数值分析3
(完整版)数值分析答案第三章习题

解:(1)建立假设 H0 : 0.973
n=100, x 2.62 ,s=0.06
(2)在 H0 成立的前提下,构造统计量
u x 0 ~ N (0,1)
s/ n
(3)给定 0.05 ,查得 u 1.96 ,使
2
p u u
2
(4)由样本计算,
x 62.24,s*2 404.77,问这天保险丝融化时间
分散度与通常有无明显差异( 1%)?假定融
化时间是正态母体。
解:(1)建立假设H0: 2 02 400
(2)在H
成立前提下,构造统计量
0
2
(n
1)s*2
02
~
2 (n 1)
(3)给定显著水平 0.01,查得
20.00(5 24) 45.559, 20.99(5 24) 9.886,使
:
2
2 0
1.62
s* 2.296
(2)在 H0 成立的前提下,构造统计量
2 (n 1)s* ~ 2 (n 1) 0
(3)给定 0.05 ,查得
2 (5) 14.49
2
1 2 (5) 1.237 2
(4)由样本计算,
2
6 2.296 2 1.62
12.355
2 (6) 14.49
确,收集到一组使用新安眠药的睡眠时间为
26.7,22.0,24.1,21.0,27.2,25.0,
23.4
试问:从这组数据能否说明新安眠药的睡眠时
间已达到新的疗效(假定睡眠时间服从正态分
布,取 0.05 )?
解:
x1 ~ (20.8,1.62 ) x2 ~ (, 22 )
数值分析第三章_2

非线性方程的牛顿法
(Newton Method of Nonlinear Equations ) 邹秀芬教授 数学与统计学院
内容提纲( 内容提纲(Outline)
牛顿法及其几何意义 收敛性及其收敛速度 计算实例及其程序演示
一、牛顿法及其几何意义
基本思路:将非线性方程f(x)=0 线性化 基本思路:将非线性方程 作为初始近似值, Taylor展开 展开: 取x0作为初始近似值,将f(x)在x0做Taylor展开: 在
计算如下: 取初值x0=0.0,计算如下: 对迭代格式一: 对迭代格式一: the iterative number is 27, the numerical solution is 0.442852706 对迭代格式二: 对迭代格式二 the iterative number is 3, the numerical solution is 0.442854401
x = xk
k
f '( xk )
k
2 f '( xk )
( x xk )
说明数列{ 说明数列{xk}有下界 x f (x ) f ( x0 ) ≤x 又 x1 = x0 < x0 x = x f '( x ) f '( x0 )
k k +1 k k
f "(ξ k ) * = xk +1 ( x xk ) 2 ≤ xk +1 2 f '( xk ) *
f1 ( x1 , x2 ,L xn ) = 0 f ( x , x ,L x ) = 0 2 1 2 n M f n ( x1 , x2 ,L xn ) = 0
记为:F ( x) = 0
将非线性方程组线性化,得到: 将非线性方程组线性化,得到:
数值分析实验3

贵州师范大学数学与计算机科学学院学生实验报告课程名称: 数值分析 班级: 信本班 实验日期: 2013 年 9 月 3日学 号: 110703010038 姓名: 孙泽香 指导教师: 实验成绩:一、实验名称实验一:递推法的稳定性,秦九韶算法二、实验目的及要求1. 熟悉数值稳定的概念, 通过上机计算,了解舍入误差所引起的数值不稳定性.2. 培养Matlab 编程与上机调试能力.三、实验环境每人一台计算机,要求安装Windows XP 操作系统,Microsoft office2003、MATLAB6.5(或7.0)。
四、实验内容1.教材例1.13中,取16位数字计算,并分析、比较计算结果.2.设100999832()101100994321f x x x x x x x =+++++++,用秦九韶算法编程计算()f x 在1,2,3,4x =上的值.五、算法描述及实验步骤1. 设(1)从0I 尽可能精确的近似值出发,利用递推公式:115(1,2,,14)n n I I n n -=-+=, 计算从1I 到14I 的近似值;(2)从15I 较粗糙的估计值出发,用递推公式:111(15,14,,3,2)55n n I I n n -=-+=计算从1I 到14I 的近似 .2. 秦九韶算法给定n次多项式Pn(x)=a(n)x^n+a(n-1)x^(n-1)+…+a(1)x+a(0).要计算Pn(x)在x处的值。
