Fourier变换及其应用(Brad G. Osgood)——第1章——Fourier级数(附录)

Dirichlet kernel and Fejer Kernel and their convergency Considering square function Considered the convergence of Fourier series (or more precisely, the N-th sum SNf) of f (under some differentiability assumptions on f, essentially we need the existence of f0). This problem shows how to improve this convergence 阅读详情

目录

1.8  附录:关于傅里叶级数收敛性的注解(Notes on the Convergence of Fourier Series)

1.8.1 借助Dirichlet核研究部分和:回到蜂鸣声问题(Sdudying partial sum via Dirichlet kernel:The buzz is back)

1.8.2 收敛速度和平滑度:Fourier系数有多大?(Rates of convergence and smoothness: How big are the Fourier coefficients?)

1.8.3 复指数真的是L2​编辑 ([0,1])的一个正交基吗?(The complex exponentials really are an orthonormal basis for L2​编辑 ([0,1] ?)

1.8.4 附录:逐点收敛对比一致收敛(Appendix: Pointwise convergence vs. uniform convergence)

1.9  附录:Cauchy-Schwarz 不等式(Appendix: The Cauchy-Schwarz Inequality)

1.9.1 L2​编辑 ([0,1] 的Cauchy-Schwarz 不等式(Cauchy-Schwarz for L2​编辑 ([0,1])

1.9.2 Fourier系数适用Cauchy-Schwarz不等式很好(The Fourier coefficients are fine)

1.9.3 卷积也适用Cauchy-Schwarz不等式(And convolution is also OK)

1.9.4 平方可积意味着可积(Square integrable implies integrable)


1.8  附录:关于傅里叶级数收敛性的注解(Notes on the Convergence of Fourier Series)

    我的第一条评论是:“不要去那里。” 或者至少谨慎行事。自从Fourier因其发现的方法的普遍性而震惊了法国社会以来,关于Fourier级数收敛性的问题一直是数学分析中最棘手的问题之一(注:戏剧化的叙述会让你相信这种方式会导致疯狂。可怜的格Georg Cantor遭受了惨重的痛苦,但这并不是因为Fourier级数的收敛。真的,不是因为Fourier级数)。在这里我们将非常谨慎,而稍微谷歌一下就会很快找到你想知道的,或者找到比你相知道的还更丰富的资料。我们将给出一些解释,一些参考资料,但不会提供完整的证明,甚至不会提供完整的证明介绍。将本节视为您在其他地方可能会遇到的术语的介绍,并展示一些结论,如果有数学家偷偷接近(sneaks up)您,您可以使用这些结果进行自卫(译注:表示知道这些数学知识)。

无穷级数的收敛总是关于部分和的收敛。在 Fourier级数的背景下,就意味着对于函数 f ( t ),讨论其部分和 

S_{N}(t) = \displaystyle \sum_{n=-N}^{N}\hat{f}(n)e^{2\pi int}

的收敛性,这个动作发生在 0 ≤ t ≤ 1 上。问题是,当 N ⟶ ∞ 时,在部分和上会发生什么。大致说来,有三种好事:

(1) 逐点收敛(Pointwise convergence) 。

插入一点 t , 我们有 \displaystyle \lim_{N->\infty}S_{N}(t)=f(t)  , 但是我们不会说太多,例如,关于从一点到下一点的收敛速度。

(2) 一致收敛(Uniform convergence) 。

     这点比逐点收敛强烈。除了表述对于某个 t ∈[0,1] 有 \displaystyle \lim_{N->\infty}S_{N}(t)=f(t),还表述了当N ⟶ ∞ 时,有 \displaystyle \max_{0 \leq t \leq 1}|S_{N}(t)-f(t)| \longrightarrow 0 。换句话说,当 N 变大的时候,这个部分和 S_{N}(t) 在整个 0 ≤ t ≤ 1 上都保持贴近 f ( t ),从中,产生了这个描述子(descriptor)“一致(uniform)”,例如,“一致接近(uniform close)”,更多细节参见1.8.4节(译注:“一致”的直观体现是,在整个区间上,级数和函数都是贴近状态,不存在个别地方距离很大的情况)。 

(3) 在  L^{2}[0,1] 上收敛。

       这就是我们上一节刚刚讲完的内容。条件是

\displaystyle \lim_{N->\infty}\int_{0}^{1}|S_{N}(t)-f(t)|^{2}dt \longrightarrow 0 。

更多完整的定义需要熟练地应用 ε和δ描述法,如果你选修数学分析课程,你就会受到这些方法和术语的打击。(注:但这可能是一次值得的打击。 我的同事Stephen Boyd曾是一名数学专业的学生,他希望他所有的博士生都进行分析,不是因为他们会使用具体的结果,而是因为这门课程所带来的清晰的思想。我对这个课程也抱有一些希望。)

    在这三种模式中,一致收敛是最强的,因为它隐含了其他两种模式。逐点收敛是从 1.5.1 节中的定理获得的收敛类型,并且在跳跃不连续处,部分和实际上收敛到跳跃的平均值。 一致收敛需要比分段连续性更高的平滑性(该定理中的假设)。第 1.8.2 节中将有一个与此相关的定理。

    看起来, L^{2} 收敛作为均值收敛的一种,与插入特定 t 值时部分和发生的情况无关。 然而,有一些定理确实解决了这种联系,而且它们是商业中最困难和最微妙的定理之一。

1.8.1 借助Dirichlet核研究部分和:回到蜂鸣声问题(Sdudying partial sum via Dirichlet kernel:The buzz is back)

回顾 1.6 节,分别讨论蜂鸣声信号和卷积。他们将以一种最有趣的方式出现在一起,尤其是对于电气工程师来说。

    如果您有一些信号处理背景,您可能会认识到部分和

S_{N}(t) = \displaystyle \sum_{n=-N}^{N}\widehat{f}(n)e^{2\pi int}

就是应用低通滤波器到完整Fourier级数

f (t) = \displaystyle \sum_{n=-\infty}^{\infty}\widehat{f}(n)e^{2\pi int}

产生的结果。从–N到N的低频率部分保形“通过”,而低于–N 或高于 N 频率的部分被清零了。

         这是怎么实现的?是通过与Dirichlet核

D_{N}(t) =\displaystyle \sum_{n=-N}^{N}e^{2\pi int}

的卷积运算来实现的。

         回顾一下,当两个周期信号进行卷积运算时,是它们的Fourier系数相乘。在这种情况下,对

于 D_{N}(t) 和 f ( t ),

\widehat{D_{N}*f}(n)=\widehat{D_{N}}(n)\widehat{f}(n) 。

但是,

\widehat{D_{N}}(n)=\left\{\begin{matrix} 1(n=0,\pm 1,\pm 2,...,\pm N),\\ 0(other) \end{matrix}\right. 。

