这里是 GAMES 102 的课程作业网站。
- 函数拟合
- 神经网络曲线拟合
- 参数曲线拟合
- 三次样条函数
- 曲线细分
- 极小曲面局部方法
- 极小曲面全局方法、曲面参数化
- 实现平面点集 CVT 的 Lloyd 算法
- 网格简化的 QEM 方法
- 曲面重建
我们提供了 Windows 10 下的 C++ 框架（project），内含各项作业的子项目，同学可以直接使用其完成作业。
同学们亦可根据自己的喜好，用其他语言（如 matlab）完成作业。
文档中可能包含一些数学公式，GitHub 不支持直接显示数学公式，需要额外设置才能正常显示。
方法如下：
- 编译时缺失
atl* 的话，可以在 vs2019 里选 工具->获取工具和功能->单个组件->搜索 "x64 14.27" 选生成工具，再搜 "atl"，选最下边的“适用于最新 v142 生成工具的 C++ ATL(x86和x64)"
- 如果启动后，弹出窗口过段时间后程序出错，可尝试（依显卡性能而定）
- 框架还处于快速开发中，鲁棒性有限，不良操作可能直接导致程序崩溃，有疑惑可联系助教
此方法完全从源码构建，如果不行请看方法二
-
使用 Github Desktop 克隆此库 GAMES 102，注意路径应放到较浅的位置，如盘符根目录
-
使用 CMake-Gui 构建 vs 2019 项目
- 注意 where is the source code 是<project 路径>，下边的路径是 <project 路径>/build
- 首次点击 configure 默认就是 vs2019 和 x64，这两者都是必要的
configure 过程中会下载许多依赖库，耗时可能较久，由 git clone 速度而定。另外我们会提供编译好的依赖包（即方法二），免去下载/编译的过程，但这样无法查阅源码。
-
打开项目，在解决方案资源栏里找到 GAMES102_HW_hw1，右键菜单中选“设为启动项目”，然后右键菜单中选“生成”。在等待较长时间的编译完成后，即可在菜单栏中点击“本地 Windows调试器”运行 hw1 空项目。你会看到一个引擎编辑器界面，在 Game 窗口中有 canvas，这将是作业1的所需完成部分。
此方法使用方便，缺点是不含源码
所需下载的资源在课程群文件内的“框架依赖资源”里可以找到
- 使用 Github Desktop 克隆此库 GAMES 102，注意路径应放到较浅的位置，如盘符根目录
- 下载编译好的依赖库 Ubpa_v2.zip（百度网盘提取码：qmp4）放到合适的位置，然后将其内的文件夹 bin 的路径加到环境变量 Path 中（参考教程）
- 使用 CMake-Gui 构建 vs 2019 项目（此时会非常顺利，最终构建的项目内仅含作业项目，日后有需要在进行源码构建）
- 注意 where is the source code 是<project 路径>，下边的路径是 <project 路径>/build
- 首次点击 configure 默认就是 vs2019 和 x64，这两者都是必要的
根据作业要求，通过修改 CanvasSystem.cpp 完成作业
所需数据存放在 CanvasData.h 中，你可以调整它
我们使用了 USRefl 来实现静态反射功能，提供了一个自动生成描述文件 CanvasData_AutoRefl.inl 的工具。
当你修改 CanvasData.h 后，你需要将 CanvasData_AutoRefl.inl 删除，以便使 CMake 自动生成新的描述文件。
该工具存在一定的问题，如
- 不支持部分 C++17 语法
- 不支持模板的连续
>> 符号，如 std::vector<std::vector<int>>，可改为 std::vector<std::vector<int>> >
你可以通过手写描述的方式避免这些问题。
如果你需要添加文件，你可以在 src 的合理位置放置代码文件，然后重新在 CMake-GUI 里 configure + generate，vs2019 会刷新项目从而包含新文件
目前该系统中有画线段功能（在canvas左键拖拽即可），你需要修改这部分逻辑，如通过鼠标点击获取点集，计算相应的曲线，对曲线采样并利用 ImDrawList::AddLine 来绘制 polyline（更多的绘制方法看 ImDrawList 定义）。
作业题涉及多种曲线生成方法，因此你还应该用 ImGui::RadioButton 或者其他交互方式修改曲线类型。
你可能需要用到矩阵计算，推荐使用纯头文件的 Eigen 库（官网），添加进项目里的方式有两个
- 简单：将其源码（Eigen 文件夹）放到
