数值分析—插值法与最小二乘拟合法.ppt

第5章 插值法与最小二乘拟合法 4.1 代数插值法及其唯一性 4.1.2 插值余项/* Remainder */ 4.1.3 代数插值的几何意义 4.2 Lagrange（拉格朗日）插值法 4.3 Newton插值法 /* Newton’s Interpolation */ 4.3.1 差商及其性质 4.3.2 Newton插值多项式 4.4 Hermite插值法 /* Hermite Interpolation */ 4.4.2 三次Hermite插值(两点、完全导数) 4.5 三次样条插值法 4.4.2 三次样条插值的概念/* cubic spline interpolant */. 4.6.2 直线（线性）拟合的最小二乘法 给定一组数据(xi , yi) (i=1, 2 , …, n)，作拟合直线 ?(x)=a + bx , 使得 例4-7 求下面数据表的二次最小二乘拟合多项式 例4-7 求下面数据表的二次最小二乘拟合多项式 非线性最小二乘 试求三次样条函数 ，使它满足边界条件 设 为定义在 上的函数，在节点 上的值如下： 例11 解 由此得矩阵形式的方程组（6.13）为 由（6.11）及（6.12） （6.13） 求解得 代入（6.8）得 （曲线见图2-6） 图2-6 给定函数 节点 用三次样条插值求 取 直接上机计算可求出 在表2-6所列各点的值. 例8 下图是用Matlab完成的样条插值（附程序）： 附：样条插值程序 n=11; m=61; x=-5:10/(m-1):5; y=1./(1+x.^2); z=0*x; x0=-5:10/(n-1):5; y0=1./(1+x0.^2); y1=interp1(x0, y0, x, ’spline’); plot(x, z, ’r’, x, y, ’k:’, x, y1, ’r’) gtext(‘Spline’), gtext(‘y=1/(1+x^2)’) title(‘Spline’) 注：interp1(x0, y0, x, ’spline’)为Matlab中现成的样条插值程序. 也可以将三种插值结果画在一起： 插值法小结 ? Lagrange : 给出 y0 … yn，选基函数 li(x)，其次数为 节点数 –1。 ? Newton ? Ln(x)，只是形式不同；节点等距或渐增节点时方便处理。 ? Hermite： 给出 yi 及 yi ’，选 ?i(x) 及 ? i(x) 。 ? Spline：分段低次, 自身光滑, f 的导数只在边界给出。 ? 4.6 最小二乘拟合法 仍然是已知 x1 … xn ; y1 … yn, 求一个简单易算的近似函数 P(x) ? f(x)。 但是 ① n 很大； ② yi 本身是测量值，不准确，即 yi ? f (xi) 这时没必要取 P(xi) = yi , 而要使 P(xi) ? yi 总体上尽可能小。 4.6.1 基本概念 观测得的一组样本点(xi,yi)，欲寻求一个简单函数y=?(x)，使其在样本点处的残差： δi=?(xi)-yi , i=0 ,1,…,n, “整体”尽量小。这样确定的函数y=?(x)称为这组样本点的拟合函数，这种构造近似函数的方法称为曲线拟合. 拟合的标准一般有以下几种: （1）用各点误差绝对值的和表示，即 （2）用各点误差按绝对值的最大值表示，即 （3）用各点误差的平方和表示 式中S称为均方误差。由于计算均方误差的最小值的原则容易实现而被广泛采用。按均方误差达到极小构造拟合曲线的方法称为最小二乘法。同时还有许多种其他的方法构造拟合曲线，感兴趣的读者可参阅有关教材。本节主要讲述用最小二乘法构造拟合曲线。 拟合的标准 ? 使 最小 /* minimax problem */ 太复杂? ? 使 最小 /* Least-Squares method */ 最小二乘法拟合 ? 使 最小 由数学知识可知，S(a , b)的极小值需满足： 整理得到拟合曲线满足的方程： 法方程组(或正则方程组) /* normal equations */ 该方程可用消元法或克莱姆方法解出方程 4.6.3