}(\lambda)}{i!}$。

• 针对特征值 $\mu$（阶数为 2）：

  $g(x) \equiv d_0 + d_1(x-\mu) \pmod{(x-\mu)^2}$其中系数$d_i = \frac{g^{(i)}(\mu)}{i!}$。

---

$g(A)$ 的矩阵表示

假设 $A$由两个$\lambda$块（3阶和2阶）及一个$\mu$块（2阶）组成，那么$g(A)$ 的形式如下：

$$ g(A) = \begin{pmatrix} c_0 & c_1 & c_2 & 0 & 0 & 0 & 0 \\ 0 & c_0 & c_1 & 0 & 0 & 0 & 0 \\ 0 & 0 & c_0 & 0 & 0 & 0 & 0 \\ 0 & 0 & 0 & c_0 & c_1 & 0 & 0 \\ 0 & 0 & 0 & 0 & c_0 & 0 & 0 \\ 0 & 0 & 0 & 0 & 0 & d_0 & d_1 \\ 0 & 0 & 0 & 0 & 0 & 0 & d_0 \end{pmatrix} $$

关键逻辑：

1. 同步性： 注意到两个不同的 $\lambda$块使用了完全相同的系数$c_0, c_1$。这是因为它们是由同一个多项式 $g(x)$ 作用的结果。

2. 结构： 每个子块内部都是由展开系数构成的对角线平移。

---

$K[A]$ 代数的性质

根据中国剩余定理 (Chinese Remainder Theorem)，$K[A]$ 中的矩阵完全由这些独立的泰勒系数决定。

设矩阵 $A$的最小多项式为$m_A(x)$。如果我们可以将其分解为互素的因子：

$$ m_A(x) = \prod_{i=1}^k (x-\lambda_i)^{r_i} $$

那么根据 CRT，多项式子代数 $K[A]$ 可以被拆解为：

$$ K[A] \cong K[x]/(m_A(x)) \cong \frac{K[x]}{(x-\lambda_1)^{r_1}} \oplus \frac{K[x]}{(x-\lambda_2)^{r_2}} \oplus \dots \oplus \frac{K[x]}{(x-\lambda_k)^{r_k}} $$

考虑 CRT 中的一个原子项：$K[x] / (x-\lambda)^r$。这对应了 $A$的一个（或一组）关于$\lambda$ 的 Jordan 块。

在这个局部空间里，任何多项式 $g(x)$都可以绕着特征值$\lambda$ 做展开：

$$ g(x) = g(\lambda) + g'(\lambda)(x-\lambda) + \frac{g''(\lambda)}{2!}(x-\lambda)^2 + \dots + \frac{g^{(r-1)}(\lambda)}{(r-1)!}(x-\lambda)^{r-1} + R(x) $$

由于在局部空间里 $(x-\lambda)^r = 0$，余项 $R(x)$ 直接消失了。

---

C(A)

通常，$C(A)$包含$K[A]$ ，因为自己生成的多项式当然可以和自己交换。

可交换矩阵可同样分块

设矩阵 $A$ 为分块对角矩阵：

$$ A = \begin{bmatrix} A_1 & & 0 \\ & A_2 & \\ 0 & & \ddots & \\ & & & A_s \end{bmatrix} $$

其中，$A_i$是由对角元素均为$\lambda_i$ 的 若尔当块(Jordan blocks) 排成的对角分块矩阵。
关键前提：特征值 $\lambda_1, \lambda_2, \dots, \lambda_s$ 两两互异 ($互异$: distinct / mutually different)。

若矩阵 $B$与$A$ 可交换，即满足：

$$ AB = BA $$

若 $AB = BA$，则 $A$的根子空间 (generalized eigenspace)$ker(A - \lambda_i I)^{n_i}$也是$B$-不变子空间。由于各 $\lambda_i$ 互异，这些子空间直接对应了矩阵的分块结构。

由此可以推导出矩阵 $B$必须具有与$A$ 相同的分块对角结构：

$$ B = \begin{bmatrix} B_1 & & 0 \\ & B_2 & \\ 0 & & \ddots & \\ & & & B_s \end{bmatrix} $$

并且满足分块间的交换性：

$$ B_i A_i = A_i B_i, \quad 1 \le i \le s $$

具体形式的探索

1. 特征值的平移不变性

设 $A$为对角元均为$\lambda$ 的若尔当形矩阵（Jordan Form）。
根据交换性定义：

$$ BA = AB \iff B(A - \lambda I) = (A - \lambda I)B $$

由此可知，求 $A$ 的交换代数等价于求其平移后的矩阵：
$C(A) = C(A - \lambda I)$
因此，以下进一步假设 $A$的对角元均为$0$。

2. 循环基（Cyclic Basis）的应用演示

通过循环基可以更直观地处理交换代数问题。
设 $A$ 为如下分块矩阵：

$$ A = \begin{bmatrix} 0 & 1 & 0 & \vdots & 0 & 0 \\ 0 & 0 & 1 & \vdots & 0 & 0 \\ 0 & 0 & 0 & \vdots & 0 & 0 \\ \dots & \dots & \dots & \vdots & \dots & \dots \\ 0 & 0 & 0 & \vdots & 0 & 1 \\ 0 & 0 & 0 & \vdots & 0 & 0 \end{bmatrix} $$

即由一个 $3 \times 3$和一个$2 \times 2$ 的若尔当块组成的矩阵。

定义循环基向量：

• 第一组： 设 $\alpha_1 = [1, 0, 0, 0, 0]^T$$A\alpha_1 = [0, 1, 0, 0, 0]^T$$A^2\alpha_1 = [0, 0, 1, 0, 0]^T$$(A^3\alpha_1 = 0)$ 第二组： 设$\alpha_2 = [0, 0, 0, 1, 0]^T$$A\alpha_2 = [0, 0, 0, 0, 1]^T$$(A^2\alpha_2 = 0)$

于是，${\alpha_1, A\alpha_1, A^2\alpha_1, \alpha_2, A\alpha_2}$构成了$K^5$ 的一组基。

3. 交换矩阵 B 的性质推导

任取 $B \in C(A)$，将 $B$ 作用在基向量上。
设 $B\alpha_1$ 为基向量的线性组合：

$$ B\alpha_1 = k_1\alpha_1 + k_2A\alpha_1 + k_3A^2\alpha_1 + k_4\alpha_2 + k_5A\alpha_2 $$

利用 $BA = AB$ 进行约束：

1. 对于 $B(A\alpha_1)$：

$$ B(A\alpha_1) = A(B\alpha_1) $$

$$ = k_1(A\alpha_1) + k_2(A^2\alpha_1) + k_4(A\alpha_2) $$

(注：$A^3\alpha_1=0$且$A^2\alpha_2=0$)

2. 对于 $B(A^2\alpha_1)$：

$$ B(A^2\alpha_1) = A(BA\alpha_1) $$

$$ = k_1(A^2\alpha_1) $$

设 $B\alpha_2$ 为基向量的线性组合：

$$ B\alpha_2 = l_1\alpha_1 + l_2A\alpha_1 + l_3A^2\alpha_1 + l_4\alpha_2 + l_5A\alpha_2 $$

利用 $BA = AB$ 进行约束推导：

1. 对于 $B(A\alpha_2)$：

$$ B(A\alpha_2) = A(B\alpha_2) = l_1A\alpha_1 + l_2A^2\alpha_1 + l_4A\alpha_2 $$

(注：$A^3\alpha_1=0$且$A^2\alpha_2=0$)

2. 利用 $A^2\alpha_2 = 0$ 的性质：

$$ 0 = B(A^2\alpha_2) = A(B A\alpha_2) = l_1A^2\alpha_1 $$

由于 $A^2\alpha_1 \neq 0$，由此推导出核心约束：
$l_1 = 0$

$C(A)$ 中矩阵的一般形状

综合所有基向量在 $B$ 作用下的表现：

$$ B(\alpha_1, A\alpha_1, A^2\alpha_1, \alpha_2, A\alpha_2) = (\alpha_1, A\alpha_1, A^2\alpha_1, \alpha_2, A\alpha_2) \cdot \mathbf{M}_B $$

其中，在循环基下矩阵 $B$的表示矩阵$\mathbf{M}_B$ 为：

$$ \mathbf{M}_B = \begin{bmatrix} k_1 & 0 & 0 & \vdots & 0 & 0 \\ k_2 & k_1 & 0 & \vdots & l_2 & 0 \\ k_3 & k_2 & k_1 & \vdots & l_3 & l_2 \\ \dots & \dots & \dots & \vdots & \dots & \dots \\ k_4 & 0 & 0 & \vdots & l_4 & 0 \\ k_5 & k_4 & 0 & \vdots & l_5 & l_4 \end{bmatrix} $$

我们可以看到，相当于第一列不断下移。
一般地我们可以证明：
命题：若 $X$与$J_n(0)$可交换，则$X$ 必为上三角 Toeplitz 矩阵。
证明：设 $N = J_n(0)$。由 $XN = NX$可知，比较第$(i, j)$元：$(XN){i,j} = x{i,j-1}$（$X$的列左移）$(NX){i,j} = x{i+1,j}$（$X$的行上移） 故$x_{i,j-1} = x_{i+1,j}$，这意味着沿主对角线平行的元素全部相等。

小结

若矩阵 $B$取以上形状，其中参数$k_1, \dots, k_5, l_2, \dots, l_5 \in K$ 任取，则：

$$ \{\alpha_1, A\alpha_1, A^2\alpha_1, \alpha_2, A\alpha_2\} \in \ker(AB - BA) $$

因为就是从 $AB=BA$推出来的。这说明该基底中的每一个向量都被$AB-BA$ 映射为零向量。由于这组向量构成空间的基，因此：

$$ AB = BA $$

一般情形下的分块结构

设 $A$为由多个上三角若尔当块组成的矩阵，特征值均为$\lambda$。
例如图中示例，当 $A$由阶数为$3, 2, 2$ 的三个块组成时：

$$ A = \text{diag}(J_3, J_2, J_2) $$

与之可交换的矩阵 $B \in C(A)$ 具有如下分块形状：

$$ B = \begin{bmatrix} \text{Toep}(3\times3) & \text{Toep}(3\times2) & \text{Toep}(3\times2) \\ \text{Toep}(2\times3) & \text{Toep}(2\times2) & \text{Toep}(2\times2) \\ \text{Toep}(2\times3) & \text{Toep}(2\times2) & \text{Toep}(2\times2) \end{bmatrix} $$

或者打出具体系数：

$$ B = \left[ \begin{array}{ccc:cc:cc} a_0 & a_1 & a_2 & a_7 & a_8 & a_{11} & a_{12} \\ 0 & a_0 & a_1 & 0 & a_7 & 0 & a_{11} \\ 0 & 0 & a_0 & 0 & 0 & 0 & 0 \\ \hdashline 0 & a_9 & a_{10} & a_3 & a_4 & a_{15} & a_{16} \\ 0 & 0 & a_9 & 0 & a_3 & 0 & a_{15} \\ \hdashline 0 & a_{13} & a_{14} & a_{17} & a_{18} & a_5 & a_6 \\ 0 & 0 & a_{13} & 0 & a_{17} & 0 & a_5 \end{array} \right] $$

• 对角块与交叉块：每个分块内部都呈现 Toeplitz 结构（主对角线及其平行线上元素相等）。
• 阶数限制：对于 $m \times n$的交叉分块，其独立变量的个数由$\min(m, n)$ 决定。

维数 $dim C(A)$ 的一般性推导

设 $A$是对角元均为$\lambda$ 的若尔当形矩阵，各对角块阶数满足：

$$ n_1 \ge n_2 \ge \dots \ge n_s $$

$C(A)$的总维数等于所有分块独立变量数之和。根据$\min(n_i, n_j)$ 的原则，维数分布呈现如下阶梯状矩阵模式：

• 第 1 行贡献：$n_1 + n_2 + n_3 + \dots + n_s$（由于 $n_1$最大，各$\min(n_1, n_j) = n_j$，但由于对称性及 $B_{ij}$结构，此处统计逻辑为各列对第$i$ 块的贡献）
• 通过对所有 $\min(n_i, n_j)$ 求和：

$$ \begin{array}{c|ccccc} & n_1 & n_2 & n_3 & \dots & n_s \\ \hline n_1 & n_1 & n_2 & n_3 & \dots & n_s \\ n_2 & n_2 & n_2 & n_3 & \dots & n_s \\ n_3 & n_3 & n_3 & n_3 & \dots & n_s \\ \vdots & \vdots & \vdots & \vdots & \ddots & \vdots \\ n_s & n_s & n_s & n_s & \dots & n_s \end{array} $$

将上述表格按行或按规律求和，可提炼出交换代数维数的最终计算公式：
**

$$ \mathbf{dim C(A) = n_1 + 3n_2 + 5n_3 + 7n_4 + \dots + (2s-1)n_s} $$

**

结构总结

我们可以把这种结构形象地理解为“大分块”嵌套“小分块”：

第一层：按“特征值”进行的大分块（外部结构）

• 由于特征值 $\lambda_i$ 互异，不同特征值对应的根子空间之间是“绝缘”的。

• 形态：整个矩阵 $B$ 呈现严格的分块对角（Block Diagonal）形状。

• 这意味着在 $B$矩阵中，如果横向和纵向对应的特征值不同，那个位置的整个子块必须全是$0$。

第二层：按“若尔当块”进行的小分块（内部结构）

• 在同一个特征值 $\lambda_i$对应的大对角块内部，可能存在多个小的若尔当块$J_{n_1}, J_{n_2} \dots$。

• 形态：这个大对角块内部是“全通”的，即每一对小块之间都可以有非零的交叉块。

• 约束：为了满足交换性，这些对角小块和交叉小块都必须是 Toeplitz 结构。

---

总结模型

如果矩阵 $A$有两个特征值$\lambda_1$（对应 $2$个若尔当块）和$\lambda_2$（对应 $1$个若尔当块），那么$B$ 的形状如下：

$$ B = \left[ \begin{array}{cc|c} \color{blue}{\text{Toep}} & \color{blue}{\text{Toep}} & \mathbf{0} \\ \color{blue}{\text{Toep}} & \color{blue}{\text{Toep}} & \mathbf{0} \\ \hline \mathbf{0} & \mathbf{0} & \color{green}{\text{Toep}} \end{array} \right] $$

• 蓝色区域：对应特征值 $\lambda_1$ 的“大块”，内部因为有多个若尔当块，所以填满了交叉 Toeplitz 块。

• 绿色区域：对应特征值 $\lambda_2$ 的“大块”，因为只有一个若尔当块，所以它只是一个简单的对角线 Toeplitz 块。

• $\mathbf{0}$区域：因为特征值$\lambda_1 \neq \lambda_2$，所以大块之间必须为零，形成了分块对角的宏观结构。

这种分层结构完美解释了为什么当一个特征值对应多个块时，交换代数 $C(A)$会因为内部的“跨块耦合”而失去交换性（即$C(A)$ 不再是交换环）。

---

矩阵 A 的二次中心化子 $C(C(A))$

1. 二次中心化子的定义

二次中心化子 $C(C(A))$定义为所有与$C(A)$中每一个元素都交换的矩阵$M$ 组成的集合：

$$ C(C(A)) = \{ M \mid MB = BM, \forall B \in C(A) \} = ? $$

2. 实例推导

**以 $A = \left[ \begin{array}{ccc:cc} 0 & 1 & 0 & & \ 0 & 0 & 1 & & \ 0 & 0 & 0 & & \ \hdashline & & & 0 & 1 \ & & & 0 & 0 \end{array} \right]$ 为示例.

