本节将不再只是考虑周期函数,而是对更一般的\mathbb{R}上的函数引入Fourier变换,然后讨论它的反演定理、Plancherel定理.
反演定理表明,适当条件下把函数变换到Fourier变换,仍可以通过Fourier积分变换回来.这表明,用Fourier变换来表示函数并不会造成信息的损失,我们可以研究Fourier变换后的函数,最后再返回到原来的函数.
Plancherel定理对平方可积函数都建立Fourier变换,还可以看到平方可积函数里函数和它的Fourier变换的高度对称性.
定义引入
Fourier变换
前面讨论了周期为2\pi的周期函数的Fourier级数
\begin{gathered}
f(x)\sim\sum _ {n=-\infty}^\infty \widehat{f\phantom{}}(n)\, \mathrm{e}^{\mathrm{i}nx},\\
\widehat{f\phantom{}}(n)=\frac{1}{2\pi}\int _ {-\pi}^\pi f(x)\mathrm{e}^{-\mathrm{i}nx}\, \mathrm{d}x,\quad n\in\mathbb{Z}.
\end{gathered}
或者写成
\begin{gathered}
f(x)\sim \frac{a _ 0}{2}+\sum _ {n=1}^\infty (a _ n\cos nx+b _ n\sin nx),\\
a _ n=\frac{1}{\pi}\int _ {-\pi}^\pi f(x)\cos nx\, \mathrm{d}x,\quad b _ n=\frac{1}{\pi}\int _ {-\pi}^\pi f(x)\sin nx\, \mathrm{d}x.
\end{gathered}
也给出了对于周期为T=2l的函数的变换方案:令t=\frac{2\pi}{T}x,x=\frac T{2\pi} t,那么f(x)=f(lt/\pi )=g(t),写出g(t)的展开,再代换回x,就变成
\begin{gathered}
f(x)=g(t)\sim\sum _ {n=-\infty}^\infty c _ n \exp\Big(\mathrm{i}\frac{n \pi x}{l}\Big),\\
c _ n=\widehat{g}(n)=\frac{1}{2\pi}\frac{\pi}{l}\int _ {-l}^{l} f(x)\exp\Big(-\mathrm{i}\frac{n \pi x}{l}\Big)\, \mathrm{d}x,\quad n\in\mathbb{Z}.\\
f(x)\sim \frac{a _ 0}{2}+\sum _ {n=1}^\infty \Big(a _ n\cos \frac{n\pi x}{l}+b _ n\sin \frac{n\pi x}{l}\Big),\\
a _ n=\frac{1}{l}\int _ {-l}^l f(x)\cos \frac{n\pi x}{l}\, \mathrm{d}x,\quad b _ n=\frac{1}{l}\int _ {-l}^l f(x)\sin \frac{n\pi x}{l}\, \mathrm{d}x.
\end{gathered}
对于非周期函数,可以取充分大的T,然后将函数在[-T/2,T/2]内Fourier展开.这样只要目标的x在这个区间内就可以应用Fourier级数.
进一步,记\tau _ n=n\pi/l,\Delta\tau _ n=\tau _ n-\tau _ {n-1}=\pi/l,那么
\begin{gathered}
c _ n=\frac{1}{2\pi}\Delta\tau _ n\int _ {-l}^l f(x)\, \mathrm{e}^{-\mathrm{i}\tau _ n x}\, \mathrm{d}x=:c _ l(\tau _ n)\Delta\tau _ n,\\
f(x)\sim\sum _ {n=-\infty}^\infty c _ l(\tau _ n)\, \mathrm{e}^{\mathrm{i}\tau _ n x}\Delta\tau _ n\approx\int _ {-\infty}^{+\infty} c(\tau)\mathrm{e}^{\mathrm{i}\tau x}\, \mathrm{d}\tau,\\
c(\tau):=\lim _ {l\to+\infty} c _ l(\tau)=\frac{1}{2\pi}\int _ {-\infty}^{+\infty} f(x)\, \mathrm{e}^{-\mathrm{i}\tau x}\, \mathrm{d}x.
\end{gathered}
从中启发,给出Fourier变换的定义:设f\in L^1(\mathbb{R}),那么下面的积分存在,称作f的Fourier变换
\widehat {f\phantom{}}(t)=\frac{1}{\sqrt{2\pi}}\int _ {-\infty}^{+\infty}f(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}x,\quad t\in\mathbb{R}.
和前面一样,这里的定义选取了方便后文的选择.不同的定义比如前面系数取1或不要根号用\frac{1}{2\pi},指数(正负号、2\pi系数)也有不同习惯,例如常见定义
\xi\mapsto\int _ {-\infty}^{+\infty} f(x)\, \mathrm{e}^{-\mathrm{i}2\pi \xi x}\, \mathrm{d}x,\quad \xi\in\mathbb{R}.
也可以把Fourier变换记作\mathcal F[f] (t)=\widehat{f\phantom{}}(t).
