特徵函數展開與傅立葉級數

從數的正交基底到函數的正交基底

在上一篇中，斯圖姆－劉維爾理論給了你一份你也許還沒完全拆開的禮物：一個正則斯圖姆－劉維爾問題的特徵函數 phi_1(x)、phi_2(x)、phi_3(x)、…… 彼此正交——但是在一種特別的、帶權的意義下正交。其中兩個 phi_n 與 phi_m（n 不等於 m）滿足：w(x) phi_n(x) phi_m(x) dx 在區間 [a, b] 上的積分等於零，其中 w(x) 是烘進方程裡的權函數。那個積分不是裝飾，它是一個*內積*，是兩向量點積在函數世界中的版本。這裡的正交恰恰就是箭頭垂直的意思：這些函數指向真正獨立的方向。

現在回想正交基底為普通向量帶來什麼。若 e_1、e_2、e_3 是彼此垂直的單位向量，任何向量 v 都能寫成 v = c_1 e_1 + c_2 e_2 + c_3 e_3，而你藉由*投影*求出每個係數：c_k 就是 v 與 e_k 的點積。你從不需解一個雜亂的聯立方程組；每個坐標都解耦了，因為交叉項由正交性消失。一個[[eigenfunction-expansion|特徵函數展開]]的全部要旨，就是在高一個維度上做完全相同的事——把函數 f(x) 當作一個「向量」，把特徵函數當作彼此垂直的軸，然後一次一個投影地把它的坐標讀出來。

包辦一切的那一條公式

這裡就是讓整個學科運轉起來的關鍵一招。假設我們相信能把 f(x) = c_1 phi_1(x) + c_2 phi_2(x) + c_3 phi_3(x) + ... 寫成特徵函數的一個無窮和。為了找出某個特定的係數——比方說 c_k——把兩邊乘以 w(x) phi_k(x) 並在 [a, b] 上積分。在右邊，*除了第 k 項以外的每一項都死掉了*，因為只要 n 不等於 k，w phi_n phi_k 的積分就是零。正交性是一台機器，一口氣把所有交叉項全部敲掉。右邊存活下來的，只剩 c_k 乘以 w phi_k^2 的積分，於是你直接解出 c_k。沒有線性方程組、沒有消元——只有一個投影。

Assume:   f(x) = c_1 phi_1(x) + c_2 phi_2(x) + c_3 phi_3(x) + ...

Project onto phi_k :  multiply by w(x) phi_k(x), integrate over [a, b]

  integral_a^b w f phi_k dx = sum_n c_n * integral_a^b w phi_n phi_k dx
                            = c_k * integral_a^b w phi_k^2 dx     (all n != k vanish)

Solve:

          integral_a^b w(x) f(x) phi_k(x) dx
  c_k  =  ----------------------------------------
          integral_a^b w(x) phi_k(x)^2 dx

Classic Fourier sine case ( w = 1 , phi_k = sin(k pi x / L) on [0, L] ):

  c_k  =  (2/L) * integral_0^L f(x) sin(k pi x / L) dx

任何斯圖姆－劉維爾特徵函數展開都用這一條投影公式；傅立葉正弦級數不過是最底下那一行，其中 w = 1 且分母算出來是 L/2。

當特徵函數是 [0, L] 上的那族 sin(k pi x / L)——即最簡單的特徵值問題 y'' + lambda y = 0、兩端皆 y = 0 的特徵函數——時，這條投影公式字面上就是你也許曾見過、彷彿從天而降的傅立葉正弦係數公式。它從來不是從天而降，它恰恰就是上面那個積分，其中 w = 1，而分母一勞永逸地算成 L/2。一般的斯圖姆－劉維爾情形只是把 sin(k pi x / L) 換成你那個特定邊值問題所產生的任何特徵函數，並把權重補回去。同一個想法，更廣的觸及：一旦問題要求的是那些特徵函數而非正弦，同一套機器立刻就生成貝索函數級數、勒讓德多項式級數等等。

一步步建造這個展開

把整套程序攤開來看會很有幫助，因為實務上最難的部分是記帳，而非洞見。你在本階段稍早的篇章中已經產生了特徵函數與特徵值；展開則是你拿它們*來做*的事。以下是從頭到尾的例行步驟。

