从线性代数视角理解傅里叶变换:函数空间、正交基与投影
最近在复习信号处理和机器学习时,常常遇到“傅里叶变换是函数空间上的线性变换”这种说法。对于习惯了有限维向量和矩阵的我们来说,把函数当作向量,把积分当作内积,把变换看作矩阵乘法,这种视角既抽象又迷人。但网上资料要么过于数学化,要么过于零散,缺少一个从程序员和工程师视角切入的、能建立直观理解的桥梁。
本文尝试用“线性代数”的思维,重新审视我们熟悉的傅里叶级数和傅里叶变换。我们将看到,函数确实可以构成一个“向量空间”,而傅里叶变换正是在这个无限维空间中进行“基变换”和“坐标投影”的过程。无论你是想深入理解信号处理的数学基础,还是对机器学习中的核方法、函数逼近感到好奇,这种“泛函分析”的视角都能提供强大的直觉。本文将从最基础的向量空间概念讲起,逐步构建起函数空间、内积、正交基等概念,并用 Python 代码进行可视化验证,力求让抽象的概念变得可触摸、可运行。
1. 背景与核心概念:从有限维向量到无限维函数
我们熟悉的线性代数,处理的是有限维向量空间,比如三维空间中的向量
v = (x, y, z)
。在这个空间里,我们可以定义向量的加法、数乘、内积(点积)、长度(模)和夹角。一组向量如果线性无关且能张成整个空间,它们就可以作为这个空间的一组“基”。任何一个向量都可以唯一地表示为这组基向量的线性组合,组合系数就是该向量在这组基下的“坐标”。
那么,函数能不能也享受这种待遇呢?
考虑所有定义在区间
[0, 2π]
上、平方可积的复值函数构成的集合。所谓“平方可积”,粗略理解就是函数的“能量”有限,即积分
∫ |f(x)|² dx
存在且有限。这个集合记作
L²([0, 2π])
。
令人惊奇的是,这个函数集合
L²([0, 2π])
满足向量空间的所有公理:
- 加法封闭性 :两个平方可积函数相加,结果仍是平方可积函数。
- 数乘封闭性 :一个平方可积函数乘以一个标量(实数或复数),结果仍是平方可积函数。
-
存在零元
:零函数
f(x) = 0是平方可积的。 - 其他如结合律、交换律、分配律等也都成立。
因此,
L²([0, 2π])
本身就是一个向量空间
。只不过,这个空间的“向量”不是有限个数字的排列,而是整个函数
f(x)
。这是一个
无限维
的向量空间,因为你需要无穷多个线性无关的函数才能“张成”它(例如,所有单项式
1, x, x², x³, ...
都线性无关)。
既然是一个向量空间,我们自然想为它定义“内积”,从而可以谈论长度、角度和正交。对于函数,最自然的内积定义是:
⟨f, g⟩ = ∫_a^b f(x) g*(x) dx
其中
g*(x)
表示
g(x)
的复共轭(如果是实函数,就是
g(x)
本身),积分区间
[a, b]
根据问题而定(对于周期函数,常取一个周期长度,如
[0, 2π]
或
[-π, π]
)。
这个内积衡量了两个函数在整个区间上的“相似程度”。如果内积为0,我们就说这两个函数 正交 ,类似于三维空间中垂直的向量。
有了内积,我们就可以定义函数的“长度”(或称范数):
||f|| = sqrt(⟨f, f⟩) = sqrt(∫ |f(x)|² dx)
。这其实就是函数能量的平方根。
傅里叶级数的核心思想
就此浮现:在函数空间
L²([0, 2π])
中,我们能否找到一组
标准正交基
,使得任何函数都能方便地表示为这组基的线性组合?