函数的卷积
从信号处理的情景入手是比较常见的做法.设有输入信号f(t),经过设备或系统后变为\tilde f(t),这个过程写成变换的形式:\tilde f=Af.如果设备在一些离散时刻\tau _ 1,\tau _ 2,\dots,\tau _ n收到信号,得到f(\tau _ 1),\dots,f(\tau _ n),假设间隔\tau _ {i+1}-\tau _ i=h,那么设备实际处理的只是一个阶梯函数s _ h(t)=\sum _ i f(\tau _ i)\chi _ {[\tau _ i,\tau _ {i+1})}(t)=\sum _ i f(\tau _ i)\chi _ {[0,h)}(t-\tau _ i).其中,\chi表示集合的示性函数/特征函数.
现在设k _ h(t)=\frac1h\chi _ {[0,h)}(t),那么它和前面的核类似,满足以下性质:
k _ h(t)\geqslant0,\quad \int k _ h(t)\, \mathrm{d}t=1,\quad \int _ {-\delta}^\delta k _ h(t)\, \mathrm{d}t\to 1,\, h\to0.
然后s _ h(t)=\sum _ if(\tau _ i)k _ h(t-\tau _ i)h,经过处理后,得到\tilde s _ h=As _ h=A(\sum _ i f(\tau _ i)k _ h(t-\tau _ i)h).如果假设A是线性的映射,那么
\tilde s _ h(t)=\sum _ i f(\tau _ i)A[k _ h(t-\tau _ i)]h.
观察式子,希望有好的某种“结合律”——A[k _ h(t-\tau _ i)]=(Ak _ h)(t-\tau _ i).如果定义平移算子(T _ {\tau _ i}f)(t)=f(t-\tau _ i),那么结合律变为A(T _ {\tau _ i}k _ h)=T _ {\tau _ i}(Ak _ h),就可以看出来这是在说设备的处理具有时间平移不变性——信号f(t)和输入延迟时间\tau的信号f(t-\tau)在处理后的结果也仅有延迟同样的时间\tau的区别.假设设备的性质稳定,不随时间变化是自然的;假设f连续变化时\tilde f也连续变化也是自然的.那么,当h\to0,阶梯函数s _ h越来越接近f,
\begin{gathered}
\tilde s _ h(t)=\sum _ i f(\tau _ i)(Ak _ h)(t-\tau _ i)h\to \tilde f,\\
\tilde f(t)=\int f(\tau)K(t-\tau)\, \mathrm{d}\tau.
\end{gathered}
设f,g\in L^1(\mathbb{R}),那么不难证明(利用Tonelli定理/Fubini定理)下面定义的函数几乎处处有定义、也属于L^1(\mathbb{R}),称作f和g的卷积,记作f\ast g:
\frac{1}{\sqrt{2\pi}}\int _ {-\infty}^{+\infty} f(y)g(x-y)\, \mathrm{d}y.
和前面同样,这里的系数是为了后面的方便.与之配套,在下文对范数相应改为
\Big(\frac{1}{\sqrt{2\pi}}\int _ {-\infty}^{+\infty}|f(x)|^p\, \mathrm{d}x\Big)^{1/p},\quad 1\leqslant p< +\infty.
为了简洁,可以让\mathrm{d}m(x)=\frac{1}{\sqrt{2\pi}}\mathrm{d}x,系数就可以都被吸收了:
定义:
\begin{gathered}
\widehat {f\phantom{}}(t)=\int _ {-\infty}^{+\infty}f(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x),\quad t\in\mathbb{R},\\
(f\ast g)(x)=\int _ {-\infty}^{+\infty} f(y)g(x-y)\, \mathrm{d}m(y),\\
\|f\| _ p=\Big(\int _ {-\infty}^{+\infty}|f(x)|^p\, \mathrm{d}m(x)\Big)^{1/p},\quad 1\leqslant p< +\infty.
\end{gathered}
不难验证一些有用的性质.
- \|f\ast g\| _ 1\leqslant\|f\| _ 1\|g\| _ 1;
- 对称性:f\ast g=g\ast f;
- 结合性:(f\ast g)\ast h=f\ast(g\ast h);
- 平移不变:T _ {x _ 0}(f\ast g)={T _ {x _ 0}f}\ast g=f\ast{T _ {x _ 0}}g.
用后面的Fourier变换的性质也可以看出来.
基本性质
下面开始讨论f\in L^1(\mathbb{R})的Fourier变换\widehat{f\phantom{}}的一些性质.将f定义域称作时域,\widehat{f\phantom{}}定义域称作频域.
定理:在时域平移,相当于在频域乘一个指数因子;在时域乘一个指数因子也相当于在频域进行一个平移.可以直接验证
- \widehat{T _ {a}f}(t)=\widehat{f\phantom{}}(t)\, \mathrm{e}^{-\mathrm{i}at},其中T _ af(x)=f(x-a);
- \widehat{f\phantom{}}(t-a)=\widehat{g\phantom{}}(t),其中g(x)=f(x)\, \mathrm{e}^{\mathrm{i}ax}.
定理:尺度变换性质:时域频域反比变化.设\lambda\neq0,Lx=\frac1\lambda x,此时f\circ L(x)=f(\frac{x}{\lambda}),那么可以直接验证\widehat{f\circ L}(t)=|\lambda|\widehat{f\phantom{}}(\lambda t).
特别地,时间反转使频域反转:Lx=-x时,\widehat{f\circ L}(t)=\widehat{f\phantom{}}(-t).
定理:频域取复共轭,相当于在时域反转时间并取复共轭.可以直接验证\overline{\widehat{f\phantom{}}(t)}=\widehat{g\phantom{}}(t),其中g(x)=\overline{f(-x)}.