因此,({D_{N}*f})(t) 的Fourier级数是 

({D_{N}*f})(t)=\displaystyle \sum_{n=-\infty}^{\infty}\widehat{D_{N}}(n)\widehat{f}(n)e^{2\pi int}=\sum_{n=-N}^{N}\widehat{f}(n)e^{2\pi int}=S_N(t) 。

这便是低通滤波器。

    我在数学专业的时候从未见过这样的描述。我们将再次看到低通滤波器,涉及Fourier变换。

    作为一个积分(注:如果你已经在怀疑为什么 D_{N}(t) 称为“核(kernel)”,其原因在于这个方程。就在此时此刻,D_{N}(t-\tau) 出现在积分中,对 f (τ)积分产生一个 t 的函数。在某些数学领域,t 的函数按积分表达式  \int_{0}^{1}k(t,\tau)f(\tau)d\tau 定义(卷积便是一个例子),函数 k(t ,τ)称为一个核。我们将在第7章看到这一点。现在你知道了。在另一方面,我不知道这个专用词“kernel”出自何处。

S_{N}(t) =(D_{N}*f)(t)=\int_{0}^{1}D_{N}(t-\tau)f(\tau)d\tau 。

针对  S_{N}(t) 还有另一种写法,事实证明它对于分析 S_{N}(t) 的收敛性更有帮助(注:我并不是说这些都是显而易见的事情,只是说“事实证明它会更有帮助”,正如我们将看到的。一起去兜风; 很快就会结束。)。因为 D_{N}(t) 是偶数, D_{N}(t-\tau)=D_{N}(\tau-t) ,使用变量替换 u = τ – t 给到

\int_{0}^{1}D_{N}(t-\tau)f(\tau)d\tau=\int_{0}^{1}D_{N}(\tau-t)f(\tau)d\tau

---------------------------------=\int_{-t}^{1-t}D_{N}(u)f(t+u)du

---------------------------------=\int_{0}^{1}D_{N}(u)f(t+u)du 。

最后这个等式成立,因为, D_N (u)f(t+u) 是周期为1的周期函数,所以在任意长度为1的区间上积分都能得出同样的答案。

现在,请记住,我们不仅想知道当 N ⟶ ∞ 时 S_{N}(t) 收敛,我们还想知道它收敛于 f (t)(或者在有跳跃点的不连续情况下,收敛于平均值)。为了帮助理解这一点,还有一个技巧。我们想到, 

\int_{0}^{1}D_N(u)du=1 

我们有

f(t)=f(t)\int_{0}^{1}D_N(u)du=\int_{0}^{1}f(t)D_N(u)du 。

因此,

S_{N}(t)-f(t)=\int_{0}^{1}D_N(u)f(t+u)du-\int_{0}^{1}f(t)D_N(u)du

---------------------=\int_{0}^{1}D_N(u)[f(t+u)-f(t)]du 。

最后,回到 D_N 作为一个正弦比的封闭形式的表达式,将变量 u换回τ ,因为它看起来更好,将积分限改为从-1/2到1/2(根据周期性是可行的),因为这样将使得后续的分析更容易:

S_{N}(t)-f(t)=\int_{-1/2}^{1/2}\frac{sin[2\pi \tau(N+1/2)]}{sin(\pi \tau)}[f(t+\tau)-f(t)]d\tau 。

正是这个表达式用于证明关于 \displaystyle \lim_{n->\infty}S_{N}(t) 的结论。

非常简单,这就是原因。 收敛定理中的假设、1.5.1 节中的定理以及下一节中的定理都涉及 f ( t )的局部属性(local property),例如一点的连续性、跳跃不连续性和一点的可微性。对于固定点 t,这意味着当 τ 很小时,查看 f ( t + τ ) - f ( t )。这种思想是取一个足够小的δ > 0 , 并将积分分段:

\int_{-1/2}^{1/2}\frac{sin[2\pi \tau(N+1/2)]}{sin(\pi \tau)}[f(t+\tau)-f(t)]d\tau \\ =\int_{|\tau| \leq \delta}^{}\frac{sin[2\pi \tau(N+1/2)]}{sin(\pi \tau)}[f(t+\tau)-f(t)]d\tau \\ +\int_{\delta \leq |\tau| \leq 1}^{}\frac{sin[2\pi \tau(N+1/2)]}{sin(\pi \tau)}[f(t+\tau)-f(t)]d\tau

基于 f ( t ) 的合理假设,就像我们在逐段连续性和可微性上看到的那样,加上Dirichlet核的显式形式,使得当 N ⟶ ∞ 时估算积分并证明收敛成为可能。您对不同的积分使用不同的估算。根据假设,我们可以推导出逐点收敛或更强的一致收敛。

    如果这是一门常规数学课程,我会给出完整的论据并做出估算,这是我一直喜欢的。但这不是一门常规数学课程,因此如果您想了解更多信息,我现在将让您查阅文献。除了许多专门讨论Fourier级数的书籍之外,许多介绍性数学分析的书籍都包含有关Fourier级数的一章,并将从我们上次停下的地方继续(注:如果您确实进行了查找,请注意不同的归一化(即不同的周期选择)将影响Dirichlet核。例如,如果作者使用周期为 2π 的周期函数,则相应的Dirichlet核为 D_{N}(t)=\frac{sin(n+1/2)t}{sin(1/2)t} 。Peter Duren 的 <<An Invitation to Classical Analysis>>(经典分析邀请)中有一个特别清晰的讨论。接下来我还想介绍一些更多的数学要点。

1.8.2 收敛速度和平滑度:Fourier系数有多大?(Rates of convergence and smoothness: How big are the Fourier coefficients?)

    假如我们有一个平方可积的函数 f ( t )的Fourier级数

\displaystyle \sum_{n=-\infty}^{\infty}\widehat{f}(n)e^{2\pi int} 。

如前所述,根据 Bessel 不等式,当 n ⟶±∞ 时,

|\widehat{f}(n)|^{2} \longrightarrow 0 。

知道Fourier级数趋近于 0 ,我们能说出趋近速度有多快吗?