在 $C(A)$中选两个矩阵$B_1 = \left[ \begin{array}{ccc:cc} 0 & 1 & 0 & & \ 0 & 0 & 1 & & \ 0 & 0 & 0 & & \ \hdashline & & & 1 & 1 \ & & & 0 & 1 \end{array} \right] , \quad B_2 = \left[ \begin{array}{ccc:cc} 0 & 0 & 0 & 1 & 0 \ & 0 & 0 & 0 & 1 \ & & 0 & 0 & 0 \ \hdashline & & & 0 & 0 \ & & & & 0 \end{array} \right]$若$M \in C(C(A))$，则 $M \in C(B_1)$，于是 $M = \left[ \begin{array}{ccc:cc} a_0 & a_1 & a_2 & & \ & a_0 & a_1 & & \ & & a_0 & & \ \hdashline & & & b_0 & b_1 \ & & & & b_0 \end{array} \right] \quad a_i, b_j \in K.$再由$M B_2 = B_2 M$(比较右上角的二阶块)$\Rightarrow a_0 = b_0, a_1 = b_1 \Rightarrow M \in K[A]$是$A$ 的多项式

3. 核心结论——双重中心化子定理

通过以上约束推导得出：
**

$$ C(C(A)) = K[A] $$

**
即：只有当 $M$是矩阵$A$ 的多项式（$A$的多项式环$K[A]$）时，它才能与 $C(A)$ 中的所有矩阵交换。

4. 关于交换环的深度观察

• 非交换性：特别地，在上述例子中 $B_1B_2 \neq B_2B_1$。
• 判别准则：只要矩阵 $A$的某一个特征值$\lambda$对应了两个或两个以上的若尔当块，那么它的交换代数$C(A)$ 就不是交换环。

---

一些杂题

我们会发现一些类似对易的样式的条件会满足的一些共性。例如之前提到的特征子空间是另一方的不变子空间。还有一个性质：

$$ BA-AB=A $$

这能得到

$$ BA^{k}-A^kB=kA^k $$

只需要归纳即可

$$ BA^k = (BA^{k-1})A = (A^{k-1}B + (k-1)A^{k-1})A = A^{k-1}(BA) + (k-1)A^k $$

$$ = A^{k-1}(AB+A) + (k-1)A^k = A^kB + A^k + (k-1)A^k = A^kB + kA^k $$

虽然不知道有什么用，但是还挺有意思。
此外，由于特征子空间是另一方的不变子空间，那么会想到拿循环子空间去给人家作用会得到一些有趣的结果，例如[[#3. 交换矩阵 B 的性质推导]]。

我们可以看一道期中考试的压轴，虽然不是对易的，但是可以类似地操作。

$$ 复数域上考虑，A^n=0，dimKerA=1，BA-AB=A，证明B可以对角化 $$

由于 $dimKerA=1$，只有一条链，我们就知道这对应一个强循环子空间$\alpha,A\alpha,…$，我们考虑$B$ 的作用：

$$ 设 B\alpha=k_0\alpha+k_1A\alpha+...+k_{n-1}A^{n-1}\alpha $$

那么我们带入这个条件

$$ BA\alpha-AB\alpha=A\alpha $$

就得到

$$ BA\alpha=(k_0+1)A\alpha+k_1A^2\alpha+...+k_{n-2}A^{n-1}\alpha $$

规律已经昭然，我们可以再算一项

$$ BA^2\alpha=A^2B\alpha+2A^2\alpha=(k_0+2)A^2\alpha+...+k_{n-3}A^{n-1}\alpha $$

以此类推，最后一项就是

$$ BA^{n-1}\alpha=(k_0+n-1)A^{n-1}\alpha $$

那么 $B$在这一组基下对应的矩阵就是一个下三角的矩阵，对角元是$k_0+i$，其中$i=0,1,2…$，所以他有$n$ 个互异特征值，从而可以对角化。

1.贝叶斯定理是

$$ P(A|B)=\frac{P(B|A)P(A)}{P(B)} $$

说明后验概率可以由先验概率和似然得到。
最大似然估计 $MLE$即最大化似然，在已知观测数据$B$的情况下，寻找使似然函数$P(B|A)$最大化的参数$A^*$。
最大后验估计 $MAP$即最大化后验概率，即最大化$P(B|A)P(A)$ 。

2 . $\mu=\bar{x}，\sigma^2=\frac{1}{n}\sum{(x-\bar{x})^2}$

3。输出值离散，连续。分别用于寻找决策边界，拟合映射函数。

4。数据有无正确标签。分别用于学习映射关系，发现数据的结构。

5.特征数大于参数量时或 $A^TA$ 不可逆时无 closed form，反之可有。

6.参数较小但一般非零，原因：正则化项为平方，对应超球，倾向离原点更近。
Lasso的解较稀疏，原因：正则化项为 $L_1$ 范数，在多维空间中具有菱形顶点，更倾向于贴向坐标轴。

7.从model function看，Linear regression只用线性模型，而 Logistic regression 加上了 sigmoid 函数使得输出被压缩到0到1.
从Loss function看，Linear regression用Square loss，Logistic regression用Cross Entropy，以避免梯度消失。
从optimization solution看，都是反向传播梯度下降来优化参数。

8.选取邻居的个数，以及距离度量方式。通过 Cross Validation 选择。

1.损失函数为度量模型输出和期望的输出间的函数，通过最小化损失函数我们可以得到想要的输出，损失函数提供了量化输出的方法。学习率是梯度下降中梯度的系数，通过调控学习率，使得梯度下降有适当的速率，同时避免震荡。

2.线性回归的损失函数为 Square Loss ，也就是

$$ \mathcal{L}(\mathbf{W}, b) = \frac{1}{2} (\hat{y} - y)^2 = \frac{1}{2} (\mathbf{W}^\top \mathbf{x} + b - y)^2 $$

3.根据链式法则进行推导：

对 $b$ 求偏导

$$ \frac{\partial \mathcal{L}}{\partial b} = (\mathbf{W}^\top \mathbf{x} + b - y) \cdot 1 = \hat{y} - y $$

对 $\mathbf{W}$ 求偏导：

$$ \frac{\partial \mathcal{L}}{\partial \mathbf{W}} = (\mathbf{W}^\top \mathbf{x} + b - y) \cdot \mathbf{x} = (\hat{y} - y)\mathbf{x} $$

$$ \mathbf{W}_{n+1} = \mathbf{W}_n - [\nabla^2 \mathcal{L}(\mathbf{W}_n, b_n)]^{-1} \nabla \mathcal{L}(\mathbf{W}_n, b_n) $$

1.让函数变得非线性，从而可以处理更复杂的边界。

2.带入 $h$整理就知道$\hat{y} = (\mathbf{W}_2^\top \mathbf{W}_1^\top) \mathbf{x} + (\mathbf{W}_2^\top \mathbf{b}_1 + b_2)$ ，只是把矩阵稍作改换，仍然是线性模型的形式。

3.线性层堆叠仍然线性，故为了处理更复杂的边界，需要引入非线性函数。

4.sigmoid：类似S型曲线的函数，通常和 Logistic 函数 $\frac{1}{1+e^x}$混用。tanh即双曲函数。ReLU 为$max(0,x)$ 。

5.对一个包含 $K$个类别的输出向量$\mathbf{z} = [z_1, z_2, \dots, z_K]$，Softmax 的第 $i$ 个分量定义为：

$$ \text{softmax}(z_i) = \frac{e^{z_i}}{\sum_{j=1}^K e^{z_j}} $$

6.使概率归一化，同时放大 logits 的差异，让模型更“自信”

1.$f(x) = 0.5x + 1$，损失均为0

$$ \mathcal{L}(\mathbf{w}) = \frac{1}{2m} \sum_{i=1}^{m} (\mathbf{w}^\top \mathbf{x}_i - y_i)^2 $$

• 初始化 $\mathbf{w} = (0, 0, 0, 0, 0)^\top$，学习率 $\eta = 0.1$。

• 梯度更新公式：$\mathbf{w}^{(1)} = \mathbf{w}^{(0)} - \eta \cdot \nabla_{\mathbf{w}} \mathcal{L}$。

• 梯度 $\nabla_{\mathbf{w}} \mathcal{L} = \frac{1}{n} \sum_{i=1}^{n} (\hat{y}_i - y_i) \mathbf{x}_i$。

计算过程：

1. 初始预测值 $\hat{y}_i = \mathbf{0}^\top \mathbf{x}_i = 0$。

2. 误差 $(\hat{y}_i - y_i)$ 分别为：$-1, -1.5, -2, -2.5$。

3. 样本向量 $\mathbf{x}$ 分别为：$(1,0,0,0,0)^\top, (1,1,1,1,1)^\top, (1,2,4,8,16)^\top, (1,3,9,27,81)^\top$。

4. 平均梯度 $\nabla_{\mathbf{w}} \mathcal{L} = \frac{1}{4} [(-1)\mathbf{x}_1 + (-1.5)\mathbf{x}_2 + (-2)\mathbf{x}_3 + (-2.5)\mathbf{x}_4] = (-1.75, -2.25, -6.625, -20.875, -53.625)^\top$。

5. 更新：$\mathbf{w}^{(1)} = \mathbf{0} - 0.1 \cdot \nabla_{\mathbf{w}} \mathcal{L} = \mathbf{[0.175, 0.225, 0.6625, 2.0875, 5.3625]^\top}$。

训练集损失计算：

根据模型 $\hat{y} = w_0 + w_1x + w_2x^2 + w_3x^3 + w_4x^4$，代入各训练点：

• $x=0$: $\hat{y} = 1.0$

• $x=1$: $\hat{y} \approx 1.0 \times 10^5$

• $x=2$: $\hat{y} \approx 5.0 \times 10^5$

• $x=3$: $\hat{y} \approx 1.5 \times 10^6$

训练集均方误差 ：

$$ MSE_{train} \approx 6.27 \times 10^{11} $$

测试集损失计算：

对于测试点 $x=4, y=3$：

• 预测值 $\hat{y}$:

$$ \hat{y} = 1.0 + 24998.75(4) + 45831.96(16) + 24999.25(64) + 4166.54(256) $$

$$ \hat{y} \approx 3,499,893.6 $$

• 测试集均方误差：

$$ MSE_{test} = (3499893.6 - 3)^2 \approx 1.22 \times 10^{13} $$

现象：梯度爆炸。

原因：

1. 模型复杂度过高：使用了 4 次多项式模型。

2. 学习率过大。

3. 初始化不当。

• 定义：

  • L1 正则化 (Lasso)：在损失函数后加上权重绝对值之和 $\lambda |\mathbf{w}|_1$。

  • L2 正则化 (Ridge)：在损失函数后加上权重平方和的一半 $\frac{\lambda}{2} |\mathbf{w}|_2^2$。

• 分析：

  • 修改损失函数？ 是。增加了惩罚项。

  • 修改网络结构？ 否。网络层数和神经元数量保持不变。

  • 改变参数更新过程？ 是。在梯度下降中，梯度会包含正则项的导数（如 L2 会引入Weight Decay）。

8. Data Augmentation：获取更多样化的训练样本。

9. 早停法：在验证集损失上升前停止训练。

10. Dropout：在神经网络中随机使部分神经元失活。

11. 简化模型：降低多项式的次数（例如改用线性回归）。

1.感受野是指在 CNN 中，每一层输出的特征图上的一个像素点在原始输入图像上对应的区域大小。

计算公式如下：

$RF_{i} = RF_{i-1} + (k_i - 1) \cdot \prod_{j=1}^{i-1} s_j$

其中：

• $RF_i$是第$i$ 层的感受野。

• $RF_{i-1}$是前一层的感受野（输入层的$RF_0 = 1$）。

• $k_i$是第$i$ 层的卷积核（或池化核）大小。

• $s_j$是第$j$ 层的步长。

模型	不同点	相同点
R-CNN	原始版本。对 候选区域分别进行卷积计算，速度极慢，占用空间大。	1. 都是二阶段方法。
SPP Net	引入空间金字塔池化。全图只进行一次卷积，在特征图上提取候选区域，解决了输入尺寸必须固定的问题。	2. 都依赖候选区域生成算法（如 Selective Search）。
Fast R-CNN	将分类与边界框回归整合进一个网络。引入 RoI Pooling，大大提升了训练速度。	3. 最后都包含分类头和回归头。
Faster R-CNN	提出 RPN。用神经网络取代了速度慢的传统算法，实现了真正意义上的端到端训练。	—