定理:时域的卷积运算,在频域是乘法运算.利用Fubini定理不难证明\widehat{f\ast g}(t)=\widehat{f\phantom{}}(t)\widehat{g\vphantom{f}}(t).
可以看到,在时域的复杂卷积运算到了频域变成了简单的乘法运算,接下来的求导运算也是.
定理:设xf(x)\in L^1(\mathbb{R}),那么\widehat{f\phantom{}}可微且
\widehat{f\phantom{}}\, {}'(t)=\widehat{g\vphantom{f}}(t),\quad g(x)=-\mathrm{i}xf(x).
定理:设f'\in L^1(\mathbb{R}),且f在任何有限区间上都是绝对连续的,那么
\widehat{f'}(t)=\mathrm{i}t\widehat{f\phantom{}}(t).
证明思路
若xf(x)\in L^1(\mathbb{R}),计算
\frac{\widehat{f\phantom{}}(s)-\widehat{f\phantom{}}(t)}{s-t}=\int _ {-\infty}^{+\infty}\frac{\mathrm{e}^{-\mathrm{i}(s-t)x}-1}{s-t}f(x)\, \mathrm{e}^{-\mathrm{i}tx} \, \mathrm{d}m(x).
被积函数模长小于等于|x f(x)|,利用控制收敛定理不难看出,令s\to t时可交换极限和积分的顺序,从而
\widehat{f\phantom{}}\, {}'(t)=-\mathrm{i}\int _ {-\infty}^{+\infty}xf(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x)=\widehat{g\phantom{}}(t).
若f在任何有限区间上绝对连续,那么由微积分基本定理,f(x)-f(0)是f'在[0,x]的积分.令x\to+\infty,由积分绝对收敛知f(+\infty)存在,不难看出f(+\infty)=0,同样f(-\infty)=0.然后,利用绝对连续,可用分部积分,
\begin{gathered}
\int _ {-R}^R f'(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}x=f(x)\, \mathrm{e}^{-\mathrm{i}tx}\Big| _ {-R}^R-\int _ {-R}^Rf(x)(-\mathrm it\, \mathrm e^{-\mathrm itx})\, \mathrm{d}x,\\
\int _ {-\infty}^{+\infty} f'(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}x=\mathrm it\int _ {-\infty}^{+\infty}f(x)\, \mathrm e^{-\mathrm itx}\, \mathrm{d}x.
\end{gathered}
在Fourier级数里,Fourier系数\widehat{f\phantom{}}(n)是随n\to\pm\infty趋于零的,Riemann-Lebesgue引理成立.下面可以看到,对Fourier变换,也有\widehat{f\phantom{}}(t)\to0\; (t\to\infty),即\widehat{f\phantom{}}(\infty)=0.令
C _ 0=\{f\in C(\mathbb{R})\mid f(\infty)=0\}.
定理:平移算子是连续的(对平移参数).平移算子还是前面定义的T _ af(x)=f(x-a),又设f\in L^1(\mathbb{R}),那么对于映射
\begin{aligned}
\varphi:\mathbb{R}&\to L^1(\mathbb{R}),\\
a&\mapsto T _ af.
\end{aligned}
它是一致连续的映射.把条件从L^1改为L^p\, (1\leqslant p<+\infty)结论同样成立.
定理:对f\in L^1(\mathbb{R}),成立\widehat{f\phantom{}}\in C _ 0,以及\|\widehat{f\phantom{}}\| _ \infty\leqslant\|f\| _ 1.这表明Riemann-Lebesgue引理对Fourier变换成立.
证:先证平移算子的连续性.注意到平移算子保持范数\|T _ af\| _ 1=\|f\| _ 1,以及T _ {a+b}=T _ aT _ b,要证\|T _ {a+b}f-T _ bf\| _ 1在a\to0时趋于零,只需考虑b=0的情况即可.我们知道,紧支集的连续函数在L^1(\mathbb{R})中稠密,设紧支集的连续函数g满足\|f-g\| _ 1<\varepsilon.紧支集连续函数当然是一致连续的,也就是存在小\delta<R,当|x _ 1-x _ 2|<\delta时|g(x _ 1)-g(x _ 2)|<\varepsilon/(3R),其中R>0的选取使得(-R,R)盖住g的支集.于是|T _ ag(x)-g(x)|支集长度最多(2R+a).当0<|a|<\delta,有
\begin{gathered}
\|T _ ag-g\| _ 1\leqslant(2R+a)\varepsilon/(3R)<\varepsilon,\\
\|T _ af-f\| _ 1\leqslant \|T _ af-T _ ag\| _ 1+\|T _ ag-g\| _ 1+\|g-f\| _ 1<3\varepsilon.
\end{gathered}
接下来考虑\widehat{f\phantom{}},由定义直接可看出\|\widehat{f\phantom{}}\| _ \infty\leqslant\|f\| _ 1.然后证明连续性,设t\to t _ 0,那么
|\widehat{f\phantom{}}(t)-\widehat{f\phantom{}}(t _ 0)|\leqslant\int _ {-\infty}^{+\infty}|f(x)||\mathrm{e}^{-\mathrm{i}tx}-\mathrm{e}^{-\mathrm{i}t _ 0x}|\, \mathrm{d}m(x).