src/hw1，接着删掉其中的 CMakeLists.txt，接着 cmake configure + generate 后即可将库添加到项目中，后续用 #include "<relative-path>/Eigen/<component>" 来包含库。
- ⭐科学：将源码（Eigen 文件夹）放到文件夹
include/_deps/ 内（自行创建），接着在 src/hw1/CMakeLists.txt 的 Add_Target 内添加一行 INC "${PROJECT_SOURCE_DIR}/include/_deps"，后续用 #include <Eigen/<component>>" 来包含库。
对于不想使用鼠标交互方式作为输入的同学，我们将提供 plot 方式的 UI 减轻大家的负担（TODO）
你需要了解
根据作业要求，通过修改 DenoiseSystem.cpp 完成作业
所需数据存放在 DenoiseData.h 中，你可以调整它
本次主要用到了 UHEMesh 库，课程视频中有其简单介绍，详细请查看源码中各类型（TVertex, TEdge, TPolygon, THalfEdge, HEMesh）接口
点击下边的下载链接，把它们放到 assets/models/ 下，重启框架即可找到新的 obj
作者：史雨宸 ([email protected])
[TOC]
在许多实际问题中，某个函数 $f(x)$ 往往很复杂、没有解析表达或者未知。我们往往只能通过某些手段观测到反映该函数的一些采样数据。我们希望通过这些观测的采样数据来估计该函数的信息，并预测函数在其他观测点的值。这时，我们从观测数据来求得一个函数 $\phi(x)$ 来近似 $f(x)$ 。
定义： $f(x)$ 为定义在区间 $[a,b]$ 上的函数， $x_0,x_1,\cdots,x_n$ 为区间上 $n+1$ 个互不相同的点， $\Phi$ 为给定的某一函数类。求 $\Phi$ 上的函数 $\phi(x)$ ，满足：
$$
\phi(x_i)=f(x_i), \ \ i=0,1,\cdots,n
$$
则称 $\phi(x)$ 为 $f(x)$ 关于节点 $x_0,x_1,\cdots,x_n$ 在 $\Phi$ 上的插值函数。称 $x_0,x_1,\cdots,x_n$ 为插值节点，称 $(x_i,f(x_i))$ 为插值点。
定理：若 $x_i$ 两两不同，则对任意给定的 $y_i$ ，存在唯一的次数至多是 $n$ 次的多项式 $p_n$ ，使得 $p_n(x_i)=y_i，i=0,\cdots,n$ 。
证明：在幂基 $\lbrace 1,x,\cdots,x^n \rbrace $ 下待定多项式 $p$ 的形式为：
$$
p(x)=a_0+a_1x+a_2 x^2+\cdots+a_n x^n
$$
由插值条件 $p(x_i)=y_i,i=0,\cdots,n$ ，得到如下方程组：
$$
\left( \begin{array} {c} 1 &x _ 0 &x _ 0^2 &\dots &x _ o^n \newline 1 &x _ 1 &x _ 1^2 &\dots &x _ 1^n \newline 1 &x _ 2 &x _ 2^2 &\dots &x _ 2^n \newline \vdots &\vdots &\vdots &\ddots &\vdots\newline 1 &x _ n &x _ n^2 &\dots &x _ n^n \newline \end{array} \right) \left( \begin{array} {c} a _ 0 \newline a _ 1 \newline a _ 2 \newline \vdots \newline a _ n \end{array} \right) = \left( \begin{array} {c} y _ 0 \newline y _ 1 \newline y _ 2 \newline \vdots \newline y _ n \end{array} \right)
$$
系数矩阵为 Vandermonde 矩阵，其行列式非零，因此方程组有唯一解。
对于给定问题，插值多项式存在唯一。但是可以用不同的方法给出插值多项式的不同表示形式。
Lagrange基函数：由多项式插值定理存在函数 $l_i(x)$ 满足 $l_i(x_j)=\sigma_{ij}$ ：
$$
l_i(x)=\prod_{j=0,j\neq i}\frac{x-x_j}{x_i-x_j}
$$
Lagrange插值多项式：
$$
