数值分析第三章学习小结-.doc

第3章 函数逼近 --------学习小结 姓名 班级 学号 本章学习体会 1.我的感受：在学习本章之前，我们刚刚学习了函数逼近问题的一种方法——插值法，而学习了第三章函数逼近之后，我知道了如何在某一区间上用简单函数逼近已知复杂函数，在学习过程中，我知道了简单函数包括n次多项式、有理函数、分段低次多项式，知道了线性空间中衡量空间元素大小的范数的定义。在本章学习的后半部分，了解到了用连续曲线近似地刻画或比拟平面上离散点组函数关系的一种数据处理方法——曲线拟合和最小二乘法。其中曲线拟合包括Legendre拟合，Chebyshev拟合和三角函数拟合，即分别用Legendre多项式、Chebyshev多项式和三角函数做基函数进行曲线拟合。 2.我的困惑：经过了这一章函数逼近的学习，我知道了Legendre拟合，Chebyshev拟合和三角函数拟合等等经典的拟合基函数，但是针对不同的问题，我们应该如何选择最适合的拟合方法呢？或者说在不同类型的题目中各种拟合基函数的优势是什么？（困惑解答在小结思考题处） 本章知识梳理 （一）、函数逼近的基本概念 1.函数逼近与函数空间 ①.函数逼近问题：在逼近函数类中找函数使与的某种距离达到最小，即。 ②.内积： ③.线性无关：设集合S是数域P上的线性空间，元素，如果存在不全为零的数，使得，则称线性无关，否则线性相关。 2.范数与赋范线性空间 ①.向量范数：定义在上的实值函数称为向量范数。如果对于中的任意向量和，它满足非负性，齐次性，成立三角不等式。 ②.范数的等价性：设是上的任两种向量范数，则存在与无关的常数和，使下列关系成立。 ③.矩阵范数：定义在上的实值函数称为矩阵范数。如果对于中的任意矩阵A和B，它满足非负性，齐次性，成立三角不等式，相容性。 矩阵范数与向量范数的相容性：对于给定的矩阵范数与向量范数，如果对于任一个，满足，则称所给的矩阵范数与向量范数是相容的。 ④.矩阵的算子范数： ⑤.A的P范数： A的列范数 、 A的谱范数 A的行范数 （二）、最佳平方逼近 1.最佳平方逼近 ①.最佳平方逼近元素： 对于给定的函数，若满足，则称为子空间中对于的最佳平方逼近元素。 ②.最佳平方逼近条件： ③.最佳平方逼近元素的求法：法方程 ④.最佳平方逼近误差： 2.正交函数系在最佳平方逼近中的应用 设为[a.b]上带权正交函数系，则 ①.Legendre多项式 、 ②.Chebyshev多项式 ③.三角函数系 在上为正交函数系。 （三）、曲线拟合的最小二乘法 1.曲线拟合的准则：最大误差 平均误差 均方根误差 误差平方和 2.最小二乘拟合： 给定一组数据，在某一函数类D中找函数使： 称为上述数据的最小二乘拟合曲线。 3.法方程： 4.误差平方和： 本章思考题 思考题：在不同类型的问题中各种曲线拟合基函数的优劣分别是什么？ 思考： 类似于第二章的多种插值方法优劣分析，我想用十分清晰的方式了解各种曲线拟合基函数的优劣，虽然查阅了大量的资料，但并没有查到简单明了的各种拟合基函数优劣比较。不过，拟合的本质是逼近。通俗来讲，拟合方法的好坏与他是不是更加“贴合”原函数有关。通过查阅资料，我知道了拟合优度（Goodness of Fit）拟合优度是指曲线的拟合程度。度量拟合优度的统计量是可决系数（亦称确定系数）R^2。R^2的取值范围是[0，1]。R^2的值越接近1，说明曲线的拟合程度越好；反之，R^2的值越接近0，说明曲线的拟合程度越差。针对不同的问题我们可以依次计算通过各种拟合方法的拟合优度来选择最好的拟合以此来最大程度的减少误差达到学习数值分析的目的