数学中的函数逼近与插值
常用函数的逼近和曲线拟合
常用函数的逼近和曲线拟合在数学中，函数逼近和曲线拟合都是常见的问题。
函数逼近是指找到一个已知函数，尽可能地接近另一个函数。
而曲线拟合则是给定一组数据点，找到一条曲线来描述这些数据点的分布。
本文将讨论常用的函数逼近和曲线拟合方法。
一、函数逼近1. 插值法插值法是最简单的函数逼近方法之一。
它的基本思想是：给定一组已知点，通过构造一个多项式，使得该多项式在这些点处的函数值与已知函数值相等。
插值法的优点是精度高，缺点是易产生龙格现象。
常用的插值多项式有拉格朗日插值多项式和牛顿插值多项式。
拉格朗日插值多项式的形式为：$f(x)=\sum_{i=0}^{n}y_{i}\prod_{j=i,j\neq i}^{n}\frac{x-x_{j}}{x_{i}-x_{j}}$其中，$x_{i}$是已知点的横坐标，$y_{i}$是已知点的纵坐标，$n$是已知点的数量。
牛顿插值多项式的形式为：$f(x)=\sum_{i=0}^{n}f[x_{0},x_{1},...,x_{i}]\prod_{j=0}^{i-1}(x-x_{j})$其中，$f[x_{0},x_{1},...,x_{i}]$是已知点$(x_{0},y_{0}),(x_{1},y_{1}),...,(x_{i},y_{i})$的差商。
2. 最小二乘法最小二乘法是一种常用的函数逼近方法。
它的基本思想是：给定一组数据点，找到一个函数，在这些数据点上的误差平方和最小。
通常采用线性模型，例如多项式模型、指数模型等。
最小二乘法的优点是适用性广泛，缺点是对于非线性模型要求比较高。
最小二乘法的一般形式为：$F(x)=\sum_{i=0}^{n}a_{i}\varphi_{i}(x)$其中，$a_{i}$是待求的系数，$\varphi_{i}(x)$是一组已知的基函数，$n$是基函数的数量。
最小二乘法的目标是使得$\sum_{i=1}^{m}[f(x_{i})-F(x_{i})]^{2}$最小，其中$m$是数据点的数量。
数学中的函数逼近与插值方法
数学中的函数逼近与插值方法函数逼近和插值方法是数学中重要的概念与技术。
在数学与应用领域，我们经常会遇到需要近似计算或者重建一个函数的情况。
函数逼近和插值方法提供了一种有效的手段，能够用一个简单的函数或者曲线来近似代替原函数，并在一定程度上保留原函数的性质与结构。
1. 函数逼近在函数逼近中，我们需要给出一个近似函数，使其能够在原函数的一定范围内进行准确的近似。
这一方法常用于数据分析和拟合，以及在一些数学问题中的近似求解。
常见的函数逼近方法包括最小二乘逼近、Chebyshev逼近和插值型逼近等。
最小二乘逼近是一种通过使残差平方和最小化来确定近似函数的方法。
它的基本思想是将原函数表示为一个线性组合，通过求解线性方程组的最优解来确定系数。
Chebyshev逼近使用Chebyshev多项式来逼近函数。
这种方法的优点是能够在给定的逼近度下，取得最均匀的最小误差。
插值型逼近则是通过在一些数据点上确定一个插值多项式，然后用该多项式来逼近原函数。
这种方法的优点是能够在给定的数据点上实现完全的逼近。
2. 插值方法插值方法是一种通过给定的数据点来确定一个连续函数的方法。
在插值中，我们希望找到一个函数，使其通过给定的数据点，并且能够在这些点之间进行连续的插值。
常见的插值方法包括线性插值、拉格朗日插值和样条插值等。
线性插值是一种简单的插值方法，它假设插值函数在两个给定数据点之间是线性的。
通过连接两个邻近点，我们可以得到一个线性函数来近似整个区间上的函数。