L_n(x)=\sum_{k=0}^n y_k l_k(x)
$$
定义：
一阶差商：
$$
f[x_0,x_1]=\frac{f(x_1)-f(x_0)}{x_1-x_0}
$$
$k $阶差商：
设$ \lbrace x_0,x_1,\cdots,x_k \rbrace $互不相同，$ f(x) $关于$ \lbrace x_0,x_1,\cdots,x_k \rbrace $的$ k $阶差商为：
$$
f[x_0,x_1,\cdots,x_k]=\frac{f[x_1,\cdots,x_k]-f[x_0,x_1,\cdots,x_{k-1}]}{x_k-x_0}
$$
所以Newton插值多项式表示为：
$$
N _ n(x)=f(x _ 0)+f[x _ 0,x _ 1](x-x _ 0)+\cdots+f[x _ 0,x _ 1,\cdots,x _ n](x-x _ 0)\cdots(x-x _ {n-1})
$$
函数拟合是指：给出一组离散的点，需要确定一个函数来逼近原函数。由于离散数据通常是由观察或测试得到的，所以不可避免的会有误差。我们需要的逼近原函数的手段要满足如下两个条件：
- 不要求过所有的点（可以消除误差影响）
- 尽可能表现数据的趋势，靠近这些点
用数学的语言来说即是，需要在给定的函数空间 $\Phi$ 上找到函数 $\phi$ ，使得 $\phi$ 到原函数 $f$ 的距离最小。这里的距离指的是某种度量，不同的度量对应着不同的拟合方法。则函数 $\phi(x)$ 称为 $f(x)$ 在空间 $\Phi$ 上的拟合曲线。
定义： $f(x)$ 为定义在去区间 $[a,b]$ 上的函数， $\lbrace x _ i \rbrace _ {i=0}^m$ 为区间上 $m+1$ 个互不相同的点， $\Phi$ 为给定的某一函数类。求 $\Phi$ 上的函数 $\phi(x)$ 满足 $f(x)$ 和 $\phi(x)$ 在给定的 $m+1$ 个点上的距离最小，如果这种距离取为2-范数的话，则称为最小二乘问题。即：求 $\phi(x) \in \Phi$ ，使得：
$$
R_2=\sqrt{\sum_{i=0}^m (\phi(x_i)-f(x_i))^2}
$$
最小。
首先给出如下离散内积与离散范数的定义：
定义：函数 $f,g$ 的关于离散点列 $\lbrace x _ i \rbrace _ {i=0}^m$ 的离散内积为：
$$
(f,g) _ h=\sum _ {i=0}^n f(x _ i)g(x _ i)
$$
定义：函数 $f$ 的离散范数为：
$$
||f||_h=\sqrt{(f,f)_h}
$$
该种内积下，范数的定义与向量的2范数一致。
上述定义中的下标 $h$ 表示对离散内积与离散范数的指代，类似1-范数的定义 $||x|| _ 1=\sum _ {i=1}^n |x _ i|$ ，无其他特殊含义。
设 $\Phi=span\lbrace \phi_0,\phi_1,\cdots,\phi_n \rbrace $
$$
\phi(x)=a_0\phi_0(x)+a_1\phi_1(x)+\cdots+a_n\phi_n(x)
$$
则最小二乘问题为：
$$
||f(x)-(a_0\phi_0(x)+a_1\phi_1(x)+\cdots+a_n\phi_n(x))||_h
$$
关于系数 $\lbrace a_0,a_1,\cdots,a_n \rbrace $ 最小
$$
\begin{aligned}
&||f(x)-(a _ 0\phi _ 0(x)+a _ 1\phi _ 1(x)+\cdots+a _ n\phi _ n(x))|| _ h^2 \newline
=& ||f|| _ h^2-2(f,a _ 0\phi _ 0(x)+a _ 1\phi _ 1(x)+\cdots+a _ n\phi _ n(x)) _ h+||a _ 0\phi _ 0(x)+a _ 1\phi _ 1(x)+\cdots+a _ n\phi _ n(x)|| _ h^2 \newline
=&||f|| _ h^2-2\sum _ {k=0}^n a _ k(f,\phi _ k) _ h+\sum _ {i,k=0}^n a _ i a _ k(\phi _ i,\phi _ k) _ h \newline
=&Q(a _ 0,a _ 1,\cdots,a _ n)
\end{aligned}
$$
由于它关于系数 ${a_0,a_1,\cdots,a_n}$ 最小，因此有
$$
\begin{align*}
&\frac{\partial Q}{\partial a_i}=0 ,\ \ \ i=0,1,\cdots,n \newline
