1. 收敛性基础概念：什么是收敛、发散与振荡

各位同学，今天咱们来聊聊收敛性。说实话，这个概念我刚开始接触信号处理时也觉得挺抽象的。但后来做了十几年仿真，我越来越觉得——不懂收敛，你写的算法就是空中楼阁。

先给个直观的理解。你想象一下：你站在一个山谷里，想找到最低点。你每走一步，都往更低的地方迈。走着走着，你发现脚下的坡度越来越缓，最后几乎不动了——嗯，你找到了谷底。这个过程，就叫收敛。

用数学语言说：收敛是指一个序列或迭代过程，随着步数增加，逐渐趋近于某个确定的值。这个确定的值，我们叫它极限。

核心定义：对于序列 {x_n}，如果存在一个常数 L，使得对于任意小的 ε > 0，总存在 N，当 n > N 时，|x_n - L| < ε 恒成立，则称该序列收敛于 L。

说白了，就是随着迭代次数增加，结果越来越稳，不再乱跳了。

有收敛就有发散。发散就是反着来——你越迭代，结果离目标越远。就像你本来想下山，结果每一步都往山上走，最后跑到山顶上去了。

我遇到过最典型的发散案例，是在做自适应滤波器时。有一次我调了一个 LMS 算法，步长设得大了点。结果你猜怎么着？误差不但没减小，反而像脱缰的野马一样越跑越远。最后仿真直接溢出了。嗯，这就是发散。

发散通常意味着：

振荡介于收敛和发散之间。它不收敛到某个固定点，也不无限发散，而是在某个范围内来回摆动。

举个例子。你调一个 PID 控制器，比例系数 P 设得太大。系统会怎样？它会超调，然后回调，再超调，再回调……就像钟摆一样来回晃。这就是振荡。

振荡分两种：

注意：在实际工程中，等幅振荡往往比发散更隐蔽。发散你一眼就能看出来——数值飞了。但等幅振荡看起来好像挺稳定，实际上系统根本没收敛到目标值。我曾经在调试一个均衡器时，被这种等幅振荡坑了整整两天。

为什么我们要花这么大精力研究收敛？原因很简单——不收敛的算法，就是废的。

你想想看：

我个人习惯，在写任何迭代算法之前，先做收敛性分析。哪怕只是粗略估算一下，也能避免很多坑。

下面这张图，是我自己总结的收敛性知识框架。你可以把它当作本章的导航图：

光说不练假把式。咱们看个具体的例子。假设你有一个迭代公式：

x(n+1) = 0.5 * x(n) + 1

初始值 x(0) = 10。咱们手动算几步：

看到了吗？每一步误差都减半。这就是收敛，而且是线性收敛。极限是 2。

那如果我把系数改成 1.2 呢？

x(n+1) = 1.2 * x(n) + 1

你再算算？x(0)=10 → x(1)=13 → x(2)=16.6 → x(3)=20.92…… 越跑越远。这就是发散。

我的经验：判断一个迭代是否收敛，最简单的方法就是看迭代矩阵的谱半径。谱半径小于 1，收敛；大于 1，发散；等于 1，临界状态（可能振荡）。这个准则我用了十几年，几乎没出过问题。

最后说点实在的。我在做项目评审时，经常看到一些同学上来就写代码，跑仿真，结果不对再调参数。这种"试错法"在简单问题上还行，一旦系统复杂了，你根本不知道问题出在哪儿。

而收敛性分析，就是给你一把"尺子"。在写代码之前，你就能判断这个算法行不行。比如：

我曾经接手过一个项目，前同事写了个自适应滤波算法，仿真跑起来总是时不时炸掉。我花了一天做收敛性分析，发现他选的步长刚好在临界值上。稍微改小一点，问题就解决了。你看，这就是收敛性分析的价值。

好了，这一章咱们把收敛、发散、振荡这三个基本概念理清了。下一章我会深入讲收敛速度的定量分析方法，包括怎么算收敛阶、怎么估计迭代次数。到时候咱们再聊。

可可精品资料库