今考虑n次多项式Pn(x),用V(k)表示第k层的值(从里面数起),依次计算 V(1)=a(n)x+a(n-1) V(2)=V(1)x+a(n-2) … V(n)=V(n-1)x+a(0).显然V(n)=Pn(x).记a(n)=V(0),上述计算过程可写成:V(0)=a(n)V(k)=V(k-1)*x+a(n-k),(k=1,2,…,n).六、调试过程及实验结果1.12 算法一:>> format long e>> syms x;>> fun=inline('1./(x+5)');>> I(1)=quad(fun,0,1);>> for n=1:14I(n+1)=1/n-5*I(n);end>> II =Columns 1 through 31.823215568047383e-001 8.839221597630853e-0025.803892011845735e-002Columns 4 through 64.313873274104657e-002 3.430633629476715e-0022.846831852616427e-002Columns 7 through 92.432507403584530e-002 2.123177267791634e-0021.884113661041828e-002Columns 10 through 121.690542805901971e-002 1.547285970490148e-0021.354479238458353e-002Columns 13 through 151.560937141041567e-002 -1.123780129001425e-0037.704747207357855e-002算法二:>> format long e>> syms x;>> fun=inline('x.^14./(x+5)');>> I(15)=quad(fun,0,1);>> for n=14:-1:1I(n)=1/(5*n)-I(n+1)/5;end>> II =Columns 1 through 31.823215567939547e-001 8.839221603022675e-0025.803891984886631e-002Columns 4 through 64.313873408900180e-002 3.430632955499104e-0022.846835222504479e-002Columns 7 through 92.432490554144271e-002 2.123261514992931e-0021.883692425035346e-002Columns 10 through 121.692648985934385e-002 1.536755*********e-0021.407133739268709e-002Columns 13 through 151.297664636989789e-002 1.203984507358747e-0021.122934606063409e-0021.13 设f(x)=101x^100+100x^99+…+3x^2+2x+1,用秦九韶算法编程计算f(x)在x=1,2,3,4上的值。
《数值分析》第3讲:函数逼近与计算

函数的逼近与计算
pn * ( x) ? 1、Chebyshev给出如下概念
设 f ( x) C[a,b], 如p果( x) Hn ,
f (x)
|
p( x0 )
f
(
x0
)
|
max
a xb
|
p( x)
f ( x) |
p4 0*(x)
则称 x是0 偏差点。
如果 p( x0 ) f ( x0 ) 则称 x是0 正偏差点。
b
2a
a0 (
x ) 0 (
x)k
(
x)dx
b
b
2a an( x)n( x)k ( x)dx 2a ( x) f ( x)k ( x)dx
即
I ak
2a0 0( x),k ( x) 2a11( x),k ( x)
2an n( x),k ( x) 2 f ( x),k ( x)
函数的逼近与计算
则
1
1 1
2
n1
1 H 2
1 3
1 n2
1 n 1
1 n2
1 2n 1
例3.2 (P56)
已知 f ( x) 1 x2 C[0, 1], span{1, x}
则
1
(0 , 0 )
1dx 1,
0
(0 , 1)
1
1
xdx
0
2
(1, 0 )
1
1
xdx ,
▲ 1856年解决了椭圆积分的雅可比逆转问题,建立了椭圆函数 新结构的定理,一致收敛的解析函数项级数的和函数的解析性的 定理,圆环上解析函数的级数展开定理等。
函数的逼近与计算
数值分析3-牛顿迭代法

§3 牛顿迭代法Newton Iteration————切线法牛顿迭代法是最著名的方程求根方法。
已经通过各种方式把它推广到解其他更为困难的非线性问题。
【例如】非线性方程组、非线性积分方程和非线性微分方程。
虽然牛顿法对于给定的问题不一定总是最好的方法,但它的简单形式和快的收敛速度常常使得解非线性问题的人优先考虑它。
迭代一般理论告诉我们,构造好的迭代函数可使收敛速度提高。
然而迭代函数的构造方法又各不相同,方法多样。
牛顿法是受几何直观启发,给出构造迭代函数的一条重要途径。
牛顿迭代的基本思想:方程f(x)=0的根,几何意义是曲线y=f(x)与ox轴y=0的交点。
求曲线与y=0的交点没有普遍的公式,但直接与0x 轴的交点容易计算。
用直线近似曲线y=f(x),从而用直线方程的根逐步代替f(x)=0的根。
即把非线性方程逐步线性化。
方法:设x k是f(x)=0的一个近似根,把f(x)在x k处作一阶Taylor 展开,得到))(()()(k k k x x x f x f x f -'+≈ (19)设)(k x f '≠0,由于0)())(()(=≈-'+x f x x x f x f k k k所以求得解记为1+k x ,有牛顿迭代公式:(20) 按牛顿迭代计算称为牛顿迭代法。
牛顿法的几何意义:选初值x k 以后,过))(,(k k x f x p 点,作曲线y=f(x)的切线,其切线方程为))(()()(k k k x x x f x f x f -'+= (21)切线与ox 轴的交点,为1+k x ,则)(/)(1k k k k x f x f x x '-=+(22)牛顿迭代法也称为切线法。
迭代法的收敛性:如果取)(/)()(k k x f x f x x g '-=,则有x=g(x),从而牛顿迭代公式就是)(1k k x g x =+因此就可以由考察g(x)的性质,来讨论迭代法的收敛性及收敛速度。
数值分析第3章函数逼近和快速傅立叶变换

数值分析第3章函数逼近和快速傅立叶变换第3章的内容主要涉及函数逼近和快速傅立叶变换。
函数逼近是指通过一系列已知数据点来估计一个函数的近似值。
快速傅立叶变换是一种高效计算连续傅立叶变换的方法。
函数逼近是数值分析中一项重要任务,它涉及到通过一组已知数据点来估计一个未知函数的值。
常用的函数逼近方法包括多项式逼近、三角函数逼近和样条函数逼近。
多项式逼近是利用一组已知数据点来构造一个多项式,使得该多项式在这些数据点上的值与已知数据点的值尽可能接近。
多项式逼近的基本思想是利用多项式的线性组合来近似未知函数,通过最小化误差函数来确定逼近多项式的系数。
多项式逼近的优点是简单易实现,但是当数据点较多或者函数较复杂时,多项式逼近的结果可能不够精确。
三角函数逼近是利用三角函数的线性组合来近似未知函数。
三角函数逼近的基本思想是利用三角函数的周期性来估计未知函数的值。
通过最小化误差函数来确定逼近三角函数的系数。
三角函数逼近适用于具有周期性的函数,在信号处理和图像处理中得到广泛应用。
样条函数逼近是利用多个局部的插值多项式来逼近未知函数。
样条函数逼近的基本思想是将整个待逼近区间分成多个子区间,每个子区间内使用一个插值多项式来逼近未知函数。
通过最小化误差函数来确定样条函数的系数。
样条函数逼近适用于具有较强光滑性的函数,在计算机图形学和计算机辅助设计领域得到广泛应用。
快速傅立叶变换(FFT)是一种高效计算连续傅立叶变换的方法。
傅立叶变换可以将一个连续函数分解成若干个正弦和余弦函数的和,它在信号处理、图像处理和通信等领域有着重要应用。
传统的傅立叶变换算法的时间复杂度为O(n^2),而快速傅立叶变换算法的时间复杂度为O(nlogn),能够极大地提高计算效率。
快速傅立叶变换的基本思想是将一个长度为n的序列分解成两个长度为n/2的序列,通过递归地进行这种分解,最终得到长度为1的序列。
然后再通过合并各个子问题的解来得到原始序列的傅立叶变换。
数值分析实验3

实验三 解线性方程组的迭代法实验目的1. 深入理解Jacobi 迭代法和Gauss-Seide 迭代法2. 通过对两种迭代法的程序设计,提高程序设计能力3. 应用编写的程序解决具体问题,掌握两种基本迭代法的使用,通过结果的分析 了解每一种迭代法的特点实验要求(1) 认识迭代法收敛的含义以及迭代初值和方程组系数矩阵性质对收敛速度的 影响。
(2) 迭代法收敛速度试验、病态的线性方程组的求解实验题目3.1用迭代法求解方程组Ax 二b ,其中A R 20 20,它的每条对角钱元素是常数,(1)选取不同的初始向量x (0)和不同的方程组右端项向量 b ,给定迭代误差要 求,用Jacobi 迭代法和Gauss-Seide 迭代法计算,观测得到的迭代向量序列是否 均收敛?若收敛;记录迭代次数,分析计算结果并得出你的结论;(2)取定右端向量b 和初始向量x (0),将A 的主对角线元素成倍增长若干次, 非主对角线元素不变,每次用Jacobi 迭代法计算,要求迭代误差满足 ||x (k1) -x (k)||L :10°。
比较收敛速度,分析现象并得出你的结论。
(1) 1.选取初始向量为x (0)=zeros(20,1), 右端向量b=o nes(20,1),eps=1.0e-5;①实验程序(Jacobi 迭代法)fun ctio n [x, n]=jacobi(A,b,xO,eps,M) %A 为方程组得系数矩阵 %b 为方程组得右端项-1/2 -1/43 -1/2 -1/4-1/23-1/2++* +-1/4-1/4-1/2 3 -1/2-1/4-1/233 -1/2 -1/4 A =%x0为初始向量%eps为精度要求%册最大迭代次数%x为方程组的解%n为迭代次数eps=1.0e-5; %精度要求M=200; %最大迭代次数A=zeros(20,20);for i=1:1:20A(i,i)=3;endfor i=1:1:20for j=1:1:20if abs(i-j)==1A(i,j)=-1/2;endendendfor i=1:1:20for j=1:1:20if abs(i-j)==2A(i,j)=-1/4;endendendb=o nes(20,1);x0=zeros(20,1);D=diag(diag(A)); %取A 的对角阵L=-tril(A,-1); %取A 的下三角阵U=-triu(A,1); %取A 的上三角阵B=D\(L+U);f=D\b;x=B*xO+f;n=1;disp(['第’,num2str(n),'步求解结果为:’]);disp(x);while no rm(x-x0)>=epsx0=x;x=B*x0+f;n=n+1;disp([ '第’,num2str(n),'步求解结果为:’]);disp(x);if (n>=M)disp( 'Warni ng: 迭代次数太多,可能不收敛r);return ;endenddisp('最终结果为:’);disp( 'x=');disp(x);disp([ 'n=' ,nu m2str( n)]);实验结果最终结果为:x=0.48160.57340.63280.65210.66090.66430.66570.66630.66650.66660.66660.66650.66630.66570.66430.66090.65210.63280.57340.4816n=18②实验程序(Gauss-Seide迭代法)function [x,n]=gauseidel(A,b,x0,eps,M)%A为方程组得系数矩阵%b为方程组得右端项%x0为迭代初始向量%eps为精度要求%册最大迭代次数%x为方程组的解%n为迭代次数eps=1.0e-5; %精度要求M=200; %最大迭代次数A=zeros(20,20);for i=1:1:20A(i,i)=3;endfor i=1:1:20for j=1:1:20if abs(i-j)==1A(i,j)=-1/2;endendendfor i=1:1:20for j=1:1:20if abs(i-j)==2A(i,j)=-1/4;endendendb=o nes(20,1);x0=zeros(20,1);D=diag(diag(A)); %取A 的对角阵L=-tril(A,-1); %取A 的下三角阵U=-triu(A,1); %取A 的上三角阵B=D\(L+U);f=D\b;x=B*xO+f;n=1;disp(['第’,num2str(n),'步求解结果为:’]);disp(x);while no rm(x-x0)>=epsx0=x;x=B*x0+f;n=n+1;disp([ '第’,num2str(n),'步求解结果为:’]);disp(x);if (n>=M)disp( 'Warning: 迭代次数太多,可能不收敛r );return ;endenddisp('最终结果为:’);disp( 'x=');disp(x);disp([ 'n=' ,nu m2str( n)]);实验结果最终结果为:x=0.48160.57340.63280.65210.66090.66430.66570.66630.66650.66660.66660.66650.66630.66570.66430.66090.65210.63280.57340.4816n=182. 选取初始向量为x(0)=zeros(20,1) ,右端向量b=1.001*ones(20,1),eps=1.0e-5①实验程序(Jacobi迭代法)修改:b=1.001*ones(20,1),其余同上实验结果最终结果为:x=0.48210.57400.63340.65280.66160.66500.66640.66690.66720.66720.66720.66720.66690.66640.66500.66160.65280.63340.57400.4821n=18②实验程序(Gauss-Seide迭代法)同上实验结果最终结果为:x=0.48210.57400.63340.65280.66160.66500.66640.66690.66720.66720.66720.66720.66690.66640.66500.66160.65280.63340.57400.4821n=18(0)3. 选取初始向量为x =ones(20,1) ,右端向量b=ones(20,1),eps=1.0e-5 ;①实验程序(Jacobi迭代法)修改:x(0)= ones(20,1) ,b=ones(20,1),其余同1实验结果最终结果为:x=0.48160.57340.63280.65210.66090.66430.66570.66630.66650.66660.66660.66650.66630.66570.66430.66090.65210.63280.57340.4816n=17②实验程序(Gauss-Seide迭代法)同上实验结果最终结果为:x=0.48160.57340.65210.66090.66430.66570.66630.66650.66660.66660.66650.66630.66570.66430.66090.65210.63280.57340.4816 n=17结果分析:不管用哪种迭代法,改变初始向量,右端向量,用有限的迭代次数,都能得到收敛结果且满足误差要求。
数值分析第三章小结

第三章矩阵特征值与特征向量的计算--------学习小结一、本章学习体会本章我们学习了矩阵特征值与特征向量的计算方法即幂法、反幂法、Jacobi方法和QR方法。
下边介绍一下四种方法各自的特点和适用范围。
幂法:主要用于计算矩阵按模最大的特征值及其相应的特征向量;反幂法:主要用于计算矩阵按模最小的特征值及其相应的特征向量;Jacobi法:用于求实对称矩阵的全部特征值和特征向量的方法;QR法:则适用于计算一般实矩阵的全部特征值,尤其适用于计算中小型实矩阵的全部特征值。
归结起来,这四种方法有一个共同的特点,即都是用了迭代的方法来求矩阵的特征值和特征向量。
还有利用用MATLAB自带的解法求解特征值和特征向量,其自带函数Eig即得到结果是虚数也可以算出,并且结果自动正交化。
二、本章知识梳理在工程技术中,计算矩阵的特征值和特征向量主要使用数值解法。
本章将阐述幂法、反幂法、Jacobi 方法、和QR 方法,并且只限于讨论实矩阵的情况。
3.1 幂法和反幂法(1)幂法幂法主要用于计算矩阵的按模为最大的特征值和相应的特征向量,其思想是迭代。
设n ⨯n 实矩阵A 具有n 个线性无关的特征向量,,...,,321n x x x x 其相应的特征值n λλλ...21,,满足如下不等式 n λλλλ≥≥≥> (321)其中i i i x Ax λ= )。
(n i ,...2,1=现在要求出1λ和相应的特征向量。
任取一n 维非零向量0u ,从0u 出发,按照如下的递推公式 1-=k k Au u ),,(...21=k 因n 维向量组n x x x ,...,21线性无关,故对于向量0u ,必存在唯一的不全为零的数组n ααα,...,21,使得n n x x x u ααα...22110++=n k n k k k k k k x A x A x A u A u A Au u ααα+++=====--......22110221=⎥⎥⎦⎤⎢⎢⎣⎡⎪⎪⎭⎫ ⎝⎛++⎪⎪⎭⎫ ⎝⎛+=+++n kn n k kn k n n k k x x x x x x 12122111222111......λλαλλααλλαλαλα 设01≠α。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
要解决的两个问题: 1. 确定函数类:由某一组确定的基张成的函数空间。 例:H span{ x ,sin x }, ( x ) H , ( x ) ax b sin x 2. 逼近条件的度量标准: 要求整体均匀逼近(最佳逼近思想)。
Taylor 展开 f ( x ) Pn ( x ) O( hn 1 ) f ( x0 ) f ' ( x0 )( x x0 ) f '' ( x0 ) f ( n ) ( x0 ) ( x x0 )2 ... ( x x0 ) n O ( h n 1 ) 2! n!
