切比雪夫多项式 是由简单的三角恒等式定义的若干族多项式 ,其显著特点是具有正交性、显式已知的零点以及极值逼近性质。其中最主要的两族是第一类切比雪夫多项式 T n T_n T n 和第二类切比雪夫多项式 U n U_n U n ,分别由下式刻画:
T n ( cos θ ) = cos ( n θ ) , U n ( cos θ ) = sin ( ( n + 1 ) θ ) sin θ . T_n(\cos\theta)=\cos(n\theta), \qquad U_n(\cos\theta)=\frac{\sin((n+1)\theta)}{\sin\theta}. T n ( cos θ ) = cos ( n θ ) , U n ( cos θ ) = sin θ sin (( n + 1 ) θ ) .
第二个恒等式最初在 sin θ ≠ 0 \sin\theta\ne0 sin θ = 0 时成立,端点处的值则由连续性确定。尽管这些定义使用了三角函数 ,但两个表达式所确定的都是关于 x = cos θ x=\cos\theta x = cos θ 的普通代数多项式。
这些多项式以俄罗斯数学家帕夫努季·切比雪夫的名字命名,将逼近论 与傅里叶级数 、数值分析 以及正交多项式理论联系起来。它们在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上的振荡特性为若干逼近问题提供了最优界,而其余弦结构则使快速算法成为可能。它们可用于构造实用的函数表示、插值网格、求积公式以及微分方程的数值方法。
定义、归一化与历史起源 对于每个非负整数 n n n ,第一类切比雪夫多项式在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上定义为
T n ( x ) = cos ( n arccos x ) . T_n(x)=\cos(n\arccos x). T n ( x ) = cos ( n arccos x ) .
由余弦加法公式可知,这些函数满足递推关系
T 0 ( x ) = 1 , T 1 ( x ) = x , T n + 1 ( x ) = 2 x T n ( x ) − T n − 1 ( x ) . T_0(x)=1,\qquad T_1(x)=x,\qquad T_{n+1}(x)=2xT_n(x)-T_{n-1}(x). T 0 ( x ) = 1 , T 1 ( x ) = x , T n + 1 ( x ) = 2 x T n ( x ) − T n − 1 ( x ) .
因此,它们都是多项式,同一递推关系也将其定义扩展到原区间之外的实数或复数自变量。前几项为
T 0 = 1 , T 1 = x , T 2 = 2 x 2 − 1 , T 3 = 4 x 3 − 3 x , T 4 = 8 x 4 − 8 x 2 + 1. T_0=1,\quad T_1=x,\quad T_2=2x^2-1,\quad T_3=4x^3-3x,\quad T_4=8x^4-8x^2+1. T 0 = 1 , T 1 = x , T 2 = 2 x 2 − 1 , T 3 = 4 x 3 − 3 x , T 4 = 8 x 4 − 8 x 2 + 1.
当 n ≥ 1 n\ge1 n ≥ 1 时,T n T_n T n 的次数为 n n n ,首项系数为 2 n − 1 2^{n-1} 2 n − 1 。
第二类切比雪夫多项式族的初始条件为
U 0 ( x ) = 1 , U 1 ( x ) = 2 x U_0(x)=1,\qquad U_1(x)=2x U 0 ( x ) = 1 , U 1 ( x ) = 2 x
并满足相同的递推关系:
U n + 1 ( x ) = 2 x U n ( x ) − U n − 1 ( x ) . U_{n+1}(x)=2xU_n(x)-U_{n-1}(x). U n + 1 ( x ) = 2 x U n ( x ) − U n − 1 ( x ) .
因此,
U 2 = 4 x 2 − 1 , U 3 = 8 x 3 − 4 x , U 4 = 16 x 4 − 12 x 2 + 1 , U_2=4x^2-1,\qquad U_3=8x^3-4x,\qquad U_4=16x^4-12x^2+1, U 2 = 4 x 2 − 1 , U 3 = 8 x 3 − 4 x , U 4 = 16 x 4 − 12 x 2 + 1 ,
而 U n U_n U n 的首项系数为 2 n 2^n 2 n 。这两族多项式的奇偶性均与其次数的奇偶性一致:
T n ( − x ) = ( − 1 ) n T n ( x ) , U n ( − x ) = ( − 1 ) n U n ( x ) . T_n(-x)=(-1)^nT_n(x),\qquad U_n(-x)=(-1)^nU_n(x). T n ( − x ) = ( − 1 ) n T n ( x ) , U n ( − x ) = ( − 1 ) n U n ( x ) .
它们在端点处的归一化方式不同:T n ( 1 ) = 1 T_n(1)=1 T n ( 1 ) = 1 ,而 U n ( 1 ) = n + 1 U_n(1)=n+1 U n ( 1 ) = n + 1 。在另一端点处,T n ( − 1 ) = ( − 1 ) n T_n(-1)=(-1)^n T n ( − 1 ) = ( − 1 ) n ,U n ( − 1 ) = ( − 1 ) n ( n + 1 ) U_n(-1)=(-1)^n(n+1) U n ( − 1 ) = ( − 1 ) n ( n + 1 ) 。
这些多项式族源于切比雪夫在十九世纪对机械机构以及如何使函数逼近的最大误差尽可能小的研究。他在十九世纪五十年代的工作推动了一致逼近成为一个独立的数学研究领域。其关键不仅在于多项式能够逼近函数,还在于最大误差可以在多个正负交替的极值点处等幅达到。这一观点将机械连杆机构的实际问题与精确的极值问题联系起来。
另外两族通常称为第三类和第四类切比雪夫多项式,分别为
V n ( cos θ ) = cos ( ( n + 1 2 ) θ ) cos ( θ / 2 ) , W n ( cos θ ) = sin ( ( n + 1 2 ) θ ) sin ( θ / 2 ) . V_n(\cos\theta) =\frac{\cos((n+\tfrac12)\theta)}{\cos(\theta/2)}, \qquad W_n(\cos\theta) =\frac{\sin((n+\tfrac12)\theta)}{\sin(\theta/2)}. V n ( cos θ ) = cos ( θ /2 ) cos (( n + 2 1 ) θ ) , W n ( cos θ ) = sin ( θ /2 ) sin (( n + 2 1 ) θ ) .