拉格朗日插值是一种通过拉格朗日多项式来插值的方法。
它的基本思想是通过在每个数据点上构造一个插值多项式，然后将这些多项式进行线性组合来得到插值函数。
样条插值是一种在给定数据点上通过拟合一系列分段低次多项式来插值的方法。
这样可以在各个小区间上获得更好的逼近效果。
总结起来，函数逼近与插值方法是数学中重要且常用的技术。
它们在数学建模、数据分析以及计算数值方法中都起到了关键的作用。
逼近方法和插值方法的比较
逼近方法和插值方法的比较逼近方法和插值方法是数值分析中常用的两种数据处理技术，它们可以用于解决各种数学问题，例如函数逼近、信号处理、图像处理等。
虽然这两种方法都可以用于拟合数据，但是它们的原理与应用有很大的不同。
在本文中，我们将对逼近方法和插值方法进行比较，并分析它们的优缺点和应用场景。
一、逼近方法逼近方法是一种利用数学模型对实际数据进行拟合的方法。
与插值方法不同，逼近方法不要求通过数据点来直接计算出函数值，而是要求在整个拟合域内，最小化实际数据与拟合函数之间的误差。
因此，在逼近方法中，拟合函数不需要通过所有数据点，只需要通过一部分数据点，从而能够更好地逼近真实的函数。
逼近方法中常用的模型包括多项式模型、三角函数模型、指数模型、小波模型等。
逼近方法相较于插值方法的优点在于，它对数据中的噪声具有一定的容忍度。
由于在逼近过程中，并不要求通过所有数据点，因此可以为一些离群点和噪声点留下一定的空间。
而插值方法则要求通过所有数据点，一旦数据出现噪声点或者离群点，就会对插值结果产生极大的影响。
逼近方法缺点在于，由于逼近过程是基于模型的，因此需要先选定一种适合于实际数据的模型，否则拟合结果可能无法正确表达数据的真实本质。
逼近方法适用于数据比较平滑的情况，例如时间序列数据、声音处理等。
通过选取合适的模型，逼近方法可以更好地保留数据的特征，同时对于部分离群点的情况，也可以提供一定程度的容忍度。
二、插值方法插值方法是一种通过已知数据点，在数据点之间进行插值计算出未知数据点的数值的方法。
插值方法要求通过每个数据点，计算出它们之间的函数值，从而构建出全局的函数。
常见的插值方法包括拉格朗日插值法、牛顿插值法、分段线性插值法、三次样条插值法等。
插值方法的优点在于，它可以精确地通过所有数据来计算未知数据值。
但是，插值方法的缺点在于，它对于数据的噪声敏感，并且过度拟合的可能性会很大。
当数据点过多时，插值方法会使插值函数波动较大，从而无法反映数据的真实本质。
数学中的数值计算
数学中的数值计算数值计算是数学中一个重要的分支，它是利用计算机和数值方法来进行数学问题的近似求解。
数值计算广泛应用于不同领域，包括工程、科学、金融等。
本文将介绍数值计算的基本原理、方法以及在实际应用中的意义。
一、数值计算的基本原理数值计算的基本原理是将数学问题转化为计算机能够处理的形式，通过数值方法来近似求解。
数值计算的核心是利用数值计算方法对问题进行离散化，将连续的问题转化为离散的数值计算模型，然后通过数值计算方法对模型进行求解。
数值计算方法包括插值与逼近、数值积分、常微分方程数值解等。
二、数值计算方法1. 插值与逼近插值与逼近是数值计算中常用的方法，它通过已知数据点的函数值，构造一个具有特定性质的函数来逼近原函数。
最常用的插值方法是拉格朗日插值和牛顿插值。
插值与逼近方法能够通过少量的离散数据点近似计算出连续函数的值，具有广泛的应用价值。
2. 数值积分数值积分是数值计算中的重要方法，用于计算函数的定积分。
数值积分方法包括梯形法则、辛普森法则等。
数值积分方法能够通过将函数分割成若干小块，并对每个小块进行近似求解，从而得到较为准确的积分结果。
