数值分析第3章函数逼近与数据拟合法.ppt

四、逼近误差 五、用多项式空间作为逼近函数类 六. 基于正交多项式的逼近函数类 1.线性最佳一致逼近多项的求法 由推论2知,a,b是交错点。另一个交错点在(a,b)内，且是f(x)-p1*(x)的极值点。 解： 2．切比雪夫多项式在函数逼近中的应用 极值定理 在-1≤x ≤1上，在首项系数为1的一切n次多项式中 与零的偏差最小，且其偏差为 即，对于任何 ， 有 (1) 若f (x)是n次多项式，则它的n – 1次最佳一致逼近多项式P*n-1(x)能精确求出。 例 已知f(x)=4x3+3x2+2x+1，求其在[-1, 1]上的二次最佳一致逼近多项式p2*(x)。 Tchebyshev多项式的极值定理知，在[-1, 1]上，P3中与零偏差最小的首项系数为1的三次多项式是 (2) 若f (x)不是多项式，也可利用Tchebyshev多项式的极值定理，求出f (x)的近似最佳一致逼近多项式。 例： 在[?1, 1]上，为计算f (x) = ex ，找一个多项式p(x)近似代替ex，使误差<0.01. 此时误差 若略去其最后的两项，则所增添的误差为 从而在[-1,1]上，若用 近似代替ex的总误差不超过 0.0038 + 0.0058 = 0.0096 < 0.01 注：对一般区间[a, b]，先将 x 换为 t ，考虑 f (t)在[?1, 1]上的逼近Pn(t)，再将 t 换回x，最后得到Pn(x)。 已知一个函数的数值表 ym xm y1 x1 … y0 y … x0 x 求一个简单易算的近似函数 p(x) ? f (x) 。 但是 (1) m 通常很大； (2) yi 本身是测量值，不准确，即 yi ? f (xi) 。 这时没必要使 p(xi) = yi , 而只要 p(xi) ? yi 总体上尽可能小。 常见做法： 使 最小 太复杂? 使 最小 不可导， 求解困难? 使 最小 最小二乘法 3.4 离散数据的曲线拟合 一、拟合问题的提出及其最小二乘法 曲线拟合的最小二乘问题的更一般提法： 已知函数值表 ( xi , f (xi) )，在函数空间 ? 中求 ?(x) ，使得 其中 ρi 是点 xi 处的权。 这个问题实质上是最佳平方逼近问题的离散形式。可以将求连续函数的最佳平方逼近函数的方法直接用于求解该问题。 若取函数类?=Pn=Span?1,x,x2,…,xn?, 现求一 ,使得 称为多项式拟合。 显然上式中I为a0, a1, …，an的多元函数，因此，上述问题即为求 的极值问题。由多元函数求极值的必要条件，得 即 二、最小二乘多项式拟合 此时最小二乘拟合多项式为 pn*(x)=a0*+a1*x+…+an*xn 用矩阵表示为 称为正规方程组或法方程组。 上述方程组的系数矩阵是一个对称正定矩阵，故存在唯一解。解出 平方误差为 多项式拟合的一般方法可归纳为以下几步： (1) 由已知数据画出函数粗略的图形——散点图，确定拟合多项式的次数n； (2) 列表计算 (3) 写出正规方程组，求出ak. (4)写出拟合多项式 例：求下面数据表的二次最小二乘拟合多项式. 得法方程 2.7183 1.00 2.1170 0.75 1.2840 0.25 1.0000 0 1.6487 0.50 f (xi ) xi 解： 设二次拟合多项式为 解得 所以此组数据的二次最小二乘拟合多项式为 该方法不适合 m 较大时的情形 （病态问题） 1.离散正交多项式 给定点集 则称 如果多项式系 满足 关于点集 带权正交。 三、离散正交多项式曲线拟合 与连续区间的正交多项式一样，离散正交多项式也具有性质： 有式(3.1.16)和(3.1.17)递推关系，只要把式(3.1.16)和(3.1.17)的内积用离散内积替换即可。 （1）离散正交多项式系关于点集 是线性无关函数系。 （2）首项系数为1的离散正交多项式系 2.离散正交多项式曲线拟合 设多项式 p0, p1, ?, pn 关于点集x0, ?, xm 正交，则 f(x) 在 Φ中的最小二乘拟合多项式为 其中 k = 0, 1, …, n 误差 S(x)=a0*p0(x)+a1*p1(x)+…+an*pn(x) 有时需要其它函数，如 S(x)=aebx ,S(x)=axb ,等拟合给定的数据，这时建立的法方程是一个非线性方程组，称这类拟合问题为非线性最小二乘问题。 6.53 1.50 7.45