i.e. \ \ &\sum_{k=0}^n a_k(\phi_i,\phi_k)_h=(f,\phi_i)_h,\ \ \ i=0,1,\cdots,n
\end{align*}
$$
写成矩阵形式有：
$$
\left( \begin{array} {c} (\phi _ 0,\phi _ 0) _ h & \dots & (\phi _ 0,\phi _ n) _ h \newline \vdots & \ddots & \vdots \newline (\phi _ n,\phi _ 0) _ h & \dots &(\phi _ n,\phi _ n) _ h \end{array} \right) \left( \begin{array} {c} a _ 0 \newline \vdots \newline a _ n \end{array} \right) = \left( \begin{array} {c} (f,\phi _ 0) _ h\newline \vdots \newline (f,\phi _ n) _ h \end{array} \right)
$$
例1：取 $\Phi$ 为线性多项式空间，函数空间的基为 $\lbrace 1,x \rbrace $ ,拟合曲线为 $y=a+bx$ ，则法方程为：
$$
\left( \begin{array} {c} (1,1) _ h & (1，x) _ h \newline (x,1) _ h &(x,x) _ h \end{array} \right) \left( \begin{array} {c} a \newline b \end{array} \right) = \left( \begin{array} {c} (f,1) _ h\newline (f,x) _ h \end{array} \right)
$$
例2：取 $\Phi$ 为线性多项式空间，函数空间的基为 $\lbrace 1,x,x^2 \rbrace $ ,拟合曲线为 $y=a_0+a_1 x+a_2 x^2$ ，则法方程为：
$$
\left( \begin{array} {c} (1,1) _ h & (1，x) _ h & (1,x^2) _ h\newline (x,1) _ h &(x,x) _ h &(x,x^2) _ h\newline (x^2,1) _ h &(x^2,x) _ h &(x^2,x^2) _ h\newline \end{array} \right) \left( \begin{array} {c} a _ 0 \newline a _ 1 \newline a _ 2 \end{array} \right) = \left( \begin{array} {c} (f,1) _ h\newline (f,x) _ h \newline (f,x^2) _ h \end{array} \right)
$$
定理：设 $f(x)$ 是闭区间 $[a,b]$ 上的连续函数，则存在多项式序列 ${P_n(x)}$ 在 $[a,b]$ 上一致收敛于 $f(x)$ 。也就是对任意给定的 $\epsilon > 0 $ ，存在多项式$P(x) $ ，使得：
$$
|P(x)-f(x)| < \epsilon
$$
对一切 $x\in[a,b] $ 成立。
证：不失一般性，设$[a,b] $ 为$[0,1] $，使用构造性的证明。
设$ X $是$ [0,1] $上连续函数$ f(t) $的全体构成的集合，$ Y $是多项式全体构成的集合，定义映射：
$$
\begin{align*}
B_n: &\ \ X \ \rightarrow \ \ Y \newline
& f(t) \mapsto B_n(f,x)=\sum_{k=0}^n f(\frac{k}{n})C_n^k x^k (1-x)^{n-k}
\end{align*}
$$
得到 ${B_n(f,x)}$ ， $B_n(f,x)$ 表示 $f\in X$ 在映射 $B_n$ 作用下的像，它是以 $x$ 为变量的 $n$ 次多项式，称为 $f$ 的 $n$ 此 $\textbf{Bernstein}$ 多项式。
关于映射 $B_n$ ,有下述基本性质与基本关系式：
-
线性性: 对于任意 $f,g\in X$ 及 $\alpha,\beta \in R$ ，成立
$$
B_n(\alpha f+\beta g,x)=\alpha B_n(f,x)+\beta B_n(g,x)
$$
-