    这是一种简单的方法,它给出了答案的一些意义,并展示了答案如何取决于函数或其导数的不连续性。所有这些讨论仅基于具有定积分的分部积分。

    与往常一样,假设 f ( t ) 是周期 1 的周期性。在本次讨论中,我们假设函数不会在端点 0 和 1 处跳转,并且任何问题点都在区间内(注:这确实不是一个限制。 我只想处理一个不连续性,以便后面的论证)。也就是说,我们“ 重新想象一下,在 0 < t_0 < 1 在 t_0 处可能会出现问题,因为也许 f ( t ) 会跳到那里,或者 f ( t ) 在  t_0  处是连续的,但有一个拐角,所以 f ( t )会跳 在 t_0 处是连续的,但有一个拐角,所以 f ( t )会跳在 

\widehat{f}(n)=\int_{0}^{1}f(t)e^{-2\pi int}dt 。

为了分析 t_0 附近的状况,将其写成两个积分和的形式:

\widehat{f}(n)=\int_{0}^{t_0}f(t)e^{-2\pi int}dt+\int_{t_0}^{1}f(t)e^{-2\pi int}dt 。

对以上每一个积分应用分部积分法。这样做时,我们假设函数至少在远离 t_0 的地方具有我们想要的任意数量的导数。然后,在第一次通过时,

\int_{0}^{t_0}f(t)e^{-2\pi int}dt=[\frac{e^{-2\pi int}f(t)}{-2\pi in}]_{0}^{t_0}-\int_{0}^{t_0}\frac{e^{-2\pi int}f'(t)}{-2\pi in}dt 

\int_{t_0}^{1}f(t)e^{-2\pi int}dt=[\frac{e^{-2\pi int}f(t)}{-2\pi in}]_{t_0}^{1}-\int_{t_0}^{1}\frac{e^{-2\pi int}f'(t)}{-2\pi in}dt ,

将这些等式加起来。使用 f ( 0 )  = f (1 ) ,结果是

\widehat{f}(n)=[\frac{e^{-2\pi int}f(t)}{-2\pi in}]_{t_{0}^{+}}^{t_{0}^{-}}-\int_{0}^{1}\frac{e^{-2\pi int}f'(t)}{-2\pi in}dt ,

其中,符号  t_{0}^{-}  和 t_{0}^{+} 表示,当我们在 t_0 点取左右极限的时候,我们正在考察 f ( t )的值。如果 f ( t ) 在 t_0 是连续的,则括号中的项消没,对于 \widehat{f}(n) 就仅剩下积分表达式。但如果 f ( t ) 在 t_0 

点是不连续的(例如,存在跳跃点),则这一项不会消没,则我们预计Fourier系数的大小为 1/ n 阶(注:如果我们有更多的跳跃不连续点,我们会将积分分解为几个子区间,并且我们会有多个 1/n 阶项。组合结果仍为 1/n 阶。如果函数在端点 0 和 1 处跳转,情况也是如此。)。

    现在,假设 f ( t ) 在 t_0 点是连续的,并进行第二次分部积分。以和上面同样的方式,给出 

\widehat{f}(n)=[\frac{e^{-2\pi int}f'(t)}{(-2\pi in)^{2}}]_{t_{0}^{+}}^{t_{0}^{-}}-\int_{0}^{1}\frac{e^{-2\pi int}f''(t)}{(-2\pi in)^{2}}dt 。

若 f'(t) (一阶导数)在  t_0点是连续的,则括号中的部分消没。若 f'(t) 在 t_0 点是不连续的,例如,若在  t_0 点处存在拐角,则这一项不会消没,则我们预计 Fourier系数的大小为  1/n^{2} 阶。

我们可以继续按这样的方式进行下去。大致的经验法则可以表述如下:

\bullet    如果 f ( t ) 不连续,则Fourier系数应该具有一些类似 1/n 的项。

\bullet    如果 f ( t ) 在除了拐角( f ( t )连续但其导数不存在)之外处处可微,则Fourier系数应该具有一些类似 1/n^{2} 的项。

\bullet    如果 f ''( t ) 存在但不连续,则Fourier系数应该具有一些类似  1/n^{3} 的项。

f ''( t ) 中的不连续性更难以可视化; 就图表而言,它通常是曲率的不连续性。 例如,想象一条曲线,由一段圆弧和一条在其端点与圆弧相切的线段组成。类似下面的图。

-------------------------图11.  f ''( t )  不连续性示意图---------------------

曲线及其一阶导数在切点处连续,但二阶导数有跳跃。如果您以恒定速度沿着这条路径骑行,当您经过切点时,您会感到猛拉的感觉——加速度的不连续性。

显然,这种模式扩展到高阶导数的连续性/不连续性。它也与我们之前的一些例子相吻合。方波

f(t) = \left\{\begin{matrix} +1(0 \leq t > 1/2), \\ -1(1/2 \leq t <1), \end{matrix}\right.

具有跳跃不连续点,其Fourier 级数是

\displaystyle \sum_{n=odd}^{}\frac{2}{\pi in} e^{2\pi int} = \frac{4}{\pi}\sum_{k=0}^{\infty}\frac{1}{2k+1}sin[2\pi (2k+1)t] 。

三角波

g(t) = \frac{1}{2}-|t| = \left\{\begin{matrix} \frac{1}{2} +t(-\frac{1}{2} \leq t \leq 0), \vspace{0.2cm}\\ \frac{1}{2}-t(\frac{1}{2} \leq t <1), \end{matrix}\right.

其本身是连续的但是其导数是不连续的。(事实上,这个导数是方波。) 其Fourier级数是

\displaystyle \frac{1}{4} +\sum_{k=0}^{\infty}\frac{2}{\pi^{2}(2k+1)^{2}}cos[2\pi (2k+1)t]  。

周期函数的平滑度(smoothness)(可微分程度)与收敛速度和Fourier系数的大小密切相关。在前面提到的<<Fourier Series and Integrals>>一书中,Dym 和 McKean 是这样表述结果的:

        定理 令 f ( t ) 为周期为 1 的周期函数。假设 f ( t ) 是 p 次连续可微的,其中,p 至少为1 。( 这包括在端点 0 和 1 处连续匹配的导数。) 则其部分和

S_{N}(t) = \displaystyle \sum_{n=-N}^{N}\widehat{f}(n)e^{2\pi int}

在闭区间[0,1]上随着 N ⟶ ∞ 而逐点且一致地收敛于 f ( t ) 。此外,对于 0 ≤ t ≤1,

\max|S_{N}(t)-f(t)| \leq \frac{1}{N^{p-\frac{1}{2}}} 。

事实上,在 |S_{N}(t)-f(t)|  的最大值上存在一个趋于 0 的界(随着 N 的增大)。正是这个随着 N 的增大而趋于 0 的界使得这个部分和一致收敛。

    我们不证明这个定理;使用来自1.8.1节的 S_{N}(t)-f(t) 的 Dirichlet核的表示证明。再一次地,这个结论的一个有趣的方面与函数的局部属性如何反映在其Fourier级数的全局属性中有关。在目前的背景下,函数的“局部属性”是指它的平滑程度,即它连续可导的次数。关于级数,人们可以问的唯一一种“全局问题”是它们收敛的速度有多快,这就是这里的估算值。要点是,近似误差以及间接系数减小的速度是由信号的平滑度(可微分程度)决定的。函数(“局部”表述)越平滑,近似效果就越好,这不仅是平均 L2  意义上的,而且在整个区间(“全局”表述)上都是一致的。此外,Fourier系数本身由积分定义,是函数的全局方面。