它们也满足相同的三项递推关系,但 V 1 = 2 x − 1 V_1=2x-1 V 1 = 2 x − 1 ,W 1 = 2 x + 1 W_1=2x+1 W 1 = 2 x + 1 。当两个端点处的行为不对称时,这两族多项式很有用。不过,除非另有说明,“切比雪夫多项式”通常主要指 T n T_n T n ,而 U n U_n U n 则是与其密切相关的第二族。明确所用的多项式族及其归一化方式至关重要,因为首项系数、求积权重和展开系数都取决于这一选择。
代数恒等式、零点及区间外的行为 三角函数定义赋予切比雪夫多项式格外丰富的代数结构。对于非负整数 m , n m,n m , n ,有
T m ( T n ( x ) ) = T m n ( x ) . T_m(T_n(x))=T_{mn}(x). T m ( T n ( x )) = T mn ( x ) .
这个函数复合 恒等式可以通过令 x = cos θ x=\cos\theta x = cos θ 、应用余弦定义,再利用两个多项式若在某个区间上相等便处处相等这一事实来证明。另一个重要的恒等式是
T m ( x ) T n ( x ) = 1 2 ( T m + n ( x ) + T ∣ m − n ∣ ( x ) ) . T_m(x)T_n(x) =\frac12\left(T_{m+n}(x)+T_{|m-n|}(x)\right). T m ( x ) T n ( x ) = 2 1 ( T m + n ( x ) + T ∣ m − n ∣ ( x ) ) .
它将切比雪夫基下的乘法转化为下标的和差运算,与余弦波的乘法相呼应。这类恒等式无需将多项式转换为 x x x 的幂次形式,就能简化非线性多项式运算。
当 n ≥ 1 n\ge1 n ≥ 1 时,T n T_n T n 的所有零点都是单零点,且严格位于 ( − 1 , 1 ) (-1,1) ( − 1 , 1 ) 内:
x k = cos ( ( 2 k − 1 ) π 2 n ) , k = 1 , … , n . x_k=\cos\left(\frac{(2k-1)\pi}{2n}\right), \qquad k=1,\ldots,n. x k = cos ( 2 n ( 2 k − 1 ) π ) , k = 1 , … , n .
其极值点为
ξ k = cos ( k π n ) , k = 0 , … , n , \xi_k=\cos\left(\frac{k\pi}{n}\right), \qquad k=0,\ldots,n, ξ k = cos ( n k π ) , k = 0 , … , n ,
在这些点上,T n ( ξ k ) = ( − 1 ) k T_n(\xi_k)=(-1)^k T n ( ξ k ) = ( − 1 ) k 。U n U_n U n 的零点为
cos ( k π n + 1 ) , k = 1 , … , n . \cos\left(\frac{k\pi}{n+1}\right), \qquad k=1,\ldots,n. cos ( n + 1 k π ) , k = 1 , … , n .
因此,角度上的等间距分布转化为 x x x 上的不等间距分布,各点在靠近端点处越来越密集。这种几何分布是切比雪夫插值的基础。
这两族多项式之间有一些实用的关系,包括当 n ≥ 1 n\ge1 n ≥ 1 时,
T n ′ ( x ) = n U n − 1 ( x ) , T n ( x ) = U n ( x ) − x U n − 1 ( x ) T_n'(x)=nU_{n-1}(x), \qquad T_n(x)=U_n(x)-xU_{n-1}(x) T n ′ ( x ) = n U n − 1 ( x ) , T n ( x ) = U n ( x ) − x U n − 1 ( x )
以及
T n ( x ) 2 + ( 1 − x 2 ) U n − 1 ( x ) 2 = 1. T_n(x)^2+(1-x^2)U_{n-1}(x)^2=1. T n ( x ) 2 + ( 1 − x 2 ) U n − 1 ( x ) 2 = 1.
最后一个公式是恒等式 cos 2 ( n θ ) + sin 2 ( n θ ) = 1 \cos^2(n\theta)+\sin^2(n\theta)=1 cos 2 ( n θ ) + sin 2 ( n θ ) = 1 的多项式形式。它同时解释了为什么在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上有 ∣ T n ( x ) ∣ ≤ 1 |T_n(x)|\le1 ∣ T n ( x ) ∣ ≤ 1 ,以及为什么第一类切比雪夫多项式的极值点与第二类切比雪夫多项式的零点相关联。
在区间外,振荡转变为快速增长。对于 x ≥ 1 x\ge1 x ≥ 1 ,有
T n ( x ) = cosh ( n arcosh x ) . T_n(x)=\cosh(n\,\operatorname{arcosh}x). T n ( x ) = cosh ( n arcosh x ) .
更一般地,若 x = ( z + z − 1 ) / 2 x=(z+z^{-1})/2 x = ( z + z − 1 ) /2 ,其中 z ≠ 0 z\ne0 z = 0 ,则
T n ( x ) = z n + z − n 2 . T_n(x)=\frac{z^n+z^{-n}}2. T n ( x ) = 2 z n + z − n .
等价地,
T n ( x ) = 1 2 [ ( x + x 2 − 1 ) n + ( x − x 2 − 1 ) n ] . T_n(x)=\frac12\left[ (x+\sqrt{x^2-1})^n+(x-\sqrt{x^2-1})^n \right]. T n ( x ) = 2 1 [ ( x + x 2 − 1 ) n + ( x − x 2 − 1 ) n ] .