单调性: 若 $f(t)\geq g(t) (t\in[a,b])$ ,则
$$
B_n(f,x) \geq B_n(g,x) \ \ \ x\in [a,b]
$$
-
$$
\begin{align*}
&B_n(1,x)=\sum_{k=0}^n C_n^k x^k (1-x)^{n-k}=1 \newline
&B_n(t,x)=\sum_{k=0}^n \frac{k}{n} C_n^k x^k (1-x)^{n-k}=x \newline
&B_n(t^2,x)=\sum_{k=0}^n \frac{k^2}{n^2} C_n^k x^k (1-x)^{n-k}=x^2+\frac{x-x^2}{n}
\end{align*}
$$
函数 $(t-s)^2 $ 在 $ B_n $ 映射下的像(视 $ s $ 为常数)：
$$
\begin{align*}
B_n((t-s)^2,x)&= B_n(t^2,x)-2sB_n(t,x)+s^2B_n(1,x) \newline
&=x^2+\frac{x-x^2}{n}-2sx+s^2=(x-s)^2+\frac{x-x^2}{n}
\end{align*}
$$
根据 $\textbf{Cantor}$ 定理， $f$ 在 $[0,1]$ 上一致连续，于是对于任意给定的 $\epsilon > 0$ ，存在 $\delta > 0$ ，对一切 $t,s\in[0,1]$ :
当 $|t-s| < \delta$ 时，成立：
$$
|f(t)-f(s)| < \frac{\epsilon}{2}
$$
当 $|t-s| \geq \delta$ 时，成立：
$$
|f(t)-f(s)| \leq 2M \leq \frac{2M}{\delta^2}(t-s)^2
$$
于是对一切 $t,s\in[0,1]$ ,成立：
$$
|f(t)-f(s)| \leq \frac{\epsilon}{2}+\frac{2M}{\delta^2}(t-s)^2
$$
即：
$$
-\frac{\epsilon}{2}-\frac{2M}{\delta^2}(t-s)^2 \leq f(t)-f(s) \leq \frac{\epsilon}{2}+\frac{2M}{\delta^2}(t-s)^2
$$
对上式左端，中间，右端三式（视 $t$ 为变量， $s$ 为常数）考虑在映射 $B_n$ 作用下的像，得到对一切 $x,s\in[0,1]$ ，成立：
$$
-\frac{\epsilon}{2}-\frac{2M}{\delta^2}[(x-s)^2+\frac{x-x^2}{n}] \leq B_n(f,x)-f(s) \leq \frac{\epsilon}{2}+\frac{2M}{\delta^2}[(x-s)^2+\frac{x-x^2}{n}]
$$
令 $s=x$ ，注意到 $x(1-x) \leq \frac{1}{4}$ ，即得到对一切 $x\in[0,1]$ ，成立：
$$
|\sum_{k=0}^n f(\frac{k}{n})C_n^k x^k (1-x)^{n-k}-f(x)| \leq \frac{\epsilon}{2}+\frac{M}{2n\delta^2}
$$
取 $N=\lceil \frac{M}{\delta^2 \epsilon} \rceil$ ，当 $n>N$ 时：
$$
|\sum_{k=0}^n f(\frac{k}{n})C_n^k x^k (1-x)^{n-k}-f(x)| < \epsilon
$$
对一切 $x\in[0,1]$ 成立。
定理：设 $f(x)$ 是以 $2\pi$ 为周期的连续函数，则存在三角多项式序列一致收敛于 $f(x)$ 。也就是对于任意给定的 $\epsilon > 0$ ，存在三角多项式 $T(x)$ ，使得:
$$
|T(x)-f(x)| < \epsilon
$$
对一切 $x\in(-\infty,+\infty)$ 成立。
先证明一个引理：
引理：设 $g(x)$ 在 $[0,\pi]$ 上连续，则对于任意 $ \epsilon > 0$ ，存在余弦三角多项式 $T(x)$ ，使得：
$$
|T(x)-g(x)| < \epsilon
$$
对一切 $x\in[0,\pi]$ 成立。
证：由 $g(\arccos y)$ 在 $[-1,1]$ 上连续，由 $\textbf{Weierstrass}$ 第一逼近定理，对任意 $\epsilon > 0$ ，存在多项式 $P(y)$ ，使得：
$$
|P(y)-g(\arccos y)| < \epsilon
$$
对一切 $y\in[-1,1]$ 成立，即：
