数值分析(插值方法).ppt

解下三角方程组过程中引入符号 a0 = f(x0), a1 = f[x0, x1], a2 = f[x0, x1, x2] P(x)= f(x0) + f[x1, x2](x – x0) + f[x0, x1, x2](x – x0)(x – x1) 牛顿插值公式: 定义5.3 若已知函数 f(x) 在点 x0,x1,···,xn 处的值 f(x0), f(x1), ···, f(xn)。如果 i ≠ j ,则 ( j = 0,1,…,n-1 ) 一阶差商 n阶差商 二阶差商 三阶差商 差商(divided difference) 更加一般地考虑 牛顿插值形式 求解该方程组可得待定系数如下: a0 = f(x0), a1 = f[x0, x1], a2 = f[x0, x1, x2], …, an = f[x0, x1, …,xn]。 例3 已知数据如下表, 试计算数据的差商。 例2求插值于点(-2,-56),(-1,-16),(0,-2),(1,-2),(3,4)的次数小于等于4的插值多项式拉格朗日形式。 例4 已知数据如下表, 试计算数据的插值多项式。 例5 已知数据如下表, 试计算数据的插值多项式。 加入一个新的点到Lagrange形式所需要额外工作与牛顿形式进行比较是很有趣的。牛顿形式具有Lagrange形式所缺少的”实时更新”性质。 差商的性质 差商的值不依赖于x0,x1,…xn的次序。 压缩的概念: 观测的离散数据可以想象成现实中无穷多信息的代表。通过给定数据求出插值函数意味着用简单的规则代替无穷多信息。尽管期待这种简单规则精确地反映实际情况是不现实的, 但是它可以充分接近实际。 这一类压缩是有损的压缩, 即它会产生误差。用简单规则代替无穷多信息时会产生多大的误差, 这是我们下面研究的内容。 两点线性插值 插值误差余项: R(x) = f(x) – L1(x) 由插值条件知 R(x)=C(x) (x – x0)(x – x1) 即 f(x) –L(x) = C(x) (x – x0)(x – x1) C(x) = ??? Rolle过山车: 回顾: 拉格朗日中值定理 Ln(x)是满足Ln(xk)= f(xk) 的n次插值多项式, 则对任何x∈[a, b], 在(a, b)内存在一点 使得 其中 定理5.2 设 f (x) 在[a, b]连续且在(a, b) 具有n+1阶导数, x0,x1,···,xn是[a, b]内互不相同的节点。 证明: 记 ?n+1(x) =(x – x0)··· (x – xn) 注释: 例1 给出如下数据 x 0.32 0.34 0.36 sin(x) 0.314567 0.333487 0.352274 用线性插值及抛物插值计算sin0.3367的值并估计误差。 例2 设 y = f(x) 在区间 [a, b]上连续,且 f (x) 在 (a, b)内具有2阶导数,已知f (x)在区间端点处的值。如果当x∈ (a, b)时有|f (x)|≤M。证明 证明 由Lagrange插值误差公式 令h(x) = |( x – a )( x – b )| Runge反例 (rungeinterp) f(x)=1/(x^2+1), (-5=x=5) x=-5:5; y=1./(x.^2+1); u=-5:.01:5; v=polyinterp(x,y,u); plot(x,y,o,u,v,-) 一般认为Ln(x)的次数n越高逼近f(x)的精度越好？ Interploation (内插) Extrapolation （外推） 插值方法具有预测性吗？ 美国Wired杂志 Mathematician Predicts Who Will Live and Die in Game of Thrones When Extrapolation Fails Us: Incorrect Mathematical Conjectures */50 * 插值的应用背景 拉格朗日插值公式 牛顿插值公式 插值误差余项 Runge反例 《数值分析》 12 ? ? ? ? ? 趣例1: 图像放大 趣例2: 工业设计 / 先是雷诺和雪铁龙工作的?Paul de Casteljau 和Pierre Bézier, 随后美国通用汽车的其它人一起推动了现在称为三次样条和Bézier?样条的建立。样条是通过很少的控制点就能够生成复杂平滑曲线的方法。 趣例3: 数据可视