这一表达式与两个平方根中选取哪一个无关。这些公式将切比雪夫多项式与复分析 联系起来,既解释了它们在区间内优良的逼近性质,也说明了超出该区间进行外推时可能出现的不稳定性。
它们的生成函数 都是有理函数:
∑ n = 0 ∞ T n ( x ) t n = 1 − x t 1 − 2 x t + t 2 , ∑ n = 0 ∞ U n ( x ) t n = 1 1 − 2 x t + t 2 , \sum_{n=0}^{\infty}T_n(x)t^n =\frac{1-xt}{1-2xt+t^2}, \qquad \sum_{n=0}^{\infty}U_n(x)t^n =\frac1{1-2xt+t^2}, n = 0 ∑ ∞ T n ( x ) t n = 1 − 2 x t + t 2 1 − x t , n = 0 ∑ ∞ U n ( x ) t n = 1 − 2 x t + t 2 1 ,
其中 t t t 充分接近零。两边乘以分母,再比较 t t t 的同次幂系数,即可直接得到递推关系。
正交性与微分方程 切比雪夫多项式是经典的正交多项式 ,但其正交性必须在指定权函数后才能确定。对于第一类切比雪夫多项式,
∫ − 1 1 T m ( x ) T n ( x ) 1 − x 2 d x = { 0 , m ≠ n , π , m = n = 0 , π / 2 , m = n ≥ 1. \int_{-1}^{1} \frac{T_m(x)T_n(x)}{\sqrt{1-x^2}}\,dx = \begin{cases} 0,&m\ne n,\\ \pi,&m=n=0,\\ \pi/2,&m=n\ge1. \end{cases} ∫ − 1 1 1 − x 2 T m ( x ) T n ( x ) d x = ⎩ ⎨ ⎧ 0 , π , π /2 , m = n , m = n = 0 , m = n ≥ 1.
通过代换 x = cos θ x=\cos\theta x = cos θ ,这个积分变为
∫ 0 π cos ( m θ ) cos ( n θ ) d θ . \int_0^\pi \cos(m\theta)\cos(n\theta)\,d\theta. ∫ 0 π cos ( m θ ) cos ( n θ ) d θ .
因此,第一类切比雪夫多项式的正交性,正是余弦函数的正交性在另一坐标下的表达。权函数 ( 1 − x 2 ) − 1 / 2 (1-x^2)^{-1/2} ( 1 − x 2 ) − 1/2 在端点处的奇性是可积的,也是这一结构不可或缺的一部分。
对于第二类切比雪夫多项式,
∫ − 1 1 U m ( x ) U n ( x ) 1 − x 2 d x = π 2 δ m n , \int_{-1}^{1} U_m(x)U_n(x)\sqrt{1-x^2}\,dx =\frac{\pi}{2}\delta_{mn}, ∫ − 1 1 U m ( x ) U n ( x ) 1 − x 2 d x = 2 π δ mn ,
其中,δ m n \delta_{mn} δ mn 在 m = n m=n m = n 时等于一,否则等于零。这里,同样的代换会得到通常的正弦函数正交关系。因此,尽管这两类多项式的递推关系相同,相应的权函数却将它们区分开来。对于 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上的不带权积分,这两类多项式一般都不正交;具有这种正交性的是另一类经典多项式——勒让德多项式。
这些积分定义了带权内积 。在相应的带权平方可积函数空间中,切比雪夫多项式构成完备正交系。完备性是指,它们的有限线性组合在相应的希尔伯特空间 中稠密,因此平方可积函数可以展开为在带权均方范数下收敛的级数。这并不意味着级数处处收敛或一致收敛。特别地,连续函数必然属于第一类切比雪夫多项式对应的带权空间,但其展开式的逐点性质仍需进一步分析。
第一类切比雪夫多项式满足微分方程
( 1 − x 2 ) y ′ ′ − x y ′ + n 2 y = 0 , (1-x^2)y''-xy'+n^2y=0, ( 1 − x 2 ) y ′′ − x y ′ + n 2 y = 0 ,
而第二类切比雪夫多项式满足
( 1 − x 2 ) y ′ ′ − 3 x y ′ + n ( n + 2 ) y = 0. (1-x^2)y''-3xy'+n(n+2)y=0. ( 1 − x 2 ) y ′′ − 3 x y ′ + n ( n + 2 ) y = 0.
第一个方程具有自伴形式
− d d x ( 1 − x 2 y ′ ) = n 2 1 − x 2 y . -\frac{d}{dx}\left(\sqrt{1-x^2}\,y'\right) =\frac{n^2}{\sqrt{1-x^2}}\,y. − d x d ( 1 − x 2 y ′ ) = 1 − x 2 n 2 y .
同样,第二个方程可以写成
− d d x ( ( 1 − x 2 ) 3 / 2 y ′ ) = n ( n + 2 ) 1 − x 2 y . -\frac{d}{dx}\left((1-x^2)^{3/2}y'\right) =n(n+2)\sqrt{1-x^2}\,y. − d x d ( ( 1 − x 2 ) 3/2 y ′ ) = n ( n + 2 ) 1 − x 2 y .