    关于Fourier系数的可微性和大小的最后评述。平滑度的极端情况是 f ( t )连续可微到任意阶。记录这一点的记法是 f ( t ) 是 [0,1] 上的 C^{\infty} 类函数。(这意味着所有导数也在端点处匹配,对于任意 k ≥ 0 ,f^{k}(0)=f^{k}(1) 。) 在那种情况下,您可以证明,Fourier系数是急速递降的(rapidly decreasing)。这意味着,对于任意 k ≥ 0 ,当 n ⟶±∞ 时,

n^{k}\widehat{f}(n) \longrightarrow 0 。

换句话说,比起 n 的任意非负幂,f (n)更快地趋近于 0 。事实上,反之亦然:如果 Fourier系数是急速递降的,则 f ( t ) 是 [0,1] 上的 C^{\infty} 类函数。

您可能厌倦了所有这些预示(foreshadowing),但我们还将看到局部与全局相互作用在Fourier变换的属性中发挥作用,特别是在平滑度(smoothness)和递降率(rate of decay)之间的关系中。这就是为什么我希望我们看到Fourier级数的原因之一。你难道不知道吗:我们还会再次遇到函数急速递降的情况。

1.8.3 复指数真的是L2 ([0,1])的一个正交基吗?(The complex exponentials really are an orthonormal basis for L2 ([0,1] ?)

Fourier级数 L^{2} 理论的热点展示(parade)中剩下的一点是复指数是一个基,即

\displaystyle \lim_{N->\infty} || \sum_{n=-N}^{N}\widehat{f}(n)e^{2\pi int}-f(t)||=0 。

我之前说过,我们不会尝试完整地证明这一点,我们也不会。但通过前面的讨论,我们可以更准确地说明证明是如何进行的,以及我们无法讨论的问题是什么。论证分三步进行。

    令 f ( t ) 为一个平方可积函数,并令ε > 0 。

第1步:

L^{2}[0,1] 中的任意函数都可以用 L^{2} 范数中的一个连续可微函数来逼近。以 L^{2} 

的一个已知函数和ε > 0 开始,我们可以求得一个 [0,1] 上的连续可微函数 g(t),使其满足

    | f - g| < ε 。

这一步正是我们不能完成的一步!正是在这里,在证明这一表述时,我们需要更一般的Lebesgue积分理论以及随之而来的约束过程(注:事实上,L^{2}[0,1] 中的任何函数都可以用无限可微函数来逼近。我们将在第 4 章中以卷积作为平滑运算的背景来讨论这一点)。

第2步:

    从上一节的讨论中,我们现在知道连续可微函数(定理表述中的 p = 1)的部分和一致收敛于该函数。因此,对于步骤 1 中的 g(t),我们可以选择足够大的 N,使得

\displaystyle \max_{0 \leq t \leq 1}|g(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}|< \epsilon 。

则对于  L^{2} 范数 ,

\displaystyle \int_{0}^{1}|g(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}|^{2}dt \leq \int_{0}^{1}(\max_{0 \leq t \leq 1}|g(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}|)^{2}dt 

< \int_{0}^{1}\epsilon^{2}dt=\epsilon^{2} 。

因此,

\displaystyle ||g(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}||< \epsilon 。

第3步:

    请记住,Fourier系数为函数提供了 L^{2} 中的最佳有限逼近。因为我们需要它:

\displaystyle ||f(t)-\sum_{n=-N}^{N}\widehat{f}(n)e^{2\pi int}|| \leq ||f(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}|| 。

则最后

||f(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}||=||f(t)-g(t)+g(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}||

------------------------------------------\leq ||f(t)-g(t)||+||g(t)-\sum_{n=-N}^{N}\widehat{g}(n)e^{2\pi int}||

------------------------------------------< 2\epsilon 。

这就证明了

\displaystyle || f(t)-\sum_{n=-N}^{N}\widehat{f}(n)e^{2\pi int}||

通过取 N 最够大而变得任意小,这就是我们需要做的。

         为了使整个图景更加完整,让我添加最后一点,这与我们所做的有点相反。我们不会使用它,但它可以很好地把事情联系起来。

若  \{ c_n:n= 0,\pm 1, \pm 2,...\} 是满足

\displaystyle \sum_{n=-\infty}^{\infty}|c_{n}|^{2}<\infty 

的任意复数序列,则函数

f (t) = \displaystyle \sum_{n=-\infty}^{\infty}c_{n}e^{2\pi int}

位于 L^{2}[0,1] 中,意味着部分和极限收敛于  L^{2}[0,1] 中的一个函数,并且  c_{n}=\widehat{f}(n) 。这通常称为 Riesz-Fischer 定理。

    告别这一切。够了吗?有很多材料刚刚经过您的途径,我再说一遍,您可能会在其他场所遇到这些想法和术语。但老实说,这些结果更多的是数学问题,而不是日常实际问题。引用帮助发明快速Fourier变换算法(即将到来的吸引力!)的杰出应用数学家John Tukey的话:“我不想乘坐一架其设计取决于函数是Riemann可积还是Lebesgue可积的飞机。”

1.8.4 附录:逐点收敛对比一致收敛(Appendix: Pointwise convergence vs. uniform convergence)

         这是一个典型的例子,它表明逐点收敛与一致收敛不同,或者说是同一件事,我们可以拥有一系列函数 f_{n}(t)具有这样的属性——当n ⟶ ∞ 时,对于 t 的每一个值,都有 f_{n}(t) \longrightarrow f(t) f_{n}(t)但是,最终的图像看起来与 f( t)的图像不像。让我们换一句来表述这样一个函数序列,绘一个图,然后让你出它对应的公式。

所有 f_{n}(t) 函数都将定义在[0,1]上。对于每一个 n ,f_{n}(t)  的图像从1/n 到1 都是 零,而对于 0 ≤ t ≤1/n , f_{n}(t) 是一个高度为  n^{2} 的等腰三角形(isosceles triangle)。以下是 f_{2}(t),f_{5}(t),和 f_{10}(t) 的图像。

-----------------------图 12. f_{2}(t),f_{5}(t),和 f_{10}(t) 的图像-----------------------------------

随着 n 的增加,峰值向左滑动并变得越来越高。很明显,对于每个 t,序列 f_{n}(t) 趋于 0 。这是因为对于所有 n,f_{n}(0)=0 并且对于任何 t = 0,最终(即,对于足够大的 n),峰值将逐渐滑到 t 的左侧,并且   f_{n}(t) 从 n 开始将为零。 因此 f_{n}(t) 逐点收敛于常数 0 。但是  f_{n}(t)   的图形肯定不会一致地接近 0!

