函数的一次最佳平方逼近
最佳平方逼近方法
2016-2017（1）专业课程实践论文用最佳平方逼近法求逼近函数肖夏， 29，R数学12-1班一、算法理论设函数组φ0,φ1,…，φm 都是[a,b]上的连续函数，并且在[a,b]上线性无关。
以此函数组为基，生成空间C[a,b]上的一个子空间H =Span{φ0,φ1,…，φm }则H 中的任意一个元素为p (x )=∑c j φj (x )mj=0对空间C[a,b]的任意两个函数f ，g ，定义内积(f,g )=∫ω(x )f (x )g (x )dx ba对于给定的函数f(x)∈C[a,b]，若p ∗(x )∈H ，满足(f −p ∗,f −p ∗)=min p∈H (f −p,f −p )则称p ∗(x )为子空间H 中对于f(x)的最佳逼近平方元素。
特别地，若φj (x )=x j ，j =0,1,…m 则称满足条件的p ∗(x )∈H ，为函数f (x )在区间[a,b]上带权ω(x )的m 次最佳平方逼近多项式。
设f(x)∈C[a,b]，p ∗(x )∈H 是子空间H 中对于f(x)的最佳平方逼近元素的充分必要条件是(f −p ∗,φj )=0，(j =0,1,…,m)或对于任意一个p (x )，总有(f −p ∗,p )=0。
求最佳平方逼近元素p ∗(x )=∑c k ∗φk (x )m k=0，只要求出c k ∗。
因(f −p ∗,φj )=(f,φj )−∑c k ∗(φi ,φj )=0mk=0得∑c k ∗(φi ,φj )=(f,φj )mk=0得((φ0,φ0)⋯(φ0,φm )⋮⋱⋮(φm ,φ0)⋯(φm ,φm ))(c 0∗⋮c m ∗)=((f,φ0)⋮(f,φm )) 求出c k ∗，带入p ∗(x )=∑c k ∗φk (x )m k=0即可。
二、算法框图三、算法程序function S=abc(n,a,b) //创建一个函数，里面填入次数，和区间范围base=inline('x^(j-1)','x','j');///定义quan=inline('1','x');for k=1:(n+1)for j=1:(n+1)syms xl(k,j)=int(base(x,k)*base(x,j)*quan(x),x,a,b); endy(k)=int(base(x,k)*(sqrt(x^2+1)),x,a,b);//红色字体是f(x) endl;y';c=vpa(inv(l)*y',3)p=0;for i=1:(n+1)p=p+c(i)*base(x,i);endp四、算法实现例1.求f (x )=√x 2+1在[0,1]上的一次最佳平方逼近多项式。
最佳平方逼近
n
因为 f p*, p * p cj c j f p*, j 0 及
j0
( p * p, p * p) 0, 故 ( f p, f p) ( f p*, f p*).
2 则 f (x) 1 1 t g(t), 1 x 1
2 先求g(t)在区间 [-1,1] 旳一次最佳平方逼近多项式.
由
c0 *
1 2
(g,
L0 )
1 2
1 1
1 2
1 tdt 2 , 3
c1
3 2
(g,
L1 )
3 2
1 1
t 2
1 tdt 2 . 5
可知
2
2
22
q1(t) 3 L0 (x) 5 L1(x) 3 5 t,
例6 定义内积 ( f , g)
1
f (x)g(x)dx
0
试在H1=Span{1,x}中谋求对于f(x)= x 旳最佳平方逼近
元素p(x).
解 法方程为
1 12
1 2
13
c0
c1
2 2
3 5
解得
c0
4, 15
c1
4 5
所求的最佳平方逼近元素为 p(x) 4 4 x. 0 x 1 15 5
(n
,n
)
cn*
( f ,n )
因为 0x,1x, , nx 线性无关, 能够推得上系数阵是
非奇异旳. 故 (5. 82) 有唯一解 { c*j }.