被积函数有上界2|f(x)|\in L^1(\mathbb{R}),因此由控制收敛定理不难得知\widehat{f\phantom{}}(t)\to\widehat{f\phantom{}}(t _ 0),也就是\widehat{f\phantom{}}连续.
接下来证明Riemann-Lebesgue引理.对t\neq0,进行换元
\begin{aligned}
\widehat {f\phantom{}}(t)&=\int _ {-\infty}^{+\infty}f(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x)=-\int _ {-\infty}^{+\infty}f(x)\, \mathrm{e}^{-\mathrm{i}t(x+\pi/t)}\, \mathrm{d}m(x)\\
&=-\int _ {-\infty}^{+\infty}f(x-\pi/t)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x)=-\widehat{T _ {\pi/t}f}(t).
\end{aligned}
得到\widehat{f\phantom{}}(t)的另一种表示后,求个平均
\begin{gathered}
\widehat{f\phantom{}}(t)=\frac{\widehat{f\phantom{}}(t)-\widehat{T _ {\pi/t}f}(t)}2,\\
|\widehat{f\phantom{}}(t)|\leqslant\frac12\|\widehat{f-T _ {\pi/t}f}\| _ \infty\leqslant\frac12\|f-T _ {\pi/t}f\| _ 1.
\end{gathered}
由此知t\to\infty时,\widehat{f\phantom{}}(t)\to0.
Gauss平滑
Gauss平滑,或说Gauss卷积、Gauss模糊,是一种在多个领域都有应用的操作.在后面的证明将会是有用的工具,因此作为一个重要实例进行讨论.回顾Gauss分布,也就是正态分布,在零均值时的概率密度函数是
\frac{1}{\sqrt{2\pi}\sigma}\exp\Big({-\frac{1}{2\sigma^2}x^2}\Big).
考虑核G _ {\sigma}(x)=\frac{1}{\sigma}\exp({-\frac1{2\sigma^2}x^2})的卷积性质.(f\ast G _ \sigma)(x)的值是f(y)\frac1{\sqrt{2\pi}}G _ \sigma(x-y)对y的Lebesgue积分,\frac1{\sqrt{2\pi}}G _ \sigma(x-y)作为一个概率分布的密度函数,看作是权重的话,那么(f\ast G _ \sigma)(x)就是x的邻域内的加权平均值.写出表达式
\begin{aligned}
(f\ast G _ \sigma)(x)&=\int _ {-\infty}^\infty f(y)\frac{1}{\sqrt{2\pi}\sigma}\exp\Big({-\frac1{2\sigma^2}(x-y)^2}\Big)\, \mathrm{d}y\\
&=\mathbb{E} _ {\mathrm y\sim N(x,\sigma^2)}[f(\mathrm y)].
\end{aligned}
在每一点处都用附近的点作加权平均,以达到平滑/模糊的效果.
后面将会用到Gauss平滑的一些性质,列举为以下的定理.
定理:对\sigma>0,定义核G _ \sigma如下,满足非负性、(对\mathrm{d}m的)积分为1、(-\delta,\delta)外的积分当\sigma\to0时趋于0:
G _ {\sigma}(x)=\frac{1}{\sigma}\exp\Big({-\frac1{2\sigma^2}x^2}\Big).
设函数g\in L^\infty(\mathbb{R}),那么在g的连续点处有
(g\ast G _ \sigma)(x)\to g(x),\quad \sigma\to0.
定理:设函数f\in L^1(\mathbb{R}),那么f\ast G _ \sigma\to f按L^1范数收敛(对L^p\, (1\leqslant p<+\infty)也都成立,改为对应范数),即
\|f\ast G _ \sigma-f\| _ 1\to0,\quad \sigma\to0.
定理:令f(x)=\exp(-\frac {a^2}2x^2),其中a>0,那么\widehat{f\phantom{}}(t)=\frac{1}{a}\exp({-\frac1{2a^2}t^2}).
证:设x是g\in L^\infty的一个连续点,利用G _ \sigma的积分是1,
\begin{aligned}
&(g\ast G _ \sigma)(x)-g(x)=\int _ {-\infty}^{+\infty}[g(x-y)-g(x)]G _ \sigma(y)\, \mathrm{d}m(y)\\
={}&\int _ {-\infty}^{+\infty}[g(x-y)-g(x)]\frac{1}{\sigma}\exp\Big({-\frac1{2\sigma^2}y^2}\Big)\, \mathrm{d}m(y)\\
={}&\int _ {-\infty}^{+\infty}[g(x-\sigma z)-g(x)]\exp\Big({-\frac1{2}z^2}\Big)\, \mathrm{d}m(z).
\end{aligned}
被积函数绝对值小于等于2\|g\| _ \infty\exp(-\frac12z^2),且\sigma\to0时趋于零,由控制收敛定理,(g\ast G _ \sigma)(x)\to g(x).
对于下一个定理,f\in L^1(\mathbb{R})时(f\ast G _ \sigma)(x)总有定义,
\begin{gathered}
(f\ast G _ \sigma)(x)-f(x)=\int _ {-\infty}^{+\infty}[f(x-y)-f(x)]G _ \sigma(y)\, \mathrm{d}m(y),\\
|(f\ast G _ \sigma)(x)-f(x)|=\big|\mathbb{E} _ {\mathrm{y}}(f(x-\mathrm y)-f(x))\big|.
