2. 序列与级数收敛：从定义到判别法

各位同学好，今天我们来聊聊序列与级数收敛。说实话，我刚入行做信号处理那会儿，觉得这东西就是纯数学，跟实际工程八竿子打不着。直到有一次我在做数字滤波器设计，仿真结果死活不收敛，排查了三天才发现是级数判别条件没满足……嗯，从那以后我再也不敢小看这部分内容了。

2.1 数列收敛的定义

先说说数列收敛。说白了，就是一个数列 {a_n}，当 n 越来越大时，它是不是在往某个固定的数靠拢。这个固定的数，我们就叫它极限。

严格定义是这样的：

对于数列 {a_n}，如果存在一个常数 L，使得对于任意给定的正数 ε（无论多小），总存在一个正整数 N，当 n > N 时，有 |a_n - L| < ε 成立，则称数列 {a_n} 收敛于 L，记作 lim_{n→∞} a_n = L。

这个定义看起来有点绕，我给大家翻译一下：

  • ε 就是你设定的"容忍误差"——比如 0.001
  • N 就是"从第几项开始"——找到这个 N 是关键
  • 条件就是：从第 N 项往后，所有项跟极限 L 的差距都小于 ε

举个例子，数列 a_n = 1/n。当 n=1 时，a_1=1；n=10 时，a_10=0.1；n=100 时，a_100=0.01。很明显它往 0 靠。如果你取 ε=0.01，那么 N=100 就满足条件。这就是收敛。

我个人经验：在仿真调试中，判断一个迭代算法是否收敛，我通常不会死磕 ε 要多小。我习惯设置一个"收敛阈值"，比如 1e-6，然后看连续几次迭代的变化量是否都小于这个阈值。这其实就是数列收敛思想在工程中的直接应用。

2.2 级数收敛的基本概念

级数是什么？级数就是数列的和。把数列 {a_n} 的项加起来：

S = a₁ + a₂ + a₃ + ... + aₙ + ...

如果这个和 S 是一个有限值，我们就说这个级数收敛。否则就是发散。

你可能会问：无穷多项加起来，怎么可能是个有限值？

我刚开始学的时候也有这个疑问。后来想明白了——关键在于这些项要"衰减得足够快"。比如 1 + 1/2 + 1/4 + 1/8 + ...，每一项都是前一项的一半，加起来等于 2。但 1 + 1/2 + 1/3 + 1/4 + ... 这个调和级数，虽然项也在变小，但衰减太慢，加起来是无穷大。

避坑指南：我曾经在仿真一个自适应滤波器时，用了某个级数展开来近似系统函数，结果仿真一直不收敛。查了半天才发现，我用的那个级数在参数范围内是发散的！所以记住：用级数做近似之前，一定要先判断收敛性。

2.3 比较判别法

比较判别法，顾名思义，就是拿你的级数跟一个已知收敛性的级数去比。

基本思想：

  • 如果 0 ≤ aₙ ≤ bₙ，且 ∑bₙ 收敛，那么 ∑aₙ 也收敛
  • 如果 aₙ ≥ bₙ ≥ 0，且 ∑bₙ 发散，那么 ∑aₙ 也发散

说白了就是：比收敛的还小，那肯定收敛；比发散的还大，那肯定发散。

常用的"参照物"级数有：

级数类型 形式 收敛条件
p-级数 ∑ 1/n^p p > 1 时收敛，p ≤ 1 时发散
几何级数 ∑ r^n |r| < 1 时收敛，|r| ≥ 1 时发散

举个例子，判断 ∑ 1/(n² + n) 是否收敛：

因为 1/(n² + n) < 1/n²，而 ∑ 1/n² 是 p=2 的 p-级数，收敛。所以原级数也收敛。

我建议：做比较判别时，先看看你的级数长得像哪种已知级数。如果分母是多项式，多半跟 p-级数比；如果是指数形式，就跟几何级数比。这个直觉很重要，能帮你快速定位问题。

2.4 比值判别法

比值判别法（也叫达朗贝尔判别法）适用于那些项之间有明显比例关系的级数。

方法很简单：计算相邻两项的比值极限：

ρ = lim_{n→∞} |a_{n+1} / a_n|

然后看 ρ 的值：

  • 如果 ρ < 1，级数收敛
  • 如果 ρ > 1，级数发散
  • 如果 ρ = 1，无法判断（需要换方法）

这个判别法特别适合处理含有阶乘、指数、幂次等形式的级数。

来看个例子：判断 ∑ n! / n^n 是否收敛。

计算比值：

a_{n+1} / a_n = [(n+1)! / (n+1)^{n+1}] / [n! / n^n]
              = (n+1) * n^n / (n+1)^{n+1}
              = n^n / (n+1)^n
              = 1 / (1 + 1/n)^n
              → 1/e ≈ 0.3679

因为 0.3679 < 1，所以级数收敛。

关键点：比值判别法只给出了"收敛"的判断。如果 ρ = 1，别硬用，换比较判别法或者积分判别法试试。我在调试中遇到过这种情况，硬套比值判别法浪费了半天时间。

2.5 知识体系总览

下面这张图是我自己整理的，把本章的核心逻辑串起来了：

序列与级数收敛知识体系 数列收敛 定义：∀ε>0, ∃N, n>N ⇒ |aₙ-L|<ε 级数收敛 定义：部分和数列 Sₙ = ∑aₖ 收敛 部分和 比较判别法 与已知级数比较 常用参照：p-级数、几何级数 比值判别法 ρ = lim |aₙ₊₁/aₙ| ρ<1收敛，ρ>1发散，ρ=1失效 工程应用：收敛性分析 → 仿真调试 → 算法稳定性验证 滤波器设计、自适应算法、数值计算

2.6 仿真调试中的实际应用

讲完理论，说说实际怎么用。我在做通信系统仿真时，经常需要判断一个迭代算法是否收敛。比如 LMS 自适应滤波器的步长选择：

% 伪代码示例：判断 LMS 算法是否收敛
for n = 1:max_iter
    e(n) = d(n) - w' * x(n);      % 误差
    w = w + mu * x(n) * e(n);     % 权值更新
    
    % 收敛判断：看权值变化量
    delta_w = norm(w - w_old);
    if delta_w < 1e-6
        disp('算法收敛！');
        break;
    end
    w_old = w;
end

这里判断收敛的思路，其实就是数列收敛的思想——看权值序列是否趋于稳定。而步长 μ 的选择，本质上决定了这个迭代过程是否收敛，这又跟级数收敛的比值判别法有异曲同工之妙。

我曾经踩过的坑：有一次仿真 OFDM 系统的信道估计，用了某个级数展开来近似信道响应。仿真结果看起来挺漂亮，但实际硬件测试时发现性能差很多。后来一查，原来我用的级数在信噪比低的时候根本不收敛。所以我现在做仿真，一定会先跑一个"收敛性验证"的测试用例，确保级数在参数范围内都收敛。

好了，关于序列与级数收敛，我们就聊到这里。记住：收敛性分析不是纯数学游戏，它是你仿真调试的"安"。下次做仿真之前，先问问自己：这个算法收敛吗？这个级数展开能用吗？养成这个习惯，能帮你省下不少排查时间。

可可精品资料库

← 上一章 📖 返回目录 下一章 →