《数值分析》课件-第三章 函数逼近与最小二乘法.pptVIP

正交多项式 Legendre 多项式 Chebyshev 多项式 第二类 Chebyshev 多项式 Laguerre 多项式 Hermite 多项式 几类重要的正交多项式 Legendre多项式 Pn (x) 的首项 xn 的系数为： Legendre 多项式 在 [-1, 1] 上带权 ? (x)=1 的正交多项式称为 勒让德多项式 x? [-1, 1]，n = 1, 2, … 记号：P0 , P1 , P2 , ... 则 是首项系数为 1 的勒让德多项式 令 Legendre 多项式 勒让德多项式有以下性质： (1) 正交性： (3) 递推公式： 其中 P0(x) = 1, P1(x) = x，n = 1, 2, … (4) Pn(x) 在 (-1,1) 内有 n 个不同的零点 (2) 奇偶性： (5) P2n(x) 只含偶次幂，P2n+1(x) 只含奇次幂 Legendre多项式 函数逼近 记 Hn 为所有次数不超过 n 的多项式组成的集合，给定函数 f(x)?C[a, b]，若 P*(x)?Hn 使得 则称 P*(x) 为 f(x) 在 C[a, b] 上的 最佳逼近多项式 最佳逼近 取不同的范数，就可以定义不同的最佳逼近方式 函数逼近 最佳平方逼近 最佳一致逼近 曲线拟合 能否找到一个简单易算的 p(x) ，使得 f(x) ? p(x) 已知 f(x) 在某些点的函数值： x x0 x1 … xm f(x) y0 y1 … ym 但是 m 通常很大 yi 本身是测量值，不准确，即 yi ? f (xi) 这时不要求 p(xi) = yi , 而只要 p(xi) ? yi 总体上尽可能小 使 最小 使 最小 曲线拟合 p(xi) ? yi 总体上尽可能小 使 最小 常见做法 太复杂 ? 不可导，求解困难 ? 最小二乘法：目前最好的多项式曲线拟合算法 最小二乘 曲线拟合的最小二乘问题 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。 已知函数值表 ( xi , yi )，在函数空间 ? 中求 S*(x) ，使得 其中 ?i 是点 xi 处的权。 注 最小二乘问题中，如何选择数学模型很重要，即如何选取函数空间 ? = span{?0, ?1, ?, ?n} ，通常需要根据物理意义，或所给数据的分布情况来选取合适的数学模型。 最小二乘求解 对任意 S(x) ? ? = span{?0, ?1, ?, ?n}，可设 S(x) = a0?0 + a1?1 + · · · + an?n(x) 则求 S*(x) 等价于求下面的多元函数的最小值点 k = 0, 1, …, n 最小值点 最小二乘求解 ( k = 0, 1, … , n ) 这里的内积是离散带权内积，即 ， 法方程 G 法方程 最小二乘求解 法方程存在唯一解 det(G) ? 0 Haar条件 ?0, ?1, ?, ?n 的任意线性组合在点集 x0, x1, ?, xm 上至多只有 n 个不同的零点，则称 ?0, ?1, ?, ?n 在点集 x0, x1, ?, xm 上满足 Haar 条件 ?0, ?1, ?, ?n 线性无关 m ? n 若 ?0, ?1, ?, ?n ? C[a, b] 在点集 x0, x1, ?, xm 上满足 Haar 条件，则法方程的解存在唯一 最小二乘求解 设法方程的解为： a0* , a1*, ?, an* , 则 S*(x) = a0* ?0 + a1* ?1 + · · · + an* ?n(x) 结论 S*(x) 是 f(x) 在 ? 中的 最小二乘解 举例 例：给定函数值表，求 f(x) 的最小二乘拟合函数 S*(x) i 1 2 3 4 5 6 7 8 9 1 3 4 5 6 7 8 9 10 10 5 4 2 1 1 2 3 4 解：将所给数据点画在坐标纸上，如图可以看出 即有 这些点大致在一条抛物线上。设拟合曲线方程为 相应的正规方程组为 于是可得 因而所求拟合多项式为 多项式拟合 ?＝Hn= span{1, x, ..., xn}, 即 ?i = xi, 则相应的法方程为 此时 为 f(x) 的 n 次最小二乘拟合