\end{gathered}
而Jensen不等式表明期望的绝对值(或p次幂)小于等于绝对值(或p次幂)的期望,从而,由Fubini定理,
\|f\ast G _ \sigma-f\| _ 1\leqslant \int _ {-\infty}^{+\infty}\|T _ yf-f\| _ 1G _ \sigma(y)\, \mathrm{d}m(y).
考虑映射\varphi:y\mapsto \|T _ yf-f\| _ 1,这是个有界函数、连续函数,因此可以应用上一个定理.被积函数写成\varphi(y)G _ \sigma(0-y),因此右边是(\varphi\ast G _ \sigma)(0).当\sigma\to0,右边趋于\varphi(0)=0.这就证明了定理.
再来计算G _ \sigma这种函数的Fourier变换.可以先计算\widehat{f\phantom{}}的导数.因为xf(x)\in L^1(\mathbb{R}),\widehat{f\phantom{}}是可导的,导数\widehat{f\phantom{}}\, {}'为-\mathrm{i}xf(x)的Fourier变换.同时f'\in L^1(\mathbb{R}),且f在任何有限区间上都是绝对连续的,那么f'(x)=-a^2x\, \mathrm{e}^{-a^2x^2/2}的Fourier变换等于\mathrm{i}t\widehat{f\phantom{}}(t).于是
\begin{gathered}
\widehat{f\phantom{}}\, {}'(t)=-\mathrm{i}\, \mathcal F[xf(x)] (t)=-\mathrm{i}\, \mathcal F\Big[\frac{f'(x)}{-a^2}\Big] (t)=\frac{\mathrm{i}}{a^2}\cdot\mathrm{i}t\widehat{f\phantom{}}(t)=-\frac{t}{a^2}\widehat{f\phantom{}}(t),\\
\frac{\mathrm{d}}{\mathrm{d}t}\Big[\widehat{f\phantom{}}(t)\exp\Big(\frac1{2a^2}t^2\Big)\Big]=\Big(\widehat{f\phantom{}}\, {}'(t)+\frac{t}{a^2}\widehat{f\phantom{}}(t)\Big)\exp\Big(\frac1{2a^2}t^2\Big)=0.
\end{gathered}
这表明\widehat{f\phantom{}}(t)\exp(\frac1{2a^2}t^2)是常数.计算t=0的值,
\widehat{f\phantom{}}(0)=\int _ {-\infty}^{+\infty}f(x)\, \mathrm{d}m(x)=\frac{1}{\sqrt{2\pi}}\int _ {-\infty}^{+\infty}\exp\Big({-\frac{a^2}{2}x^2}\Big)\, \mathrm{d}x=\frac{1}{a}.\\
\widehat{f\phantom{}}(t)=\frac{1}{a}\exp\Big({-\frac1{2a^2}t^2}\Big).
反演定理
我们已经知道,对于\mathbb{T}上的函数f\in L^1(\mathbb{T})的Fourier系数
\widehat{f\phantom{}}(n)=\frac{1}{2\pi}\int _ {-\pi}^\pi f(x)\, \mathrm{e}^{-\mathrm{i}nx}\, \mathrm{d}x,\quad n\in \mathbb{Z},
f在满足一定的条件时,例如可微,f可被这些系数用Fourier级数表示
f(x)=\sum _ {n=-\infty}^\infty \widehat{f\phantom{}}(n)\, \mathrm{e}^{\mathrm{i}nx}.
对于Fourier变换,也可以建立类似的定理,例如局部化定理、Dini判别定理等,这里只列举一个.
定理:设f\in L^1(\mathbb{R}),在点x的邻域分段可微,那么f的Fourier积分在x点收敛到[f(x+0)+f(x-0)]\mathbin/2.特别地,当这个点是连续点,收敛到f(x).
\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}tx}\, \mathrm{d}m(t)=\frac{f(x+0)+f(x-0)}{2}.
这里(-\infty,+\infty)的积分应理解为(-A,A)上的积分的极限,A\to+\infty.
现在设
\begin{gathered}
c _ n=\widehat{f\phantom{}}(n),\quad \sum _ {n=-\infty}^\infty |c _ n|< +\infty,\\
g(x)=\sum _ {n=-\infty}^\infty c _ n\, \mathrm{e}^{\mathrm{i}nx}.
\end{gathered}
由Weierstrass判别法,g(x)的级数一致收敛.从而g是连续函数,且可计算\widehat{g\vphantom{f}}(n)=\widehat{f\phantom{}}(n).这表明f=g几乎处处成立,也就是说f的Fourier级数几乎处处收敛到自己.
以上推导的假设\sum _ n|c _ n|绝对收敛,必要条件是f和一个连续函数几乎处处相等,因而是比较高的要求.对应于Fourier变换的假设是\widehat{f\phantom{}}\in L^1(\mathbb{R}),我们希望有
f(x)=\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}xt}\, \mathrm{d}m(t).
在假设下右边的函数g(x)有定义,但是要像Fourier级数那样直接计算\widehat{g\vphantom{f}}=\widehat{f\phantom{}}就行不通了,而且也还没有唯一性定理,因此要另辟蹊径.常见的做法是引入指数衰减因子,前面讨论的G _ {\sigma}(x)=\frac{1}{\sigma}\exp({-\frac1{2\sigma^2}x^2})就可以派上用场.
