第二章：数学基础——正交多项式与Zernike的“身份证”
做自由曲面设计，绕不开Zernike多项式。但很多人一上来就背系数、记公式，结果拟合出来的面型全是“假收敛”。
我个人习惯，先搞清楚它的数学底子——正交性。这东西就像人的身份证，有了它，每个多项式才独立，不会互相“打架”。
2.1 正交多项式：为什么我们需要“正交”？
先问个问题：为什么不用普通的幂级数（比如 x, x², x³）去拟合曲面？
我在项目里试过。用幂级数拟合一个非球面，系数之间严重耦合。你调一个低阶项，高阶项也跟着变，迭代半天不收敛。说白了，就是基函数不正交。
正交的定义：两个函数 f(x) 和 g(x) 在区间 [a,b] 上，如果满足：
∫ f(x) · g(x) · w(x) dx = 0 (a 到 b)其中 w(x) 是权函数，那它们就是正交的。
正交的好处很明显：
- 系数独立：每个系数只代表对应项的分量，互不干扰。
- 最小二乘拟合稳定：法方程矩阵是对角阵，直接除就出结果，不用求逆。
- 截断误差可控：你丢掉高阶项，低阶项系数不变。
核心观点：正交多项式是拟合的“正交坐标系”。就像用 xyz 轴描述空间点一样，每个轴独立，不会因为移动一个点而改变另一个轴的读数。
2.2 Gram-Schmidt正交化：从“杂乱”到“正交”的标准化流程
现实中，我们拿到的原始多项式集往往不正交。比如单位圆上的幂级数。怎么办？
Gram-Schmidt 过程就是干这个的。它像一台“正交化机器”，输入一组线性无关的基，输出一组正交基。
算法步骤（我习惯用 Python 实现）：
- 取第一个基函数 φ₀(x) = f₀(x)，直接归一化。
- 对第 k 个基函数 fₖ(x)，减去它在前面所有已正交化基函数上的投影：
φₖ(x) = fₖ(x) - Σ ⟨fₖ, φⱼ⟩ / ⟨φⱼ, φⱼ⟩ · φⱼ(x) (j=0 到 k-1) - 归一化：φₖ(x) = φₖ(x) / √⟨φₖ, φₖ⟩
嗯，这里要注意：数值上，Gram-Schmidt 容易因为舍入误差丢失正交性。我建议用 Modified Gram-Schmidt (MGS)，每次投影完立即减去，稳定性好很多。
我的经验：在 Matlab 里直接用 orth() 或 qr() 函数，底层就是 MGS。Python 里用 numpy.linalg.qr 的 mode='reduced' 也能得到正交基。别自己手写原始 GS，除非你想调试数值稳定性。
2.3 Zernike多项式的正交性证明
Zernike 多项式定义在单位圆盘上。它的正交性分两部分：
- 角度方向：用三角函数 cos(mθ) 和 sin(mθ)，在 [0, 2π] 上天然正交。
- 径向方向：用 Jacobi 多项式的特例——Zernike 径向多项式 Rₙᵐ(ρ)，在 [0,1] 上带权函数 ρ 正交。
完整正交关系：
∫∫ Zₙᵐ(ρ,θ) · Zₙ'ᵐ'(ρ,θ) · ρ dρ dθ = π/(2n+2) · δₙₙ' · δₘₘ'其中 δ 是 Kronecker delta。注意权函数 ρ 来自极坐标的面积元 dA = ρ dρ dθ。
为什么这个正交性这么重要？
我在做自由曲面拟合时，经常需要判断“这个面型主要有哪些像差成分”。如果基函数不正交，你算出来的系数会互相“串扰”，根本分不清是球差还是彗差。Zernike 的正交性保证了：每个系数直接对应一种像差模式的贡献量。
避坑指南：我曾经用非标准化的 Zernike 多项式做拟合，结果系数和标准泽尼克系数差了一个常数因子。后来才发现，不同文献对 Zernike 的归一化方式不同（比如 Noll 归一化 vs. ANSI 标准）。拟合前一定要确认你用的多项式集是 正交归一 的，否则系数没有物理意义。
2.4 知识结构图：正交化与Zernike的关系
下面这张图展示了从原始多项式到 Zernike 正交基的完整路径：
2.5 正交性验证：一个简单的数值实验
光说不练假把式。我写了个小代码片段，验证 Zernike 多项式的正交性：
import numpy as np
from scipy.special import eval_jacobi
def zernike_radial(n, m, rho):
"""Zernike径向多项式 R_n^m(rho)"""
# 使用Jacobi多项式实现
s = (n - abs(m)) // 2
if s < 0:
return np.zeros_like(rho)
coeff = (-1)**s * np.sqrt(2*n+2) # 归一化因子
# 实际计算略，这里用scipy的jacobi
return eval_jacobi(s, abs(m), 0, 1 - 2*rho**2) * rho**abs(m)
# 生成采样点
N = 200
rho = np.linspace(0, 1, N)
theta = np.linspace(0, 2*np.pi, N)
RHO, THETA = np.meshgrid(rho, theta)
# 计算两个Zernike项
Z1 = zernike_radial(2, 0, RHO) # 离焦
Z2 = zernike_radial(4, 0, RHO) # 球差
# 计算内积（带权函数rho）
integrand = Z1 * Z2 * RHO
integral = np.trapz(np.trapz(integrand, rho, axis=1), theta)
print(f"内积 ⟨Z₂⁰, Z₄⁰⟩ = {integral:.2e}")
# 输出应该接近 0（10^-15 量级）小技巧：验证正交性时，采样点要足够密，尤其在 ρ 接近 0 的区域。我一般用 500×500 的网格，积分用 Simpson 法则，精度更高。
2.6 常见正交多项式对比
| 多项式类型 | 定义域 | 权函数 | 典型应用 |
|---|---|---|---|
| Legendre | [-1, 1] | 1 | 一维函数拟合 |
| Chebyshev | [-1, 1] | 1/√(1-x²) | 极小化最大误差 |
| Hermite | (-∞, ∞) | e^{-x²} | 量子力学、概率 |
| Zernike | 单位圆盘 | ρ | 光学波前、自由曲面 |
你看，Zernike 的独特之处在于定义域是圆盘，权函数是 ρ。这正好匹配圆形光瞳和极坐标采样。其他多项式在圆域上都不正交。