这些都是端点奇异的斯图姆–刘维尔问题 。
对于多项式解,使用分部积分法 时产生的边界项为零。将两个不同次数的多项式所满足的方程相减,便可在它们的特征值不同时证明其正交性。这样,初等的余弦恒等式就被置于更广泛的谱理论框架之中:这些多项式是带权微分算子的特征函数,相应的特征值为 n 2 n^2 n 2 或 n ( n + 2 ) n(n+2) n ( n + 2 ) 。因此,它们的导数恒等式与带权正交性,是同一底层微分结构所产生的相互关联的结果。
极值性质与极小极大逼近 第一类切比雪夫多项式解决了一个基本的极值问题。首一多项式是指首项系数为一的多项式。在所有次数为 n ≥ 1 n\ge1 n ≥ 1 的实系数首一多项式 p p p 中,使
∥ p ∥ ∞ = max − 1 ≤ x ≤ 1 ∣ p ( x ) ∣ \|p\|_\infty=\max_{-1\le x\le1}|p(x)| ∥ p ∥ ∞ = − 1 ≤ x ≤ 1 max ∣ p ( x ) ∣
最小的多项式唯一,且为
p ∗ ( x ) = 2 1 − n T n ( x ) , ∥ p ∗ ∥ ∞ = 2 1 − n . p_*(x)=2^{1-n}T_n(x), \qquad \|p_*\|_\infty=2^{1-n}. p ∗ ( x ) = 2 1 − n T n ( x ) , ∥ p ∗ ∥ ∞ = 2 1 − n .
这并不是说,对于任意给定函数,T n T_n T n 都是最佳的多项式逼近。它所确定的是:在最高次项系数固定时,多项式绝对值的最大值所能达到的最小值。
证明基于符号交替。假设另一个首一多项式 q q q 的范数严格更小。在 T n T_n T n 的 n + 1 n+1 n + 1 个极值点处,差多项式 q − p ∗ q-p_* q − p ∗ 的符号将交替变化,且与 p ∗ p_* p ∗ 的符号相反。因此,它在每对相邻极值点之间都必有一个零点,从而至少有 n n n 个不同的零点。然而,两者的最高次项相消,因此 q − p ∗ q-p_* q − p ∗ 的次数至多为 n − 1 n-1 n − 1 ,这就产生了矛盾。在同样的交替结构下,进一步细化符号论证,还可以证明唯一性。
更一般的极小极大逼近 问题是:对于紧区间上给定的连续实值函数 f f f ,寻找一个次数不超过 n n n 的多项式 p p p ,使 ∥ f − p ∥ ∞ \|f-p\|_\infty ∥ f − p ∥ ∞ 最小。等振荡定理 给出了唯一最优解的特征:必须存在至少 n + 2 n+2 n + 2 个按顺序排列的点,使误差在这些点上达到其最大绝对值,且符号交替。切比雪夫多项式是这种等波纹行为的典型例子。例如,在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上,x 2 x^2 x 2 的最佳一次多项式逼近是常数 1 / 2 1/2 1/2 ,因为
x 2 − 1 2 = 1 2 T 2 ( x ) x^2-\frac12=\frac12T_2(x) x 2 − 2 1 = 2 1 T 2 ( x )
的误差依次在 1 / 2 , − 1 / 2 , 1 / 2 1/2,-1/2,1/2 1/2 , − 1/2 , 1/2 之间交替。
这类多项式在导数界的问题中同样具有极值性质。多项式的马尔可夫不等式 指出,在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上,每个次数不超过 n n n 的实系数多项式都满足
∥ p ′ ∥ ∞ ≤ n 2 ∥ p ∥ ∞ \|p'\|_\infty\le n^2\|p\|_\infty ∥ p ′ ∥ ∞ ≤ n 2 ∥ p ∥ ∞
而 T n T_n T n 能使等号成立,因为 T n ′ ( 1 ) = n 2 T_n'(1)=n^2 T n ′ ( 1 ) = n 2 。与之相关的伯恩斯坦不等式为
∣ p ′ ( x ) ∣ ≤ n 1 − x 2 ∥ p ∥ ∞ , − 1 < x < 1. |p'(x)|\le \frac{n}{\sqrt{1-x^2}}\|p\|_\infty, \qquad -1<x<1. ∣ p ′ ( x ) ∣ ≤ 1 − x 2 n ∥ p ∥ ∞ , − 1 < x < 1.
这些结果共同量化了有界多项式的变化速度,也刻画了其在端点附近更剧烈的变化。
对于一般函数,极小极大逼近的系数通常没有闭式表达式。叶夫根尼·雷梅兹于1934年提出的雷梅兹算法 ,通过迭代调整符号交替的极值点来构造极小极大逼近多项式。截断的切比雪夫级数往往能提供有用的初始逼近,但级数截断与真正的极小极大逼近是两种不同的方法:后者明确以最大误差最小化为目标。
切比雪夫级数与收敛速度 第一类切比雪夫展开通常写为
f ( x ) ∼ a 0 2 + ∑ n = 1 ∞ a n T n ( x ) , f(x)\sim\frac{a_0}{2}+\sum_{n=1}^{\infty}a_nT_n(x), f ( x ) ∼ 2 a 0 + n = 1 ∑ ∞ a n T n ( x ) ,
其中
a n = 2 π ∫ − 1 1 f ( x ) T n ( x ) 1 − x 2 d x = 2 π ∫ 0 π f ( cos θ ) cos ( n θ ) d θ . a_n=\frac{2}{\pi}\int_{-1}^{1} \frac{f(x)T_n(x)}{\sqrt{1-x^2}}\,dx =\frac{2}{\pi}\int_0^\pi f(\cos\theta)\cos(n\theta)\,d\theta. a n = π 2 ∫ − 1 1 1 − x 2 f ( x ) T n ( x ) d x = π 2 ∫ 0 π f ( cos θ ) cos ( n θ ) d θ .