证:充分性:0 ( x ),1 ( x ),..., n ( x )线性无关 G非奇异。
反证:设G奇异,则GC =0有非零解, 即: j ( x ), k ( x ))j =0,k =0,1,...,n有非零解。 ( c
j=0 n
( c jj ( x ), k ( x ))=0,k=0,1,...,n有非零解。
故s( x )的系数c0 , c1 , ..., cn是如下方程组的解 ( f ( x ) s( x ), k ( x )) 0, k 0,1, 2, ..., n
(1)
或
c (
j0 j
n
j
, k ) ( f , k ), ( k 0,1, ..., n)
(2)
二、构造s(x)的具体方法
设在H中,对f ( x ) X的最佳平方逼近函数为 s( x ) c j j ( x )
i 0 n
由( f ( x ) s ( x ), k ( x )) ( f ( x ) c j j ( x ), k ( x )) 0, (k 0,1, , n ) ( 0 , 0 )c0 ( 1 , 0 )c1 ( n , 0 )cn ( f , 0 ) ( , )c ( , )c ( , )c ( f , ) 0 1 0 1 1 1 n 1 n 1 得 ( 0 , n )c0 ( 1 , n )c1 ( n , n )cn ( f , n )
2 a 2 x dx b 2 x dx 2 x sin xdx 0 0 0 a 2 x dx b 2 dx 2 sin xdx 0 0 0
3 2 a b1 24 8 2 a b1 8 2 解得a 0.6644389, b 0.1147707
方程组(1)、(2)称为法方程。
充分性:设s( x ) c j j ( x ),其中c0 , c1 ,..., cn是( 2)的解,
j 0
n
即 (f ( x )-s( x ), k ( x )) 0,
k 0,1,..., n
要证对于任意 ( x ) H 有 f ( x ) s( x ) f ( x ) ( x )
是逼近f ( x )的函数类,求 s ( x ) c j j ( x ) H
j0 n
使得
( f ( x ), s( x )) min (即逼近误差最小)
称为被逼近函数 称为逼近函数 称为逼近条件
已知函数 y f ( x ) C [a , b] 构造函数 s( x ) H C [a , b] ( f ( x ), s( x )) min
按逼近误差的度量有两种逼近问题 (即两种最佳逼近) 1. 赋范线性空间中的最佳一致逼近 (契比雪夫意义下的逼近) ( f ( x ), s( x )) max | f ( x ) s( x ) ||| f ( x ) s( x ) ||
a xb
2. 内积空间的最佳平方逼近 ( f ( x ), s( x )) || f ( x ) s( x ) ||2
2 0
ax b sin x dx
2
确定a , b使I (a , b )达到最小,必须满足 I 0, a I 0 b
2 2 ax b sin x xdx 0 0 即 2 2 ax b sin x dx 0 0
由 0 ( x ),1 ( x ), , n ( x )是线性无关的,容易 证明Gram矩阵是非奇异的。
定理 2 设j ( x ) (j=0,1,...,n)是内积空间H中的元素, 则其Gram矩阵G非奇异的充分必要条件是 0 ( x ), 1 ( x ),..., n ( x )线性无关。
s( x ) c jj ( x )
j=0
n
思考题:证明G是对称正定的。 即:对x ( x0 , x1 , ..., xn )T 0, 有x T Gx 0。
定理3
法方程的解是存在且唯一的。
证: 法方程组的系数矩阵为
( 0 , 0 ) (1 , 0 ) ( n , 0 ) ( , ) ( , ) ( , ) 1 1 n 1 G 0 1 ( 0 , n ) (1 , n ) ( n , n )
需要解决几个重要问题: 1. H中s( x )的存在唯一性; 2. 构造s( x )的具体方法; 3. 误差 || ||2 || f ( x ) s( x ) ||2 。