因为一致收敛非常值得重视,所以您可能会很高兴知道有一个相当灵活的结果可以保证它。它被称为 Weierstrass M检验(Weierstrass M-test)(注:以 K. Weierstrass 的名字命名。他的职业生涯很有趣,主要靠自学成才,并在(德语)高中任教多年。他以强调严谨著称,因此引起了许多数学专业学生和数学教授的无尽担忧),如下所述。

Weierstrass M检验  令   f_{1}(t),f_{2}(t),... 为 0 ≤ t ≤1 上的函数的一个序列,并假设存在数 M_{1},M_{2},... 

其具有下列的属性:

(1) 对于每一个固定的 n ,对任意  0 ≤ t ≤1 ,我们有 f_{n}(t) \leq M_{n} 。

(2) 数级数  \displaystyle \sum_{n=1}^{\infty} M_{n} 收敛 。
则,函数级数 \displaystyle \sum_{n=1}^{\infty} f_{n}(t)  在 0 ≤ t ≤1 上一致收敛。

该定理没有说明级数收敛到什么。

    回到第 1.4 节,我们只需要 Weierstrass M检验即可证明三角波的Fourier级数在 0 ≤ t ≤1 时一致收敛。为什么呢?但测试并不能让我们对方波得出任何结论。为什么?

1.9  附录:Cauchy-Schwarz 不等式(Appendix: The Cauchy-Schwarz Inequality)

    这是一个著名且有用的不等式。它一定会在某个地方有用,所以就在这里了。Cauchy-Schwarz不等式是两个向量的内积与其范数之间的关系。它指出

|(\underline{v},\underline{w})| \leq ||\underline{v}||||\underline{w}|| 。

这是一个真正的主力(workhorse),你应该知道它。 你甚至会在书中散布的一些问题中看到它的实际应用。

    对于几何向量,从内积的几何公式中可以看出这一点很简单,

|(\underline{v},\underline{w})| \leq ||\underline{v}||||\underline{w}||cos(\theta) \leq ||\underline{v}||||\underline{w}|| ,

因为 cos(θ) ≤ 1 。实际上,内积几何公式的基本原理(rationale)推导自Cauchy-Schwarz不等式。

如何从几何向量内积的代数定义导出不等式当然并不明显。用分量写出来,不等式表示(对于实数向量)

|\displaystyle \sum_{k=1}^{N}v_{k}w_{k}| \leq (\sum_{k=1}^{n}v_{k}^{2})^{1/2}(\sum_{k=1}^{n}w_{k}^{2})^{1/2}

找个时间坐下来尝试一下。

    Cauchy-Schwarz不等式的推导通常仅使用前面列出的内积的四个代数性质。因此,相同的论点适用于满足这些属性的任何乘积,例如 L^{2}[0,1] 上的内积。这是一个如此优雅的论点(我相信是约John von Neumann提出的),我想向您证明它。我们将在这里给出真正的内积,并附上对复杂情况的评述。

任何不等式最终都可以用这样的方式来表示:某个数量是正数,或者至少是非负数。 我们所知道的正数的例子有实数的平方、某物的面积和某物的长度。更微妙的不等有时依赖于凸性(convexity),例如,质量系统的重心包含在质量的凸包 (convex hull)内。这个关于不等本质的小小即兴表演(riff)可以说是宇宙的一个小秘密。

    为了证明Cauchy-Schwarz不等式,我们使用向量的范数是非负的,但我们引入一个参数。令 r 为任意实数。则  ||\underline{v}-r\underline{w}|| \geq 0 。将其写为内积并使用代数性质进行扩展;由于同质性、对称性和可加性,这就像乘法一样——认识到这一点很重要: 

0 \leq ||\underline{v}-r\underline{w}|| ^{2}=(\underline{v}-r\underline{w},\underline{v}-r\underline{w})

=(\underline{v},\underline{v})-2r(\underline{v},\underline{w})+r^{2}(\underline{w},\underline{w})

=||\underline{v}||^{2}-2r(\underline{v},\underline{w})+r^{2}||\underline{w}||^{2} 。

这是 r 为未知数的二次方程,形如 ar^2 + br + c = 0 ,其中  a=||\underline{w}||^{2} ,b=-2(\underline{v},\underline{w}),c=||\underline{v}||^{2} 。第一个不等式以及随后的一系列(the chain of)等式表明,这个二次方程始终是非负的。现在,始终为非负的二次方程必须具有非正判别式(discriminant):判别式 确定了这个二次方程的根的特征,如果判别式为正,则有两个实根,如果有两个实根,则二次方一定在某处为负。因此,b^2 - 4ac \leq 0 ,转换成

4(\underline{w} ,\underline{w} )^{2}-4||\underline{w} ||^{2}||\underline{v} ||^{2} \leq 0 或者 (\underline{w} ,\underline{w} )^{2} \leq ||\underline{w} ||^{2}||\underline{v} ||^{2} 。

不等式两边取平方根,得到

||(\underline{v},\underline{w} ) || \leq ||\underline{v}|| ||\underline{w} || ,

如预期结果。很惊奇,不是吗——二次公式的重要应用(注:作为这个论点的一个小替代,如果这个二次方程处处非负,则,特别地,其最小值是非负。最小值发生在 t = -b/(2a),最终导出同样的不等式 4ac - b^2 \geq 0  )。

         回到几何,我们现在知道

-1 \leq \frac{(\underline{v},\underline{w})}{||\underline{v}||||\underline{w}||} \leq 1 。

因此,存在唯一的一个角 θ (0 ≤ θ ≤π),使得

cos(\theta)=\frac{(\underline{v},\underline{w})}{||\underline{v}||||\underline{w}||} 。

即 , (\underline{v},\underline{w})=||\underline{v}||||\underline{w}||cos(\theta) 。

这也证明了Cauchy-Schwarz不等式中等式何时成立,即向量方向相同(或相反)的情况。

    三角不等式 

||\underline{v}+\underline{w} || \leq ||\underline{v}|| +||\underline{w} ||

可以从Cauchy-Schwarz不等式直接导出。下面是论证。

||\underline{v}+\underline{w} ||^{2} = (\underline{v}+\underline{w},\underline{v}+\underline{w})

---------------=(\underline{v},\underline{v})+2(\underline{v},\underline{w})+(\underline{w},\underline{w})

---------------\leq (\underline{v},\underline{v})+2|(\underline{v},\underline{w})|+(\underline{w},\underline{w})

---------------\leq (\underline{v},\underline{v})+2||(\underline{v},\underline{w})||+(\underline{w},\underline{w})(根据Cauchy-Schwarz不等式)

--------------= ||\underline{v}||^{2}+2||(\underline{v},\underline{w})||+||\underline{w}||^{2}

--------------= (||\underline{v}||+||\underline{w}||)^{2} 。

对上式两边取平方根,得到 ||\underline{v}+\underline{w} || \leq ||\underline{v}|| +||\underline{w} || 。在坐标中,它表明

