插值法概述.pptVIP

内容小结 Lagrange插值余项与误差估计 这个结果与六位有效数字的正弦函数表完全一样，这说明查表时用二次插值精度已相当高了。其截断误差为 Lagrange插值余项与误差估计 其中 于是 Lagrange插值余项与误差估计 将[0,?/2] n等分，用g(x)=cos(x)产生n+1个节点，作Ln(x)（取n=1,2) ,计算cos(?/6)。 若n=1, 则(x0,y0)=(0,1), (x1,y1)=(?/2,0), 例2 解 cos(?/6)=0.6667 Lagrange插值余项与误差估计 cos(?/6)=L2(?/6)=0.8508 精确值：cos (?/6)=0.8660 Lagrange插值余项与误差估计 Runge现象: 四、拉格朗日插值多项式的振荡 x0=0; x1=1.5; x2=5.1; y0=-1; y1=4.25; y2=35.21; m[0]=(x-x1)(x-x2)/((x0-x1)(x0-x2)); m[1]=(x-x0)(x-x2)/((x1-x0)(x1-x2)); m[2]=(x-x0)(x-x1)/((x2-x0)(x2-x1)); L[x_,n_]:=y0*m[0]+y1*m[1]+y2*m[2] L[x,n] Simplify[%]//N Lagrange程序1 因式分解形式的化简或展开 Lagrange插值多项式的振荡 x[0]=1; x[1]=10; x[2]=11; x[3]=15; x[4]=16; w[x]=Product[x-x[i],{i,0,4}]; l0x=w[x]/(D[w[x],x]/.x-x[0])/(x-x[0]); l1x=w[x]/(D[w[x],x]/.x-x[1])/(x-x[1]); l2x=w[x]/(D[w[x],x]/.x-x[2])/(x-x[2]); l3x=w[x]/(D[w[x],x]/.x-x[3])/(x-x[3]); l4x=w[x]/(D[w[x],x]/.x-x[4])/(x-x[4]); 程序2 Lagrange插值多项式的振荡 y0=1; y1=2; y2=3; y3=4; y4=5; L[x_,n_]:=y0*l0x+y1*l1x+y2*l2x+y3*l3x+y4*l4x; L[x,n] Expand[%] 展开乘积与幂，即把多项式写成单个项的和的形式 Lagrange插值多项式的振荡 f[x_]:=Exp[x] A=Table[{x,f[x]},{x,0,0.8,0.2}]//N g1=ListPlot[Table[A],Prolog-AbsolutePointSize[18]]; Interpolation[A,InterpolationOrder-3] g2=Plot[%[x],{x,0,0.8}] Show[g1,g2] N[%%%[0.12],20] N[%%%%[0.72],20] N[f[0.12],20] N[f[0.72],20] 插值法主程序 Lagrange插值多项式的振荡 1. 插值法概述； 内 容 小 结 2. 一般插值多项式原理； 3. 拉格朗日插值； 4. 拉格朗日插值余项和误差估计； 5. 拉格朗日插值多项式的构造。 X={x0,x1,x2,x3}={10,11,12,13}; y={y0,y1,y2,y3}={2.3026,2.3979,2.4849,2.5649}; A=Transpose[Table[{x0^j,x1^j,x2^j,x3^j},{j,0,3}]]; MatrixForm[%]; AA=LinearSolve[A,y]//N X1={1,x,x^2,x^3}; X1.AA N[%/.x-11.75,10] 可产生向量、矩阵等 一般插值多项式的原理 A={{0,-1},{1.5,4.25},{5.1,35.21}} g1=ListPlot[Table[A],Prolog-AbsolutePointSize[10]]; Interpolation[A,InterpolationOrder-2] g2=Plot[%[x],{x,0,5.1}]; Show[g1,g2] N[%%%[3.66],5] 绘制点图 点的绝对直径 插值、插入 一般插值多项式的原理 插 值 法 Lagrange 插值 Newton 插值 样条插值 误差估计 分段插值 两点式 点斜式 等距节点 算法比较 推广方法 均差 差分 知识结构框图 * * 插值法 插值法 插值法的一般理论 Lagrange插值 Newton插值 分段低次插值 Hermite插值、样条插值 实际问题 期望 试验数据 观测数据 期望 内在规律 期望 函数关系 一、数学