常数项中的因子 1 / 2 1/2 1/2 用于补偿 T 0 T_0 T 0 的范数与其他多项式不同这一点。也有约定将这一因子并入常数项系数;混用这些约定会导致一种常见的归一化错误。这些系数就是 g ( θ ) = f ( cos θ ) g(\theta)=f(\cos\theta) g ( θ ) = f ( cos θ ) 的余弦级数系数,其中将该函数延拓为偶的 2 π 2\pi 2 π 周期函数。
对于加权平方可积空间中的函数,将其正交投影到前 N + 1 N+1 N + 1 个多项式所张成的空间,便可得到该加权均方范数下的最佳逼近。相应的帕塞瓦尔恒等式为
∫ − 1 1 ∣ f ( x ) ∣ 2 1 − x 2 d x = π ∣ a 0 ∣ 2 4 + π 2 ∑ n = 1 ∞ ∣ a n ∣ 2 . \int_{-1}^{1}\frac{|f(x)|^2}{\sqrt{1-x^2}}\,dx =\frac{\pi|a_0|^2}{4} +\frac{\pi}{2}\sum_{n=1}^{\infty}|a_n|^2. ∫ − 1 1 1 − x 2 ∣ f ( x ) ∣ 2 d x = 4 π ∣ a 0 ∣ 2 + 2 π n = 1 ∑ ∞ ∣ a n ∣ 2 .
这种最小二乘最优性针对的是积分 意义下的误差,而非最大误差。这一区别解释了为什么截断切比雪夫级数虽不一定恰好是极小极大逼近,却仍能在计算中表现出色。
收敛性取决于函数的正则性。由于区间上有 ∣ T n ( x ) ∣ ≤ 1 |T_n(x)|\le1 ∣ T n ( x ) ∣ ≤ 1 ,系数绝对可和即可保证一致收敛 。对于 N N N 次截断 S N S_N S N ,只要级数表示 f f f ,且其尾项绝对可和,就有
∥ f − S N ∥ ∞ ≤ ∑ n > N ∣ a n ∣ \|f-S_N\|_\infty \le\sum_{n>N}|a_n| ∥ f − S N ∥ ∞ ≤ n > N ∑ ∣ a n ∣
。对周期函数 f ( cos θ ) f(\cos\theta) f ( cos θ ) 反复进行分部积分可知,其光滑性会使系数按代数速率衰减。反之,区间内部的折角或跳跃间断会阻碍系数按几何速率衰减。跳跃间断还会产生持续存在的局部过冲,这与傅里叶分析中的吉布斯现象有关。
对于解析函数 ,收敛速度可以达到几何速率。参数为 ρ > 1 \rho>1 ρ > 1 的伯恩斯坦椭圆 E ρ E_\rho E ρ 可参数化为
z = 1 2 ( w + w − 1 ) , ∣ w ∣ = ρ . z=\frac12(w+w^{-1}),\qquad |w|=\rho. z = 2 1 ( w + w − 1 ) , ∣ w ∣ = ρ .
它的焦点为 − 1 -1 − 1 和 1 1 1 ,半长轴与半短轴分别为 ( ρ + ρ − 1 ) / 2 (\rho+\rho^{-1})/2 ( ρ + ρ − 1 ) /2 和 ( ρ − ρ − 1 ) / 2 (\rho-\rho^{-1})/2 ( ρ − ρ − 1 ) /2 。若 f f f 在该椭圆上及其内部解析,且在其中的模不超过 M M M ,则
∣ a n ∣ ≤ 2 M ρ − n , ∥ f − S N ∥ ∞ ≤ 2 M ρ − N ρ − 1 . |a_n|\le2M\rho^{-n}, \qquad \|f-S_N\|_\infty \le\frac{2M\rho^{-N}}{\rho-1}. ∣ a n ∣ ≤ 2 M ρ − n , ∥ f − S N ∥ ∞ ≤ ρ − 1 2 M ρ − N .
最近的复奇点限制了可选椭圆的范围,从而决定渐近的几何收敛速率。例如,f ( x ) = 1 / ( 1 + 25 x 2 ) f(x)=1/(1+25x^2) f ( x ) = 1/ ( 1 + 25 x 2 ) 在 ± i / 5 \pm i/5 ± i /5 处有极点。经过这些极点的椭圆参数为
ρ ∗ = 1 5 + 1 + 1 25 ≈ 1.2198. \rho_*=\frac15+\sqrt{1+\frac1{25}}\approx1.2198. ρ ∗ = 5 1 + 1 + 25 1 ≈ 1.2198.
估计误差界时可以选用任意 1 < ρ < ρ ∗ 1<\rho<\rho_* 1 < ρ < ρ ∗ ,但不能选取包含极点的椭圆。这解释了为什么在实区间上看似光滑的函数仍可能需要许多系数:其收敛性也在一定程度上受远离实轴处的函数行为支配。
切比雪夫节点上的插值 切比雪夫节点广泛用于多项式插值 ,因为它们既有显式公式,又能控制误差的放大。常用的节点网格有两种。T N + 1 T_{N+1} T N + 1 的 N + 1 N+1 N + 1 个零点为
x j = cos ( ( 2 j + 1 ) π 2 N + 2 ) , j = 0 , … , N . x_j=\cos\left(\frac{(2j+1)\pi}{2N+2}\right), \qquad j=0,\ldots,N. x j = cos ( 2 N + 2 ( 2 j + 1 ) π ) , j = 0 , … , N .
T N T_N T N 的 N + 1 N+1 N + 1 个极值点通常称为切比雪夫–洛巴托节点,其表达式为
x j = cos ( j π N ) , j = 0 , … , N , x_j=\cos\left(\frac{j\pi}{N}\right), \qquad j=0,\ldots,N, x j = cos ( N j π ) , j = 0 , … , N ,
其中 N ≥ 1 N\ge1 N ≥ 1 。后一种节点包含两个端点,因此便于处理边界条件。
这些节点在端点附近聚集,弥补了等距节点插值的一大缺陷。在经典的龙格例子中,对 f ( x ) = 1 / ( 1 + 25 x 2 ) f(x)=1/(1+25x^2) f ( x ) = 1/ ( 1 + 25 x 2 ) 使用等距网格进行插值时,随着插值多项式次数升高,端点附近会出现发散。切比雪夫网格并不能使每个连续函数的插值都一致收敛,但能避免该例中的不稳定现象,并且对于足够光滑的函数,可以得到很强的收敛性结论。插值的勒贝格常数衡量采样误差在一致范数下的最坏放大倍数;切比雪夫节点的这一常数满足
Λ N = 2 π log N + O ( 1 ) . \Lambda_N=\frac{2}{\pi}\log N+O(1). Λ N = π 2 log N + O ( 1 ) .