(\displaystyle \sum_{k=1}^{n}(v_{k}+w_{k})^{2})^{1/2} \leq (\sum_{k=1}^{n}v_{k}^{2})^{1/2}(\sum_{k=1}^{n}w_{k}^{2})^{1/2} 。

以下是如何从我们已经完成的工作中获得复数内积的Cauchy-Schwarz不等式。对于复数向量

\underline{v} 和 \underline{w} ,不等式表明

|(\underline{v},\underline{w})| \leq ||\underline{v}|| +||\underline{w} || 。

在不等式的左边,我们有复数 (\underline{v},\underline{w}) 的大小。与我们在现实情况中所做的略有不同,令 \alpha=re^{i\theta} 为一个复数(r是实数),并考虑

0 \leq ||\underline{v} -\alpha \underline{w} ||^{2} = ||\underline{v}||^{2}-2Re\{ (\underline{v},\alpha\underline{w})\}+ ||\alpha \underline{w}||^{2}

-------------------------= ||\underline{v}||^{2}-2Re\{ \overline{\alpha}(\underline{v},\underline{w})\}+ ||\alpha \underline{w}||^{2}

-------------------------= ||\underline{v}||^{2}-2rRe\{ e^{i\theta}(\underline{v},\underline{w})\}+ \alpha^{2}||\underline{w}||^{2} 。

现在,我们可以选择 θ 为我们想要的任何值,这样做是为了使

Re\{ e^{i\theta}(\underline{v},\underline{w})\}=|(\underline{v},\underline{w})| 。

用 e^{i\theta} 乘以 (\underline{v},\underline{w}) 将复数 (\underline{v},\underline{w}) 顺时针方向旋转θ角,因此,选择 θ 以将 (\underline{v},\underline{w}) 旋转到实数轴和正数。从这里开始,论证与现实情况中的论证是一样的。

1.9.1 L2 ([0,1] 的Cauchy-Schwarz 不等式(Cauchy-Schwarz for L2 ([0,1])

让我再次强调,Cauchy-Schwarz不等式的证明仅取决于内积的代数性质,因此对于 L^{2}[0,1] 上的(复)内积成立。 它采用令人印象深刻的形式

|\int_{0}^{1}f(t)\overline{g(t)}dt| \leq (\int_{0}^{1}|f(t)|^{2}dt)^{1/2}(\int_{0}^{1}|g(t)|^{2}dt)^{1/2} 。

我们现在还知道三角不等式成立:

            |f + g| ≤ || f || + || g|| ,

即,

(\int_{0}^{1}|f(t)+g(t)|^{2}dt)^{1/2}\leq (\int_{0}^{1}|f(t)|^{2}dt)^{1/2}(\int_{0}^{1}|g(t)|^{2}dt)^{1/2} 。

顺便说一句,内积确实有意义。 由于这是数学部分,我应该指出我跳过了数学部分。如果 f (t) 和 f (t) 是平方可积的,那么为了使Cauchy-Schwarz不等式成立,必须知道内积 (f, g) 有意义,即

|\int_{0}^{1}f(t)\overline{g(t)}dt| < \infty 。

不用恐惧,要推断出这一点,您可以使用

2| f (t)|| g(t)| \leq | f (t)|^2 + | g (t)|^2 。

这是算术平均值和几何平均值之间的不等式——查一下(注:又是正的:0 \leq (a-b)^2 = a^2 -2ab + b^2 ) 则

 |\int_{0}^{1}f(t)\overline{g(t)}dt| \leq \int_{0}^{1}|f(t)||\overline{g(t)}|dt= \int_{0}^{1}|f(t)||g(t)|dt

------------------------\leq (\int_{0}^{1}|f(t)|^{2}dt)^{1/2}(\int_{0}^{1}|g(t)|^{2}dt)^{1/2}<\infty 。

因为我们以假设 f (t) 和 f (t) 是平方可积的开始。Cauchy-Schwarz不等式是有根据的,我们很高兴。

1.9.2 Fourier系数适用Cauchy-Schwarz不等式很好(The Fourier coefficients are fine)

    现在我们知道Cauchy-Schwarz不等式确实没问题,一个结果是幸运的事实是L^{2}[0,1]中函数的Fourier系数存在。也就是说,我们可能想知道是否存在 

(f,e_{n}) = \int_{0}^{1}f(t)e^{-2\pi int}dt 。

我们不用考虑太多(注:您还可以通过使用算术几何平均不等式来推断 (f,e_{n}) 有意义):

|( f,e_{n}) |\leq || f ||\hspace{0.2cm}||e^{2\pi int}|| = || f || 。

1.9.3 卷积也适用Cauchy-Schwarz不等式(And convolution is also OK)

    我们并没有提出确定两个周期函数 f (t),g (t)的卷积 (f * g)( t) 是否确实被定义的问题,即积分

\int_{0}^{1}f(t-\tau)g(\tau)d\tau

存在。

假设 f (t),g (t) 是 L^{2} 函数,我们有 

|\int_{0}^{1}f(t-\tau)g(\tau)d\tau|\leq (\int_{0}^{1}|f(t-\tau)|^{2}d\tau)^{1/2}(\int_{0}^{1}|g(\tau)|^{2}d\tau)^{1/2} 。

现在您可以通过调用周期性来完成右侧有限的论证:

\int_{0}^{1}|f(t-\tau)^{2}|d\tau=\int_{0}^{1}|f(\tau)|^{2}d\tau 。

1.9.4 平方可积意味着可积(Square integrable implies integrable)

Cauchy-Schwarz的另一个有时被低估的结论是,平方可积函数也是绝对可积的,这意味着如果

\int_{0}^{1}|f(t)|^{2}dt < \infty,

则,

\int_{0}^{1}|f(t)|dt < \infty 。

为了理论这一点,应用 Cauchy-Schwarz 不等式到 | f (t)|.1 ,产生

\int_{0}^{1}|f(t)|dt \leq |f(t)|.1 < \infty ,

因为 f (t) 和 常量函数 1 在闭区间 [0,1]上都是平方可积的。

忠告:

如果闭区间 [0, 1] 被整条实数轴替换,这个简单的、几乎是随手的论证就“无效了”。 常数函数 1 在 ℝ 上有一个无限积分。您可能认为我们可以解决这个小不便,但这“正是”在尝试将Fourier “级数”思想(其中函数在有限间隔上定义)应用到Fourier变换的想法(其中函数在所有 ℝ 上都有定义) 时有时会出现的麻烦。

内容来源:

<<lectures on the fourier transform and its applications>>  Brad G. Osgood

参考资料:

<<Trigonometric Delights>> 作者:Eli Maor

<< Fourier Analysis for Beginners>> Larry N. Thibos

<<fourier analysis an introduction>> Elias M. Stein
 

Dirichlet Process Dirichlet Process标签(空格分隔): LDA DMM DP Dirichlet Dirichlet-Process作者: 王琳(大连理工大学信息检索研究室)写在前头 对于非参数化的机器学习模型,我之前研究的并不多。通过这几天的学习,简单总结一下我所了解到的非参数化的模型。 鉴于非参数化的学习模型涉及大量的概率计算,晦涩难懂,然而在这篇总结材料中,我并不细推每个公式,而是 阅读详情

相关推荐

2009年《斯坦福大学开放课程 : 傅立叶变换及应用》(Open Stanford Course : The Fourier Transform and Its Applications )共30节[MP4]

2009年《斯坦福大学开放课程 : 傅立叶变换及应用》(Open Stanford Course : The Fourier Transform and Its Applications )共30节[MP4]http://www.verycd.com/topics/2837973/ [斯坦福大学开放课程.傅立叶变换及应用].1.Fourier.Transforms.Lecture.1.m4v详情169.7MB[斯坦福大学开放课程.傅立叶变换及应用].2.Fourier.Transforms.Lecture.

rosonex的专栏 2136

虚数想定-----傅里叶分析笔记(1)卷积,卷积核及其应用

前四点描述的是卷积的代数性质:线性性、交换性、结合性.性质(V)展示了一个重要的原则:卷积f*g比f或g更规则.这里,当f和g仅仅是Rie-mann可积时,f*g就是连续的.最后(vì)是研究Fourier系数的关键.一般来说,积fg的Fourier系数不是f和g Fourier系数的积.然而,(vi)说明如果用卷积f*g来替代两个函数f和g的积,这种联系是成立的.好核有助于将复杂的、可能不光滑的函数变得更平滑、易处理,特别是在对傅里叶级数进行收敛性分析或通过卷积平滑函数时,好核扮演了至关重要的角色。

st_flandre的博客 1348

3D Gaussian Splatting:用于实时的辐射场渲染

3D Gaussian Splatting:用于实时的辐射场渲染 3d gaussian splatting for real-time radiance field rendering

m0_51976564的博客 1万+

Fourier分析导论——第2章——Fourier级数的基本属性(E.M. Stein & R. Shakarchi)

Fourier级数的基本属性

ComputerInBook的专栏 2709

不止于连接:用VS Code Remote-SSH深度开发树莓派(Ubuntu 22.04环境实战)

本文详细介绍了如何在Ubuntu 22.04环境下使用VS Code的Remote-SSH功能进行树莓派深度开发。通过SSH配置、VS Code扩展安装和远程环境优化,开发者可以在本地高效编写代码,同时在树莓派上直接运行和测试,解决性能瓶颈问题。文章还提供了高级功能如端口转发、多项目管理和远程调试的实战技巧。

didui8202的博客 352

【超详细】数据分析笔试题分享,可以收藏后仔细阅读_数据分析岗位笔试题目

这种做法是最精确的做法,保留了所有的信息,也未添加任何额外信息,若预处理时把所有的变量都这样处理,会大大增加数据的维度。15、在某座城市出现了某种流行病,且已知某座城市男女人数相同,男性患该病的概率为5%,女性为0.25%,现已知该城市的小明得了此病,请问小明为男性的概率是() B。D项,使用方差作为特征评分标准,如果某个特征的取值差异不大,通常认为该特征对区分样本的贡献度不大,因此在构造特征过程中去掉方差小于阈值的特征。LTV,用户生命周期价值,是产品从用户获取到流失所得到的全部收益的总和。

2401_89824744的博客 951

Fourier变换及其应用(Brad G. Osgood)——第1章——Fourier级数

Fourier级数

ComputerInBook的专栏 1855

058、时域降噪(Temporal Denoise):运动补偿与递归滤波在视频降噪中的应用

本文深入探讨了时域降噪(Temporal Denoise)技术在视频处理中的应用。作者通过车载环视项目案例,揭示了空域降噪的局限性,提出利用帧间信息进行降噪的核心思路。文章详细解析了递归滤波和运动补偿两大关键技术,指出递归滤波简单但易产生拖影,而运动补偿通过计算运动矢量解决此问题。作者还分享了多帧降噪方案的优势与算力挑战,并总结了噪声模型匹配、运动矢量一致性等实战调优经验。最后强调时域降噪需要与空域降噪平衡,指出调试工具的重要性,提出"在保证运动区域无鬼影的前提下追求信噪比"的实践原则,体现了算法复杂度与效

zzfmlxs的博客 93

卷到纯数学:MyEncyclopedia号主亲历并总结了一份AI工程师的纯数学课程学习之路...

在入门机器人视觉和机器人运动后,开始逐步接触到了3D计算机视觉中的高阶数学概念,包括三维物体到二维图片的变换(术语称之为射影几何);三维欧氏空间的物体运动坐标系变换,分为主动变换(active)和被动变换(passive);另外在更高阶的计算机渲染中常会用到Mesh和黎曼曲面;此外,几何深度学习(Geometric Deep Learning)中也涉及到群论,李群等。这些迷之概念使得我对于本科高等...

fengdu78的博客 493

OpenClaw赚钱实录:从“养龙虾“到可持续变现的实践指南——OpenClaw的赚钱底层逻辑与“记忆”革命

AI 的商业价值不在于替代思考,而在于沉淀关系。当 Agent 记住你的偏好、你的历史、你的目标,它就不再是冷冰冰的软件,而是成为数字化的关系资产。这种资产的稀缺性不在于技术复杂度,而在于时间无法被压缩——你无法用更好的算法替代 3 个月的协作记忆。在这场“记忆革命”中,护城河不是模型参数,而是用户与 AI 共同书写的历史。OpenClaw 用一套优雅的文件系统架构,将这种历史转化为可积累、可复用、可变现的数字资产。从“计算即服务”(CaaS)到“记忆即服务”(MaaS)。

冯·诺依曼 1347

Python解答蓝桥杯省赛真题之从入门到真题

搜了很多历年蓝桥杯真题解答,大多都是Java,C++,C这些语言编写的代码解析。Python解析的几乎,甚至可以说没有。而当下Python又这么火热,蓝桥杯也出了Python组,所以打算写一个Python解答蓝桥杯真题的博客,供大家参考,也在这过程中和大家一起交流。

李波的blog,一名喜欢编程和分享技术的研究僧~ 10万+

C++ 虚函数基础知识

1.c++虚函数原理 作用:C++中的虚函数的作用主要时实现了多态的机制。当基类中的成员函数定义了虚函数,其子类可以重新改写该函数。也即是允许派生类调用父类的同名函数而实现不同的功能,也叫动态联编。在主函数调用时,只需要定义一个基类指针就可以进行派生类的分别操作。底层原理:虚函数表+虚函数表指针。每一个类都会对应一个虚函数表,一个存放虚函数地址的虚函数表,并创建虚函数指针(vptr)来指向表。 2.虚函数指针的初始化过程 虚函数表的创建和虚函数指针的初始化都是在构造函数中进行的。当编译器发现基类当中有

huang714的专栏 1070

前拉后推计划逻辑适用于哪些行业和企业规模?