定理(Fourier反演定理):设f\in L^1(\mathbb{R})以及\widehat{f\phantom{}}\in L^1(\mathbb{R}),那么几乎处处成立
f(x)=\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}tx}\, \mathrm{d}m(t).
其中右边的函数g(x)满足g\in C _ 0,这表明f需要几乎处处等于一个C _ 0函数.
定理(唯一性定理):如果f\in L^1(\mathbb{R})以及\widehat{f\phantom{}}\equiv0,那么f几乎处处为零.
证:构造积分
I _ \varepsilon(x)=\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}xt}\, \exp\Big({-\frac{\varepsilon^2 t^2}{2}}\Big)\, \mathrm{d}m(t).
被积函数绝对值小于等于|\widehat{f\phantom{}}|\in L^1(\mathbb{R}),因此由控制收敛定理不难看出
I _ \varepsilon(x)\to \int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}xt}\, \mathrm{d}m(t)=g(x).
令h(t)=\exp(\mathrm{i}xt-\frac12\varepsilon^2t^2)\in L^1(\mathbb{R}),被积函数写成\widehat{f\phantom{}}(t)h(t),因此由Fubini定理不难得到
\begin{aligned}
I _ \varepsilon(x)&=\int _ {-\infty}^{+\infty}h(t)\, \mathrm{d}m(t)\int _ {-\infty}^{+\infty} f(y)\, \mathrm{e}^{-\mathrm{i}ty}\, \mathrm{d}m(y)\\
&=\int _ {-\infty}^{+\infty}f(y)\, \mathrm{d}m(y)\int _ {-\infty}^{+\infty} h(t)\, \mathrm{e}^{-\mathrm{i}ty}\, \mathrm{d}m(t)\\
&=\int _ {-\infty}^{+\infty}f(y)\widehat{h\phantom{}}(y)\, \mathrm{d}m(y).
\end{aligned}
要计算\widehat{h}(y).已经知道\mathcal F[\exp(-\frac12\varepsilon^2 t^2)] (y)=\frac{1}{\varepsilon}\exp(-\frac1{2\varepsilon^2}y^2)=G _ \varepsilon(y),由前面的平移定理,\widehat{h}(y)={G} _ \varepsilon(y-x)=G _ \varepsilon(x-y),于是
I _ \varepsilon(x)=\int _ {-\infty}^{+\infty}f(y)G _ \varepsilon(x-y)\, \mathrm{d}m(y)=(f\ast G _ \varepsilon)(x).
当\varepsilon\to0,对任一x\in\mathbb{R},已经得出I _ \varepsilon(x)=(f\ast G _ \varepsilon)(x)\to g(x);与此同时,\|f\ast G _ \varepsilon-f\| _ 1\to0,而L^1收敛可提取出一列逐点收敛(几乎处处),由此即知f(x)=g(x)几乎处处成立.
由于g(x)=\mathcal{F}[\widehat{f\phantom{}}] (-x),而\mathcal{F}[\widehat{f\phantom{}}]\in C _ 0,左右翻转后还是C _ 0的.这就证明了反演定理,唯一性定理随之即证.
Plancherel定理
在Fourier级数部分,我们用Hilbert空间的理论得到,f\in L^2(\mathbb{T})成立Parseval等式
\frac{1}{2\pi}\int _ {-\pi}^\pi |f(x)|^2\, \mathrm{d}x=\sum _ {n=-\infty}^\infty|\widehat {f\phantom{}}(n)|^2.
就是f(x)的平方平均等于Fourier系数的平方和.但对Fourier变换想套用Hilbert空间的理论却没那么简单,因为\mathbb{R}上平方可积的函数并不一定可积,那么就无法定义Fourier变换.但如果假设函数可积且平方可积,那么依旧可以得到对应的结论.
定理:设f\in L^1(\mathbb{R})且f\in L^2(\mathbb{R}),那么Fourier变换\widehat{f\phantom{}}\in L^2(\mathbb{R})且\|f\| _ 2=\|\widehat{f\phantom{}}\| _ 2.
考虑证明.要证\widehat{f\phantom{}}\in L^2(\mathbb{R}),计算
\begin{gathered}
\widetilde{f\phantom{}}(x):=\overline{f(-x)},\\
\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\overline{\widehat{f\phantom{}}(t)}\, \mathrm{d}m(t)=\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\widehat{\widetilde{f\phantom{}}}(t)\, \mathrm{d}m(t)=\int _ {-\infty}^{+\infty}\widehat{f\ast\widetilde{f\phantom{}}}\, \mathrm{d}m.
\end{gathered}
需要考虑g=f\ast\widetilde{f\phantom{}},下面证明它有足够好的性质:
- Fourier变换非负:g的Fourier变换\widehat{g\phantom{}}=|\widehat{f\phantom{}}|^2\geqslant0;
- g\in L^1(\mathbb{R}),因为f,\widetilde{f\phantom{}}都可积;
- 有界且连续;
- \widehat{g\phantom{}}\in L^1(\mathbb{R}),这就表明\widehat{f\phantom{}}\in L^2(\mathbb{R}).