解出斯圖姆－劉維爾邊值問題的特徵函數 phi_k(x)，並從方程的自伴形式記下權函數 w(x)。（這是前幾篇的工作——在這裡它只是輸入。）
對每個 k 各計算一次正規化積分 N_k = integral_a^b w(x) phi_k(x)^2 dx。這是第 k 條軸的「長度」平方，會成為分母。
對目標函數 f(x)，計算投影積分 integral_a^b w(x) f(x) phi_k(x) dx。這是分子——f 與第 k 條軸的重疊。
組出係數 c_k =（分子）/（分母）。每個 c_k 都獨立於其他所有係數——這個解耦正是正交性帶來的全部報酬。
組裝出 f(x) = 對 k 求和的 c_k phi_k(x)。當你需要數值近似時就在 N 項後截斷，並記得尾部正是控制誤差的東西。

留意這擴展起來有多便宜。若你決定為了更高的精度再多要一項，你只需計算一個新係數，而*你已經有的每個係數都維持完全不變*。把這拿來和「用多項式穿過一組點」相比，那裡每多加一個節點都逼你把整個擬合重做一遍。這種在精化下的穩定性——加入細節從不擾動粗結構——正是正交展開在物理與工程裡無所不在的最深刻的實務理由之一。

「等於」誠實的意思：收斂及其邊緣

我們用一個等號寫下 f(x) = c_k phi_k(x) 的和，但誠實要求我們在那個等號上放慢腳步。展開並不總是在每一個點都收斂到 f，而假裝它會，正是這裡典型的初學者陷阱。乾淨而可靠的陳述是均方收斂：當你保留越來越多項時，w 乘以 (f 減部分和)^2 的積分趨於零。用白話說，誤差的*能量*縮減為零——級數在一種平均的意義下匹配 f，正是當初定義正交性所用的那種意義。那是這整套理論中「等於」的自然概念，而對於能量有限的函數，它幾乎從不失效。

逐點收斂——級數在每一個別的 x 都等於 f——是更強且更脆弱的要求。對一個相當光滑的 f，它確實成立，而在一個跳躍不連續處，級數會禮貌地收斂到左右兩值的*平均*，也就是那道缺口的中點。但就在跳躍旁邊，無論你加多少項，部分和都會以一個固定且永不縮減的百分比過衝——著名的吉布斯現象，一個約莫百分之九的過衝，它只是變得更窄，而非更矮。這不是有待修正的瑕疵，而是「想用光滑的波堆出一道不連續的牆」這件事誠實的後果。知道它存在，能讓你不至於把邊緣附近的擺動誤讀成自己算術上的錯誤。

完備性：為何什麼都不會剩下

投影公式還悄悄假設了一件事，它值得被點名。擁有一族正交函數還不夠——你還需要*足夠多*的它們。想像在三維空間裡只用彼此垂直的軸 e_1 與 e_2：每個投影依然合法，但你永遠無法重建一個沿 e_3 探出去的向量。原則上，特徵函數可能有同樣的缺陷：正交，卻缺了某個 f 所需的方向。[[ode-completeness-of-eigenfunctions|完備性]]正是「這種事絕不會發生」的保證——一個正則斯圖姆－劉維爾問題的特徵函數張成整個空間，因此均方誤差確實一路降到零，什麼都不剩。

這是斯圖姆－劉維爾理論的深層報酬，也是它為何位居如此眾多應用數學核心的原因：這套理論不僅產生一族正交函數，它產生一族*完備*的。正是那份完備性，把展開從一個聰明的近似變成一個真正的表示。它也是這族函數另一個名字的由來，即[[ode-generalized-fourier-series|廣義傅立葉級數]]——之所以「廣義」，恰恰因為古典的正弦餘弦傅立葉級數是最著名的那一個完備正交系，而斯圖姆－劉維爾理論顯示它從來不特別，只是來得最早。

這一切除了整潔的理論之外為何要緊？因為這正是偏微分方程裡等著你的[[bridge-to-separation-of-variables|通往分離變數法的橋樑]]。當你在一個區間上解熱方程或波動方程時，分離變數法恰恰交給你一個空間變數上的斯圖姆－劉維爾特徵值問題，而初始條件是一個你必須匹配的函數。匹配它，意思就是把它在這些特徵函數中展開——正是這個投影、正是這份完備性。特徵函數展開不是旁支題目，它是那部引擎，把一個看似無解的偏微分方程，轉換成一疊你早已會解的、簡單而解耦的常微分方程——每個係數對應一個。