连续版线性代数：Chebfun中函数级QR分解、SVD与特征值计算揭秘

【免费下载链接】chebfunChebfun: numerical computing with functions.项目地址: https://gitcode.com/gh_mirrors/ch/chebfun

你是否想过，矩阵的 QR 分解、SVD、特征值这些线性代数操作，能不能直接用在函数上？Chebfun 正是这样一款打破边界的开源数值计算工具——它把连续函数当作"无限维向量"来处理，让你像操作矩阵一样对函数做分解、求谱。本文将带你深入 Chebfun 的函数级线性代数内核，揭秘 QR 分解、奇异值分解（SVD）与特征值计算在连续空间中的实现原理。

什么是 Chebfun：把函数变成"超级向量" 🧮

Chebfun 是一款基于 MATLAB 的开源软件系统，核心思想是"以函数进行数值计算"（numerical computing with functions）。它的数学基础是分段多项式插值，配合所谓的Chebyshev 技术（Chebyshev technology）——通过切比雪夫点上的插值，把任意光滑函数近似成高精度多项式。

在 Chebfun 的世界里：

• 一个函数 f(x) 就是一个"对象"，内部存储的是它的切比雪夫系数，而不是离散采样点；
• 一次加法、乘法、积分、求导，都精确到接近机器精度；
• 更妙的是，它实现了连续版本的线性代数：QR 分解、SVD、特征值，通通可以在函数空间里进行。

项目主页的 README.md 明确写道：Chebfun 包含 QR 和奇异值分解等线性代数概念的连续模拟（continuous analogues）。这正是本文的主角。

从矩阵到函数：连续线性代数的核心思想 💡

先回忆一下经典线性代数：一个 n×n 矩阵 A 可以分解为 A = Q·R，其中 Q 的列是正交向量，R 是上三角矩阵；SVD 则给出 A = U·S·Vᵀ，其中 U、V 是正交矩阵，S 是对角矩阵。

Chebfun 的"连续化"思路是：把函数数组（array-valued function）看作无穷维向量。例如，一个"列函数"A 有 n 列，每一列都是一个定义在区间上的函数，那么：

• QR 分解得到 Q（一个"函数列"，其列在连续 L² 内积意义下正交）和上三角矩阵 R；
• SVD 得到 U（正交函数列）、对角矩阵 S 和正交矩阵 V；
• 特征值问题则变成微分算子的特征值/特征函数求解。

这就是"连续版线性代数"的魅力：矩阵的元素是数，函数版的元素是函数。

函数级 QR 分解：让正交化发生在函数空间 📐

QR 分解的实现位于 @chebfun/qr.m。对于 n 列的数组值 Chebfun，它会返回一个函数列 Q（n 个正交函数）和 n×n 的上三角矩阵 R，使得 A = Q·R。

它的实现分层递进，非常巧妙：

单列退化为缩放

如果 A 只有一列，QR 退化为简单的归一化：R 等于函数的 L² 内积平方根，Q 就是 A 除以 R。代码里甚至处理了 R = 0 的退化情况，此时 Q 被设为常函数。

单区间：调用底层技术的 QR

当函数只在一个区间上且是数组值时，QR 会在 FUN 层完成，最终落到 @chebtech/qr.m——Chebyshev 技术的核心层。这里有两条路径：

• built-in 方法（默认）：构造加权 Legendre-Vandermonde 矩阵，再用 MATLAB 自带的 QR 算法做正交化，效率高；
• Householder 方法：采用 Trefethen 2010 年论文中提出的"拟矩阵的 Householder 三角化"算法，更稳定但稍慢。

有意思的是，这里的正交性是在连续 L² 范数意义下定义的（对 [-1,1] 区间上的函数积分），这正是"函数级"QR 与矩阵 QR 的本质区别。

多区间：Panel-Factored QR 分而治之

当函数有多个分段（breaks）时，直接做连续 QR 很困难。Chebfun 采用面板分解（panel-factored QR）策略：

1. 对每一段分别做 QR，得到 Qᵢ 和 Rᵢ；
2. 把所有 Rᵢ 拼接成一个块矩阵，对它再做一次离散 QR，得到组合因子；
3. 把因子乘回各段的 Qᵢ，重组出全局的 Q。