答案是肯定的。这组著名的基就是:
{ e^{ikx} / sqrt(2π) }
,其中
k
为所有整数,
i
是虚数单位。可以验证,这组函数是两两正交的:
⟨e^{ikx}, e^{ilx}⟩ = ∫_0^{2π} e^{ikx} (e^{ilx})* dx = ∫_0^{2π} e^{i(k-l)x} dx = { 2π, if k=l; 0, if k≠l }
归一化后(除以
sqrt(2π)
),它们就成了一组标准正交基。
那么,函数
f(x)
在这组基下的“坐标”是什么?正是通过内积计算得到的投影系数:
c_k = ⟨f, e^{ikx} / sqrt(2π) ⟩ = (1/sqrt(2π)) ∫_0^{2π} f(x) e^{-ikx} dx
这几乎就是傅里叶级数的系数公式(差一个归一化常数)。而函数
f(x)
就可以写成:
f(x) = Σ_{k=-∞}^{∞} c_k * (e^{ikx} / sqrt(2π))
这就是傅里叶级数展开。
傅里叶变换,本质上就是求一个函数在一组特定正交基(复指数函数)下的坐标。
2. 环境准备与版本说明
为了将上述数学概念可视化并验证,我们将使用 Python 进行实验。以下环境配置足以完成本文的所有示例。
- 操作系统 : Windows 10/11, macOS, 或 Linux 发行版均可。
- Python 版本 : 3.8 或以上。本文示例在 Python 3.9 下测试通过。
-
核心库
:
-
numpy: 用于数值计算和数组操作。 -
scipy: 提供科学的傅里叶变换等高级函数。 -
matplotlib: 用于绘制函数图像和频谱图。
-
-
安装命令
:
如果你使用
pip,可以通过以下命令安装所需库:
如果你使用 Anaconda,这些库通常已预装。pip install numpy scipy matplotlib - IDE 或编辑器 : 任意你熟悉的即可,如 VS Code, PyCharm, Jupyter Notebook 等。Jupyter Notebook 特别适合进行交互式探索和可视化。
版本兼容性说明 :本文代码侧重于展示概念,对库的特定小版本不敏感。只要使用较新的稳定版本,通常不会有问题。如果遇到警告或弃用提示,请参考对应库的最新官方文档进行调整。
3. 核心原理拆解:内积、正交与投影
理解了函数空间是一个向量空间后,我们需要掌握三个最核心的操作:计算内积、判断正交、以及进行投影。这些是连接线性代数与傅里叶分析的桥梁。
3.1 函数内积的数值计算
在连续数学中,内积是积分。在计算机中,我们只能处理离散采样后的数据。因此,我们将区间
[a, b]
离散化为
N
个点:
x = np.linspace(a, b, N, endpoint=False)
。
endpoint=False
是为了避免在周期边界上重复计算最后一个点。
对于两个采样后的函数值数组
f_vals
和
g_vals
,它们的内积近似为黎曼和:
⟨f, g⟩ ≈ Σ_{n=0}^{N-1} f_vals[n] * np.conj(g_vals[n]) * dx
其中
dx = (b - a) / N
是采样间隔,
np.conj
用于处理可能存在的复数。
让我们用代码实现它,并验证一些性质。
import numpy as np
import matplotlib.pyplot as plt
def inner_product(f_vals, g_vals, a, b):
"""
计算两个离散化函数在区间[a,b]上的内积近似值。
参数:
f_vals, g_vals: 在等间距点上的函数值数组,长度相同。
a, b: 积分区间的起点和终点。
返回:
内积值(复数)。
"""
N = len(f_vals)
dx = (b - a) / N
# 使用黎曼和近似积分
return np.sum(f_vals * np.conj(g_vals)) * dx
# 示例1:定义区间和采样
a, b = 0, 2 * np.pi
N = 1000
x = np.linspace(a, b, N, endpoint=False)
dx = x[1] - x[0]
# 定义两个实函数:sin(x) 和 cos(x)
f_vals = np.sin(x)
g_vals = np.cos(x)
# 计算内积
ip = inner_product(f_vals, g_vals, a, b)
print(f"内积 <sin(x), cos(x)> 在 [0, 2π] 上 ≈ {ip:.6f}")
print(f"理论值应为: 0 (因为sin和cos在一个完整周期上正交)")
print(f"绝对误差: {abs(ip):.2e}")
运行这段代码,你会发现计算出的内积是一个非常接近0的小数(例如
1e-16
量级),这验证了
sin(x)
和
cos(x)
在
