最佳平方逼近的存在性与正交刻画 引理第十六章 Fourier 级数 在上述假定下: (1) 对于任意 x∈Sx\in S,xx 在 TT 中的最佳平方逼近元素 xTx_T 存在且惟一; (2) xT∈Tx_T\in T 是 xx 在 TT 中的最佳平方逼近元素的充分必要条件是 x−xT⊥Tx-x_T\perp T,即 (x−xT,φk)=0,k=1,2,⋯ ,n,(x-x_T,\varphi_k)=0,\qquad k=1,2,\cdots,n, 或者等价地,xTx_T 的组合系数 ck=(x,φk)(φk,φk),k=1,2,⋯ ,n;c_k=\frac{(x,\varphi_k)}{(\varphi_k,\varphi_k)},\qquad k=1,2,\cdots,n; (3) 最佳平方逼近的余项满足估计式 ∥x−xT∥2=∥x∥2−∥xT∥2=∥x∥2−∑k=1nck2∥φk∥2.\|x-x_T\|^2=\|x\|^2-\|x_T\|^2=\|x\|^2-\sum_{k=1}^n c_k^2\|\varphi_k\|^2. 证明 / 补充令 Ck=(x,φk)(φk,φk)C_k=\frac{(x,\varphi_k)}{(\varphi_k,\varphi_k)},则对于任意的 y=d1φ1+d2φ2+⋯+dnφn∈T,y=d_1\varphi_1+d_2\varphi_2+\cdots+d_n\varphi_n\in T, 利用 (φj,φk)=0 (j≠k)(\varphi_j,\varphi_k)=0\ (j\neq k) 得到 ∥x−y∥2=(x−∑k=1ndkφk, x−∑k=1ndkφk)=(x,x)−2∑k=1ndk(x,φk)+∑k=1ndk2(φk,φk)=∥x∥2−2∑k=1nckdk∥φk∥2+∑k=1ndk2∥φk∥2=∥x∥2−∑k=1nck2∥φk∥2+∑k=1n(ck−dk)2∥φk∥2.\begin{aligned} \|x-y\|^2 &=\left(x-\sum_{k=1}^n d_k\varphi_k,\ x-\sum_{k=1}^n d_k\varphi_k\right)\\ &=(x,x)-2\sum_{k=1}^n d_k(x,\varphi_k)+\sum_{k=1}^n d_k^2(\varphi_k,\varphi_k)\\ &=\|x\|^2-2\sum_{k=1}^n c_k d_k\|\varphi_k\|^2+\sum_{k=1}^n d_k^2\|\varphi_k\|^2\\ &=\|x\|^2-\sum_{k=1}^n c_k^2\|\varphi_k\|^2+\sum_{k=1}^n(c_k-d_k)^2\|\varphi_k\|^2. \end{aligned} 于是,当且仅当 dk=ck,k=1,2,⋯ ,nd_k=c_k,\qquad k=1,2,\cdots,n 时,∥x−y∥\|x-y\| 达到最小值。因此取 xT=∑k=1nckφkx_T=\sum_{k=1}^n c_k\varphi_k,则 ∥x−xT∥=miny∈T∥x−y∥\|x-x_T\|=\min_{y\in T}\|x-y\|,且 ∥x−xT∥2=∥x∥2−∑k=1nck2∥φk∥2=∥x∥2−∥xT∥2\|x-x_T\|^2=\|x\|^2-\sum_{k=1}^n c_k^2\|\varphi_k\|^2=\|x\|^2-\|x_T\|^2。 再证 (2)。 对于每个 k=1,2,⋯ ,nk=1,2,\cdots,n,xx 在 TT 中的最佳平方逼近元素 xT=∑j=1ncjφjx_T=\sum_{j=1}^n c_j\varphi_j 满足 (x−xT,φk)=(x−∑j=1ncjφj,φk)=(x,φk)−∑j=1ncj(φj,φk)=ck∥φk∥2−ck∥φk∥2=0.\begin{aligned} (x-x_T,\varphi_k)&=\left(x-\sum_{j=1}^n c_j\varphi_j,\varphi_k\right)=(x,\varphi_k)-\sum_{j=1}^n c_j(\varphi_j,\varphi_k)\\ &=c_k\|\varphi_k\|^2-c_k\|\varphi_k\|^2=0. \end{aligned} 反之,若 y=d1φ1+d2φ2+⋯+dnφn∈Ty=d_1\varphi_1+d_2\varphi_2+\cdots+d_n\varphi_n\in T 满足 (x−y,φk)=0,k=1,2,⋯ ,n,(x-y,\varphi_k)=0,\qquad k=1,2,\cdots,n, 那么, 0=(x,φk)−(y,φk)=(x,φk)−(∑j=1ndjφj,φk)=(x,φk)−dk(φk,φk),k=1,2,⋯ ,n.\begin{aligned} 0=(x,\varphi_k)-(y,\varphi_k)=(x,\varphi_k)-\left(\sum_{j=1}^n d_j\varphi_j,\varphi_k\right) =(x,\varphi_k)-d_k(\varphi_k,\varphi_k),\qquad k=1,2,\cdots,n. \end{aligned} 因此 dk=(x,φk)(φk,φk)=ckd_k=\frac{(x,\varphi_k)}{(\varphi_k,\varphi_k)}=c_k,即 y=xTy=x_T。 想看这道知识点对应的例题和练习?登录后进入学习系统。