这种"分而治之"的思路，让多断点函数也能高效完成连续正交分解。相关实现细节都可以在 @chebfun/qr.m 的开发者注释中看到。

SVD：函数的奇异值分解 📊

如果说 QR 是连续线性代数的基础，那么 SVD 就是它的"明星应用"。实现位于 @chebfun/svd.m，其算法源自 Battles 2005 年的牛津大学博士论文《Numerical Linear Algebra for Continuous Functions》。

算法流程：QR + 离散 SVD

整个计算思路非常优雅，只有两步：

1. 先对 A 做函数级 QR 分解：A = Q·R；
2. 由于 R 是普通矩阵，直接调用 MATLAB 的离散 SVD：R = Ũ·S·Vᵀ；
3. 最后令 U = Q·Ũ，得到 A = (Q·Ũ)·S·Vᵀ = U·S·Vᵀ。

也就是说：连续问题被巧妙地转化为"一次连续 QR + 一次离散 SVD"，而困难的部分（正交化）由 QR 承担。如果只要求奇异值（nargout < 2），代码直接返回 diag(S)，避免无谓的计算。

二维与三维扩展：Chebfun2 的低秩逼近

Chebfun 家族不止一维。@chebfun2/svd.m 将 SVD 扩展到二维函数（矩形区域上的 f(x,y)），它基于 @separableApprox/ 的可分离逼近框架：返回正交函数列 U、奇异值 S 和正交函数列 V，且奇异值个数等于函数的 rank——这本质上是二维函数的低秩逼近。配合 @chebfun3/ 的三维扩展，Chebfun 在整个函数空间上构建了一整套"连续线性代数工具箱"。

特征值与特征函数：求解微分算子的谱 🎯

线性代数中特征值问题对应到连续世界，就是微分算子谱问题。Chebfun 通过 @chebop/eigs.m 实现，配合 chebop（微分算子对象）使用。

不是迭代法，而是"逐步加密"的稠密方法

与 MATLAB 内置 eigs 的迭代思路不同，Chebfun 的 eigs 并不使用稀疏迭代法，而是对不断增大的稠密矩阵调用内置 EIG，直到目标特征函数收敛（由 Chebfun 构造函数判定）。它默认返回"最光滑"（振荡最少）的几个特征值，这通常正是物理问题中最关心的低阶模态。

经典示例：一维薛定谔式问题

N = chebop(@(u) diff(u, 2), [0 pi], 'dirichlet'); [V, D] = eigs(N, 10); format long, sqrt(-diag(D)) % 结果为整数，精确到 14 位 plot(V) % 缩放后的正弦波

求解 -u'' = λu 在 Dirichlet 边界条件下的特征问题，得到的前 10 个特征值开根号后就是 1, 2, 3, ...，精度可达 14 位有效数字——这就是"函数级特征值计算"的威力。它还支持广义特征值问题 A·V = B·V·D，以及指定 sigma 寻找靠近某值的特征值（如 'LR'、'SM' 等选项）。

安装与快速上手 🚀

Chebfun 兼容 MATLAB 7.8（R2009a）及以上版本。获取方式很简单：

git clone https://gitcode.com/gh_mirrors/ch/chebfun

克隆后只需把chebfun目录加入 MATLAB 路径：

addpath(chebfunroot), savepath

安装完成后，你就可以开始体验"连续版线性代数"了：

x = chebfun('x', [0 1]); A = [x, x.^2, exp(x)]; % 数组值 Chebfun [Q, R] = qr(A); % 函数级 QR [U, S, V] = svd(A); % 函数级 SVD

总结：为什么函数级线性代数如此强大？✨

Chebfun 用切比雪夫插值 + 连续内积 + 分层算法，把矩阵世界里的 QR、SVD、特征值完整搬到了函数世界：

• 函数级 QR通过 panel-factored 策略与 Chebyshev 技术实现连续正交化（源码）；
• 函数级 SVD巧妙复用"连续 QR + 离散 SVD"的组合（源码）；
• 特征值计算以稠密矩阵逐步加密的方式求解微分算子谱（源码）。

无论你是研究微分方程、信号处理还是数值线性代数，Chebfun 的连续线性代数都能让你以更直观、更接近数学本质的方式工作——因为在这里，函数就是向量，算子就是矩阵。

【免费下载链接】chebfunChebfun: numerical computing with functions.项目地址: https://gitcode.com/gh_mirrors/ch/chebfun