[0, 2π]
上是(近似)正交的。误差来源于数值离散化和浮点数计算。
3.2 标准正交基:复指数函数
现在来看我们函数空间的一组候选基:
ψ_k(x) = e^{ikx} / sqrt(2π)
,其中
k
是整数。标准正交性要求:
-
每个基函数的范数(长度)为1:
||ψ_k|| = 1。 -
不同基函数之间正交:
⟨ψ_k, ψ_l⟩ = 0,当k ≠ l。
让我们用代码验证
k=0, 1, 2
的几个基函数。
def normalized_complex_exp(k, x):
"""返回归一化的复指数基函数 e^(ikx) / sqrt(2π) 在点x处的值。"""
return np.exp(1j * k * x) / np.sqrt(2 * np.pi)
# 验证标准正交性
print("验证标准正交基 {e^(ikx)/sqrt(2π)}:")
for k in [0, 1, 2]:
for l in [0, 1, 2]:
psi_k_vals = normalized_complex_exp(k, x)
psi_l_vals = normalized_complex_exp(l, x)
ip = inner_product(psi_k_vals, psi_l_vals, a, b)
# 由于是数值计算,设置一个容忍度来判断是否为0或1
if k == l:
print(f" <ψ_{k}, ψ_{l}> = {ip.real:.6f} (应为 1)")
else:
# 内积应为纯虚数或0,我们看它的模
print(f" <ψ_{k}, ψ_{l}> = {ip:.6f} (应为 0)")
输出会显示,当
k=l
时,内积非常接近1(实部接近1,虚部接近0);当
k≠l
时,内积的模非常接近0。这强有力地证明了这组函数在离散意义下构成了标准正交基。
3.3 投影:求傅里叶系数
一旦有了标准正交基,求一个函数
f(x)
在某一个基方向
ψ_k
上的“坐标”(即投影系数)就非常简单了,就是求内积:
c_k = ⟨f, ψ_k⟩
这个
c_k
就是傅里叶系数(对于周期函数)或傅里叶变换(对于非周期函数,需要连续化)的离散版本。它告诉我们,函数
f(x)
中含有多少频率为
k
的复指数成分。
def fourier_coefficient(f_vals, k, x, a, b):
"""
计算函数f在基ψ_k上的投影系数(傅里叶系数)。
参数:
f_vals: 函数在采样点x上的值。
k: 频率索引(整数)。
x: 采样点数组。
a, b: 积分区间。
返回:
复数系数 c_k。
"""
psi_k_vals = normalized_complex_exp(k, x)
ck = inner_product(f_vals, psi_k_vals, a, b)
return ck
# 以一个简单的函数为例:f(x) = sin(x) + 0.5*cos(2x)
f_vals = np.sin(x) + 0.5 * np.cos(2*x)
# 计算前5个频率的系数(k从-2到2)
coefficients = {}
for k in range(-2, 3):
ck = fourier_coefficient(f_vals, k, x, a, b)
coefficients[k] = ck
print(f"c_{k} = {ck:.6f}")
# 根据理论,sin(x) = (e^{ix} - e^{-ix})/(2i), cos(2x) = (e^{i2x}+e^{-i2x})/2
# 因此,在归一化基下,我们期望:
# c_1 和 c_{-1} 与 sin(x) 相关,且互为共轭。
# c_2 和 c_{-2} 与 cos(2x) 相关,且相等。
print("\n理论分析:")
print("c_1 应主要包含 sin(x) 的信息,且 c_{-1} = -conj(c_1)")
print(f"c_1: {coefficients[1]}")
print(f"c_-1: {coefficients[-1]}")
print(f"c_2 和 c_-2 应相等,且包含 0.5*cos(2x) 的信息")
print(f"c_2: {coefficients[2]}")
print(f"c_-2: {coefficients[-2]}")
观察输出,你会发现
c_1
和
c_{-1}
是纯虚数且互为相反数,
c_2
和
c_{-2}
是实数且近似相等。这与理论完全吻合,验证了投影系数的正确性。
4. 完整实战:从函数到频谱与重构
现在,我们将完成一个完整的流程:给定一个函数,计算其在一组正交基上的所有重要系数(频谱),然后利用这些系数重构原函数,并观察重构的精度。
4.1 创建目标函数并采样
我们选择一个包含多个频率成分的函数,以便观察频谱。
# 定义目标函数:一个方波与一个正弦波的叠加
def target_function(x):