而等距节点对应的常数则呈指数增长。
对于零点网格,由首一多项式的极值性质可得
∏ j = 0 N ( x − x j ) = 2 − N T N + 1 ( x ) . \prod_{j=0}^{N}(x-x_j)=2^{-N}T_{N+1}(x). j = 0 ∏ N ( x − x j ) = 2 − N T N + 1 ( x ) .
如果 f f f 具有 N + 1 N+1 N + 1 阶连续导数,则由插值余项公式可得
∥ f − p N ∥ ∞ ≤ 2 − N ( N + 1 ) ! ∥ f ( N + 1 ) ∥ ∞ . \|f-p_N\|_\infty \le \frac{2^{-N}}{(N+1)!} \|f^{(N+1)}\|_\infty. ∥ f − p N ∥ ∞ ≤ ( N + 1 )! 2 − N ∥ f ( N + 1 ) ∥ ∞ .
在区间内选取 N + 1 N+1 N + 1 个实数插值节点的所有方案中,零点网格使节点乘积的最大绝对值达到最小。不过,对于某些函数,这种基于导数的误差界可能过于保守,或者无法提供有效信息;利用复分析得到的估计通常能更准确地描述实际收敛情况。
插值多项式可以通过重心公式 高效求值:
p N ( x ) = ∑ j = 0 N λ j f ( x j ) x − x j ∑ j = 0 N λ j x − x j . p_N(x)= \frac{\displaystyle\sum_{j=0}^{N} \frac{\lambda_j f(x_j)}{x-x_j}} {\displaystyle\sum_{j=0}^{N} \frac{\lambda_j}{x-x_j}}. p N ( x ) = j = 0 ∑ N x − x j λ j j = 0 ∑ N x − x j λ j f ( x j ) .
在节点处,直接返回给定的采样值。对于切比雪夫–洛巴托节点,一种常用的归一化方式为
λ j = ( − 1 ) j δ j , δ 0 = δ N = 1 2 , δ j = 1 ( 1 ≤ j ≤ N − 1 ) . \lambda_j=(-1)^j\delta_j,\qquad \delta_0=\delta_N=\frac12,\qquad \delta_j=1\quad(1\le j\le N-1). λ j = ( − 1 ) j δ j , δ 0 = δ N = 2 1 , δ j = 1 ( 1 ≤ j ≤ N − 1 ) .
只有权重之间的相对比例起作用。对于零点网格,权重与 ( − 1 ) j sin θ j (-1)^j\sin\theta_j ( − 1 ) j sin θ j 成正比,其中 θ j = ( 2 j + 1 ) π / ( 2 N + 2 ) \theta_j=(2j+1)\pi/(2N+2) θ j = ( 2 j + 1 ) π / ( 2 N + 2 ) 。
离散余弦变换可将采样值转换为插值多项式的系数。这些系数通常并不等同于连续级数的系数:在有限网格上,未被分辨的高阶模态会混叠到低阶模态中。这一区别在自适应逼近和非线性计算中尤为重要,因为采样不足可能使计算得到的尾部系数看起来比实际未分辨出的误差更小。
高斯求积与克伦肖–柯蒂斯求积 切比雪夫多项式的正交性直接导出高斯求积 。以 T n T_n T n 的 n n n 个根为节点,第一类高斯–切比雪夫求积公式为
∫ − 1 1 f ( x ) 1 − x 2 d x ≈ π n ∑ k = 1 n f ( cos ( 2 k − 1 ) π 2 n ) . \int_{-1}^{1}\frac{f(x)}{\sqrt{1-x^2}}\,dx \approx \frac{\pi}{n} \sum_{k=1}^{n} f\left(\cos\frac{(2k-1)\pi}{2n}\right). ∫ − 1 1 1 − x 2 f ( x ) d x ≈ n π k = 1 ∑ n f ( cos 2 n ( 2 k − 1 ) π ) .
只要 f f f 是次数不超过 2 n − 1 2n-1 2 n − 1 的多项式,这一公式就是精确的。所有权重均相等,这是高斯求积公式中少有的简洁特性。作代换 x = cos θ x=\cos\theta x = cos θ 后,该公式就成为对 f ( cos θ ) f(\cos\theta) f ( cos θ ) 在 [ 0 , π ] [0,\pi] [ 0 , π ] 上积分的中点求积公式。
第二类求积公式为
∫ − 1 1 f ( x ) 1 − x 2 d x ≈ π n + 1 ∑ k = 1 n sin 2 ( k π n + 1 ) f ( cos k π n + 1 ) . \int_{-1}^{1}f(x)\sqrt{1-x^2}\,dx \approx \frac{\pi}{n+1} \sum_{k=1}^{n} \sin^2\left(\frac{k\pi}{n+1}\right) f\left(\cos\frac{k\pi}{n+1}\right). ∫ − 1 1 f ( x ) 1 − x 2 d x ≈ n + 1 π k = 1 ∑ n sin 2 ( n + 1 k π ) f ( cos n + 1 k π ) .
