数值ch03函数逼近与最小二乘法课程.ppt

第三章函数逼近与曲线拟合 函数逼近 函数逼近 最常见的两种度量标准 预备知识 内积空间 内积空间 内积 内积 权函数 常见的权函数 带权内积 正交函数族 举例 正交多项式 正交多项式 只要给定区间[a,b]及权函数ρ(x), 均可由一族线性无关的幂函数 { 1 , x , … , xn , … } 利用逐个正交化手续(Gram-Schmidt正交化方法)： 构造出正交多项式序列? 。 正交多项式 Legendre多项式 Legendre 多项式 Legendre多项式 函数逼近 函数逼近 曲线拟合 曲线拟合 最小二乘 注 最小二乘求解 最小二乘求解 最小二乘求解 最小二乘求解 举例 多项式拟合 举例 正交多项式拟合 正交多项式拟合 正交多项式的构造 几点注记 举例 非线性最小二乘 非线性拟合举例 最佳平方逼近 最佳平方逼近 最佳平方逼近 最佳平方逼近 举例 ( k = 0, 1, … , n ) 这里的内积是离散带权内积，即 ， 法方程 G 法方程 法方程存在唯一解 det(G) ? 0 Haar条件 ?0, ?1, ?, ?n 的任意线性组合在点集 x0, x1, ?, xm 上至多只有 n 个不同的零点，则称 ?0, ?1, ?, ?n 在点集 x0, x1, ?, xm 上满足 Haar 条件 ?0, ?1, ?, ?n 线性无关 m ? n 若 ?0, ?1, ?, ?n ? C[a, b] 在点集 x0, x1, ?, xm 上满足 Haar 条件，则法方程的解存在唯一 设法方程的解为： a0* , a1*, ?, an* , 则 S*(x) = a0* ?0 + a1* ?1 + · · · + an* ?n(x) 结论 S*(x) 是 f(x) 在 ? 中的 最小二乘解 例：给定函数值表，求 f(x) 的最小二乘拟合函数 S*(x) 4 3 2 1 1 2 4 5 10 10 9 8 7 6 5 4 3 1 9 8 7 6 5 4 3 2 1 i 解：将所给数据点画在坐标纸上，如图可以看出 即有 这些点大致在一条抛物线上。设拟合曲线方程为 相应的正规方程组为 于是可得 因而所求拟合多项式为 ?＝Hn= span{1, x, ..., xn}, 即 ?i = xi, 则相应的法方程为 此时 为 f(x) 的 n 次最小二乘拟合多项式 多项式最小二乘曲线拟合 例：求下面数据表的二次最小二乘拟合多项式 得法方程 2.7183 1.00 2.1170 0.75 1.2840 0.25 1.0000 0 1.6487 0.50 f (xi ) xi 解： 设二次拟合多项式为 解得 所以此组数据的二次最小二乘拟合多项式为 (1) 若题目中没有给出各点的权值 ?i ，默认为 ?i = 1 (2) 该方法不适合 n 较大时的情形 （病态问题） 带权正交（离散情形） 给定点集 以及各点的权系数 ，如果函数族 满足 则称 关于点集 带权 正交 若 ?0, ?1, ?, ?n 是多项式，则可得正交多项式族 用正交多项式做最小二乘 设多项式 p0, p1, ?, pn 关于点集 x0, x1, ?, xm 带权 ?0, ?1, ?, ?m 正交，则 f(x) 在 Hn 中的最小二乘拟合多项式为 其中 k = 0, 1, …, n 误差 离散形式的 2-范数 给定 和权系数 ，如何构造正交多项式族 可以证明： 关于点集 带权 正交 三项递推公式： k = 1, … , n-1 其中 ( k = 0, 1, … , n-1 ) ( k = 1, 2, … , n-1 ) 可以将构造正交多项式族、解法方程、形成拟合多项式穿插进行； n 可以事先给定，或在计算过程中根据误差来决定； 该方法非常适合编程实现，只用递推公式，并且当逼近次数增加时，只要将相应地增加程序中的循环次数即可。 该方法是目前多项式拟合最好的计算方法，有通用程序。 例：给定数据点及权系数，求二次最小二乘拟合多项式 1 1.96 0.6 1 2.19 0.7 3.00 2.71 2.44 1.75 1.00 yi 1 1.0 1 0.9 1 0.5 1 0 1 0.8 ?i xi 解： 通过直接计算，可得 Matlab 正交多项式最