$$
|P(\cos x)-g(x)|< \epsilon
$$
对一切 $x\in [0,\pi]$ 成立。由三角恒等式
$$
\begin{align*}
&\cos^2x =\frac{1}{2}(1+\cos {2x}), \newline
&\cos^3x =\frac{1}{4}(3\cos x+\cos{3x}),\newline
&\cdots,\newline
&\cos^{2n}x=\frac{1}{2^{2n-1}}(\sum_{k=1}^{n-1} C_{2n}^k \cos{2(n-k)x}+\frac{1}{2}C_{2n}^n),\newline
&\cos^{2n+1}x=\frac{1}{2^{2n}}\sum_{k=0}^n C_{2n+1}^k \cos{(2n-2k+1)x}\newline
\end{align*}
$$
可知 $P(\cos x)=T(x)$ 是余弦三角多项式。
推论：设 $g(x)$ 是以 $2\pi$ 为周期的连续偶函数，则 $\textbf{Weierstrass}$ 第二逼近定理成立，且三角多项式是余弦三角多项式。
$\textbf{Weierstrass}$ 第二逼近定理的证明：
设$ f(x) $是以$ 2\pi $为周期的连续函数，令：
$$
\phi(x)=f(x)+f(-x),\ \psi(x)=[f(x)-f(-x)]\sin x
$$
则 $\phi(x)$ 和 $\psi(x)$ 都是以 $2\pi$ 为周期的连续偶函数，由上面推论，可知对任意给定的 $\epsilon > 0$ ，存在余弦三角多项式 $T_1(x)$ 与 $T_2(x)$ ，使得：
$$
|\phi(x)-T_1(x)| < \frac{\epsilon}{2},\ |\psi(x)-T_2(x)| < \frac{\epsilon}{2}
$$
对一切 $x\in(-\infty,+\infty)$ 成立。
记 $T_3(x)=T_1(x)\sin^2x+T_2(x)\sin x$ ，于是由：
$$
|\phi(x)\sin^2x-T_1(x)\sin^2x|< \frac{\epsilon}{2},|\psi(x)\sin x-T_2(x)\sin x|< \frac{\epsilon}{2}
$$
得到：
$$
\begin{equation}
|2f(x)\sin^2x-T_3(x)| < \epsilon \tag{1}
\end{equation}
$$
对一切 $x\in(-\infty,+\infty)$ 成立。由于上式对 $f(t-\frac{\pi}{2})$ 也成立，于是也有：
$$
|2f(t-\frac{\pi}{2})\sin^2t-T_4(t)| < \epsilon
$$
令 $x=t-\frac{\pi}{2}$ ，得到：
$$
\begin{equation}
|2f(x)\cos^2x-T_4(x+\frac{\pi}{2})| < \epsilon \tag{2}
\end{equation}
$$
对一切 $x\in(-\infty,+\infty)$ 成立。
记 $T_5(x)=\frac{1}{2}[T_3(x)+T_4(x+\frac{\pi}{2})]$ ，结合 (1) 和 (2)，得到：
$$
|f(x)-T_5(x)| < \epsilon
$$
对一切 $x\in(-\infty,+\infty)$ 成立。
定义：设 $X$ 是距离空间， $\lbrace x_n \rbrace \subset X$ 。 $\lbrace x_n \rbrace $ 是 $X$ 中的基本列，是指对任意 $\epsilon > 0$ ，存在 $N=N(\epsilon)$ ，当 $m,n> N$ 时，有 $\rho(x_m,x_n) < \epsilon$ 。
定义：称 $X$ 是完备距离空间，是指 $X$ 中的任何基本列都收敛于 $X$ 中的点。
例： $C[a,b]$ 按距离 $\rho(x,y)=\max |x(t)-y(t)|$ 是完备距离空间。
首先，周期函数是客观世界中周期运动的数学表述，如物体挂在弹簧上作简谐振动、单摆振动、无线电电子振荡器的电子振荡等，大多可以表述为：
$$
f(t)=A\sin(\omega t +\psi)
$$
这里 $t$ 表示时间， $A$ 表示振幅， $\omega$ 为角频率， $\psi$ 为初相（与考察时设置原点位置有关，可以理解为一个常量）。
