计算方法插值方法.ppt

* 采用样条插值函数的计算方法： ① 计算 ?j , ? j , gj ; ② 计算 Mj (追赶法等) ; ③ 找到 x 所在区间 ( 即找到相应的 j ) ; ④ 由该区间上的 S[j](x) 算出 f(x) 的近似值。 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： 带导数插值条件。 ? Spline：分段低次, 自身光滑, f 的导数只在边界给出。 * 曲线拟合问题的提出 如果实际问题要求解在[a,b]区间的每一点都“很好地” 逼近f(x)的话，运用插值函数有时就要失败。另外，插值所需的数据往往来源于观察测量，本身有一定的误差。要求插值曲线通过这些本身有误差的点，势必使插值结果更加不准确。 如果由试验提供的数据量比较大，又必然使得插值多项式的次数过高而效果不理想。 从给定的一组试验数据出发，寻求函数的一个近似表达式y=?(x)，要求近似表达式能够反映数据的基本趋势而又不一定过全部的点(xi,yi)，这就是曲线拟合问题，函数的近似表达式y=?(x)称为拟合曲线。 * 为此,我们希望从给定的数据 (xi,yi) 出发,构造一个近似函数 ,不要求函数 完全通过所有的数据点，只要求所得的近似曲线能反映数据的基本趋势。 曲线拟合问题的提出 * 也就是说拟合函数 在xi处的偏差(亦称残差） 不都严格地等于零。即为矛盾方程组。 曲线拟合函数 不要求严格地通过所有数据点 曲线拟合 注：?残差的大小是衡量拟合好坏的重要标志！ 残差的最大绝对值最小 残差的绝对值之和最小 残差的平方和最小 最小二乘法 * 最小二乘法曲线拟合 直线拟合 * 最小二乘法曲线拟合 由微积分极值条件，可知： * * 最小二乘法曲线拟合 例：设有某实验数据如下，用最小二乘法求以上数据的拟合函数 。 i 1 2 3 4 xi 1.36 1.37 1.95 2.28 yi 14.094 16.844 18.475 20.963 * 最小二乘法曲线拟合 设所求的拟合直线为 则正规方程组为 其中 * 最小二乘法曲线拟合 解得 即得拟合直线 * 最小二乘法曲线拟合 多项式拟合 对于给定的一组数据， 寻求次数不超过m (mn ) 的多项式 来拟合所给定的数据，与线性拟合类似，使偏差的平方和 有时所给数据点的分布并不一定近似地呈一条直线,这时仍用直线拟合显然是不合适的,可用多项式拟合。 * 最小二乘法曲线拟合 由于Q可以看作是关于 ?j ( j=0,1,2,…, m) 的多元函数, 故上述拟合多项式的构造问题可归结为多元函数的极值问题。令 得 * 最小二乘法曲线拟合 即有 这是关于系数 的线性方程组 正则方程组 * 作业 课本 P57： 34, 36 * 16，18，19 * 16，18，19 * 设 设 设 1 a = * 若 为任意两个插值节点 * * 埃尔米特（Hermite）插值（续） 先讨论 这种特殊情况。设： 为基函数，它们均为三次代数多项式，满足： 显然它们满足： * 设 设 * 设 设 0 b = * 若 为任意两个插值节点 * 最大值 * * 作业 课本 P54： 5 11 12 15 16 * 一　插值方法 分段插值法 样条函数 曲线拟合的最小二乘法 * 高次插值的 Runge 现象 x y 0 1 2 3 4 5 -1 -2 -3 -4 -5 0.5 1.0 1.5 2.0 当插值节点数达到一定程度后，随着节点个数的增加，逼近精度越来越差 * 分段插值 y x0 x x1 x2 xn …… 将插值区间 [a, b] 作一划分?: a = x0 x1 x2… xn = b 在每个小区间 [xi, xi+1] 上构造次数较低的插值多项式 pi(x) 将每个小区间上的插值多项式拼接在一起作为 f (x) 在区间 [a, b] 上的插值函数 g(x) = pi(x), x? [xi, xi+1] * 分段线性插值 已知划分 ? 的每个节点 xi 处对应的 yi，求作具有划分 ? 的分段一次代数多项式 S1(x)，满足： S