相同点

• 循环结构：两者都用于处理序列数据（如文本、音频、时间序列）。

• 状态传递：都利用隐藏状态来传递过去时间步的信息。

不同点

• 结构复杂度：

  • RNN：结构非常简单，只有一个单一的 $tanh$ 层进行循环。

  • LSTM：结构复杂，引入了 门控机制，包含输入门、遗忘门、输出门以及细胞状态。

LSTM 的优势

1. 解决长程依赖问题：RNN 在处理长序列时容易出现 梯度消失 或 梯度爆炸。LSTM 通过细胞状态的长线传输，能有效保留远距离的信息。

2. 记忆管理：

   • 遗忘门：决定丢弃哪些无关信息。

   • 输入门：决定存入哪些新信息。

   • 输出门：决定当前输出哪些信息。

不变子空间

对于不可对角化的矩阵，我们也希望有一个类似对角化的解剖刀，把矩阵割成互不干扰的片段，好让我们清晰地看到结构。例如特征子空间，彼此互不干扰，又作为子空间封闭。

我们希望从这样的空间抽象出一种相对普适的子空间，也就是所谓不变子空间：

设 $\mathscr{A} \in Hom(V)$ ，$W$是$V$的子空间。若$\forall \alpha \in W, \mathscr{A}\alpha \in W$，则称$W$是$A$-（不变）子空间。例如 $V$ ，${0}$，以及$ImA,KerA$ ，还有广义特征子空间。

性质

回忆起之前，我们证明过两个可对角化的矩阵如果可交换，他们可以同时对角化，这实际上蕴藏了更深一些的东西。

若线性变换 $A,B$可以交换，那么$KerB,ImB$都是$A$ 不变子空间。

设

$$ AB=BA $$

考虑 $B\alpha=0$则$B(A\alpha)=A(B\alpha)=0$，故$A\alpha\in KerB$ 。
考虑 $\alpha=B\beta$，则$A(B\beta)=B(A\beta)\in ImB$ 。

此外，还有一些简单的线性关系。

不变子空间的交、和还是不变子空间

设 $U,W$是$A$ 的不变子空间。

取 $\alpha\in U+W$，那么$\alpha=u+w$，作用一下$A$得到$A\alpha=Au+Aw$，由条件$Au,Aw$还在原空间，故$A\alpha\in U+W$ 。
取 $\alpha\in U \cap W$，那么$\alpha\in U\implies A\alpha\in U$，同理$A\alpha\in W$，所以$A\alpha\in U\cap W$ 。

限制变换

那么，要拆解线性变换，我们就可以考虑线性变换在不变子空间上的作用，我们做所谓的限制变换，也就是把线性变换的定义域限制缩小到不变子空间上。

于是就会得到非常美丽的分块的形式。那么我们可以进一步地考虑这两个矩阵都蕴含了什么。

我们把 $A’$叫做诱导矩阵，它诱导了$V/W$ 上的线性变换。

$$ A':\alpha+W\mapsto A\alpha+W $$

当把 $W$商掉，我们也就只剩下$A’$了，所以对应的映射也就是直接乘$A$ 。

这样也就得到一个局部作用的矩阵，和全局的线性变换有什么联系呢？

限制在不变子空间的限制变换的特征多项式整除原变换的特征多项式

好，那么既然不变子空间这么好，我们怎么找呢？之前提到特征子空间是不变子空间，那我也只能求出特征向量，万一不可对角化要如何找到广义特征子空间的基呢，一个想法是再乘乘 $A-\lambda I$，这样的话对于原来的已经在$Ker(A-\lambda I)^2$中的$\alpha$，我们再乘一个之后也就到了一次因式的核中，因为$(A-\lambda I)((A-\lambda I)\alpha)$由结合律也就是$0$ 。类比这样的想法，我们有所谓循环子空间的思考。

循环子空间

设 $\mathcal{A}$是$K$-线性空间 $V$ 上的线性变换，$0 ≠ α \in V$。考察 $\mathcal{A}$作用下与$α$ 相关的向量。

此时必存在整数 $r ≥ 1$，使得

$$ α, \mathcal{A}α, \dots, \mathcal{A}^{r-1}α $$

线性无关
而

$$ α, \mathcal{A}α, \dots, \mathcal{A}^{r-1}α, \mathcal{A}^rα $$

线性相关。那么注意到这样的形式，如果我们再用 $\mathcal{A}$ 去作用，自然也是类似的形式，对于更高的幂次总可由线性相关而得到一个被低幂次组合表示的结果，所以我们就构造了一个不变子空间。

对上述的线性相关，有 $b_1, \cdots, b_r \in K$，使得

$$ \mathcal{A}^r\alpha + b_1\mathcal{A}^{r-1}\alpha + \cdots + b_r\alpha = 0 . $$

记 $g(x) = x^r + b_1x^{r-1} + \cdots + b_r$，则有

$$ g(\mathcal{A})\alpha = 0 . $$

$W = \langle \alpha, \mathcal{A}\alpha, \cdots, \mathcal{A}^{r-1}\alpha \rangle$是包含$\alpha$的最小$\mathcal{A}$-子空间，称为由 $\alpha$ 生成的 $\mathcal{A}$-循环子空间。

若 $\mathcal{A}^r\alpha = 0$，称 $W$ 为强循环子空间。
从这里，实际上我们可以轻松地证明 Hamilton Cayley 定理，我们先考虑这样一个引理。

限制变换 $\mathcal{A}|W$在$\alpha, \cdots, \mathcal{A}^{r-1}\alpha$下的矩阵$B

$$ $\mathcal{A}|W (\alpha, \mathcal{A}\alpha, \cdots, \mathcal{A}^{r-1}\alpha) = (\mathcal{A}\alpha, \mathcal{A}^2\alpha, \cdots, \mathcal{A}^r\alpha) $$

$$ B = \begin{bmatrix} 0 & 0 & \cdots & 0 & -b_r \\ 1 & 0 & \cdots & 0 & -b_{r-1} \\ 0 & 1 & \cdots & \vdots & \vdots \\ \vdots & \vdots & \ddots & 0 & -b_2 \\ 0 & 0 & \cdots & 1 & -b_1 \end{bmatrix} $$

其中 $B$为 Frobenius 矩阵。$\mathcal{A}|W$ 的特征多项式为：

$$ |x I_r - B| = x^r + b_1x^{r-1} + \cdots + b_r = g(x) $$

神奇的事情发生了，这恰好是零化多项式，而由于零化多项式必定有特征值为根，所以这就是最小多项式。这个系数就是从零化多项式抄来的。

也就是说，我们限制在这个循环子空间的特征多项式能让矩阵零化！

Hamilton Cayley 定理

我们由限制变换的特征多项式整除原来的特征多项式，不妨设 $g(x)$是限制变换的特征多项式，$f(x)$是原来的特征多项式，就有$f(x)=h(x)g(x)$，代入$A$(环同构) 就有$f(A)\alpha=h(A)g(A)\alpha$，让这个$g$对应$\alpha$的循环子空间，那么就得到等式等于$0$ 。

换句话说， $\forall \alpha \in V, f(A)\alpha=0$，这说明说明$Kerf(A)$张成$V$，那也只有可能$f(A)=0$ 。这也就是所谓 Hamilton Cayley 定理，矩阵的特征多项式是矩阵的零化多项式。

可以看到，并不需要什么伴随矩阵，构造一坨莫名其妙的东西然后进行莫名其妙的运算，这是结构倒逼的必然的结果。

得到零化多项式，我们说过，也就得到了全空间的分解，而且这个分解相当细致。

根子空间分解

若 $\mathcal{A}$的特征多项式在域$K$ 上有分解：

$$ f_{\mathbf{A}}(x) = (x - \lambda_1)^{n_1} (x - \lambda_2)^{n_2} \cdots (x - \lambda_s)^{n_s} $$

由 Hamilton Cayley 定理，则

$$ V = V_1 \oplus V_2 \oplus \cdots \oplus V_s $$

其中

$$ V_i = \text{Ker}(\mathcal{A} - \lambda_i I)^{n_i} $$

称为 $\lambda_i$ 的根子空间 (Generalized Eigenspace)。

但是我们可以想想，也许这些根子空间有一定的冗余，我们并不需要这么高的次数就可以让 $A$ 零化。

最小多项式

1. 最小多项式的概念

在线性变换 $\mathcal{A}$的所有零化多项式中，次数最小且首一的多项式称为$\mathcal{A}$的最小多项式，记为$m_{\mathcal{A}}(x)$或$m(x)$。

知道 $m_{\mathcal{A}}(x)$，就掌握了 $\mathcal{A}$ 的所有零化多项式。

---

2. 最小多项式的性质

命题 1：设 $g(x) \in K[x]$。则

$g(\mathcal{A}) = 0$当且仅当$m_{\mathcal{A}}(x) \mid g(x)$- 证明思路：设$g(x) = q(x)m_{\mathcal{A}}(x) + r(x)$，其中 $\deg r(x) < \deg m_{\mathcal{A}}(x)$。

• 则 $r(\mathcal{A}) = 0$。由此推出 $r(x) = 0$。

• 推论：$\mathcal{A}$的最小多项式$m_{\mathcal{A}}(x)$ 唯一；$m_{\mathcal{A}}(x)$整除$\mathcal{A}$的特征多项式$f_{\mathcal{A}}(x)$。

命题 2：若 $\lambda \in K$是$\mathcal{A}$的特征值，则$m_{\mathcal{A}}(\lambda) = 0$。

• 证明：若 $\lambda \in K$是$\mathcal{A}$的特征值，则存在$\alpha \in V, \alpha \neq 0$，使得 $\mathcal{A}\alpha = \lambda\alpha$。

• 于是 $0 = m_{\mathcal{A}}(\mathcal{A})\alpha = m_{\mathcal{A}}(\lambda)\alpha \implies m_{\mathcal{A}}(\lambda) = 0$。

---

3. 最小多项式与特征多项式的关系

小结：若 $\mathbf{A}$的特征多项式在$K$ 上有分解

$$ f_{\mathbf{A}}(x) = (x - \lambda_1)^{n_1} \cdots (x - \lambda_s)^{n_s} $$

则 $\mathbf{A}$ 最小多项式的因式分解为

$$ m_{\mathbf{A}}(x) = (x - \lambda_1)^{r_1} \cdots (x - \lambda_s)^{r_s} $$

其中 $1 \le r_i \le n_i$。

---

4. 最小多项式判定对角化

判定准则：

设 $V$是$K$-线性空间，$\mathcal{A} \in \text{Hom}(V)$。则 $\mathcal{A}$可对角化，当且仅当$\mathcal{A}$的最小多项式在$K$ 上能完全分解且无重根，即：

$$ m_{\mathcal{A}}(x) = (x - \lambda_1) \cdots (x - \lambda_s) $$

其中 $\lambda_1, \dots, \lambda_s \in K$是$\mathbf{A}$ 互异的特征值。

证明：

$\mathcal{A}$在域$K$ 上可对角化，即：

$$ V = \text{Ker}(\mathcal{A} - \lambda_1 I) \oplus \dots \oplus \text{Ker}(\mathcal{A} - \lambda_s I) $$

（$\lambda_i \in K$是$\mathcal{A}$互异的特征值）$\iff V = \text{Ker}[(\mathcal{A} - \lambda_1 I) \dots (\mathcal{A} - \lambda_s I)]$（互素性）$\iff (\mathcal{A} - \lambda_1 I) \dots (\mathcal{A} - \lambda_s I) = 0$

$\iff (x - \lambda_1) \dots (x - \lambda_s)$是$\mathcal{A}$次数最小的零化多项式，即$m_{\mathcal{A}}(x)$。

---

5.最小多项式决定 $K[\mathcal{A}]$的结构$\mathcal{A}$的最小多项式决定$K[\mathcal{A}]$ 的结构：

• 首先，$I, \mathcal{A}, \cdots, \mathcal{A}^{d-1}$构成$K$-线性空间 $K[\mathcal{A}]$的基，这里$d = \deg m_{\mathcal{A}}(x)$。

• 其次，映射 $\sigma : K[x] \to K[\mathcal{A}]

$$ $g(x) \mapsto g(\mathcal{A}) $$

是环的满同态，$\text{Ker } \sigma$为$m_{\mathcal{A}}(x)$ 的全体倍式。

• 故剩余类环 $K[x] / (m_{\mathcal{A}}(x)) \cong K[\mathcal{A}]$。

6.最小多项式不随数域扩张改变

首先当然扩张完还是零化多项式。

然后证明扩张不会让零化多项式次数降低。

设 $I, \mathcal{A}, \dots, \mathcal{A}^{d-1}$构成$K[\mathcal{A}]$的基，其中$d = \deg m_A(x)$。