要证明后两点,先计算
\begin{aligned}
g(x)&=\int _ {-\infty}^{+\infty}f(x-y)\overline{f(-y)}\, \mathrm{d}m(y)=\int _ {-\infty}^{+\infty}f(x+y)\overline{f(y)}\, \mathrm{d}m(y)\\
&=\langle T _ {-x}f,f\rangle.
\end{aligned}
其中T _ {-x}f(y)=f(y+x),\langle\cdot,\cdot\rangle是Hilbert空间L^2(\mathbb{R})的内积.由平移算子的连续性,x\mapsto T _ {-x}f是连续的,再由内积的连续性,可知g是连续的.有界性是简单的:|g(x)|\leqslant\|T _ {-x}f\| _ 2\|f\| _ 2=\|f\|^2 _ 2.
接下来是\widehat{g\phantom{}}的可积性.和Fourier反演定理时一样,可以利用Gauss核的性质,考虑\widehat{g\phantom{}}(t)\exp(-\frac{\varepsilon^2}{2}t^2)的积分,由Fubini定理不难看出
\begin{aligned}
&\int _ {-\infty}^{+\infty}\widehat{g\phantom{}}(t)\exp\Big({-\frac{\varepsilon^2t^2}{2}}\Big)\, \mathrm{d}m(t)\\
={}&\int _ {-\infty}^{+\infty}g(x)\, \mathrm{d}m(x)\int _ {-\infty}^{+\infty}\exp\Big({-\mathrm{i}tx-\frac{\varepsilon^2t^2}{2}}\Big)\, \mathrm{d}m(t)\\
={}&\int _ {-\infty}^{+\infty}g(x)\cdot\frac{1}{\varepsilon}\exp\Big({-\frac{1}{2\varepsilon^2}x^2}\Big)\, \mathrm{d}m(x)\\
={}&\int _ {-\infty}^{+\infty}g(x)G _ {\varepsilon}(-x)\, \mathrm{d}m(x)=(g\ast G _ {\varepsilon})(0).
\end{aligned}
这里利用了前面计算出的Gauss核的Fourier变换形式.由于g是有界函数、连续函数,(g\ast G _ {\varepsilon})(0)\to g(0)=\|f\| _ 2^2,当\varepsilon\to0.与此同时\widehat{g\phantom{}}(t)\exp(-\frac{\varepsilon^2}{2}t^2)非负地、单调递增地趋于\widehat{g\phantom{}}(t),利用Beppo Levi单调收敛定理
\|f\| _ 2^2=\lim _ {\varepsilon\to0}\int _ {-\infty}^{+\infty}\widehat{g\phantom{}}(t)\exp\Big({-\frac{\varepsilon^2t^2}{2}}\Big)\, \mathrm{d}m(t)=\int _ {-\infty}^{+\infty}\widehat{g\phantom{}}(t)\, \mathrm{d}m(t).
这就证明了\widehat{g}=|\widehat{f\phantom{}}|^2可积,\widehat{f\phantom{}}\in L^2(\mathbb{R})且\|\widehat{f\phantom{}}\| _ 2=\|f\| _ 2.
证明这个定理后,那么\mathcal F:f\mapsto \widehat{f\phantom{}}就是L^1(\mathbb{R})\cap L^2(\mathbb{R})到L^2(\mathbb{R})的线性等距映射,结合以下几点:
- L^1(\mathbb{R})\cap L^2(\mathbb{R})在L^2(\mathbb{R})中稠密;
- 设f:X _ 0\to Y是赋范向量空间X的稠密子集X _ 0到赋范空间Y间的连续线性映射,其中Y完备,那么f可以唯一地延拓到X上,使得延拓后还是连续线性映射;若X _ 0中一列\{x _ n\}有极限x\in X,那么f(x):=\lim _ n f(x _ n);
- 设f:X\to Y是度量空间X,Y间的连续等距映射,其中X完备,如果X的稠密子集X _ 0的像f(X _ 0)在Y稠密,那么f是满射于Y的等距映射.
可知,Fourier变换可在L^2(\mathbb{R})中通过延拓的方式都给出定义,不难看出延拓后\mathcal F:L^2\to L^2仍是保持范数的线性映射.如果还能证明可积且平方可积函数的所有Fourier变换在L^2(\mathbb{R})中稠密,那么Fourier变换就是L^2到L^2的双射(单射性由等距性立得),也就是线性等距双射.这表明Fourier变换是L^2到L^2的Hilbert空间同构,Parseval内积等式成立:
\int _ {-\infty}^{+\infty}f\overline {g\vphantom{f}}\, \mathrm{d}m=\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}\, \overline {\widehat{g}\vphantom{f}}\, \mathrm{d}m.
要证\{\widehat{f\phantom{}}\mid f\in L^1\cap L^2\}=\mathcal{F}[L^1\cap L^2]\subseteq L^2在L^2稠密,记S=\mathcal{F}[L^1\cap L^2],也就是\overline{S}=L^2.最通用的方法是利用Hilbert空间里投影定理的结论——只需要S^\perp=\{0\}.设y\in \mathbb{R}以及\varepsilon>0,取函数x\mapsto \exp(\mathrm{i}xy-\frac12\varepsilon^2x^2)\in L^1\cap L^2,其Fourier变换为\frac{1}{\varepsilon}\exp(-\frac1{2\varepsilon^2}(t-y)^2)=G _ \varepsilon(y-t).如果一个函数g\in L^2使得它与所有S中的元素都正交,那么有
\int _ {-\infty}^{+\infty}G _ \varepsilon(y-t)\overline{g(t)}\, \mathrm{d}m(t)=(\overline{g}\ast G _ \varepsilon)(y)
=0.
