微软用户-第3章曲线拟合的最小二乘法.pptVIP

数 学 系 University of Science and Technology of China DEPARTMENT OF MATHEMATICS 第3章 曲线拟合的最小二乘法 给出一组离散点，确定一个函数逼近原函数，插值是这样的一种手段。在实际中，数据不可避免的会有误差，插值函数会将这些误差也包括在内。 因此，我们需要一种新的逼近原函数的手段： ①不要求过所有的点（可以消除误差影响）； ②尽可能表现数据的趋势，靠近这些点。 有时候，问题本身不要求构造的函数过所有的点。如：5个风景点，要修一条公路S使得S为直线，且到所有风景点的距离和最小。 先讲些预备知识 对如上2类问题，有一个共同的数学提法：找函数空间上的函数g，使得g到f的距离最小。 向量范数 映射： 满足： ①非负性 ②齐次性 ③三角不等式 称该映射为向量的一种范数 预备知识 定义 常见的范数有： 定理（范数等价性）：设 为任意两种范数，则 存在与x无关的正常数c1和c2，使得 常用范数的等价关系： 我们定义两点的距离为： 定义：函数 f 的离散范数为 提示：该种范数的定义与向量的 2 －范数一致 我们还可以定义函数的离散范数为： 特性： 定义：函数f，g的关于离散点列 的离散内积为： f(x)为定义在区间[a,b]上的函数， 为区间上n+1个