• 这说明在 $K$视角下，这$d$ 个算子是线性无关的。

• 线性无关是一个“硬”性质。如果一组向量在小域上无关，它们在大域上依然无关。

• 因此，在 $F$上，这$d$个算子${I, \mathcal{A}, \dots, \mathcal{A}^{d-1}}$ 也必须是线性无关的。

• 既然它们无关，那么任何次数小于 $d$的多项式$h(A)$（即这些算子的线性组合）就不可能等于 $0$。

主分解定理

设 $\mathcal{A}$是$K$上的线性变换，其最小多项式$m(x)$在域$K$ 上分解为：

$$ m(x) = (x - \lambda_1)^{r_1} \cdots (x - \lambda_s)^{r_s} $$

则全空间 $V$可以唯一地分解为$\mathcal{A}$ 的根子空间直和：

$$ V = \text{Ker}(\mathcal{A} - \lambda_1 I)^{r_1} \oplus \cdots \oplus \text{Ker}(\mathcal{A} - \lambda_s I)^{r_s} $$

当幂次达到 $r_1$后，再增加幂次（如$r_1+1$），$\text{Ker}$的维数将不再增长。这个稳定的空间就是$\lambda_1$ 的根子空间。

这就是为什么要学多项式环，多项式的因子决定了空间的子块。
同时这正好是投影：

记 $f_i(x) = (x - \lambda_i)^{r_i}, F_i(x) = \prod_{j \neq i} (x - \lambda_j)^{r_j};$则$(f_i(x), F_i(x)) = 1,$故存在$u_i(x), v_i(x) \in \text{K}[x],$

使得

$$ u_i(x)f_i(x) + v_i(x)F_i(x) = 1. $$

令 $h_i(x) = v_i(x)F_i(x) = 1 - u_i(x)f_i(x).$
$V_i = \text{Ker}(\mathcal{A} - \lambda_i I)^{r_i}$，则$\mathcal{P}_i = h_i(\mathcal{A})$是向$V_i$的正则投影，保持$V_i$中的向量点点不动，同时将其余的$V_j \ (j \neq i)$都变为$0.$- 在$V_i$ 上：

任何 $\alpha \in V_i$都满足$(\mathcal{A} - \lambda_i I)^{r_i} \alpha = 0$，即 $f_i(\mathcal{A})\alpha = 0$。

回到定义式：$\mathcal{P}_i = I - u_i(\mathcal{A})f_i(\mathcal{A})$。

作用于 $\alpha$ 时：$\mathcal{P}_i \alpha = I\alpha - u_i(\mathcal{A})(0) = \alpha$。

这解释了为什么它 **“保持 $V_i$ 中的向量点点不动”**。

• 在 $V_j (j \neq i)$ 上：

  任何 $\beta \in V_j$满足$f_j(\mathcal{A})\beta = 0$。由于 $F_i(x)$包含了除$f_i(x)$以外所有的因子，所以$f_j(x)$必然是$F_i(x)$ 的因式。

  因此 $F_i(\mathcal{A})\beta = 0$。

  由于 $\mathcal{P}_i = v_i(\mathcal{A})F_i(\mathcal{A})$，作用于 $\beta$ 时：$\mathcal{P}_i \beta = v_i(\mathcal{A})(0) = 0$。

  这解释了为什么它 “将其余的 $V_j$ 都变为 0”。

这给出的分解对不变子空间也成立：

定理： 设 $V = V_1 \oplus \dots \oplus V_s$是线性变换$\mathcal{A} \in \text{Hom}(V)$ 的根子空间分解。

则任意 $\mathcal{A}$-子空间 $W$ 都有不变子空间分解

$$ W = W_1 \oplus \dots \oplus W_s, \quad W_i = W \cap V_i $$

---

故 $\mathcal{A}$-子空间 $W$的计算可归结为根子空间$V_i$中$\mathcal{A}$-子空间 $W_i$ 的计算。

---

证： 设 $\mathcal{P}_i$是向$V_i$所做的投影变换，将其余$V_j \ (j \neq i)$都变为$0$，则如前 $\mathcal{P}_i$可写成$\mathcal{A}$的多项式$h_i(\mathcal{A})$。

故 $W$是$\mathcal{P}_i = h_i(\mathcal{A})$ 的不变子空间，$\mathcal{P}_i W \subseteq W$.

对任意 $\alpha \in W$，有

$$ I\alpha = \mathcal{P}_1 \alpha + \mathcal{P}_2 \alpha + \dots + \mathcal{P}_s \alpha, $$

其中 $\mathcal{P}_i \alpha = h_i(\mathcal{A})\alpha \in W \cap V_i$。于是

$$ W \subseteq (W \cap V_1) + \dots + (W \cap V_s). $$

反方向包含关系，直和关系显然。

在之前，我们已经把线性变换分割成了不变子空间，并考虑了其上的限制映射和诱导映射，而根子空间给出的分解让限制映射有一个非常好的性质，对限制在根子空间 $Ker(A-\lambda I)^r$的映射$A$，我们构造$B=(A-\lambda I)|_W$ 有

$$ \mathcal{B}^r \alpha = ((\mathcal{A} - \lambda I)|_W)^r \alpha = (\mathcal{A} - \lambda I)^r \alpha $$

其中 $\alpha \in Ker(A-\lambda I)^r$，从而$B^r=0$ 。也就是说这是个幂零矩阵，所以我们只需要研究幂零变换，就可以知道一般变换的性质。

幂零变换 (Nilpotent Endomorphism)

设 $\mathbf{B} \in \text{Hom}(V)$。若有正整数 $t$使得$\mathbf{B}^t = 0$，则称 $\mathbf{B}$是幂零变换。使$\mathbf{B}^t = 0$成立的最小指数$t$称为$\mathbf{B}$ 的幂零指数。

幂零变换 $\mathbf{B}$的最小多项式是$x^t$。

幂零变换的循环子空间

对幂零变换，我们仍然找循环子空间。

---

任给 $\alpha \neq 0$，总有 $r \geq 1$，使得 $\mathbf{B}^{r-1}\alpha \neq 0, \mathbf{B}^r\alpha = 0$。

则

$$ Z(\alpha, \mathbf{B}) = \langle \alpha, \mathbf{B}\alpha, \mathbf{B}^2\alpha, \dots, \mathbf{B}^{r-1}\alpha \rangle $$

是 $\mathbf{B}$-子空间，称为由 $\alpha$ 生成的强循环子空间。

$$ \alpha, \mathbf{B}\alpha, \dots, \mathbf{B}^{r-1}\alpha $$

称为 $Z(\alpha, \mathbf{B})$ 的循环基，$\mathbf{B}^{r-1}\alpha$ 称为循环基的尾项，它在后面的证明中起到关键性作用。
我们可以证明这构成基，考虑线性组合

$$ \sum_i c_iB^i\alpha=0 $$

我们作用 $B^{r-1}$就只剩$c_0B^{r-1}\alpha=0$，只能$c_0=0$。如法炮制就得到所有系数为$0$ 。

---

若 $Z(\alpha, \mathbf{B}) = \langle \alpha, \mathbf{B}\alpha, \mathbf{B}^2\alpha, \dots, \mathbf{B}^{r-1}\alpha \rangle$是$r$维$\mathbf{B}$-强循环子空间，则有

$$ \mathbf{B}(\alpha \ \mathbf{B}\alpha \ \mathbf{B}^2\alpha \dots \mathbf{B}^{r-1}\alpha) $$

$$ = (\alpha \ \mathbf{B}\alpha \ \mathbf{B}^2\alpha \dots \mathbf{B}^{r-1}\alpha) \begin{bmatrix} 0 & 0 & 0 & \dots & 0 \\ 1 & 0 & 0 & \dots & 0 \\ 0 & 1 & 0 & \ddots & \vdots \\ \vdots & \vdots & \ddots & \ddots & 0 \\ 0 & 0 & \dots & 1 & 0 \end{bmatrix} $$

(矩阵为下三角形式，基向量按原序排列)

---

若 $Z(\alpha, \mathbf{B}) = \langle \alpha, \mathbf{B}\alpha, \mathbf{B}^2\alpha, \dots, \mathbf{B}^{r-1}\alpha \rangle$是$r$维$\mathbf{B}$-强循环子空间，则有

$$ \mathbf{B}(\mathbf{B}^{r-1}\alpha \ \mathbf{B}^{r-2}\alpha \dots \alpha) $$

$$ = (\mathbf{B}^{r-1}\alpha \ \mathbf{B}^{r-2}\alpha \dots \alpha) \begin{bmatrix} 0 & 1 & 0 & \dots & 0 \\ 0 & 0 & 1 & \dots & 0 \\ 0 & 0 & 0 & \ddots & \vdots \\ \vdots & \vdots & \vdots & \ddots & 1 \\ 0 & 0 & 0 & \dots & 0 \end{bmatrix} $$

(矩阵为上三角形式，循环基按降幂排列)

---

也就是说，不变子空间一定从某个幂次一直到 $r-1$ 次，中间不能断。

故 $r$维(强)循环子空间$Z(\alpha, \mathbf{B}) = \langle \alpha \ \mathbf{B}\alpha \dots \mathbf{B}^{r-1}\alpha \rangle$只有$r+1$个$\mathbf{B}$-不变子空间：

$$ Z(\alpha, \mathbf{B}) \supset Z(\mathbf{B}\alpha, \mathbf{B}) \supset Z(\mathbf{B}^2\alpha, \mathbf{B}) \supset \dots \supset Z(\mathbf{B}^{r-1}\alpha, \mathbf{B}) \supset \{0\} $$

这些循环基都有相同的尾项。
接下来，我们想要得到原来的变换，需要把一个个子空间拼起来，那自然就想到什么时候是直和。

循环子空间直和的条件

给定 $\alpha, \beta \in W$，怎样才能保证

$$ Z(\alpha, \mathbf{B}) + Z(\beta, \mathbf{B}) \text{ 是直和？} $$

即：如何保证向量组

$$ \alpha, \mathbf{B}\alpha, \mathbf{B}^2\alpha, \dots, \mathbf{B}^{r-1}\alpha $$

$$ \beta, \mathbf{B}\beta, \dots, \mathbf{B}^{s-1}\beta $$

线性无关？

---

引理：强循环子空间之和是直和的充要条件

结论： 强循环子空间之和是直和，当且仅当 循环基尾项线性无关。

---

证明思路 (Proof Sketch)

1. 布局：

若存在系数不全为零的组合使得线性组合为 $0$。将各组循环基按升幂写在不同行上，并按尾项上下对齐：

• 第一行：$\alpha, \mathbf{B}\alpha, \mathbf{B}^2\alpha, \mathbf{B}^3\alpha, \mathbf{B}^4\alpha$（假设尾项是$\mathbf{B}^4\alpha$）

• 第二行：$\beta, \mathbf{B}\beta, \mathbf{B}^2\beta, \mathbf{B}^3\beta$（假设尾项是$\mathbf{B}^3\beta$）

• 第三行：$\gamma, \mathbf{B}\gamma, \mathbf{B}^2\gamma$（假设尾项是$\mathbf{B}^2\gamma$）

2. 核心操作（作用算子 B）：

$k$ 维循环基与尾项的性质

对于 $k$ 维循环基：

$$ \alpha, \mathbf{B}\alpha, \dots, \mathbf{B}^{k-1}\alpha \quad (\mathbf{B}^k \alpha = 0) $$

其尾项 $\mathbf{B}^{k-1}\alpha$ 具备双重身份：

1. 属于像空间： $\mathbf{B}^{k-1}\alpha \in \text{Im} \mathbf{B}^{k-1}$（它是某个向量作用 $k-1$ 次算子后的结果）。

2. 属于核空间： $\mathbf{B}^{k-1}\alpha \in \text{Ker} \mathbf{B}$（再作用一次 $\mathbf{B}$ 就归零了）。

因此，尾项位于这两个空间的交集之中：

$$ \mathbf{B}^{k-1}\alpha \in \text{Im} \mathbf{B}^{k-1} \cap \text{Ker} \mathbf{B} $$

---

空间序列的嵌套结构

设 $t$是算子$\mathbf{B}$的幂零指数（即$\mathbf{B}^t = 0$且$\mathbf{B}^{t-1} \neq 0$）。

我们可以定义一系列子空间 $W_k$，它们刻画了不同“长度”的循环基尾项所在的范围：

$$ W_k = \text{Im} \mathbf{B}^{k-1} \cap \text{Ker} \mathbf{B} $$

这些子空间构成了一个升序的嵌套链（Filtration）：

$$ W_t = \text{Im} \mathbf{B}^{t-1} \subseteq W_{t-1} \subseteq \dots \subseteq W_2 \subseteq W_1 = \text{Ker} \mathbf{B} $$

同时，利用我们在商空间证明的

$$ \text{Im}\mathcal{A} \big/ (\text{Im}\mathcal{A} \cap \text{Ker}\mathcal{B}) \cong \text{Im}(\mathcal{BA}) $$

我们代入 $A=B^{k-1}$ 就得到

$$ dimImB^{k-1}-dim(ImB^{k-1}\cap KerB)=dimImB^k $$

也就是 $dimW^k=dimImB^{k-1}-dimImB^k$ 。这就得到了维数公式。

幂零变换的空间分解

实际上，由幂零变换我们就可以给出空间的分解，正是利用循环子空间
我们考虑基底扩张的过程，从最小的

$$ W_k = \text{Im}\mathcal{B}^{k-1} \cap \text{Ker}\mathcal{B} $$

中，我们取一组基 $\eta_{1}^{(t)}, \dots, \eta_{m_t}^{(t)}$，然后我们扩充到下一级，在$W_{t-1}$补上$\eta_{1}^{(t-1)}, \dots$；..直到 $W_1$。 此时，所有 $\eta$组成的集合是$\text{Ker}\mathcal{B}$ 的基，且彼此线性无关。