这一公式对次数不超过 2 n − 1 2n-1 2 n − 1 的多项式也精确成立。权重的差异反映了正交测度的不同。因此,若将第一类公式直接用于无权积分,求解的就不是原来的积分问题。无权积分可以改写成适用于带权求积公式的形式,但变换后的被积函数在端点处的正则性可能较差。
对于普通积分
∫ − 1 1 f ( x ) d x , \int_{-1}^{1}f(x)\,dx, ∫ − 1 1 f ( x ) d x ,
一种广泛使用的替代方法是克伦肖–柯蒂斯求积 ,由查尔斯·克伦肖和艾伦·柯蒂斯于1960年提出。该方法在切比雪夫–洛巴托节点处采样,构造 N N N 次插值多项式,再对该多项式精确积分。基本矩为
∫ − 1 1 T k ( x ) d x = { 2 , k = 0 , 0 , k odd , 2 1 − k 2 , k ≥ 2 even . \int_{-1}^{1}T_k(x)\,dx = \begin{cases} 2,&k=0,\\ 0,&k\text{ odd},\\ \dfrac{2}{1-k^2},&k\ge2\text{ even}. \end{cases} ∫ − 1 1 T k ( x ) d x = ⎩ ⎨ ⎧ 2 , 0 , 1 − k 2 2 , k = 0 , k odd , k ≥ 2 even .
利用这些恒等式,可以直接由插值多项式的切比雪夫系数计算积分。
采用 ( N + 1 ) (N+1) ( N + 1 ) 个节点的克伦肖–柯蒂斯求积公式,对次数不超过 N N N 的多项式必然精确;若下一次数为奇数,则由对称性可知,其代数精度还能再提高一次。这低于采用 ( N + 1 ) (N+1) ( N + 1 ) 个节点的高斯–勒让德求积公式所具有的 2 N + 1 2N+1 2 N + 1 次代数精度。不过,对于一般函数,仅凭代数精度并不能判断方法的实际表现。对于光滑或解析的被积函数,由于高阶切比雪夫系数已经很小,克伦肖–柯蒂斯求积的收敛速度在实际应用中往往可与高斯求积相媲美。
另一个优点是节点的嵌套性。将 N N N 替换为 2 N 2N 2 N 时,原有的每个洛巴托节点都会保留,因此加密节点时可以复用已有的函数求值结果。快速变换也使权重或系数的构造成本较低。当被积函数的求值代价高昂,或需要自适应加密时,这些性质尤为有用。高斯求积和克伦肖–柯蒂斯求积都仍然对奇点、间断以及高度局部化的特征敏感;它们的收敛速度取决于被积函数的正则性,而非某个普遍适用的固定速率。
稳定求值、变换与多项式运算 利用三项递推关系,只需 O ( N ) O(N) O ( N ) 次算术运算和少量工作内存,就能求出直到 N N N 次的所有 T k ( x ) T_k(x) T k ( x ) 的值。这也避免了将多项式显式展开为单项式之和;即使多项式在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 上的绝对值不超过一,其单项式展开的系数也可能很大。恒等式 T n ( x ) = cos ( n arccos x ) T_n(x)=\cos(n\arccos x) T n ( x ) = cos ( n arccos x ) 在数学上很有用,但直接用三角函数求值并不总是最佳计算方法,尤其是在端点附近或次数很高时。
对于整个展开式,标准方法是查尔斯·克伦肖于 1955 年发表的克伦肖算法 。采用如下约定:
p ( x ) = c 0 + ∑ k = 1 N c k T k ( x ) , p(x)=c_0+\sum_{k=1}^{N}c_kT_k(x), p ( x ) = c 0 + k = 1 ∑ N c k T k ( x ) ,
令 b N + 1 = b N + 2 = 0 b_{N+1}=b_{N+2}=0 b N + 1 = b N + 2 = 0 ,并按逆序计算:
b k = c k + 2 x b k + 1 − b k + 2 , k = N , N − 1 , … , 1. b_k=c_k+2xb_{k+1}-b_{k+2}, \qquad k=N,N-1,\ldots,1. b k = c k + 2 x b k + 1 − b k + 2 , k = N , N − 1 , … , 1.
则有
p ( x ) = c 0 + x b 1 − b 2 . p(x)=c_0+xb_1-b_2. p ( x ) = c 0 + x b 1 − b 2 .
这是霍纳法在切比雪夫基下的对应算法。它能在线性时间内求出展开式的值,而不必单独存储每个基多项式。
该方法在逼近区间上通常具有良好的数值稳定性 ,但必须区分稳定性与条件性。如果各项相消,使得 p ( x ) p(x) p ( x ) 非常小,最终结果的相对误差仍可能很大。同样,在 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] 之外进行外推时,由于基多项式在该区间之外迅速增长,系数误差可能被放大。在端点附近,若相消影响了标准的最终求值表达式,可通过专门的重排方式提高精度。
系数变换的效率尤其高。洛巴托网格上的采样值对应于 I 型离散余弦变换 ,而零点网格则对应于相关的 II 型或 III 型变换,具体取决于变换方向和归一化约定。这些变换可以通过快速傅里叶变换 实现,将转换成本降至 O ( N log N ) O(N\log N) O ( N log N ) 。必须仔细处理端点权重和常数项系数:即使采样网格相同,不同软件库也常常采用不同的归一化方式。
求导也可以直接在系数空间中进行。若
p ( x ) = ∑ k = 0 N c k T k ( x ) , p ′ ( x ) = ∑ k = 0 N − 1 d k T k ( x ) , p(x)=\sum_{k=0}^{N}c_kT_k(x), \qquad p'(x)=\sum_{k=0}^{N-1}d_kT_k(x), p ( x ) = k = 0 ∑ N c k T k ( x ) , p ′ ( x ) = k = 0 ∑ N − 1 d k T k ( x ) ,
