超球体积

超球体积可以由高斯积分统一求出：同一个积分，一方面按坐标分离，另一方面按半径分层，再借助伽马函数确定未知的体积系数。这一方法把高维几何问题化为一维积分，也为机器学习中的高维空间直觉提供基础。

体积公式与对象

设 $n\in\mathbb N_+$、$r\ge0$，欧氏空间 $\mathbb R^n$ 中半径为 $r$ 的闭球为

$$B_n(r)=\left\{x\in\mathbb R^n:\|x\|_2\le r\right\}.$$

记其 $n$ 维体积为 $V_n(r)$。这里求的是包含内部的球体体积；它的边界是 $(n-1)$ 维球面。

超球体积

$$\boxed{V_n(r)=\frac{\pi^{n/2}}{\Gamma\!\left(\frac n2+1\right)}r^n.}$$

令 $C_n=V_n(1)$。对 $r>0$，缩放 $x=ru$ 的雅可比行列式绝对值为 $r^n$，所以

$$V_n(r)=C_nr^n.$$

$r=0$ 时球体退化为一点，因 $n\ge1$，体积为零，同一公式仍成立。以下只需确定 $C_n$。

高斯积分的坐标分离

一维高斯积分给出

$$\int_{-\infty}^{+\infty}e^{-x^2}\,dx=\sqrt{\pi}.$$

考虑

$$I_n=\int_{\mathbb R^n}e^{-\|x\|_2^2}\,dx_1\cdots dx_n.$$

被积函数非负，且可以写成各坐标函数的乘积。由 Tonelli 定理可按坐标逐次积分：

$$\begin{aligned} I_n &=\int_{\mathbb R^n}\prod_{i=1}^n e^{-x_i^2}\,dx_1\cdots dx_n\\ &=\prod_{i=1}^n\int_{-\infty}^{+\infty}e^{-x_i^2}\,dx_i\\ &=(\sqrt{\pi})^n =\pi^{n/2}. \end{aligned}$$

这里用的是乘积结构与非负积分定理，不需要额外引入随机变量的独立性假设。

按半径分层积分

被积函数只依赖半径

$$\rho=\|x\|_2=\sqrt{x_1^2+\cdots+x_n^2}.$$

对 $\rho>0$，厚度为 $\Delta\rho>0$ 的球壳体积为

$$\begin{aligned} V_n(\rho+\Delta\rho)-V_n(\rho) &=C_n\bigl((\rho+\Delta\rho)^n-\rho^n\bigr)\\ &=nC_n\rho^{n-1}\Delta\rho+o(\Delta\rho). \end{aligned}$$

因此，径向分层积分的体积权重是

$$dV_n(\rho)=nC_n\rho^{n-1}\,d\rho.$$

这可由球壳上的阶梯函数积分，再取极限得到；三维情形与球面坐标下先积角变量的结果相同。于是

$$\boxed{ I_n=nC_n\int_0^\infty e^{-\rho^2}\rho^{n-1}\,d\rho. }$$

整个步骤只用了体积的缩放关系，尚未假设 $C_n$ 的具体值。

化为伽马函数积分

对实数 $s>0$，伽马函数定义为

$$\Gamma(s)=\int_0^\infty t^{s-1}e^{-t}\,dt, \qquad \Gamma(s+1)=s\Gamma(s).$$

令 $t=\rho^2$，则

$$d\rho=\frac12t^{-1/2}\,dt, \qquad \rho^{n-1}=t^{(n-1)/2}.$$

因为 $n/2>0$，下述 Gamma 积分收敛：

$$\begin{aligned} \int_0^\infty e^{-\rho^2}\rho^{n-1}\,d\rho &=\frac12\int_0^\infty e^{-t}t^{n/2-1}\,dt\\ &=\frac12\Gamma\!\left(\frac n2\right). \end{aligned}$$

代回径向积分，得到

$$I_n=\frac{nC_n}{2}\Gamma\!\left(\frac n2\right) =C_n\Gamma\!\left(\frac n2+1\right).$$