对每一个 $\eta \in W_k$，都可以找到对应的 $\alpha$满足$\mathcal{B}^{k-1}\alpha = \eta$。我们将所有这些 $\alpha$产生的循环链全部收集起来。由于特意通过“基底扩充”的方法选取$\eta$，所以所有链的尾项集合是线性无关的，因此这些循环子空间之和必然是直和。
我们需要确定这些直和在一起是否填满了整个 $V$。

计算直和空间的维数：

$$ \sum (\text{每条链的长度}) = \sum_{k=1}^t k \times (\text{长度恰好为 } k \text{ 的链的个数}) $$

长度为 $k$的链也就对应$W_k$ 里的一串，$dimW_t$ 是何意味呢，我们看看：

• 在 $W_t$里挑出的向量： 它们能往回追溯$t-1$步（因为在$\text{Im}\mathcal{B}^{t-1}$里），所以它们生成的是长度为$t$ 的最长链。

• 在 $W_{t-1}$但不在$W_t$里的向量： 它们只能往回追溯$t-2$步。它们生成的是长度为$t-1$的链。$\dim W_k$实际上是“长度$\ge k$ 的循环链”的数量。这让我们联想到期望公式，对于正整数的随机变量

$$ E(X) = \sum_{k=1}^{\infty} P(X \ge k) $$

那么当我们如法炮制把所有的 $\dim W_k$ 加起来时：

$$ \sum_{k=1}^t \dim W_k = \dim W_1 + \dim W_2 + \dots + \dim W_t $$

• 长度为 $1$的链，只在$\dim W_1$ 中被数了 1 次。

• 长度为 $2$的链，在$\dim W_1$和$\dim W_2$ 中各被数了 1 次，共 2 次。

• …

• 长度为 $k$的链，在$\dim W_1, \dots, \dim W_k$ 中各被数了 1 次，共 $k$ 次。

所以
通过维数计算公式：

$$ \text{总维数} = \sum_{k=1}^t \dim W_k = \sum_{k=1}^t (\text{rank}(\mathcal{B}^{k-1}) - \text{rank}(\mathcal{B}^k)) $$

也就得到：

$$ \text{总维数} = \text{rank}(\mathcal{B}^0) - \text{rank}(\mathcal{B}^t) = \dim V - 0 = \dim V $$

Jordan 标准型

存在性

设 V 是有限维 K-线性空间, 𝒜 ∈ Hom V .若 𝒜 的特征多项式在域 K 上能分解成一次因式的乘积, 则存在 V 的一组基, 使得 𝒜 在此基下的矩阵为若当形矩阵.

证明：

把 $V$ 分解成

$$ V=\bigoplus_i Ker(A-\lambda_i I)^{r_i} $$

那么考虑在 $V_i=Ker(A-\lambda_i I)^{r_i}$上的限制映射$A|{V_i}=\lambda_i I|{V_i}+B_i$，则$B_i$是$V_i$上的幂零变换，由上我们知道可以把$V_i$分解成$B_i-$子空间的直和

$$ V_i=\bigoplus_j Z(\alpha_j,B_i) $$

对于 $V_{ij}=Z(\alpha_j,B_i)$，是$V_i$上的不变子空间，自然也是$A-$不变子空间，而且 $A$在这组基下的矩阵就是若当块，最后，把所有$V_{ij}$拼起来就得到全空间的直和分解，对应的$A$ 也就是若当型矩阵。

降幂排列的话，$1$ 就在右上角。

$k$ 级若当块的个数是

$$ n_k = \text{rank}(\mathcal{B}^{k-1}) - 2\text{rank}(\mathcal{B}^k) + \text{rank}(\mathcal{B}^{k+1}) $$

这是一个二阶差分，亦可以写作 $W$维数的一阶差分。实际上考虑$W$维数的一阶差分这是自然的，由于$W$代表了大于等于$k$的链，作差就得到长度恰为$k$ 的链。

或者也可以直接看做 $rank(J-\lambda I)^k$的二阶差分，实际上也就是$B$。对于$r$级的若当块$J_0$，不难发现$J_0^r=J_0^{r+1}=…=0$。所以$J^{k-1}秩-J^k秩$也就是级数大于等于$k$的若当块数量，也就对应$dimW$。再做差分也就得到恰好为$k$ 的若当块数量。

唯一性

与 $A$相似的若尔当矩阵，除了可以相差对角块的次序外，由$A$唯一确定，称为$A$ 的若尔当标准型。

首先，对对角块重排也就是乘上置换阵，当然还是相似的。

若尔当块的个数

$$ \text{rank}(J - \lambda I)^{k-1} - 2 \times \text{rank}(J - \lambda I)^k + \text{rank}(J - \lambda I)^{k+1} $$

（ 当 $k=1$ 时，$(J - \lambda I)^{k-1}$需理解为单位矩阵$I$ ）

这在此前我们已经详细阐述，直观的理解也就是

所以 $J_0$有多大，他就能撑住多少次的幂次，从而差分得到大于等于$k$的$J_0$，再差分就得到等于$k$ 的数目。

这实际上就直接给出了唯一性，考虑和 $A$相似的$J

$$ $UAU^{-1}=J $$

利用经典结论

$$ UA^kU^{-1}=J^k $$

得到多项式也相似，也就是

$$ U(A-\lambda I)^kU^{-1}=(J-\lambda I)^k $$

那么也就有

$$ rank(A-\lambda I)^k=rank(J-\lambda I)^k $$

从而利用若当块大小的结论，我们知道和 $A$ 相似的若尔当矩阵块的大小都一样，再利用相似知特征值一样，就锁定了若尔当标准型。

推论

矩阵相似当且仅当若尔当标准型一样(在重排意义下)。

若尔当矩阵的多项式和幂级数

利用0-若尔当矩阵的形式，我们可以把多项式写成一个漂亮的形式。

一般地，对角不是 $0$ ，$J_\lambda=\lambda I+J_0$，那么我们希望套用上面这样美丽的形式，就想到做一个泰勒展开变回$J_0

$$ $g(x)=g(\lambda)+g'(\lambda)(x-\lambda)+\frac{1}{2!}g''(\lambda)(x-\lambda)^2+...+\frac{1}{(r-1)!}g^{(r-1)}(\lambda)(x-\lambda)^{r-1}+... $$

记 $c_i$ 为泰勒展开对应的系数，也就有

这就化归了，形式仍然美丽。特别地，当 $g(J_\lambda)=0$时，只有可能所有的$c$都是$0$，此时$g(x)$只剩下对应的次数高于$r-1$ 的项了，换句话说，$(x-\lambda)^r | g(x)$ 。反面也很显然，所以这两个命题等价。

如果大的块是零矩阵，那么小的块自动已经为零，所以考虑 $J$ 的幂次是否为零，我们只需要考虑同一个特征值中最大的块。

从而其最小多项式也就是

$$ \prod_\lambda(x-\lambda)^{r_\lambda} $$

其中 $r_\lambda$是$\lambda$对应的最大的块的阶数，被称为稳定指数。利用相似，可知这也是$A$ 的最小多项式。

我们介绍一种推导计算若当标准型与有理标准型的新方法, 它是模的理论衍化而来的 $\lambda$-矩阵法的改进.在 $\lambda$-矩阵方法的发展历史中, 字符 $\lambda$承载了过多的历史使命: 它既当做多项式的变元, 又表示矩阵的特征值, 在早期甚至还用来代表线性变换. 故在下面的讨论中,$\lambda$ 只用来表示矩阵的特征值,多项式的变量统一用字符 x 表示。

鉴于并不很熟悉，将更多以教材似的铺陈为主，而非有很明确的主线串一起。

$x$-矩阵及其运算

设 $K$ 是一个域，$x$是一个字符. 若一个矩阵的元素都是$K[x]$里的多项式，则称该矩阵为$x$-矩阵. 为了与普通数字矩阵相区分，我们下面用 $A(x), B(x), \cdots$表示$x$-矩阵，$x$-向量.

像普通矩阵一样，$x$-矩阵也可以作加法，乘法以及与 $K[x]$ 中多项式的“数乘”，也有行列式，代数余子式和可逆的概念.

例：若 $A \in M_n(K)$，则 $xI_n - A$是$x$-矩阵，称为 $A$的特征矩阵；其行列式$|xI_n - A|$就是$A$ 的 特征多项式

既然分量是多项式，我们自然考虑对应的数论关系，对一个多项式 $d(x)$，如果两个x-向量每个分量的差都是$d(x)$的倍式，就说他们模$d(x)$ 同余。

同时我们可以如上把一个x-向量拆成若干个向量以x幂次为系数的线性组合，例如 $L(x)$是一个x-向量，对任意的$\lambda$ 显然可以唯一表示成

$$ L(x)\equiv \sum_{i=1}^{r} \alpha_i(x-\lambda)^{i-1} \pmod{(x-\lambda)^r} $$

那么想让右侧为 $0$ ,也只有

$$ \forall i,\alpha_i=0 $$

我们会发现这和上个笔记中提到的 $g(\lambda)$被$(x-\lambda)^r$整除的等价条件非常像，同时注意到乘上一个$(x-\lambda)$会让每个向量后移一个，例如$\alpha_0$ 就没了，$\alpha_1$对应原来$\alpha_2$对应的$(x-\lambda)^2$所以这应该就对应了一个循环子空间，或者说对应了一个$Jordan$ 块。

引理

设 $A \in M_n(K)$，$\lambda \in K$是$A$的一个特征值。设存在一个$n$维$x$-列向量 $L(x)$，满足 $L(\lambda) \neq 0$ 且：

$$ (A - xI) L(x) \equiv 0 \pmod{(x - \lambda)^r} $$

那么如上方写成

$$ L(x) = \alpha_1 + \alpha_2(x - \lambda) + \cdots + \alpha_r(x - \lambda)^{r-1} \pmod{(x - \lambda)^r} $$

其中，系数向量 $\alpha_i \in K^n$。

那么

• 生成的空间：记 $V = \langle \alpha_r, \alpha_{r-1}, \dots, \alpha_1 \rangle$，则 $V$是一个由$\alpha_r$ 生成的 $(A - \lambda I)$-强循环子空间。

• 循环基（Jordan 链）：这组向量满足以下递推关系：

$$ \begin{cases} \alpha_{r-1} = (A - \lambda I)\alpha_r \\ \alpha_{r-2} = (A - \lambda I)\alpha_{r-1} = (A - \lambda I)^2\alpha_r \\ \vdots \\ \alpha_1 = (A - \lambda I)^{r-1}\alpha_r \end{cases} $$

• 重要性质：尾项 $\alpha_1 = L(\lambda)$恰好是$A$对应于特征值$\lambda$的一个特征向量（因为$(A-\lambda I)\alpha_1 = 0$），且根据前提 $\alpha_1 \neq 0$。

证明

首先，我们先凑出 $(x-\lambda)$ ：

$$ (A-x I)L(x)=(A-\lambda I-(x-\lambda)I)L(x)\equiv 0\pmod{(x-\lambda)^r} $$

写开 $L(x)$ 也就是

$$ ((A - \lambda I) - (x - \lambda)I) \begin{bmatrix} \alpha_1 & \alpha_2 & \cdots & \alpha_r \end{bmatrix} \begin{bmatrix} 1 \\ x - \lambda \\ \vdots \\ (x - \lambda)^{r-1} \end{bmatrix}\equiv 0 \pmod{(x - \lambda)^r} $$

用分配律拆开

$$ ((A - \lambda I) \begin{bmatrix} \alpha_1 & \alpha_2 & \cdots & \alpha_r \end{bmatrix} - \begin{bmatrix} 0 & \alpha_1 & \cdots & \alpha_{r-1} \end{bmatrix} ) \begin{bmatrix} 1 \\ x - \lambda \\ \vdots \\ (x - \lambda)^{r-1} \end{bmatrix}\equiv 0 \pmod{(x - \lambda)^r} $$

第二项实际上也就是一个 $J_0$ 的形式

$$ \begin{bmatrix} 0 & \alpha_1 & \cdots & \alpha_{r-1} \end{bmatrix}= \begin{bmatrix} \alpha_1 & \alpha_2 & \cdots & \alpha_r \end{bmatrix} \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ & & & 0 \end{bmatrix} . $$

这对任意 $x$ 都成立，所以只有

$$ (A - \lambda I) \begin{bmatrix} \alpha_1 & \alpha_2 & \cdots & \alpha_{r-1} & \alpha_r \end{bmatrix} = \begin{bmatrix} \alpha_1 & \alpha_2 & \cdots & \alpha_r \end{bmatrix} \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ & & & 0 \end{bmatrix} . $$

故有：

$$ \alpha_{r-1} = (A - \lambda I) \alpha_r , $$

$$ \alpha_{r-2} = (A - \lambda I) \alpha_{r-1} = (A - \lambda I)^2 \alpha_r , $$

$$ \cdots \quad \cdots $$

$$ \mathbf{\alpha_1} = (A - \lambda I) \alpha_2 = (A - \lambda I)^{r-1} \alpha_r \neq 0 , $$

以及

$$ (A - \lambda I) \alpha_1 = (A - \lambda I)^r \alpha_r = 0 . $$

直接长出了一条循环子空间的链。

逆

设 $A(x)$是$n$级$x$-矩阵. 若存在 $n$级$x$-矩阵 $B(x)$, 使得

$$ A(x)B(x) = B(x)A(x) = I_n , $$

则称 $x$-矩阵 $A(x)$可逆. 满足以上条件的$B(x)$由$A(x)$唯一确定, 称为$A(x)$的逆, 记为$A(x)^{-1}$.