# 一个简单的方波,周期为2π
square_wave = np.where(np.sin(x) > 0, 1, -1)
# 一个高频正弦波
sin_wave = 0.3 * np.sin(5 * x)
return square_wave + sin_wave
# 采样
a, b = -np.pi, np.pi # 使用对称区间
N = 2000 # 增加采样点以提高精度
x = np.linspace(a, b, N, endpoint=False)
f_vals = target_function(x)
# 绘制原函数
plt.figure(figsize=(10, 4))
plt.subplot(1, 2, 1)
plt.plot(x, f_vals, 'b-', linewidth=1.5, label='f(x)')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.title('目标函数 (方波 + sin(5x))')
plt.grid(True, alpha=0.3)
plt.legend()
4.2 计算傅里叶系数(离散频谱)
我们不再手动循环计算每个系数,而是利用 NumPy 的快速傅里叶变换 (FFT) 算法。FFT 高效地计算了所有
k
从
0
到
N-1
的系数,但需要注意其输出的排序和归一化。
# 使用FFT计算离散傅里叶系数
# FFT计算的是: F_k = Σ_{n=0}^{N-1} f_n * exp(-2πi * k * n / N)
# 这和我们定义的内积 ⟨f, e^{ikx}⟩ 形式一致,但区间和归一化不同。
# 我们的区间是 [a, b] = [-π, π],长度为 L = 2π。
# 采样点 x_n = a + n*dx, dx = L/N。
# 因此 e^{-ikx_n} = e^{-ik(a + n*dx)} = e^{-ika} * e^{-ik n dx}
# 而 k dx = k * (2π/N) = 2πk/N。所以FFT的指数项匹配。
# 但FFT结果 F_k 对应的是未归一化的系数,且求和代替了积分。
# 真正的系数 c_k = (1/L) * F_k * dx * e^{ika}? 更简单的做法是调整输入。
# 更直接的方法:利用我们定义的内积函数,但只计算一部分频率。
# 为了效率,我们计算前M个和后M个系数。
M = 50 # 计算从 -M 到 M 的系数
coeffs = {}
for k in range(-M, M+1):
ck = fourier_coefficient(f_vals, k, x, a, b)
coeffs[k] = ck
# 准备绘制频谱的数据
freqs = list(coeffs.keys())
coeff_vals = np.array([coeffs[k] for k in freqs])
# 频谱的模(幅度)
magnitudes = np.abs(coeff_vals)
# 频谱的相位
phases = np.angle(coeff_vals)
# 绘制幅度谱
plt.subplot(1, 2, 2)
plt.stem(freqs, magnitudes, linefmt='C1-', markerfmt='C1o', basefmt='C7-')
plt.xlabel('频率 k')
plt.ylabel('|c_k|')
plt.title(f'傅里叶系数幅度谱 (k从 -{M} 到 {M})')
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
运行后,你会看到左边的函数图像和右边的频谱图。频谱图在
k=±1, ±3, ±5, ...
(方波的奇次谐波)以及
k=±5
(我们添加的
sin(5x)
)处有显著的峰值。这正是方波傅里叶级数的特征。
4.3 利用系数重构函数
根据傅里叶级数展开式,我们可以用得到的系数
c_k
和基函数
ψ_k
来重构原函数:
f_reconstructed(x) = Σ_{k=-M}^{M} c_k * ψ_k(x)
def reconstruct_from_coeffs(coeff_dict, x, a, b):
"""
使用有限个傅里叶系数重构函数。
参数:
coeff_dict: 字典,键为频率k,值为系数c_k。
x: 需要重构的点的数组。
a, b: 原始积分区间,用于基函数。
返回:
重构的函数值数组。
"""
f_recon = np.zeros_like(x, dtype=complex) # 初始化为复数数组
for k, ck in coeff_dict.items():
psi_k_vals = normalized_complex_exp(k, x)
f_recon += ck * psi_k_vals
# 对于实值函数,重构结果应为实数(虚部接近0)
return f_recon.real
# 使用我们计算出的系数进行重构
f_recon_vals = reconstruct_from_coeffs(coeffs, x, a, b)
# 绘制原函数与重构函数的对比
plt.figure(figsize=(10, 4))
plt.plot(x, f_vals, 'b-', linewidth=2, alpha=0.7, label='原函数')
plt.plot(x, f_recon_vals, 'r--', linewidth=1.5, label=f'重构 (M={M})')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.title('函数重构对比')
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
# 计算重构误差
error = f_vals - f_recon_vals
mse = np.mean(error**2)
print(f"重构的均方误差 (MSE): {mse:.6f}")
print(f"最大绝对误差: {np.max(np.abs(error)):.6f}")
你会看到,使用
M=50
(即101个系数)已经能够非常精确地重构出原函数,除了在方波的跳变点(吉布斯现象)附近有一些振荡。误差非常小,这证明了我们的“坐标投影-线性组合”过程是有效的。
4.4 探索不同数量的系数对重构的影响
让我们直观感受一下,使用不同数量的傅里叶系数(即不同维度的子空间投影)重构函数的效果。
M_list = [1, 5, 10, 20]
plt.figure(figsize=(12, 8))
for i, M in enumerate(M_list):
# 计算有限个系数
limited_coeffs = {k: coeffs.get(k, 0) for k in range(-M, M+1)}
f_recon_limited = reconstruct_from_coeffs(limited_coeffs, x, a, b)
plt.subplot(2, 2, i+1)
plt.plot(x, f_vals, 'b-', alpha=0.4, label='原函数')
plt.plot(x, f_recon_limited, 'r-', linewidth=1.5, label=f'M={M}')
plt.xlabel('x')
plt.ylabel('f(x)')
plt.title(f'使用频率 |k| <= {M} 重构')
plt.legend()
plt.grid(True, alpha=0.3)
plt.tight_layout()
plt.show()
这个对比图清晰地展示了线性代数中的“投影”思想:我们是在用一个有限维的子空间(由
|k|<=M
的基函数张成)去逼近一个无限维空间中的函数。
M
越大,子空间维度越高,逼近效果越好。
5. 常见问题与排查思路
在将傅里叶分析理解为函数空间线性代数的过程中,以及在数值实现时,常会遇到一些困惑和问题。
| 问题现象 | 可能原因 | 解决思路与解释 |
|---|---|---|
| 计算的内积不为零,即使理论上是正交的 |
1. 数值误差(主要)。
2. 采样点数
N
太少,离散化误差大。
3. 积分区间未取完整周期。 |
1. 检查结果是否是一个极小的数(如
1e-15
)。这是浮点数计算的固有误差,可忽略。
2. 增加采样点数
N
。
3. 确保积分区间是函数的完整周期(对于周期函数)。对于
sin(x)
和
cos(x)
,区间长度必须是
2π
的整数倍。
|
| 重构的函数是复数,且有较大的虚部 |
1. 系数计算或重构时代码错误,未正确处理共轭。
2. 原函数是复函数,这很正常。 3. 数值误差累积。 |
1.
最关键检查
:确保内积定义中第二个函数取了共轭
np.conj(g_vals)
。
2. 对于实函数,重构结果
f_recon
应接近实数。取
.real
属性作为最终结果。
3. 检查基函数
ψ_k(x)
的归一化因子是否正确。
|
| 高频分量(大的|k|)的系数幅度不衰减 |
1. 函数本身不光滑或含有间断点(如方波),高频分量本就重要。
2. 混叠现象:采样频率不足(
N
太小),高频信号被误认为低频。
|
1. 这是正常现象,例如方波的频谱按
1/k
衰减。
2. 确保采样频率(
N/(b-a)
)大于信号最高频率的两倍(奈奎斯特采样定理)。对于给定
M
,采样点数
N
应显著大于
2M
。
|
| 使用FFT结果直接绘图,频谱图看起来不对 |
FFT输出的频率顺序是
[0, 1, ..., N/2, -N/2+1, ..., -1]