《前拉后推计划逻辑的行业适用性分析》摘要:前拉后推计划逻辑(需求端后推锚定交付、供应端前拉匹配资源)最适用于需求波动大且具规模效益的行业,包括家具制造(定制化需求+批量运输)、机械装备(非标设备+部件采购)、消费电子(短周期产品+核心部件备货)及汽车配套(交期绑定+批量生产)等领域。该模式要求企业具备:1)独立计划部门;2)ERP/MES等信息系统;3)资源冗余能力,故更适配中型(1-10亿营收)和大型企业(10亿+)。小型企业需简化应用,仅聚焦关键环节。不适配需求稳定(如快消品)、无规模效益或短周期生产的

追随内心 145

数学术语之源——代数——群同态的“核(kernel)”

群同态的核

ComputerInBook的专栏 2121

组态王的日历时间控件脚本

日期时间控件中的脚本中在小于10的月份和天数前必须要加上0,这是由首字符对比机制规定的,首字母相同,就不再不做对比了,比如1和11,是一样的。首字母不同,再比较下一位。 float Ayear1; float Amonth1; float Aday1; string temp1; Ayear1=sd.Year; Amonth1=sd.Month; Aday1=sd.Day; temp1=StrFromInt( Ayear1, 10 ); if(Amonth1<10) temp1=temp1+"-0"+

逍遥子的博客 5718

STM32F407中文手册

STM32f407中文手册 本参考手册面向应用开发人员,提供有关使用 STM32F405xx/07xx、STM32F415xx/17xx、 STM32F42xxx 和 STM32F43xxx 微控制器存储器与外设的完整信息。STM32F405xx/07xx、STM32F415xx/17xx、STM32F42xxx 和 STM32F43xxx 构成一个微 控制器系列,各产品具有不同的存储器大小、封装和外设。有关订购信息以及器件的机械与电气特性,请参见数据手册。有关 ARM Cortex™-M4F 内核的信息,请参见《Cortex™-M4F 技术参考手册》。

Square-integrable function

From Wikipedia, the free encyclopedia Jump to: navigation, search In mathematics, a square-integrable function, also called a quadratically integrable function, is a real- or comple

qq_22436185的博客 1051

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。,新界面,新视觉,

Fourier分析导论——第3章——Fourier级数的收敛性(E.M. Stein & R. Shakarchi)

Fourier级数的收敛性

ComputerInBook的专栏 2637

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

jre9下载 jdk9

(Java SE Runtime Environment 9.0) 9.0u175 官方最新版 【x86|x64】

Fourier分析导论——第4章——Fourier级数的一些应用(E.M. Stein & R. Shakarchi)

Fourier级数的一些应用

ComputerInBook的专栏 1630

狄利克雷过程(dirichlet process )的五种理解

狄利克雷过程(dirichlet process )是目前变参数学习(non parameter)非常流行的一个理论,很多的工作都是基于这个理论来进行的,如HDP(hierarchical dirichlet process)。 下面我们谈谈dirichlet process的五种角度来理解它。 第一种:原始定义:假设存在在度量空间\Theta上的分布H和一个参数\alpha,如果对于度量空间

Xianling Mao的专栏 8万+

Dirichlet 理解

一直在用LDA,但是一直不太理解其中Dirichlet抽样是个什么样的东西,于是画了一些时间好好好看了看关于dirichlet的理解。感觉还挺有收货,这里先总结一些资料的出处,希望对大家有帮助: http://cos.name/2013/01/lda-math-gamma-function/ 这个讲解讲的比较详细,从最基础的gamma函数开始,然后从Beta分布扩展到了Dirichlet的分布

Json_Nie的专栏 1745

(翻译)Dirichlet-based Histogram Feature Transform for Image Classification

基本信息:Dirichlet-based Histogram Feature Transform for Image Classification,作者:Takumi Kobayashi, National Institute of Advanced Industrial Science and Technology,发表于CVPR2014。

JRRG的博客 813

Dirichlet卷积 学习小记

定义 定义数论函数fff和ggg的狄利克雷卷积为hhh,则h(n)=∑d|nf(d)∗g(nd)h(n)=∑d|nf(d)∗g(nd)h(n)=\sum_{d|n}f(d)*g({n\over d}),记作h=f∗gh=f∗gh=f*g。 一些性质 DirichletDirichletDirichlet卷积满足交换律,结合律,对加法满足分配律 两个积性函数的狄利克雷卷积依旧为积性函数。...

XianHaoMing的博客 2517

Dirichlet卷积

莫比乌斯反演的前置知识 定义 设f,gf,gf,g是数论函数,考虑数论函数hhh满足 h(n)=∑d∣nf(d)g(nd)h(n)=\sum_{d|n}f(d)g(\frac{n}{d})h(n)=d∣n∑​f(d)g(dn​) 则称hhh为fff和ggg的狄利克雷卷积,记作h=f∗gh=f*gh=f∗g,这里的∗*∗表示卷积。 比如h(6)=f(1)∗g(6)+f(2)∗g(3)+f(3)∗g(...

Loceaner的博客 410

狄利克雷过程(Dirichlet Process)

0. 引入现观察得到两个样本 θ1,θ2\theta_1,\theta_2,来推测它们可能来自的分布: 假设来自于连续型概率密度函数, θ1,θ2∼H(θ)\theta_1,\theta_2\sim H(\theta) 则 θ1,θ2\theta_1,\theta_2 相等的概率为 0,p(θ1=θ2)=0p(\theta_1=\theta_2)=0 概率为 0,不代表不可能发生,仍有发生的可能,

4604

傅里叶分析导论学习笔记(一)

傅里叶级数的基本性质 1.卷积 f,g integrable on R ,2π-periodic, their convolution f*g on [-π,π] is defined by (f∗g)(x)=12π∫π−πf(y)g(x−y)dy(f∗g)(x)=12π∫−ππf(y)g(x−y)dy(f*g)(x) = \frac{1}{2π}\int ^{\pi}_{-\pi}f...

qq_24493207的博客 1419

信号处理、傅里叶变换 、小波变换的入门资料

概念 http://en.wikipedia.org/wiki/Signal_processing Signal processing is an area of systems engineering, electrical engineering and applied mathematics that deals with operations on or analysis of an

bestlinjialyin的专栏 4025
上一篇: Fourier变换及其应用(Brad G. Osgood)——第1章——Fourier级数
下一篇: Fourier变换及其应用(Brad G. Osgood)——第2章——Fourier变换
ComputerInBook
博客等级 码龄19年 1168粉丝 465原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值