然而，世界上许多周期信号并非正弦函数那么简单，如方波、三角波等。于是傅里叶在其著作《热的解析理论》中，推导出用一系列的三角函数 $ A_n\sin(n\omega t+\psi_n)$之和来表示那个较复杂的周期函数 $ f(x)$，即：
$$
\begin{equation}
f(t)=A_0+\sum_{n=1}^{\infty}A_n \sin(n \omega t+\psi_n) \tag{3}
\end{equation}
$$
由 $\psi_n$ 为常数， $A_n$ 也是常数，则对上式进行变形：
$$
A_n \sin(n \omega t+\psi_n)=A_n \sin{\psi_n}\cos(n\omega t)+A_n \cos{\psi_n}\sin(n\omega t)
$$
记 $a_n=A_n\cdot \sin{\psi_n}$ ,\ $b_n=A_n \cos{\psi_n} $ ，则可写 (3) 为如下形式：
$$
\begin{equation}
f(t)=A_0+\sum_{n=1}^{\infty}[a_n\cos(n\omega t)+b_n\sin(n\omega t)]
\end{equation} \tag{4}
$$
即是常见的 Fourier 级数形式。
对 (4) 式从 $[-\pi,\pi]$ 积分，得：
$$
\begin{align*}
\int_{-\pi}^{\pi} f(t) dt &=\int_{-\pi}^{\pi} A_0dt +\int_{-\pi}^{\pi} \sum_{n=1}^{\infty}[a_n\cos(n\omega t)+b_n\sin(n\omega t)] dt \newline
&=\int_{-\pi}^{\pi} A_0 dt+0\newline
&=2\pi A_0
\end{align*}
$$
解得： $A_0=\frac{1}{2\pi}\int_{-\pi}^{\pi} f(t)$ 。
这样就求得了第一个系数 $A_0$ 的表达式，接下来求 $a_n$ 和 $b_n$ 的表达式。用 $\cos(k\omega t)$ 乘 (4) 式两边得：
$$
f(t)\cdot \cos(k\omega t)=A_0 \cos(k\omega t)+\sum_{n=1}^{\infty}[a_n\cos(n\omega t)\cos(k\omega t)+b_n\sin(n\omega t)\cos(k\omega t)]
$$
对上式从 $[-\pi,\pi]$ 积分，得：
$$
\int_{-\pi}^{\pi}f(t)\cdot \cos(k\omega t) dt=A_0 \int_{-\pi}^{\pi}\cos(k\omega t) dt+\sum_{n=1}^{\infty}[a_n\int_{-\pi}^{\pi}\cos(n\omega t)\cos(k\omega t) dt+b_n\int_{-\pi}^{\pi}\sin(n\omega t)\cos(k\omega t) dt]
$$
由三角函数系的正交性， $A_0$ 和 $b_n$ 后积分均为0， $a_n$ 后积分当且仅当 $k=n$ 时不为0，所以：
$$
\begin{align*}
\int_{-\pi}^{\pi}f(t)\cdot \cos(n\omega t) dt&=a_n\ int_{-\pi}^{\pi} \cos^2(n\omega t) dt \newline
&=\frac{a_n}{2}\int_{-\pi}^{\pi}(1+\cos{2n\omega t}) dt \newline
&=\frac{a_n}{2}(\int_{-\pi}^{\pi} 1 dt+\int_{-\pi}^{\pi} \cos{2n\omega t} dt)\newline
&=\frac{a_n}{2} \dot 2\pi =a_n\pi
\end{align*}
$$
解得：
$$
a_n=\frac{1}{\pi}\int_{-\pi}^{\pi}f(t)\cdot \cos(n\omega t) dt
$$
同理用 $\sin(k\omega t) $ 乘 (4) 式两边得：
$$
b_n=\frac{1}{\pi}\int_{-\pi}^{\pi}f(t)\cdot \sin(n\omega t) dt
$$
令 $a_0=2A_0$ 则有：
$$
f(t)=\frac{a_0}{2}+\sum_{n=1}^{\infty}[a_n\cos(n\omega t)+b_n\sin(n\omega t)]
$$
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent