[2018年最新整理]5函数逼近与曲线拟合.pptVIP

5 函数逼近与曲线拟合 （ Functio approximation and Curve fitting ） ?本章主要内容 5.1 函数逼近的概念 5.2 正交多项式 5.3 最佳均方逼近 5.4 最小二乘法 ?重点：最佳均方逼近、最小二乘法 ?难点：正交多项式 5.1 函数逼近的概念 5.1 函数逼近的概念 4.2 拉格朗日(Lagrang)插值----Ln(x) 拉格朗日插值函数均可表示为一组基函数与函数值的线性组合，这些基函数与被插函数无关，只需用插值基点有来构造。 4.2.1 拉格朗日线性插值L1(x) ?线性插值基函数及几何意义 线性拉格朗日插值基函数。 它们都是线性函数，且具有性质： 其几何意义见图示。 4.2.2 拉格朗日二次(抛物)插值L2(x) ?抛物插值及几何意义 插值基点：x0，x1，x2（互异） 插值函数：二次多项式（抛物线） 插值条件：L2(xi)=yi, i=0,1,2. 4.2.2 拉格朗日二次(抛物)插值L2(x) ?拉格朗日抛物插值公式 由抛物插值基函数的性质和插值函数的唯一性，得 4.2.3 n次拉格朗日插值 ?问题描述 插值基点：x0，x1，…，xn（n+1个点互异） 插值函数：不超过n次的多项式 插值条件：Ln(xi)=yi, i=0,1,2,…,n 4.2.3 n次拉格朗日插值 ?拉格朗日插值余项估计 4.3 牛顿( Newton)插值----Nn(x) 4.3.1 问题与策略 ?问题 由于拉格朗日公式具有“对称性”，但不具备“承袭性”，即插值基点个数改变后所有基函数都改变。 4.3.2 均差及其计算 ?均差 定义4-5 4.3.2 均差及其计算 ?均差表 4.3.3 牛顿插值公式及余项 4.4 埃尔米特(Hermite)插值 4.4.1 埃尔米特插值的引入 4.4 埃尔米特(Hermite)插值 4.4.1 埃尔米特插值的引入 * * 5.1.1 函数的内积 ?函数插值的必要性 使复杂函数简单化 使无解析式的函数（离散型、图形图像）获得解析式 为其他数值方法提供支持手段（如数值积分、微分） ?插值问题 定义4-1 5.1.2 一致逼近与最佳均方逼近 ?代数多项式插值问题 由于多项式有其优良的特性，所以通常都是用多项式作为插值函数。还有其它类型的插值函数，如有理函数插值、三角函数插值等 ?函数插值涉及的基本问题 插值函数的存在唯一性问题 插值函数的构造问题 截断误差估计与收敛性问题 数值稳定性问题 5.1.3 法方程 定义4-4 设pn(x)是函数f(x)的n次插值多项式,其截断误差 又称插值余项记为 Rn(x)=f(x)-pn(x) 定理4-2 （插值余项定理） 设函数f(x)在包含插值基点 及插值点x 的区间[a,b]上连续，在(a,b)上具有n+1阶导数，则必存在 依赖于x的点 ，使 其中： 推论：当f(x)是次数不超过次的多项式时，pn(x)=f(x)。 4.1.3 插值多项式的误差估计 ?最大值估计 ?事后估计 4.2.1 拉格朗日线性插值L1(x) ?线性插值及几何意义 n=1时的n次多项式p1(x) 称为线性插值。此时，有两个互异的 插值基点:x0，x1，插值条件为: p1(x0)=y0, p1(x1)=y1 。 其几何意义就是用过点(x0,y0)和(x1,y1)的直线y=p1(x)代替y=f(x)。 ?拉格朗日线性插值函数L1(x) 由两点式直线公式，整理可得 ?插值余项 例4-1 证明： 例4-1 已知ln10=2.303,ln11=2.398,求ln10.5并估计误差。 ?抛物插值基函数及几何意义 要求基函数 l0(x)，l1(X)，l2(x)均为不超过2次的多项式， 且满足： 不难得到： 其几何意义是明显的。 ?拉格朗日抛物插值公式的截断误差 例4-3 利用9,16,25的平方根求17和5的平方根的近似值。 注意：外插与内插的误差比较。 ?基函数 ?拉格朗日插值公式 ?拉格朗日插值的特点： 基函数整齐、对称,与被插函数无关,均为不超过n次的多项式 插值函数被表示为基函数与函数值的线性组合 不便于增加插值基点，因