令 d N = d N + 1 = 0 d_N=d_{N+1}=0 d N = d N + 1 = 0 ,计算
d k − 1 = d k + 1 + 2 k c k , k = N , N − 1 , … , 1 , d_{k-1}=d_{k+1}+2kc_k, \qquad k=N,N-1,\ldots,1, d k − 1 = d k + 1 + 2 k c k , k = N , N − 1 , … , 1 ,
最后将 d 0 d_0 d 0 替换为 d 0 / 2 d_0/2 d 0 /2 。原函数可由下式求得:
∫ T n ( x ) d x = T n + 1 ( x ) 2 ( n + 1 ) − T n − 1 ( x ) 2 ( n − 1 ) , n ≥ 2 , \int T_n(x)\,dx =\frac{T_{n+1}(x)}{2(n+1)} -\frac{T_{n-1}(x)}{2(n-1)}, \qquad n\ge2, ∫ T n ( x ) d x = 2 ( n + 1 ) T n + 1 ( x ) − 2 ( n − 1 ) T n − 1 ( x ) , n ≥ 2 ,
其中 n = 0 , 1 n=0,1 n = 0 , 1 的情形需单独处理。乘法运算可利用乘积恒等式,也可借助变换进行求值和重采样。在非线性计算中,必须充分加密采样网格,以防高次乘积发生混叠,污染所保留的系数。
谱方法、矩阵算法与滤波器 切比雪夫表示是求解有界非周期区间上微分方程的谱方法 的核心。将解近似表示为
u N ( x ) = ∑ k = 0 N c k T k ( x ) , u_N(x)=\sum_{k=0}^{N}c_kT_k(x), u N ( x ) = k = 0 ∑ N c k T k ( x ) ,
并选取相应系数,使微分方程及其边界条件在指定的离散意义下得到满足。在配点法中,要求方程在选定的切比雪夫节点处成立。在伽辽金或 tau 格式中,则通过加权投影或系数约束来施加残差条件。
在洛巴托网格上,微分运算可以用一个矩阵 表示。若 λ j \lambda_j λ j 为重心权重,则该矩阵的非对角元素为
D i j = λ j λ i ( x i − x j ) , i ≠ j , D_{ij}=\frac{\lambda_j}{\lambda_i(x_i-x_j)}, \qquad i\ne j, D ij = λ i ( x i − x j ) λ j , i = j ,
而对角元素可定义为
D i i = − ∑ j ≠ i D i j . D_{ii}=-\sum_{j\ne i}D_{ij}. D ii = − j = i ∑ D ij .
行和为零的条件保证了常数的导数为零。边界条件用于替换或补充选定的方程。对于光滑解,随着多项式次数增加,精度的提升速度可以远快于固定阶数的局部离散方法;对于解析解,则可能实现几何收敛。
节点在端点附近聚集,既有好处,也有代价。最小网格间距为 N − 2 N^{-2} N − 2 量级,这有助于分辨端点附近的快速变化,但对于含时间变量的方程,也可能使显式时间推进所允许的步长受到严格限制。微分还会放大高次项的误差,因此,对函数的高精度逼近并不自动保证其高阶导数也具有同等精度。对于奇异解、不连续系数和复杂几何区域,往往需要采用区域分解、映射或其他适应性处理,而不能仅依靠单一的全局展开。
在数值线性代数 中,切比雪夫多项式可用于构造具有可控性质的多项式滤波器。设对称正定矩阵 A A A 的谱位于 [ a , b ] [a,b] [ a , b ] 内,其中 0 < a < b 0<a<b 0 < a < b 。将该区间映射到 [ − 1 , 1 ] [-1,1] [ − 1 , 1 ] ,可得归一化残差多项式
q n ( λ ) = T n ( b + a − 2 λ b − a ) T n ( b + a b − a ) , q n ( 0 ) = 1. q_n(\lambda)= \frac{T_n\!\left(\dfrac{b+a-2\lambda}{b-a}\right)} {T_n\!\left(\dfrac{b+a}{b-a}\right)}, \qquad q_n(0)=1. q n ( λ ) = T n ( b − a b + a ) T n ( b − a b + a − 2 λ ) , q n ( 0 ) = 1.
在满足这一归一化条件且次数不超过 n n n 的所有多项式中,它在 [ a , b ] [a,b] [ a , b ] 上的最大绝对值最小。记 κ = b / a \kappa=b/a κ = b / a ,则
max λ ∈ [ a , b ] ∣ q n ( λ ) ∣ ≤ 2 ( κ − 1 κ + 1 ) n . \max_{\lambda\in[a,b]}|q_n(\lambda)| \le 2\left(\frac{\sqrt{\kappa}-1}{\sqrt{\kappa}+1}\right)^n. λ ∈ [ a , b ] max ∣ q n ( λ ) ∣ ≤ 2 ( κ + 1 κ − 1 ) n .
这一性质是切比雪夫半迭代法的基础。这类方法的递推系数可以根据谱的界限预先计算,从而避免一些其他迭代方法所需的内积运算,不过,不准确的谱界限可能会影响收敛。
切比雪夫多项式还用于在信号处理中构造等波纹响应。I 型切比雪夫滤波器 的归一化幅度平方为
∣ H ( i Ω ) ∣ 2 = 1 1 + ε 2 T n ( Ω ) 2 . |H(i\Omega)|^2= \frac{1}{1+\varepsilon^2T_n(\Omega)^2}. ∣ H ( i Ω ) ∣ 2 = 1 + ε 2 T n ( Ω ) 2 1 .
当 ∣ Ω ∣ ≤ 1 |\Omega|\le1 ∣Ω∣ ≤ 1 时,有界振荡产生由 ε \varepsilon ε 控制的通带波纹;超出这一范围后,多项式的快速增长则产生衰减。道尔夫–切比雪夫阵列加权和窗函数也运用了同样的数学原理,通过等波纹旁瓣,在给定约束下实现极小极大意义上的权衡。这些应用利用了切比雪夫多项式在区间内振荡可控、在区间外迅速增长的鲜明对比。