与坐标分离所得的 $I_n=\pi^{n/2}$ 比较：

$$C_n=\frac{\pi^{n/2}}{\Gamma\!\left(\frac n2+1\right)}, \qquad V_n(r)=\frac{\pi^{n/2}}{\Gamma\!\left(\frac n2+1\right)}r^n.$$

Gamma 函数出现的直接原因，是径向权重 $\rho^{n-1}$ 在 $t=\rho^2$ 换元后变成了 $t^{n/2-1}$。

偶数维与低维核验

由 $\Gamma(k+1)=k!$，当 $n=2k$、$k\ge1$ 时，

$$V_{2k}(r)=\frac{\pi^k}{k!}r^{2k}.$$

奇数维对应 Gamma 函数的半整数值。由

$$\Gamma\!\left(\frac12\right) =2\int_0^\infty e^{-u^2}\,du=\sqrt{\pi}$$

和递推关系，例如

$$\Gamma\!\left(\frac52\right) =\frac32\cdot\frac12\sqrt{\pi} =\frac{3\sqrt{\pi}}4,$$

便得到

$$V_3(r)=\frac{\pi^{3/2}}{\Gamma(5/2)}r^3 =\frac43\pi r^3.$$

维度 $n$	$V_n(r)$	几何对象
$1$	$2r$	区间长度
$2$	$\pi r^2$	圆盘面积
$3$	$\frac43\pi r^3$	球体体积
$4$	$\frac{\pi^2}{2}r^4$	四维球体积

维度递推与高维极限

对 $n\ge3$、$r>0$，利用 Gamma 函数递推，

$$\begin{aligned} \frac{V_n(r)}{V_{n-2}(r)} &=\frac{\pi^{n/2}r^n}{\Gamma(n/2+1)} \frac{\Gamma(n/2)}{\pi^{(n-2)/2}r^{n-2}}\\ &=\frac{2\pi r^2}{n}. \end{aligned}$$

所以

$$\boxed{V_n(r)=\frac{2\pi r^2}{n}V_{n-2}(r),\qquad n\ge3.}$$

该等式在 $r=0$ 时也成立；计算正整数维度时，以 $V_1(r)=2r$、$V_2(r)=\pi r^2$ 为起点即可。

对单位球，

$$C_n=\frac{2\pi}{n}C_{n-2}.$$

当 $n>2\pi$ 时，$C_n<C_{n-2}$，比较的是同奇偶性的维度。初期体积并非随维度一直减小，例如 $C_2>C_1$。

进一步，当 $n\ge13$ 时，递推系数 $2\pi/n<1/2$。因此奇数维、偶数维两个子序列都最终被等比递减序列控制，从而

$$\boxed{\lim_{n\to\infty}V_n(1)=0.}$$

与机器学习中的高维几何的联系

体积的缩放关系直接给出球内均匀采样的半径分布。设 $r>0$，$X$ 在 $B_n(r)$ 内按体积均匀分布，则对 $0\le a\le1$，

$$\mathbb P(\|X\|_2\le ar) =\frac{V_n(ar)}{V_n(r)} =a^n.$$

因此，对固定的相对厚度 $0<\varepsilon<1$，外层球壳包含的概率为

$$\mathbb P\bigl((1-\varepsilon)r<\|X\|_2\le r\bigr) =1-(1-\varepsilon)^n \longrightarrow1.$$

例如在 $100$ 维球内均匀采样，最外侧 $5\%$ 半径厚度的球壳约包含

$$1-0.95^{100}\approx99.41\%$$

的样本概率。这说明高维中的体积主要分布在靠近边界的区域，有助于理解高维采样与邻域覆盖为何不同于二维、三维直觉。这里的结论以球内均匀分布为前提，应用到数据时还需明确数据分布与特征尺度。

高斯积分的按坐标分解与按半径分层，也说明高斯分布与球面几何为何经常共同出现：各向同性高斯密度只依赖半径，可以利用同一径向体积权重分析。其半径分布还包含高斯密度的权重，不能直接套用球内均匀分布的 $a^n$。