第四章插值方法.pptVIP

第1页，共23页，编辑于2022年，星期二 第四章 插值方法 当精确函数 y = f(x) 非常复杂或未知时，在一系列节点 x0 … xn 处测得函数值 y0 = f(x0), … yn = f(xn)，由此构造一个简单易算的近似函数 g(x) ? f(x)，满足条件g(xi) = f(xi) (i = 0, … n)。这里的 g(x) 称为f(x) 的插值函数。最常用的插值函数是 …? 多项式。 x0 x1 x2 x3 x4 x g(x) ? f(x) §4.1多项式插值问题的一般提法 第2页，共23页，编辑于2022年，星期二 §4.2 拉格朗日(Lagrange)插值 n i y x P i i n , ... , 0 , ) ( = = 求 n 次多项式 使得 条件：无重合节点，即 注: 一次多项式插值 --- 过两点直线。 二次多项式插值 --- 过三点抛物线。 若不将多项式次数限制为 n ，则插值多项式不唯一。 第3页，共23页，编辑于2022年，星期二 n = 1 已知 x0 , x1 ; y0 , y1 ，求 使得 1 1 1 0 0 1 ) ( , ) ( y x P y x P = = 可见 P1(x) 是过 ( x0 , y0 ) 和 ( x1, y1 ) 两点的直线。 ) ( ) ( 0 0 1 0 1 0 1 x x x x y y y x P - - - + = 1 0 1 x x x x - - 0 1 0 x x x x - - = y0 + y1 l0(x) l1(x) ? = = 1 0 ) ( i i i y x l 称为拉格朗日插值基函数 ， 满足条件 li(xj)=?ij /* Kronecker Delta */ 二. 拉格朗日插值的基函数构造法 第4页，共23页，编辑于2022年，星期二 n ? 1 希望找到li(x)，i = 0, …, n 使得 li(xj)=?ij ；然后令 ? = = n i i i n y x l x P 0 ) ( ) ( ，则显然有Pn(xi) = yi 。 拉格朗日插值多项式，常记为Ln(x) 拉格朗日插值基函数 与 有关，而与 无关 节点 f 是n次多项式。 li(x) 每个 li 有 n 个根 x0 … xi-1 … xn， 第5页，共23页，编辑于2022年，星期二 三. 插值余项 设节点 在[a , b]内存在, 考察截断误差 ，且 f 满足条件 , 注：? 通常不能确定 ?x , 而是估计 , ?x?(a,b) 将 作为误差估计上限。 ?当 f(x) 为任一个次数? n 的多项式时， , 可知 ，即插值多项式对于次数? n 的多项式是精确的。 第6页，共23页，编辑于2022年，星期二 定义4.3.1 差商(亦称均差) 称为f关于xi 和 xj 的 1阶差商 2阶差商 §4.3 差商与差分及其性质 1 0 1 1 1 0 1 0 ] , , ... , [ ] , ... , , [ ] , ... , [ + + + - - = k k k k k x x x x x f x x x f x x f (k+1)阶差商： 第7页，共23页，编辑于2022年，星期二 事实上 其中 差商的值与 xi 的顺序无关！ 定义4.3.2 差分 当节点等距分布时: 向前差分 i i i f f f - = ? + 1 一阶向前差分 i k i k i k i k f f f f 1 1 1 1 ) ( - + - - ? - ? = ? ? = ? k阶向前差分 向后差分 i?1 i i f f f - = ? 一阶向后差分 1 1 1 - - - ? - ? = ? i k i k i k f f f k阶向后差分 中心差分 其中 k阶中心差分 第8页，共23页，编辑于2022年，星期二 §4.4 牛顿插值公式 牛顿插值公式： 其中ai = f [ x0, …, xi ] Nn(x) Rn(x) 第9页，共23页，编辑于2022年，星期二 第10页，共23页，编辑于2022年，星期二 注：? 由唯一性可知 Nn(x) ? Ln(x)， 只是算法不同，故其余项也相同，即 ? 实际计算过程为 f (x0) f (x