由前文定理,\overline{g}\ast G _ \varepsilon按L^2收敛到\overline g,从而可提取一列函数几乎处处收敛.这表明g(y)=0几乎处处成立,就证明了稠密性.
此外f,\widehat{f\phantom{}}之间的变换关系也可以给出来.令A>0,f\in L^2(\mathbb{R}),那么由定义
\Big\|\widehat{f\phantom{}}(t)-\int _ {-A}^{A}f(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x)\Big\| _ 2=\|\mathcal F[f-f\chi _ {[-A,A]}]\| _ 2
利用同构,右边为\|f-f\chi _ {[-A,A]}\| _ 2\to0,当A\to+\infty.因此,我们找出了L^2意义下和\widehat{f\phantom{}}\in L^2(\mathbb{R})相等的函数,用Cauchy主值来记的话,不妨记为(不是标准通用记法!)
\widehat{f\phantom{}}(t)\stackrel{L^2}{=}\operatorname{P.V.}\int _ {-\infty}^{+\infty}f(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x).
由于f\mapsto\widehat{f\phantom{}}是双射,因此完全一样的思路可以用到f代替\widehat{f\phantom{}}、逆映射代替正变换上,这样就得到了另一个对称的式子.
总结前面的结果.
定理:Fourier变换可以延拓到L^2(\mathbb{R})上,使得f\mapsto \widehat{f\phantom{}}是L^2(\mathbb{R})\to L^2(\mathbb{R})的Hilbert空间同构,\|f\| _ 2=\|\widehat{f\phantom{}}\| _ 2.在L^2意义下还有如下的L^2反演定理(非标准通用记号!)
\begin{gathered}
\widehat{f\phantom{}}(t)\stackrel{L^2}{=}\operatorname{P.V.}\int _ {-\infty}^{+\infty}f(x)\, \mathrm{e}^{-\mathrm{i}tx}\, \mathrm{d}m(x),\\
f(x)\stackrel{L^2}{=}\operatorname{P.V.}\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}tx}\, \mathrm{d}m(t).
\end{gathered}
定理:由此可知,如果平方可积函数f的Fourier变换\widehat{f\phantom{}}\in L^1(\mathbb{R}),那么几乎处处成立
f(x)=\int _ {-\infty}^{+\infty}\widehat{f\phantom{}}(t)\, \mathrm{e}^{\mathrm{i}tx}\, \mathrm{d}m(t).
(*)测度的Fourier变换
在概率论中会引入测度的Fourier变换.设\mu是\mathbb{R}上的一个有限测度,那么其Fourier变换定义为
\widehat{\mu}(t)=\int _ {-\infty}^{+\infty}\mathrm{e}^{\mathrm{i}t x}\, \mathrm{d}\mu(x).
这里遵从了概率论的习惯,被称为特征函数.可以看出,对于集中在点a的点质量\delta _ a,Fourier变换为\widehat{\delta\phantom{}} _ a(t)=\mathrm{e}^{\mathrm{i}at}.
下面的定理表明,把测度变换为函数,确实可以作为测度的“特征”来看待;后一个定理则是概率论中的一个重要定理——Lévy连续性定理,是证明中心极限定理的有力工具.证明从略.
定理:如果两个测度的Fourier变换相同,那么这两测度相等.
定理:如果一列实值随机变量\mathrm x _ n依分布收敛于\mathrm{x},那么对应的特征函数紧一致收敛;反之,如果它们的特征函数逐点收敛于一个在原点连续的函数,那么\mathrm{x} _ n依分布收敛于一随机变量\mathrm{x},以这个函数为特征函数.
接下来再推广卷积.后面,函数的卷积定义为
(f\ast g)(x)=\int _ {-\infty}^{+\infty}f(y)g(x-y)\, \mathrm{d}y.
改为了对Lebesgue测度的普通积分(不再缩放1/\sqrt{2\pi}).令A _ x=\{(u,v)\in\mathbb{R}^2\mid u+v\leqslant x\},那么\mathbb{R}上的两个有限测度\mu _ 1,\mu _ 2的卷积定义为
(\mu _ 1\ast\mu _ 2)((-\infty,x])=\iint \mathbf{1} _ {A _ x}\, \mathrm{d}(\mu _ 1\times\mu _ 2).
也就是说卷积测度是加法映射S:(x,y)\mapsto x+y的pushforward测度\mu _ 1\ast\mu _ 2=(\mu _ 1\times\mu _ 2)\circ S^{-1}.利用Fubini定理不难验证:
- 如果\mu _ 1,\mu _ 2分别有密度f _ 1,f _ 2,那么\mu _ 1\ast\mu _ 2也有密度f _ 1\ast f _ 2;
- 卷积定理:\widehat{\mu _ 1\ast\mu _ 2}(t)=\widehat{\mu} _ 1(t)\cdot\widehat{\mu} _ 2(t).

Leave a Reply