数值分析课件-6曲线拟合.pdfVIP

第六章 曲线拟合的最小二乘 /函数平方逼近初步 一. 问题的提出 一. 问题的提出 插值法是使用插值多项式来逼近未知或复杂函数的， 它 要求插值函数与被插函数在插值节点上函数值相同 ， 而在其他点上没有要求。在非插值节点上有时函数值 会相差很大 。若要求在被插函数的定义区间上都有 较好的近似，就是最佳逼近问题。 必须找到一种度量标准来衡量什么是最佳逼近. 最佳逼近 最佳逼近 最佳逼近是在函数空间 M 中选 P(x) 满足 max f ( x)  p( x)  min  (*) axb 但由于绝对值函数不宜进行分析运算,常将上式化为 b 2 a  ( x) ( f ( x) p( x)) dx  min 来讨论 ，于是最佳逼近问题变为最佳平方逼近问题 这即为连续函数的最佳平方逼近. 对于离散的问题, 最佳平方逼近问题为: m 2   i ( f ( xi ) p ( xi ))  min i0 就是常说的曲线拟合的最小二乘法. 二. 预备知识 内积: 设X是数域K上的线性空间,若对u,vX, 有K 中一个数与之对应,记为(u,v),其满足: (1) (u, v) 0, 且 (u, u)=0 u=0; (2) (u, v)=(u, v); (3) (u, v)=(u, v), K; (4) (u+v, w)=(u, w)+(v, w), w X, 则 (u, v) 称为u 与 v 的内积; 而定义了内积的 线性空间 X 称为内积空间. 常采用的内积与范数 n 1. 向量R 空间上的内积:  n (x , y )= xy   i i i  i=1 T x (x, x , , x ) 1 2 n  T y (y , y , , y )  1 2 n  由内积定义范数 n 2 范数: x  (x,x)  x2 i i i1 2. 连续函数空间 Cab[ , ] 上的内积: 设 f ,g Cab[ , ],定义内积: b (f ,g)  f (xgxdx) ( ) ; a 及加权内积 b (f ,g)  (x)f (xgxdx) ( ) , a (x)为权函数. 1