例如

$$ \begin{bmatrix} 1 & 0 & 0 \\ 3 & 1 & 0 \\ x+1 & 1 & -1 \end{bmatrix} \begin{bmatrix} 1 & 0 & 0 \\ -3 & 1 & 0 \\ x-2 & 1 & -1 \end{bmatrix} = \begin{bmatrix} 1 & 0 & 0 \\ 0 & 1 & 0 \\ 0 & 0 & 1 \end{bmatrix} $$

---

引理： $n$级$x$-矩阵 $A(x)$可逆当且仅当$|A(x)|$是$K$ 中非零的数.

证： 若有 $x$-矩阵 $B(x)$, 使得 $A(x)B(x) = I_n$.

两边取行列式, 得 $|A(x)||B(x)| = 1$.

因为 $|A(x)|, |B(x)| \in K[x]$, 由它们乘积为 1 可以推出 $|A(x)|, |B(x)|$ 必须是零次多项式, 即非零常数.

反之, 若 $|A(x)| = d$是域$K$ 中非零的数.

记 $A(x)^$为$A(x)$的伴随矩阵, 则$\frac{1}{d}A(x)^$也是$x$-矩阵, 且满足

$$ A(x) \frac{1}{|A(x)|} A(x)^* = \frac{1}{|A(x)|} A(x)^* A(x) = I_n . $$

故 $x$-矩阵 $A(x)$可逆, 且$A(x)^{-1} = \frac{1}{d} A(x)^*$.

由此也可以有个简单的推论，$A(x)$可逆那么随便带入一个$x=k$ ，矩阵当然还是可逆。

初等因子与不变因子

初等变换

不难想到，应该也有类似的初等行列变换，但多项式有所不同。最核心的区别在于：“除法”受限了。- 在 $x$-矩阵中，如果你给某行乘以 $x$，其逆操作将是“除以 $x$”。但 $1/x$不是多项式（不属于$K[x]$）。第二类变换只能乘以非零常数（即 $K[x]$ 中的可逆元），否则它就不是初等变换，会改变矩阵的本质属性（如阶数和秩）。

想到上面的结论，如果我们模掉初等因子，是不是可以找到其对应的一个 Jordan 块。

若当（Jordan）标准型的存在性

若 $A \in M_n(K)$的特征多项式在域$K$上能分解成一次因式的乘积，则存在可逆矩阵$U \in M_n(K)$，使得 $U^{-1}AU$ 是若当形矩阵。

---

证明过程

由上，对 $A \in M_n(K)$，总存在可逆的 $x$-矩阵 $P(x), Q(x)$，使得：

$$ (xI - A)Q(x) = P(x)^{-1} \begin{bmatrix} c_1(x) & & \\ & \ddots & \\ & & c_n(x) \end{bmatrix} \quad (1) $$

设 $(x - \lambda)^r$是$A$的来自$c_i(x)$的一个初等因子。记$Q(x)$的第$i$列为$Q_i(x)$。比较 (1) 式第 $i$ 列得：

$$ (xI - A)Q_i(x) \equiv 0 \pmod{(x - \lambda)^r} \quad (2) $$

将 $Q_i(x)$的分量展开成$x - \lambda$ 的多项式，将其写成：

$$ Q_i(x) \equiv \alpha_1 + (x - \lambda)\alpha_2 + \cdots + (x - \lambda)^{r-1}\alpha_r \pmod{(x - \lambda)^r} \quad (3) $$

这里 $\alpha_1, \dots, \alpha_r$是$K^n$中的列向量。注意两侧带入$x=\lambda$可知尾项$\alpha_1$是可逆数字矩阵$Q(\lambda)$的第$i$列$Q_i(\lambda)$，故 $\alpha_1 \neq 0$。

对以上 (2), (3) 式应用引理，我们发现：

$$ V_{i,\lambda} = \langle \alpha_r, \alpha_{r-1}, \dots, \alpha_1 \rangle \subseteq \text{Ker}(A - \lambda I)^r $$

是 $A - \lambda I$的一个由$\alpha_r$生成的$r$维强循环子空间，且$\alpha_1 = Q_i(\lambda)$是$V_{i,\lambda}$ 一组循环基的尾项。

---

现考察同属特征值 $\lambda$但来自不同对角元$c_i(x)$ ($1 \le i \le n$) 的初等因子：$(x - \lambda)^{r_1}, (x - \lambda)^{r_2}, \dots$。它们给出的子空间 $V_{i,\lambda}$都是$(A - \lambda I)$-强循环子空间。这些空间循环基的尾项来自可逆矩阵 $Q(\lambda)$的不同列$Q_i(\lambda)$，故这些尾项线性无关，所以当 $\lambda$固定时，子空间$V_{i,\lambda}$ ($1 \le i \le n$) 之间是直和，我们记此直和为 $V_\lambda$，即 $V_\lambda = \bigoplus_{1 \le i \le n} V_{i,\lambda}$（只取非零的 $V_{i,\lambda}$）。

注意 $V_\lambda \subseteq \text{Ker}(A - \lambda I)^{r_\lambda}$，这里 $r_\lambda$表示属于特征值$\lambda$ 的所有初等因子的最高次数。

当 $\lambda$取遍$A$的不同特征值时，广义特征子空间$\text{Ker}(A - \lambda I)^{r_\lambda}$之间都是直和关系，故其子空间$V_\lambda$之间也为直和关系。再结合$V_\lambda$的定义知$A$的全部初等因子给出的子空间$V_{i,\lambda}$ ($\forall i, \lambda$) 之和是直和。

最后说明这个直和就是 $K^n$每个子空间$V_{i,\lambda}$的维数等于其对应初等因子的次数。由于$A$的特征多项式在域$K$上能分解成一次因式的乘积，故$A$的全体初等因子的次数和等于$n$。比较直和的维数，得：

$$ \bigoplus_{\lambda, i} V_{i,\lambda} = \bigoplus_\lambda V_\lambda = K^n $$

（同上，只取非零的 $V_{i,\lambda}$ 作直和）。

这就完成了证明，还顺便给出了一种构造。

---

注：比较各子空间

$$ V_\lambda = \bigoplus_{1 \le i \le n} V_{i,\lambda} \subseteq \text{Ker}(A - \lambda I)^{r_\lambda} \quad \text{及} $$

$$ K^n = \bigoplus_\lambda \bigoplus_{1 \le i \le n} V_{i,\lambda} \subseteq \bigoplus_\lambda \text{Ker}(A - \lambda I)^{r_\lambda} \subseteq K^n $$

的维数，我们发现：

$$ V_\lambda = \bigoplus_{1 \le i \le n} V_{i,\lambda} = \text{Ker}(A - \lambda I)^{r_\lambda} $$

（取非零的 $V_{i,\lambda}$作直和）就是$A$的根空间，其维数等于属于$\lambda$的所有初等因子的次数和，即特征值$\lambda$的代数重数。当$\lambda$取遍$A$ 的特征值时, 我们又得到主分解定理

$$ \bigoplus_\lambda V_\lambda = \bigoplus_\lambda \text{Ker}(A - \lambda I)^{r_\lambda} = K^n . $$

这样就得到了另一条路线的结论。

示例

蓝色的向量就是 $Q$对应的列直接令$x=\lambda$ 得到的尾项，据此我们可以写出完整的链。

我们可以看到，每个初等因子 $(x-\lambda)^r$都给出了一个$r$ 维的强循环子空间，这和若当块一一对应。所以求出初等因子，我们也就得到了若当块的全部，形状加上特征值。回忆起在上次笔记中提到，相似等价于若当标准型相同，于是也就得到等价于初等因子相同。

不变因子与有理标准型

如果 A , B ∈ $M_n(K)$ 的特征多项式不能在域 K上分解成一次因式的积, 或因式分解很难计算,怎么判断 A , B 是否相似, 如何求过渡矩阵 ?

友阵

先做一点铺垫，从我们熟知的循环子空间开始，由于维度限制，会得到

$$ \beta,A\beta,...,A^{v-1}\beta $$

线性无关但是

$$ \beta,...,A^v\beta $$

线性相关，那么也就得到一个零化多项式

$$ \beta+A\beta+...+A^v\beta=0 $$

记 $d(x)=x^v+b_1x^{v-1}+…+b_v$也就是$A$ 的零化多项式，而且是最小多项式。$A$ 在这个空间的限制映射，我们也知道，形式优美

而且他的特征多项式也就是 $d(x)$。这就称$B$是$d(x)$ 的友阵。

之前我们把 $L(x)$展开成$(x-\lambda)$的幂次再去作用，但是变化未必可以分解成如此漂亮的一次因式，现在我们考虑在模$d(x)$ 的情况下直接作用。

引理

设 $A \in M_n(K)$，$d(x)$为$v \ge 1$次首一多项式。又设有列向量$\beta_1, \dots, \beta_v \in K^n$，使得

$$ (A - xI)(\beta_1 + x\beta_2 + \dots + x^{v-1}\beta_v) \equiv 0 \pmod{d(x)}. $$

则

$$ \langle \beta_1, \beta_2, \dots, \beta_v \rangle = \langle \beta_v, A\beta_v, \dots, A^{v-1}\beta_v \rangle $$

且 $d(A)\beta_v = 0$。

注： 光凭以上条件还不足以推出 $\beta_1, \dots, \beta_v$ 线性无关。

---

证明

设 $d(x) = x^v + b_1x^{v-1} + \dots + b_v \in K[x]$，并记 $X = [1, x, x^2, \dots, x^{v-1}]^T$，则

$$ (A - xI)(\beta_1 + x\beta_2 + \dots + x^{v-1}\beta_v) $$

如同初等因子那，我们也是分配律拆开

$$ = A [\beta_1, \beta_2, \dots, \beta_v] X - (x\beta_1 + x^2\beta_2 + \dots + x^v\beta_v) $$

在模 $d$下，把$x^v$降次，并把除了$\beta_v$ 之外的挪进前面就出现一个移位的形式

$$ \equiv (A [\beta_1, \beta_2, \dots, \beta_v] - [0, \beta_1, \dots, \beta_{v-1}]) X + (b_1x^{v-1} + \dots + b_v)\beta_v $$

$$ \equiv 0 \pmod{d(x)} $$

比较最后一个等式向量分量里 $x$ 方幂的系数，得：

$$ A [\beta_1, \beta_2, \dots, \beta_v] = [0, \beta_1, \dots, \beta_{v-1}] - [b_v\beta_v, b_{v-1}\beta_v, \dots, b_1\beta_v] $$

$$ = [\beta_1, \beta_2, \dots, \beta_v] \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ -b_v & -b_{v-1} & \dots & -b_1 \end{bmatrix}. $$

由于并非强循环子空间，还出现了一排系数，但这正是友阵（转置）的形式
也可以一项一项写出，即：

$$ \begin{cases} A\beta_v = \beta_{v-1} - b_1\beta_v \\ A\beta_{v-1} = \beta_{v-2} - b_2\beta_v \\ \dots \\ A\beta_2 = \beta_1 - b_{v-1}\beta_v \\ A\beta_1 = -b_v\beta_v \end{cases} $$

---

反推

$$ \beta_{v-1} = A\beta_v + b_1\beta_v = (A + b_1I)\beta_v, $$

$$ \beta_{v-2} = A\beta_{v-1} + b_2\beta_v = (A^2 + b_1A + b_2I)\beta_v, $$

$$ \dots, \dots $$

$$ \beta_1 = A\beta_2 + b_{v-1}\beta_v = (A^{v-1} + b_1A^{v-2} + \dots + b_{v-1}I)\beta_v $$

及

$$ A\beta_1 + b_v\beta_v = d(A)\beta_v = 0. $$

用矩阵表示，有

$$ [\beta_1 \ \beta_2 \ \cdots \ \beta_{v-1} \ \beta_v]

= [\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v] \begin{bmatrix} b_{v-1} & b_{v-2} & \cdots & b_1 & 1 \ b_{v-2} & b_{v-3} & \cdots & 1 & 0 \ \vdots & \vdots & \ddots & \vdots & \vdots \ b_1 & 1 & \cdots & \vdots & 0 \ 1 & 0 & \dots & 0 & 0 \end{bmatrix}.
$$

故

$$ \langle \beta_1, \beta_2, \dots, \beta_v \rangle = \langle \beta_v, A\beta_v, \dots, A^{v-1}\beta_v \rangle. $$

就是说，这样一组 $\beta$ 对应了一条链。

---

方阵与其转置相似

利用上面的讨论，我们有

$$ A [\beta_1 \ \beta_2 \ \cdots \ \beta_v] = [\beta_1 \ \beta_2 \ \cdots \ \beta_v] \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ -b_v & -b_{v-1} & \cdots & -b_1 \end{bmatrix} $$

以及

$$ A [\beta_v \ A\beta_v \ \cdots \ A^{v-1}\beta_v] = [\beta_v \ A\beta_v \ \cdots \ A^{v-1}\beta_v] \begin{bmatrix} & & & -b_v \\ 1 & & & -b_{v-1} \\ & \ddots & & \vdots \\ & & 1 & -b_1 \end{bmatrix} $$

利用

$$ [\beta_1 \ \beta_2 \ \cdots \ \beta_{v-1} \ \beta_v]

= [\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v] \begin{bmatrix} b_{v-1} & b_{v-2} & \cdots & b_1 & 1 \ b_{v-2} & b_{v-3} & \cdots & 1 & 0 \ \vdots & \vdots & \ddots & \vdots & \vdots \ b_1 & 1 & \cdots & \vdots & 0 \ 1 & 0 & \dots & 0 & 0 \end{bmatrix}
$$

$$ =[\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v]U $$

代换就得到

$$ A [\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v]U = [\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v]U \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ -b_v & -b_{v-1} & \cdots & -b_1 \end{bmatrix} $$