例:选取常数a , b使
2 0
ax b sin x dx达到最小
2
解:设I (a , b )
2 2
min
求多元函数g (c0 , c1 , ..., cn )的极小值。
由多元函数取极值的必要条件,g的极小点(c0 , c1 , ..., cn ) 应满足方程组
n g 2 ( x )[ f ( x ) c j j ( x )] k ( x )dx c k j0 a 2( f ( x ) s( x ), k ( x )) 0 k 0,1, 2, ..., n b
在内积空间C[a, b]中,设f ( x ) C[a, b], 但f ( x ) H ,
在H中寻找一个函数s( x ) c j j ( x ) H
n
使得
f ( x ) s( x ) 2 min f ( x ) ( x )
2
j 0
2 2
( x )H
若s( x )存在, 则称其为f ( x )在[a , b]上的最佳平方 逼近函数。
在内积空间C [a , b]中,取n 1个线性无关函数 0 ( x ), 1 ( x ), ..., n ( x )张成C [a , b]的子空间 H span{ 0 ( x ), 1 ( x ), ..., n ( x )} C [a , b]
连续函数最佳平方问题的一般提法
对于任意 ( x ) H, ( x ) j j ( x ),必有 ( f ( x ) s( x ), ( x )) 0
j 0
n
因为 f ( x ) ( x ) f ( x ) s( x ) s( x ) ( x )
2 2 2 2 2 2
j=0
n
由 ( c jj ( x ), k ( x ))=0, k=0,1,...,n 得 ( c jj ( x ), ck k ( x ))=0
j=0 k=0 j=0 n n
n
所以0 ( x ),1 ( x ),..., n ( x ),线性相关,矛盾。反之亦然。
解法方程 GC=F 求出 C 以后,就可得到最佳平 方逼近函数
Hale Waihona Puke 几何解释:f ( x)f ( x ) s( x )
H
s( x )
证:必要性:
记g(c0 , c1 ,..., cn ) f ( x ) s( x ) 2
2 b a
( x ) f ( x ) c j j ( x ) dx j 0
n
2
求解s( x ) H , 使 f ( x ) s( x )
第三章 函数逼近与曲线拟合
第一节 连续函数的最佳平方逼近
第二节 离散数据的最小二乘拟合
第三节 连续函数的最佳一致逼近
引
言
连续函数最佳逼近的一般提法
设f ( x ) X C [a , b], 0 ( x ), 1 ( x ), ..., n ( x )在[a , b] 上线性无关,H span{ 0 ( x ), 1 ( x ), ..., n ( x )}
因为 0 ( x ), 1 ( x ), ..., n ( x )在[a , b]上线性无关, 所以 G 0, 故法方程 GC F 的解存在且唯一。
三、逼近误差
记 f ( x ) s( x )
2 2
f s ( f s, f s ) ( f , f ) ( s, f )
n j0 n
2
( f , f ) ( c j j , f ) ( f , f ) c j ( j , f )
称 2 为最佳平方逼近误差,简称平方误差。
2
j0
最大误差为
max f ( x) s( x )
i 0 n
若记向量C (c0 , c1 , cn )T R n1 称 GC F 为法方程
用矩阵形式表示为GC F
( 0 , 0 ) (1 , 0 ) ( n , 0 ) ( , ) ( , ) ( , ) 1 1 n 1 其中 G 0 1 R( n1)( n1) ( 0 , n ) (1 , n ) ( n , n ) F (( f , 0 ),( f , 1 ), ,( f , n ))T R n1 矩阵G称为关于 0 ( x ),1 ( x ), , n ( x )的Gram (克莱姆)矩阵,也常记为G ( 0 , 1 , , n )