四、最佳平方逼近旳误差
记 ( f p*, f p*), 称其为最佳平方逼近误差, 利用
第二章最佳平方逼近
第二章 最佳平方逼近为了便于计算和分析，常常需要用一个简单的函数()x ϕ来近似代替给定的函数()f x ，这类问题称为函数逼近问题。
插值问题以及Taylor 展开问题都属于这类问题。
本章介绍另一种函数逼近问题，即最佳平方逼近。
最佳平方逼近问题的提法是：设()f x 是[],a b 上的连续函数，n H 是所有次数不超过n 的多项式的集合，在n H 中求()n P x *逼近()f x ，使()()()()()1/2222infnb n naP x H f Px f x P x dx f Pρ**∈⎡⎤-=-=-⎣⎦⎰此时称()n P x *为()f x 在[],a b 上的最佳平方逼近多项式。
我们将要研究()n P x *是否存在？是否唯一？如何求得()n P x *？首先介绍正交多项式及其性质。
§1、正交多项式正交多项式是函数逼近的重要工具，在数值积分中也有广泛的应用。
1.1正交函数系的概念定义1 设()x ρ定义在[],a b 上（有限或无限），如果满足条件：（1）()[]0,,x x a b ρ≥∈； （2）()()0,1,bnax x dx n ρ=⎰存在；（3）对非负连续函数()f x ，若()()0ba f x x dx ρ=⎰，则在[],a b 上一定有()0f x ≡那么称()x ρ是区间[],a b 上的权函数。
简称为权函数。
权函数()x ρ的一种解释是物理上的密度函数，相应的()bax dx ρ⎰表示总质量。
当()x ρ=常数时，表示质量分布是均匀的。
下面引进内积定义。
定义2 给定()[]()(),,,,f x g x C a b x ρ∈是[],a b 上的权函数，称 ()()(),()ba f g x f x g x dx ρ=⎰ ()1.1为函数()f x 与()g x 在[],a b 上的内积。
内积具有下列简单性质： ()f g g f （1）、（，）=，；()()()1212,)(,00.f g f g R f f g f g f g f f f ααα∈++≠>（2）、（，）=，；（3）、 （，）=（4）、 当时，， 此外，还有如下Cauchy-Schwarz 不等式()()()2,,,.f g f f g g ≤⋅ ()1.2我们知道，一个向量的长度的几何概念，对于函数空间及逼近有许多自然的应用。
最佳平方逼近
正规方程组一般为病态方程组，当维数 较高时，病态严重，求解困难。 可以采取选择不同的基的方式，来改变 正规方程组的性态。 我们考虑最佳平方逼近多项式，采用正 交多项式做基函数。
2
b
a
函数f ( x)和g ( x)正交 ( f , g ) w( x) f ( x) g ( x)dx 0
a b
设次数不超过n的多项式空间为 n , 显然 是C[a, b]的一个子空间，
n的基为1, x,..., x n , 则，p( x) a0 a1 x ... an x n n 是f ( x)在 n的最佳逼近元的充分必要条件为
否则，就线性无关。 区间[a,b]上c11 ( x) .... cm m ( x) 0成立 就一定有c1 ... cm 0
假定1 ( x),....m ( x)是子空间S的基， 若函数g是最佳逼近元，则
( f g , 1 ( x)) 0,( f g , 2 ( x)) 0 ...., f g , m ( x)) 0 (
w( x) C[a, b]，w( x) 0，x [a, b] 称w( x)为权函数。
连续函数空间C[a, b]，给定权函数w( x) 对于f , g C[a, b]
最佳平方逼近多项式
给定函数f ( x) C[a, b], 求次数不超过n的 多项式p( x)，使得
b
a
w( x)( f ( x) p( x)) dx min
简记为Ax=b
求解这个方程，就能得到a， ，am， .....
从而得到f ( x)在子空间S中的最佳平方 逼近元g ( x) a11 ( x) ..... amm ( x)
最佳平方逼近原理
最佳平方逼近原理最佳平方逼近原理是数值分析中的一个经典原理，用于寻找函数在给定定义域上的最佳平方逼近曲线。
在实际应用中，我们经常需要通过已知的离散数据点来近似拟合一个函数，最佳平方逼近原理就是为了解决这个问题而提出的。
最佳平方逼近原理的核心思想是，通过最小化残差平方和来选择最佳的曲线拟合函数。
残差平方和是指每个数据点与拟合曲线之间的差值的平方和，通过最小化残差平方和，我们可以找到能够最好地拟合数据点的曲线。
为了更好地理解最佳平方逼近原理，我们可以通过一个简单的例子来说明。
假设我们有一组包含有N个点的数据集{(x1,y1),(x2,y2),...,(xn,yn)}，我们需要找到一条曲线y=f(x)来拟合这些数据点。
首先，我们可以假设拟合曲线为一条直线y=ax+b，其中a为斜率，b为截距。
我们的目标是找到最佳的斜率a和截距b，使得拟合曲线能够最好地拟合数据点。
为了评估拟合曲线的好坏，我们可以定义残差ei为数据点yi与拟合曲线f(xi)之间的差值，即ei=yi-f(xi)。
然后，可以定义残差平方和E为所有残差的平方和，即E=∑(yi-f(xi))^2。
根据最佳平方逼近原理，我们需要选择最优的斜率a和截距b，使得E达到最小值。
这可以通过对E分别对a和b求偏导数，并令偏导数等于零来实现。
∂E/∂a=0和∂E/∂b=0的解可以分别表示为a=(N∑(xiyi)-∑xi∑yi)/(N∑(xi^2)-(∑xi)^2)和b=(∑yi-∑(xi/n)a))/N 通过求解这两个方程，我们可以得到最佳的斜率a和截距b，从而得到最佳的拟合曲线。
上述例子只是最佳平方逼近原理的一个简单应用，实际上，最佳平方逼近原理可以应用于更复杂的拟合曲线，如多项式拟合、指数拟合等。
在实际应用中，最佳平方逼近原理广泛应用于数据分析、信号处理、图像处理等领域。
通过最佳平方逼近原理，我们可以从大量的离散数据中提取有效的信息，利用拟合曲线来进行预测、分类、回归等操作。
最佳平方逼近
所求的
应该使下式达极小：
由
整理得到
计算积分后，得法方程组
解之得 从而得到最佳平方逼近一次多项式
三、正交基函数的选择 如果我们选择子空间
正交，即 则法方程
简化为
即 容易求得 并得到最佳平方逼近
例3.2. 已知
在区间 [-1，1]上两两正交，试求
在这个
区间上的最佳平方逼近二次多项式，并给出误差估计。
应该使
整体达最小。 通过这种度量标准求得拟合曲线y=f(x)的方法，
就称作曲线拟合的最小二乘法。 按照以上思想来求出f(x)的拟合曲线，首先需
要确定出f(x)所属的函数类，然后进一步求出具体 函数，具体按照以下步骤进行。
二、最小二乘法拟合曲线的步骤
第一步：根据如下已知点的坐标，在坐标系里描点
第二步：根据图示，确定曲线所属的函数类型，例 如多项式函数类、三角函数类、指数函数 类、对数函数类等。假设所确定的函数类 的基函数为
而n+1元函数
在区间
上具有一阶连续导函数，因此根据
极值原理，在最小值点
处：
而 于是 即
利用内积 可以得到 这是一个含有n+1个变量的方程组，具体形式为：
再写成 矩阵形式为
这是关于n+1个变量
的线性方程组，并称
其为法方程组，或者正规方程组。
解此方程组，就可以得到 了f(x) 的最佳平方逼近：
，也就得到
同时，还需要给出连续函数
空间上的一个度量标准，下面通过内积给出平方范数。
二、连续函数的平方范数
已知所有连续函数构成的集合C[a,b]是一个线性
空间，对于C[a,b]中的任意函数
、 ，定义
实数
计算方法 第五章第二节最佳平方逼近
n
2
i 0
a
i 0
上述方程组称为正规方程组。也可以写为
( p, j ) ( f , j )，j 0,1,..., n.
由于0 ( x), 1 ( x),..., n ( x) 线性无关，由性质5.2.3，该方程组 的系数矩阵非奇异，因而方程组存在惟一解。
可以证明，最佳平方问题的解存在惟一且就是正规方程组的解。
b
j i,
j i,
则称多项式族 {g n ( x)} 在[a, b] 上带权 ( x) 正交，并称 g n ( x)是[a, b] 上带权 ( x)的 n 次正交多项式。
一般情况下，当权函数 ( x)及区间[a, b] 给定后，人们 可通过Gram－Schmidt正交化过程，由{1, x,..., x n }构造 出相应的正交多项式。
2
的最小值。
由多元函数取极值的必要条件 S 0,
a j
j 0,1,..., n,
得
n aii ( x) f ( x) j ( x)dx 0， j 0,1,..., n. a ( x) i 0
b
于是有
)，j 0,1,..., n. ( , ) a ( f , S (a0 , ai1 ,...,jan ) :i ( x) j aii ( x) f ( x) dx
2
2
2
2
f g f g 2 f g
2
2
2
2
,
f , g Y.
二、 函数的最佳平方逼近
已知函数 f ( x) C[a,b] 及C[a,b]中的一个子集 span{0 , 1 ,..., n }，如果 p( x) span{0 , 1,..., n}，使得
计算方法第四章(逼近法)
2n {
m j0
aj
m i 1
x jk i
m i 1
xik
yi }
m
m
记： sl xil , tl xil yi
i 1
i 1
n
得正规方程组(法方程)： s jkaj tk , k 0,1,L , n
j0
2. 内积
定义：设 X 为 R 上的线性空间，对于 X 中的任意两
1
2
3
4
5
6
7
8
9
0.58 0.81 1.01 1.32 1.49 1.67 1.93 2.18 2.395
得正规方程组：
94a50a0452a815a15.83141.962 a0 0.15342, a1 0.09845 a 1.424, b 0.2267 y 1.424e0.2267x
1 8
(35x4
30x2
3),
P5
(
x)
x3
15
x)
LL
证明:
由分部积分法得(Pk , Pj )
1 [(x2 1) j ]( j)[(x2 1)k ](k) dx
1
1 [(x2 1) j ]( j) d[(x2 1)k ](k1) 0 1 [(x2 1)k ](k1)[(x2 1) j ]( j1) dx
多项式，或称为变量x 和 y 之间的经验公式.
显然，S 达到最小值，则
S 0 , k 0,1,L , n ak
S
ak
2 m
m i 1
[ P( xi
)
yi
- 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)。
2013-2014（1）专业课程实践论文题目：函数的最佳平方逼近
一、算法理论
下面研究在区间[],a b 上一般的最佳平方逼近问题。
对于给定的函数()[,]f x C a b ∈，如果存在
*01(){(),(),,()}n S x Span x x x ϕϕϕ∈
使得
[]22*()()()min ()()()b
b a a a x b x f x S x dx x f x s x dx ρρ≤≤⎡⎤-=-⎣⎦⎰⎰
则称*()s x 是()f x 在集合01{(),(),,()}n Span x x x ϕϕϕ 中的最佳平方逼近函数。
为了求*()s x ，由式可知，该为题等价于求多元函数。
若用H 表示行列式2(1,,,....,)n Gn G x x x =对应的矩阵，则*()s x ， H 称为Hilbert 矩阵。
记
01(,,....,)T n a a a a =，01(,,....,)T n d d d d =
其中 (,)(0,1,.....,)k k d f x k n ==
则方程 Ha d =
的解*(0,1,.....)k k a a k n ==即为所求。
二、算法框图
三、算法程序
#include<stdio.h>
#include<math.h>
double function1(double x)
{ double s1;
s1=1/sqrt(4+x*x);//替换函数
return s1;
}
double function2(double x)
{ double s2;
s2=x/sqrt(4+x*x);//替换函数
return s2;
}
double ReiterationOfSimpson(double a,double b,double n,double f(double x))
{ double h,fa,fb,xk,xj;
h=(b-a)/n;
fa=f(a);
fb=f(b);
double s1=0.0;
double s2=0.0;
for(int k=1;k<n;k++)
{ xk=a+k*h;
s1=s1+f(xk);}
for(int j=0;j<n;j++)
{ xj=a+(j+0.5)*h;
s2=s2+f(xj);}
double sn;
sn=h/6*(fa+fb+2*s1+4*s2);
return sn;
}
int main()
{ double a=0.0,b=1.0,Result[2];
int n=5;
Result[0]=ReiterationOfSimpson(a,b,n,function1);
Result[1]=ReiterationOfSimpson(a,b,n,function2);
printf("d0=%f,d1=%f\n\n",Result[0],Result[1]);
double x[2]={Result[0],Result[1]};
double a0,a1;
a0=4*Result[0]-6*Result[1];
a1=12*Result[1]-4*Result[0];
printf("a0=%5.7f,a1=%5.7f\n\n",a0,a1);
}
四、算法实现
例1. 求()f x x =在[1,1]-上的一次最佳平方逼近
解：运行程序，把替换函数分别改成s1=abs(x)，s2=x*abs(x)， 上机运行截图
例2. 设()1/
0,1上的一次最佳平方逼近多项式。
f x=[]
解：运行程序把替换函数分别改成s1=1/sqrt(4+x*x)，s2=x/sqrt(4+x*x)
上机运行截图。