显然 $U$ 可逆，那么

$$ A [\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v] = [\beta_v \ A\beta_v \ A^2\beta_v \ \cdots \ A^{v-1}\beta_v]U \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ -b_v & -b_{v-1} & \cdots & -b_1 \end{bmatrix}U^{-1} $$

那么就发现

$$ U \begin{bmatrix} 0 & 1 & & \\ & 0 & \ddots & \\ & & \ddots & 1 \\ -b_v & -b_{v-1} & \cdots & -b_1 \end{bmatrix}U^{-1}=\begin{bmatrix} & & & -b_v \\ 1 & & & -b_{v-1} \\ & \ddots & & \vdots \\ & & 1 & -b_1 \end{bmatrix} $$

其中

$$ U=\begin{bmatrix} b_{v-1} & b_{v-2} & \cdots & b_1 & 1 \\ b_{v-2} & b_{v-3} & \cdots & 1 & 0 \\ \vdots & \vdots & \ddots & \vdots & \vdots \\ b_1 & 1 & \cdots & \vdots & 0 \\ 1 & 0 & \dots & 0 & 0 \end{bmatrix} $$

实际上我们也就是做了换基。
我们仔细观察会发现，这两个 Frobenius 矩阵互为转置而相似，那么一般的方阵会和他的转置相似吗？

如果可以这样分解一个方阵，那只要挨个套上面的结论就好了：

$$ Q^{-1} A Q = F = \begin{pmatrix} C_{d_1} & & \\ & \ddots & \\ & & C_{d_k} \end{pmatrix} $$

其中，每个对角块 $C_{d_i}$ 是首一多项式（Monic polynomial）$d_i(x)$ 的友阵（Companion Matrix）。

对于每一个友阵块 $C_{d_i}$，已知存在对称可逆矩阵 $U_i$使得$U_i C_{d_i} U_i^{-1} = C_{d_i}^T$。我们可以构造一个分块对角矩阵 $P$：

$$ P = \begin{pmatrix} U_1 & & \\ & \ddots & \\ & & U_k \end{pmatrix} $$

由于每个 $U_i$均可逆，则$P$ 显然可逆。对其进行相似变换：

$$ \begin{aligned} P F P^{-1} &= \begin{pmatrix} U_1 C_{d_1} U_1^{-1} & & \\ & \ddots & \\ & & U_k C_{d_k} U_k^{-1} \end{pmatrix} \\ &= \begin{pmatrix} C_{d_1}^T & & \\ & \ddots & \\ & & C_{d_k}^T \end{pmatrix} \\ &= F^T \end{aligned} $$

由此证明了标准型 $F$与其转置$F^T$ 相似。

利用 $A = Q F Q^{-1}$，对两端取转置可得：

$$ A^T = (Q^{-1})^T F^T Q^T $$

将 $F^T = P F P^{-1}$以及$F = Q^{-1} A Q$ 代入上式进行展开：

$$ \begin{aligned} A^T &= (Q^{-1})^T (P F P^{-1}) Q^T \\ &= (Q^{-1})^T P (Q^{-1} A Q) P^{-1} Q^T \\ &= \left( (Q^{-1})^T P Q^{-1} \right) A \left( Q P^{-1} Q^T \right) \end{aligned} $$

令 $R = (Q^{-1})^T P Q^{-1}$，易证其逆矩阵为 $R^{-1} = Q P^{-1} Q^T$。

上述等式可简写为：

$$ A^T = R A R^{-1} $$

这说明 $A$相似于$A^T$。该结论在复数域或任何代数封闭域上均成立。
那接下来的问题是，能不能那么分解一个方阵，实际上，这样的分解被称为有理标准型，也确实可以这么干。

有理标准型

若对角分块矩阵 $B = \begin{bmatrix} B_1 & & \ & \ddots & \ & & B_s \end{bmatrix}$的对角块$B_i$ $(1 \le i \le s)$都是某些首一多项式$d_i(x)$的友阵，且这些多项式满足$d_1(x) \mid d_2(x) \mid \cdots \mid d_s(x)$，则称上述矩阵 $B$ 为有理标准形矩阵。

定理：

每个矩阵都相似于唯一的一个有理标准形矩阵。

不变因子

这时我们需要溯源到最开始提到的 x-矩阵的初等变换，如果我们严格按照步骤(4*)，就会得到所谓Smith 标准型。

若 $A \in M_n(K)$，则存在可逆的 $x$-矩阵 $P(x), Q(x)$，使得

$$ P(x)(xI - A)Q(x) = \text{Smith 标准型} = \begin{bmatrix} 1 & & & & \\ & \ddots & & & \\ & & d_1(x) & & \\ & & & \ddots & \\ & & & & d_s(x) \end{bmatrix} $$

这里 $d_i(x)$是次数$\ge 1$ 的首一多项式，满足

$$ d_1(x) \mid d_2(x) \mid \cdots \mid d_s(x) . $$

我们称 $d_1(x), \cdots, d_s(x)$为$A$ 的不变因子（组）。

初等因子与不变因子

同时，也注意到，初等因子可以重复。

将 $A$的不变因子$d_1(x), \cdots, d_s(x)$在$\mathbb{C}$上因式分解中出现的一次因式的方幂一个一个写下来（相同的需重复记录），就得到$A$ 的全部初等因子。

反之，将 $A$的属于同一特征值的初等因子都写在同一行上，每一行上的初等因子按升幂排列，并按尾项上下对齐（不足的可用$1$补上），再将同一列上的初等因子上下相乘，就变回$A$的不变因子组$d_1(x), \cdots, d_s(x)$。

不变因子不随扩域改变

矩阵 $A \in M_n(K)$ 的不变因子组

$$ d_1(x), \cdots, d_s(x) \in K[x] $$

由 $A$（的相似等价类）唯一确定，且不依赖于 $K$ 的扩张。

证： 假设 $A$还有另一组不变因子$c_1(x), \cdots, c_t(x)$。由以上不变因子组与 $\mathbb{C}$ 上初等因子组的一一对应关系，$A$在$\mathbb{C}$ 上将有两组不同的初等因子。但是根据之前所述，$A$的初等因子组（因与$A$的若当块绑定）被$A$ 的相似类唯一确定，由此导出矛盾！

不变因子给出空间分解

设 $d_1(x), \cdots, d_s(x)$是$A \in M_n(K)$的不变因子，则存在$\gamma_1, \cdots, \gamma_s \in K^n$，使得

$$ Z(\gamma_1, A) \oplus \cdots \oplus Z(\gamma_s, A) = K^n, $$

且 $A$在$\gamma_i$处的最小多项式为$d_i(x), \forall 1 \le i \le s$。

这里 $Z(\gamma_i, A)$是由$\gamma_i$ 生成的 $A$-循环子空间。

首先，线性变换实际上是一种特殊的线性映射，定义域和陪域是同一个集合，所以我们关于线性映射的讨论仍然可以延续。

线性映射的核心定义

如果把一个空间 $U$映射到另一个空间$V$，要称之为“线性映射”，它必须恪守两个底线：

• 可加性：先相加再映射，等同于映射后再相加，即 $\mathscr{A}(\alpha + \beta) = \mathscr{A}\alpha + \mathscr{A}\beta$。

• 齐次性：缩放后的映射，等同于映射后再缩放，即 $\mathscr{A}(k\alpha) = k\mathscr{A}\alpha$。

  当这两个空间重合（即 $U = V$）时，我们通常称之为线性变换。

基的像确定整个映射

对于从 $K^n$到$K^m$ 的映射，其操作的本质就是矩阵乘法。

• 标准基的作用：通过观察标准基向量（那些只有一位是 1，其余为 0 的向量）被映射后的去向，我们可以把这些结果纵向排列，构造出矩阵 $A$。

• 运算等价性：对向量 $x$进行线性映射，在计算层面等同于执行$Ax$。

设 $\mathscr{A}: \mathbf{K}^n \to \mathbf{K}^m$ 是线性映射

$$ \begin{bmatrix} 1 \\ 0 \\ \vdots \\ 0 \end{bmatrix} \mapsto \color{green}{\begin{bmatrix} a_{11} \\ a_{21} \\ \vdots \\ a_{m1} \end{bmatrix}} , \quad \begin{bmatrix} 0 \\ 1 \\ \vdots \\ 0 \end{bmatrix} \mapsto \color{green}{\begin{bmatrix} a_{12} \\ a_{22} \\ \vdots \\ a_{m2} \end{bmatrix}} , \dots, \quad \begin{bmatrix} 0 \\ 0 \\ \vdots \\ 1 \end{bmatrix} \mapsto \color{green}{\begin{bmatrix} a_{1n} \\ a_{2n} \\ \vdots \\ a_{mn} \end{bmatrix}} $$

$$ \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix} \mapsto \begin{array}{|cccc|} \hline \color{green}{a_{11}} & \color{green}{a_{12}} & \dots & \color{green}{a_{1n}} \\ \color{green}{a_{21}} & \color{green}{a_{22}} & \dots & \color{green}{a_{2n}} \\ \vdots & \vdots & & \vdots \\ \color{green}{a_{m1}} & \color{green}{a_{m2}} & \dots & \color{green}{a_{mn}} \\ \hline \end{array} \begin{bmatrix} x_1 \\ x_2 \\ \vdots \\ x_n \end{bmatrix} $$

**$\mathscr{A}$ 在标准基下的矩阵也就是表出系数。

这是线性代数中极具力量的一个结论：只要确定了基底的去向，整个映射就彻底定死了。

• 定理内涵：如果你给定空间 $U$的一组基${\alpha_1, \dots, \alpha_n}$，并随意指定它们在 $V$中对应的目标${\beta_1, \dots, \beta_n}$，那么世界上存在且仅存在一个线性映射 $\mathscr{A}$ 满足这个对应关系。

• 构造逻辑：

  1. 由于任何向量 $\alpha$都能唯一地写成基底的线性组合$\alpha = \sum k_i \alpha_i$。

  2. 我们利用线性的“可加性”和“齐次性”，强制定义映射结果为 $\mathscr{A}\alpha = \sum k_i \beta_i$。

  3. 这种定义方式保证了映射的良定义性（即一个输入对应唯一确定的输出）。

证明一下吧：

验证 $\mathscr{A}$ 是线性映射

为了证明我们构造的映射 $\mathscr{A}$（即通过基底像的组合定义的映射）是合法的线性映射，需要验证其满足可加性与齐次性。

已知条件：

设 $\alpha = k_1 \alpha_1 + \dots + k_n \alpha_n \in U$若$\alpha’ = l_1 \alpha_1 + \dots + l_n \alpha_n \in U$，则：

验证过程：

• 可加性：

$$ \begin{aligned} \mathscr{A} (\alpha + \alpha') &= (k_1 + l_1) \beta_1 + \dots + (k_n + l_n) \beta_n \\ &= (k_1 \beta_1 + \dots + k_n \beta_n) + (l_1 \beta_1 + \dots + l_n \beta_n) \\ &= \mathscr{A} \alpha + \mathscr{A} \alpha' \end{aligned} $$

• 齐次性：

$$ \mathscr{A} (l \alpha) = l k_1 \beta_1 + \dots + l k_n \beta_n = l \mathscr{A} \alpha $$

---

$\mathscr{A}$ 的唯一性

这部分证明了：一旦基底的像 ${\beta_i}$ 被确定，世界上不存在第二个不同的线性映射能达成同样的对应关系。

证明过程：

若有线性映射 $\mathscr{B}: U \to V$，也满足：

$$ \mathscr{B} \alpha_i = \beta_i, \quad \forall i $$

则对于空间中任意向量的映射结果：

$$ \begin{aligned} \mathscr{B} (k_1 \alpha_1 + \dots + k_n \alpha_n) &= k_1 \mathscr{B} \alpha_1 + \dots + k_n \mathscr{B} \alpha_n \\ &= k_1 \beta_1 + \dots + k_n \beta_n \\ &= \mathscr{A} (k_1 \alpha_1 + \dots + k_n \alpha_n), \quad \forall k_i \end{aligned} $$

于是：

$$ \mathscr{B} = \mathscr{A} $$

线性映射的运算

线性运算：加法与数乘

若 $\mathscr{A}, \mathscr{B}$是从$U$到$V$ 的线性映射，则可以定义：

• 加法：$(\mathscr{A} + \mathscr{B}): \alpha \mapsto \mathscr{A}\alpha + \mathscr{B}\alpha$

• 数乘：$k\mathscr{A}: \alpha \mapsto k(\mathscr{A}\alpha) \quad (k \in K)$

这两个运算的结果仍然是线性映射。

核心结论：从 $U$到$V$ 的全体线性映射在上述运算下构成一个线性空间，记作 $\text{Hom}(U, V)$。

陪域上能作的运算映射也可以作

---

复合运算：映射的乘法

设 $\mathscr{B} \in \text{Hom}(U, V)$，$\mathscr{A} \in \text{Hom}(V, W)$。

• 定义：$\mathscr{B}$与$\mathscr{A}$的复合映射$\alpha \mapsto \mathscr{A}(\mathscr{B}\alpha)$是从$U$到$W$ 的线性映射。

• 记法：称为 $\mathscr{A}$与$\mathscr{B}$ 的乘积，记作 $\mathscr{A}\mathscr{B}$。

• 前提条件：$\mathscr{B}$的陪域与$\mathscr{A}$ 的定义域相同。

• 结合律：$(\mathscr{A}\mathscr{B})\mathscr{C} = \mathscr{A}(\mathscr{B}\mathscr{C})$。

