数值分析课件函数逼近与曲线拟合.docxVIP

第三章 函数逼近与曲线拟合 函数的逼近与基本概念 1.1 问题的提出 多数计算机的硬件系统只提供加、减、乘、除四种算术运算指令，因此为了计算大多数有解析表达式的函数的值，必须产生可用四则运算进行计算的近似式，一般为多项式和有理分式函数 .实际上， 我们已经接触到两种逼近多项 式，一种是泰乐多项式，一种是插值多项式 . 泰乐多项式是一种局部方法， 误差分布不均匀，满足一定精度要求的泰乐多项式次数太高，不 宜在计算机上直接使用 .例如，设 f ( x) 是[ 1,1]上 的光滑函数，它的 Taylor 级数 f (x) ak xk ， f (k ) (0) 在 [ 1,1] k 0 ak 上收敛。当此级数收敛比较 k! sn (x) an 1 xn 1 。这个误差分 快时， en ( x) f (x) 布是不均匀的。当 x 0时， en (0) 0，而 x 离开 零点增加时， en (x) 单调增加，在 x 1误差最 1 大。为了使 [ 1,1]的所有 x 满足 f (x) sn ( x) ，必须选取足够大的 n，这显然是不经济的。插值函数出现的龙格现象表明，非节点处函数和 它的插值多项式相差太大。更重要的是，实际中通过观测得到的节点数据往往有各种误差，此时如果要求逼近函数过全部节点，相当于保 留全部数据误差， 这是不适宜的。 如图 1 所示，给出五个点上的实验测量数据，理论上的结果应该满足线性关系，即图 1 中的实线。由于实 验数据的误差太大，不能用过任意两点的直线 逼近函数。如果用过 5 个点的 4 次多项式逼近 线性函数，显然误差会很大。 实验数据 真函数 插值多项式逼近 精确的线性逼近 图 1 2 1.2 范数与逼近 一、线性空间及赋范线性空间 要深入研究客观事物，不得不研究事物间的内在联系，给集合的元素之间赋予某种“确定关系” 也正是这样的道理 .数学上常把在各种集合中引入某些不同的确定关系称为赋予集合以 某种空间结构， 并将这样的集合称为空间 .最常用的给集合赋予一种“加法”和“数乘”运算，使其构成线性空间 .例如将所有实 n 维数对组成的集合，按照“加法”和“数乘”运算构成实 数域上的线性空间，记作 Rn ，称为 n 维向量空 间.类似地，对次数不超过 n 的实系数多项式全体，按通常多项式与多项式加法及数与多项式 乘法也构成数域 R上一个线性空间， 用 H n 表示， 称为多项式空间 .所有定义在 [ a, b] 上的连续函 数集合，按函数加法和数与函数乘法构成数域 p R上的线性空间， 记作 C[ a, b] .类似地，记 C [a,b] 在实数的计算问题中，对实数的大小、距离 3 及误差界等是通过绝对值来度量的 .实践中，我们常常会遇到对一般线性空间中的向量大小和 向量之间的距离进行度量的问题，因此有必要在一般线性空间上，赋予“长度”结构，使线性空间成为赋范线性空间 . 定义 1 设 X 是数域 K 上一个线性空间，在其 上定义一个实值函数 ，即对于任意 x, y X 及 K ，有对应的实数 x 和 y ，满足下列条件 正定性： x 0 ，而且 x 0当且仅当 x 0； (2) 齐次性： x x ； (3) 三角不等式： x yx y ； 称 为 X 上的范数，定义了范数的线性空间就 称为赋范线性空间 . 以上三个条件刻划了 “长度”、“大小”及“距离”的本质，因此称为 范数公理 . 对 X n 上的任一种范数 ， x, y X n ，显然 有 x y x y . Rn 上常用的几种范数有： (1) 向量的 - 范数： x max xi 1 i n 4 向量的 1- 范数： 向量的 2- 范数： 向量的 p - 范数：  x x x  n xi 1 i 1 1 n 2 ( x2 ) 2 i i 1 n 1 p ( x p ) p i i 1 其中 p [1, ) ，可以证明向量函数 N ( x) x p 是 Rn 上向量的范数 . 前 三 种 范 数 是 p - 范数的特殊情况 （ x lim x p ）. 我们只需表明 (1). 事实上 p n 1 n 1 max xi p p p p p n max xi xi max xi 1 i n i 1 i 1 1 i n 1 i n 及 max p p l i m x p p  1，故由数学分析的夹逼定理有 ma xxi x 。 1 i n 类似地对连续函数空间 C[ a, b] ，可定义三种常用范数： - 范数： 1- 范数：  f max f ( x) b a x b f 1 f ( x) dx a 5 b 1 (3) 2- 范数： 2 2 f 2a f ( x) d