插值与拟合.pptVIP

§4.4 最小二乘拟合 数据建模 插值: 过点; (适合精确数据) 拟合: 不过点, 整体近似;(适合有经验公式或有误差的数据) 最小二乘法 最小二乘法: 最小化误差平方和(等价最小化向量2-范数) 最小二乘拟合: 在一类曲线?中求一曲线 使与被拟合曲线f(x)在节点x1,…,xn的误差平方和最小。 P91 例4.7(线性拟合) P92例4.8(线性化拟合) P92例4.9(超定方程组) 内积和范数 关于节点 的内积和2-范数: 当(f, g)=0, 称f与g正交。 对任意函数f, g, h和数?，有 (i) (f, g+h) =(f, g)+(f, h) ; (ii)(?f, g)= ?(f, g); (iii)(f, g)= (g, f); (iv)||f||?0且||f||=0?f(xi)=0, i=1,…,n. 注意:内积和范数依赖于节点选取, 本质上就是函数 在节点取值得到的向量的内积和范数. 复习：线性代数 称向量组?0,?1, ?,?m线性无关，如果只有当k0, k1, ?,km全为零时 k0?0+k1? 1+ ?+km?m=0。 线性无关向量组?0,?1, ?,?m的线性组合全体?称为由?0,?1, ?,?m张成的向量空间，记为 ?=span{?0,?1, ?,?m} ={? =a0?0+a1?1+ ?+am?m| a0, a1, ?,am?R} 而?0,?1, ?,?m称为?的基向量。 基函数 称函数?0(x), ?1(x), ?, ?m(x) 关于节点x1,…,xn线性无关，如果它们的取值向量线性无关，即只有当k0, k1, ?,km全为零时 k0?0(xi)+k1?1(xi)+ ?+km?m(xi)=0, i=1,2,?,n 才全部成立。 线性无关函数?0, ?1, ?, ?m的线性组合全体?称为由?0, ?1, ?, ?m张成的函数空间，记为 ?=span{?0, ?1, ?, ?m }={?(x)=a0?0(x)+a1?1(x)+ ?+am?m(x)| a0, a1, ?,am?R} 而?0, ?1, ?, ?m称为?的基函数。 最小二乘拟合 最小二乘拟合：已知数据xi,yi=f(xi)（i=1,…,n）和函数空间?=span{?0, ?1, ?, ?m }, 求函数?*??，使 || f??*||= min ||f??|| 问题等价于: 求a*0, a*1, ?,a*m?R，使 S(a*0, a*1, ?,a*m)= min S(a0, a1, ?,am) 其中 S(a0, a1, ?,am)= ||f??|| 2= ?(x)= (二次函数最小化) 函数极值的必要条件 对a0, a1, ?,am求偏导， 法方程组 微分法求极值， 法方程组(正规方程组) 定理4.3 如果函数?0(x), ?1(x), ?, ?m(x) 关于节点x1,…,xn线性无关，则 法方程组的解存在唯一; 法方程组的解是最小二乘拟合的唯一最优解。 证明： (1)(2) 例题 P95 例4. 10 注意: 拟合依赖于节点选取. 高阶多项式拟合的病态 ?0(x)=1, ?1(x)= x, ?, ?m(x)= xm m很大时, 法方程组病态（P106实验9） 正交最小二乘拟合 避免病态: 选取函数类?的正交基函数?0, ?1, ?, ?m,法方程组就成为简单的对角方程组, 其解 Schmit正交化方法 P96 例4.11 两种解法 习题 ex1,ex2,ex4,ex5 ex10, ex11(2) ex12, ex13, ex14 补充题：设插值节点 互不相同， 证明n次Lagrange插值基函数线性无关，且构成n次多项式函数空间的一个基。 插值与拟合 插值 拟合 第四章 数据建模 §4.1 多项式插值 §4.2 Newton插值法 §4.3 三阶样条插值 §4.4 最小二乘拟合 §4.1 多项式插值 Lagrange插值 存在唯一性 计算公式 余项公式(截断误差) Hermite插值 存在唯一性 计算公式 余项公式(截断误差) 基本概念 函数y=f(x)未知或很复杂 已知函数y=f(x)在xi 的函数值yi=f(xi)，i=0,…,n. 求一“简单”的函数p(x)满足p(xi)=yi, i=0,…,n. 原函数 插值函数 插值节点 插值条件 插值区间I=[min(x0,x2,…,xn),