,并且未经过正确的缩放。
|
使用
np.fft.fftshift
将零频分量移到中心。对于幅度谱,通常绘制
np.abs(fft_result)
。要获得物理频率,需要计算
freqs = np.fft.fftfreq(N, d=dx)
。仔细查阅
numpy.fft
文档。
|
| 吉布斯现象:在间断点附近重构函数总是过冲 | 这是用有限项傅里叶级数逼近间断函数的固有数学特性,不是程序错误。 |
增加项数
M
可以减少振荡的宽度,但过冲的幅度不会低于约9%。这是函数空间逼近中的一个经典现象。如果需要更平滑的逼近,可以考虑使用其他基函数(如小波)或滤波方法。
|
| “函数空间是无限维的”到底是什么意思? | 概念理解上的困难。 |
类比:三维空间需要3个基向量(如x,y,z轴)。要描述一个任意函数,你需要无穷多个“坐标”(傅里叶系数),因为每个点
x
的函数值
f(x)
都可以独立变化。这意味着需要无穷多个线性无关的基函数才能表示所有可能的函数。
|
6. 最佳实践与工程建议
将傅里叶分析视为线性代数,不仅有助于理解,也能指导我们更好地在实践中应用它。
-
理解域与基的选择是关键
-
时域/空域
:函数
f(x)本身。这里的“基”是狄拉克δ函数(脉冲函数),每个坐标就是函数在该点的值。但这种表示对于分析频率成分不方便。 -
频域
:傅里叶系数
{c_k}。基是复指数函数e^{ikx}。这种表示揭示了信号的频率结构。 - 选择哪种基? 取决于你的问题。压缩信号?频域基可能更稀疏。处理突变?小波基可能更好。这就像在三维空间中,根据问题选择直角坐标系、球坐标系还是圆柱坐标系。
-
时域/空域
:函数
-
数值实现的注意事项
-
采样与混叠
:始终牢记奈奎斯特采样定理。采样频率
f_s必须大于信号最高频率f_max的两倍。在计算前,对信号进行适当的低通滤波(抗混叠滤波)是工程上的必要步骤。 - 频谱泄露 :如果采样区间不是信号周期的整数倍,FFT 会产生频谱泄露(能量扩散到其他频率)。可以通过加窗函数(如汉宁窗)来缓解,但需明白这会改变原始信号。
-
归一化
:不同的库(如
numpy.fft,scipy.fft)和教科书可能使用不同的归一化约定(1,1/N,1/sqrt(N))。在混合使用代码或比较结果时,务必清楚你使用的约定。本文为了与内积定义一致,使用了1/sqrt(2π)的归一化。
-
采样与混叠
:始终牢记奈奎斯特采样定理。采样频率
-
从傅里叶级数到傅里叶变换
-
本文主要讨论周期函数和傅里叶级数,其频谱是离散的(
k为整数)。 -
对于非周期函数,需要将周期
T推向无穷大,傅里叶级数演变为傅里叶变换,频谱从离散 (c_k) 变为连续 (F(ω))。此时,“基”是连续频率的复指数函数e^{iωx},内积中的求和变为对整个实轴的积分。理解这种“连续基”和“连续坐标”的概念,是泛函分析中“希尔伯特空间”理论的起点。
-
本文主要讨论周期函数和傅里叶级数,其频谱是离散的(
-
超越傅里叶:其他正交函数系
-
复指数函数不是唯一的选择。在特定区间和权函数下,还有许多其他正交函数系,各有其适用场景:
-
勒让德多项式
:区间
[-1,1],权函数1。常用于球面问题。 -
切比雪夫多项式
:区间
[-1,1],权函数1/sqrt(1-x²)。在多项式逼近中最小化最大误差。 -
埃尔米特多项式
:区间
(-∞,∞),权函数e^{-x²}。与量子力学谐振子相关。 - 小波 :兼具时域和频域局部性的正交基,非常适合分析非平稳信号。
-
勒让德多项式
:区间
- 掌握“根据问题选择合适基”的思想,是应用泛函分析方法的精髓。
-
复指数函数不是唯一的选择。在特定区间和权函数下,还有许多其他正交函数系,各有其适用场景:
-
在机器学习中的应用直觉
- 核方法 :许多核函数(如高斯核)可以看作是在某个高维(甚至无限维)特征空间中的内积。这个特征空间就是一个函数空间。
- 函数逼近 :神经网络可以看作是在学习一个从输入到输出的复杂函数。每一层都在进行某种非线性变换,而整个网络结构定义了函数空间的一个特定子集。
- 注意力机制 :可以理解为模型学习为序列中不同位置的信息分配不同的“权重”,这类似于用一组自适应的基函数去表示序列。
通过本文的探索,我们建立了一种强大的心智模型: 函数即向量,变换即基的切换 。傅里叶变换不再是一个神秘的积分公式,而是一个在无穷维函数空间中,将向量(函数)从一组基(时域脉冲)变换到另一组基(频域复指数)的优雅操作。这种视角为你打开了一扇门,让你能够以统一的线性代数语言,去理解更广泛的信号处理、微分方程求解和机器学习中的函数学习问题。
openEuler 是由开放原子开源基金会孵化的全场景开源操作系统项目,面向数字基础设施四大核心场景(服务器、云计算、边缘计算、嵌入式),全面支持 ARM、x86、RISC-V、loongArch、PowerPC、SW-64 等多样性计算架构
更多推荐

所有评论(0)