---

线性变换的代数结构

当映射发生在同一个空间上，即 $\mathscr{A}, \mathscr{B} \in \text{Hom}(V)$ 时，结构变得更加丰富：

• $\text{Hom}(V)$（或记作 $\text{End}(V)$）上的线性变换不但能相加、数乘，还能作乘法运算。

• 该乘法满足结合律、对加法的分配律，且存在单位元 $\mathscr{I}$（恒等变换）。

核心结论：$\text{Hom}(V)$ 构成一个 $K$-代数。

---

算子运算实例：微分与乘法

定义在 $C^1(\mathbb{R})$ 上的变换：

• 微分算子 $D$：$f(x) \mapsto f’(x)$- 乘法算子$S$：$f(x) \mapsto xf(x)$根据导数的乘法法则$(xf(x))’ = xf’(x) + f(x)$，可以推导出算子之间的关系：

$$ (DS - SD)f = (xf)' - xf' = f'x + f - xf' = f $$

即：$DS - SD = I$

这实际上是量子力学中正则对易关系在函数空间的数学原型。

---

几何变换实例：投影变换

沿 $W$向$U$的投影变换$\mathscr{P}_U$：

• 背景：空间 $V$可以分解为直和$V = U \oplus W$。

• 定义：对于任何向量 $\alpha = \beta + \gamma$（其中 $\beta \in U, \gamma \in W$），投影算子将其映射为 $U$ 中的分量：

$$ \mathscr{P}_U: \alpha \mapsto \beta $$

• 几何直观：所有平行于 $W$的向量被“压扁”到了平面$U$ 上。

投影变换的代数定义

当空间 $V$可以分解为直和$V = U \oplus W$时，任何向量$\alpha$都能唯一分解为$\alpha = \beta + \gamma$（其中 $\beta \in U, \gamma \in W$）。

• 投影算子 $P_U$：定义为 $\alpha \mapsto \beta$。

• 基本性质：

  • 幂等性：$P_U^2 = P_U$（投射一次后再投射，结果不再改变）。

  • 正交互补性：$P_U P_W = 0$且$P_U + P_W = I$。

投影与幂等的等价性

这是线性代数中的一个优美结论：一个线性变换 $P$ 是投影变换，当且仅当它是幂等变换（$P^2 = P$）。

• 空间分解：若 $P^2 = P$，则整个空间 $V$ 必然可以分解为：

$$ V = \text{Im } P \oplus \text{Ker } P $$

• 物理意义：

  • $P$是沿$\text{Ker } P$向$\text{Im } P$ 的投影。

  • $I - P$则是反过来的“镜像”操作，即沿$\text{Im } P$向$\text{Ker } P$ 的投影。

证明

通过代数推导验证这种直和关系：

• 不动点特性：在 $\text{Im } P$中的向量$\beta$，在 $P$ 的作用下“点点不动”（$P\beta = \beta$）。

• 零交集：通过 $P\beta = \beta$和$\beta \in \text{Ker } P \implies P\beta = 0$联立，证明了$\text{Im } P \cap \text{Ker } P = {0}$，从而满足直和的条件。

• 全空间覆盖：利用恒等式 $\alpha = P\alpha + (I - P)\alpha$，说明任何向量都能拆分成这两个子空间的成员。

推广：空间的多项分解

这一部分将二元投影推广到了多个子空间的情形。

• 定理（正向）：如果 $V$是多个子空间的直和$V = V_1 \oplus \dots \oplus V_s$，那么必然存在一组投影算子 $P_1, \dots, P_s$，它们满足：

  1. 两两正交：$P_i P_j = 0 \quad (i \neq j)$

  2. 完备性：$\sum P_i = I$

  3. 像空间对应：$\text{Im } P_i = V_i$- 定理（逆向）：反之，若一组算子满足上述三个条件，它们就定义了空间$V$ 的一个直和分解。

多项式与投影

此前，我们已经讨论过如下定理：

设 $f_1(x), \dots, f_s(x) \in K[x]$两两互素。记$f(x) = \prod_{i=1}^s f_i(x)$。对于 $A \in M_n(K)$，有：

$$ \text{Ker } f(A) = \text{Ker } f_1(A) \oplus \text{Ker } f_2(A) \oplus \dots \oplus \text{Ker } f_s(A) $$

这实际上给出了一组投影。

线性映射空间与矩阵空间的同构

结论：$\text{Hom}(U, V) \cong M_{m,n}(K)$

当我们分别为线性空间 $U$和$V$取定基底${\alpha_1, \dots, \alpha_n}$和${\beta_1, \dots, \beta_m}$时，每一个线性映射$\mathscr{A}$都唯一对应一个矩阵$A$。

• 映射关系：$(\mathscr{A}\alpha_1, \mathscr{A}\alpha_2, \dots, \mathscr{A}\alpha_n) = (\beta_1, \beta_2, \dots, \beta_m)A$- 本质：这种对应不仅是双射，还保持了加法和数乘运算，意味着$\text{Hom}(U, V)$作为一个线性空间的结构，被矩阵空间$M_{m,n}(K)$ 完美“克隆”了。

---

基础矩阵与基本映射

正如矩阵空间有一组标准基 $E_{ij}$（仅在 $(i, j)$ 位置为 1，其余为 0），映射空间也有对应的基本映射。

• 定义：$E_{ij}: U \to V$，其作用规律为：

$$ E_{ij}(\alpha_k) = \begin{cases} \beta_i & k=j \\ 0 & k \neq j \end{cases} $$

• 意义：这组基本映射构成了 $\text{Hom}(U, V)$ 的基底。这告诉我们，任何复杂的线性映射都可以拆解为这些“只把特定的输入基映射到特定的输出基”的简单动作的线性组合。

---

映射复合与矩阵乘法的等价性

这是线性代数中最关键的定理之一：映射的复合对应矩阵的乘法。

• 定理描述：

  设 $\mathscr{B}: U \to V$的矩阵是$B$，$\mathscr{A}: V \to W$的矩阵是$A$。

  那么复合映射 $\mathscr{AB}: U \to W$的矩阵恰好就是$AB$。

• 逻辑演示：

  通过观察基底像的传递过程：

$$ \begin{aligned} (\mathscr{AB}\alpha_1, \dots, \mathscr{AB}\alpha_n) &= \mathscr{A}((\beta_1, \dots, \beta_m)B) \\ &= ((\mathscr{A}\beta_1, \dots, \mathscr{A}\beta_m))B \\ &= ((\gamma_1, \dots, \gamma_s)A)B \\ &= (\gamma_1, \dots, \gamma_s)(AB) \end{aligned} $$

---

结合律的传递

• 映射层面：映射的复合天然满足结合律，即 $(\mathscr{AB})\mathscr{C} = \mathscr{A}(\mathscr{BC})$。

• 矩阵层面：基于上述等价性，矩阵乘法也必须满足结合律。

复合映射的像空间与维度公式

• 核心定理：

$$ \dim \text{Im } \mathscr{B} = \dim \text{Im } \mathscr{AB} + \dim(\text{Im } \mathscr{B} \cap \text{Ker } \mathscr{A}) $$

• 证明逻辑：

  1. 考察 $\mathscr{A}$在$\text{Im } \mathscr{B}$上的限制映射$\mathscr{A}’ : \text{Im } \mathscr{B} \to W$。

  2. 根据线性映射基本定理（第一同构定理）：$\text{Im } \mathscr{B} / \text{Ker } \mathscr{A}’ \cong \text{Im } \mathscr{A}’$。

  3. 验证可知：$\text{Im } \mathscr{A}’ = \text{Im } \mathscr{AB}$，且 $\text{Ker } \mathscr{A}’ = \text{Im } \mathscr{B} \cap \text{Ker } \mathscr{A}$。

• 推论（Sylvester 秩不等式）：

  利用上述维数公式，可以推导出：

$$ \dim \text{Im } \mathscr{A} + \dim \text{Im } \mathscr{B} \leq \dim \text{Im } \mathscr{AB} + \dim V $$

对于矩阵形式，即：$\text{rank}(A) + \text{rank}(B) \leq \text{rank}(AB) + n$。

_等号成立条件：$\text{Ker } \mathscr{A} \subseteq \text{Im } \mathscr{B}$，即 $A$的解空间包含于$B$ 的列空间。_

这在之前，我们曾用打洞法构造大矩阵证明过。

---

基变换与矩阵表示的演变

这是线性代数从“静态矩阵”向“动态变换”跨越的关键。

核心问题

当 $U$的基底从${\alpha_i}$变为${\alpha’_i}$（过渡矩阵为 $P$），$V$的基底从${\beta_j}$变为${\beta’_j}$（过渡矩阵为 $Q$）时，映射 $\mathscr{A}$ 的矩阵如何变化？

变换定理

若 $\mathscr{A}$在原基底下的矩阵为$A$，则在新基底下的矩阵为：

$$ \mathbf{B} = Q^{-1} A P $$

证明推导

1. 关系式 1：$\mathscr{A}(\alpha_1 \dots \alpha_n) = (\beta_1 \dots \beta_m)A$

2. 基变换：$(\alpha’_1 \dots \alpha’_n) = (\alpha_1 \dots \alpha_n)P$；$(\beta’_1 \dots \beta’_m) = (\beta_1 \dots \beta_m)Q \implies (\beta_1 \dots \beta_m) = (\beta’_1 \dots \beta’_m)Q^{-1}$

3. 代入计算：

$$ \begin{aligned} \mathscr{A}(\alpha'_1 \dots \alpha'_n) &= \mathscr{A}(\alpha_1 \dots \alpha_n)P \\ &= (\beta_1 \dots \beta_m)AP \\ &= (\beta'_1 \dots \beta'_m)Q^{-1}AP \end{aligned} $$

在线性变换的语境下，就自然出现了所谓相似，$A=PQP^{-1}$ 。相似描述的实际上也就是同一个线性变换在不同基的表现，相似的线性变换则有相同的秩、迹、特征多项式。

在最美妙的选取下，就会出现所谓标准型，分块地写成单位阵和0。

特征值与特征向量

那么类似地，我们希望得到一个变换最清晰的结构，也就如同考虑矩阵一般，我们考虑只被拉伸的向量，也就是 $\mathscr{A}\alpha=\lambda \alpha$，且$\alpha\neq 0$ ，同样这就对应特征值与特征向量。或者，我们可以写作

$$ \alpha\in Ker(A-\lambda I) $$

这则更方便我们运用线性空间的理论。那么特征子空间也就可以写作 $Ker(A-\lambda I)$。如果矩阵可以对角化，那就非常美好，而这等价于特征子空间铺满全空间，利用之前所证的特征子空间之间是直和就得到这也就是说$\mathbf{V}$是$A$的特征子空间的直和，而这等价于$A$ 的零化多项式能分解成互异的一次因式的乘积：

若 $\mathbf{V}$是$\mathcal{A}$ 的特征子空间的直和：

$$ \mathbf{V} = \text{Ker}(\mathcal{A} - \lambda_1 \mathbf{I}) \oplus \dots \oplus \text{Ker}(\mathcal{A} - \lambda_s \mathbf{I}), $$

则称线性变换 $\mathcal{A}$可对角化。设$\text{dim} \mathbf{V} = n$

$\Leftrightarrow \mathcal{A}$有$n$个线性无关的特征向量$\Leftrightarrow \mathcal{A}$的不同特征子空间的维数之和$= n$

$\Leftrightarrow \mathcal{A}$有一个零化多项式，能在$\mathbb{K}$ 上分解成互异的一次因式的乘积

我们可以看看微分算子

微分算子的特征值与特征子空间

例： 求 $C^\infty(\mathbb{R})$上的微分算子$D: f(x) \mapsto f’(x)$ 的特征值与特征子空间。

解：

若 $D f(x) = f’(x) = \lambda f(x)$，则有：

$$ (f(x)e^{-\lambda x})' = f'(x)e^{-\lambda x} - \lambda f(x)e^{-\lambda x} = 0 $$

由此可推导：

$$ \Rightarrow f(x)e^{-\lambda x} \equiv c \Rightarrow f(x) \equiv c e^{\lambda x}, c \in \mathbb{R} $$

结论：

故每个实数 $\lambda$都是$D$ 的特征值，且其对应的特征子空间为：

$$ \text{Ker}(D - \lambda I) = \langle e^{\lambda x} \rangle $$

---

广义特征子空间升链

一般地，对于微分算子 $D$，存在广义特征子空间升链 (Ascending Chain of Generalized Eigenspaces)：

$$ \{0\} \subset \text{Ker}(D - \lambda I) \subset \text{Ker}(D - \lambda I)^2 \subset \dots $$

$$ \dots \subset \text{Ker}(D - \lambda I)^n = e^{\lambda x} \mathbb{R}[x]_n $$

该空间的基可以表示为：

$$ = \langle e^{\lambda x}, x e^{\lambda x}, \dots, x^{n-1} e^{\lambda x} \rangle $$

但是正如之前所知道的，矩阵并不总是都能对角化，或者说特征子空间并不总是可以铺满整个空间，这如何做呢？联想到之前的零化多项式给出全空间分解，我们如果能找到一个 $A$ 的零化多项式就好了。利用在数学随笔之伴随矩阵那证明的Hamilton Cayley定理，也就找到了理想的零化多项式：

$$ \prod_{i=1}^k(A-\lambda_iI)^{r_i}=0 $$

也就是说：

$$ V=\bigoplus_{i=1}^k Ker(A-\lambda_iI)^{r_i} $$

这也就是所谓广义特征子空间的来源，他们的直和给出了全空间。但我们之前的对 Hamilton Cayley 定理的证明太过莫名其妙，而且不够有结构的味道，下一篇笔记将从线性空间的角度自然地得到这些结论。