3. 常微分方程数值解常微分方程数值解是数学中一个重要的研究领域，用于求解常微分方程的数值近似解。
常微分方程数值解方法包括欧拉法、龙格-库塔法等。
常微分方程数值解方法能够通过将微分方程转化为差分方程，从而近似求解微分方程的解。
三、数值计算的应用意义数值计算在实际应用中具有重要的意义。
首先，数值计算能够帮助人们解决复杂的数学问题，提高计算效率。
其次，数值计算在科学、工程等领域中广泛应用，能够帮助人们进行模拟实验，设计优化方案，推动科学技术的发展。
此外，在金融领域，数值计算能够对复杂的金融模型进行求解，帮助人们做出合理的金融决策。
总结：数值计算是数学中一个重要的分支，通过利用计算机和数值方法来进行数学问题的近似求解。
数值计算包括插值与逼近、数值积分、常微分方程数值解等方法，广泛应用于不同领域。
函数逼近理论
函数逼近理论函数逼近是数学中研究近似计算方法的重要分支，它通过寻找一个接近所需函数的近似函数来简化复杂的计算问题。
函数逼近理论涵盖了多项式逼近、三角函数逼近、最小二乘逼近等各种方法。
本文将从数学背景、函数逼近的原理和应用领域三个方面进行讨论。
一、数学背景在了解函数逼近理论之前，我们需要回顾一些数学背景知识。
首先，我们要了解函数及其性质的概念。
函数是一种将一个集合中的元素映射到另一个集合中元素的规则，常用来描述数学、物理和工程问题。
其次，我们要熟悉多项式的性质。
多项式是由常数和变量的乘积相加而成的表达式，其具有高度的可控性和计算性能。
最后，我们需要了解一些数学分析工具，如泰勒级数展开和傅里叶级数展开等。
二、函数逼近的原理函数逼近的核心思想是通过构造一个近似函数，在一定范围内保持与所需函数的接近程度。
常用的函数逼近方法包括最小二乘逼近、插值逼近和曲线拟合等。
最小二乘逼近是一种基于最小化残差平方和的方法。
其基本思想是通过寻找一个多项式函数，使得所需函数与多项式函数的差异最小化。
这种逼近方法在实际问题中应用广泛，如信号处理、数据拟合等领域。
插值逼近是一种通过在给定数据点上构造插值多项式来逼近函数的方法。
插值多项式与原函数在数据点处相等，通过连接这些数据点构造出一个逼近函数。
插值逼近在图像处理、数值计算和计算机图形学等领域具有重要应用。
曲线拟合是一种寻找一条曲线与给定数据集最匹配的方法。
常用的曲线拟合方法包括多项式拟合、指数拟合和对数拟合等。
曲线拟合方法在统计学、经济学和物理学等领域具有广泛应用。
三、函数逼近的应用领域函数逼近理论在数学和工程领域中有着广泛的应用。
在数学领域，函数逼近可用于求解复杂的数学问题，如微积分、方程求解等。
在工程领域，函数逼近可用于优化算法、信号处理、图像处理等领域。
在优化算法中，函数逼近可用于近似解决无法求得精确解的优化问题。
通过构造一个逼近函数，可以减少计算量和提高计算效率，从而更好地解决实际问题。
第6章 函数逼近与函数插值
第六章 函数逼近与函数插值本章介绍函数逼近与插值的有关理论和算法. 函数逼近问题与插值问题两者既有联系又有区别，它们都是用较简单的函数来近似未知的、或表达式较复杂的函数. 一般来说，函数逼近是要在整个区间、或一系列离散点上整体逼近被近似函数，而在进行插值时，则须保证在若干自变量点上的函数值与被近似函数相等.6.1 函数逼近的基本概念进行函数逼近一般是在较简单的函数类Φ中找一个函数p(x)来近似给定的函数f(x)，以使得在某种度量意义下误差函数p (x )−f(x)最小. 被逼近函数f(x)可能是较复杂的连续函数，也可能是只在一些离散点上定义的表格函数，而函数类Φ可以是多项式、分段多项式、三角函数、有理函数，等等. 函数逼近问题中度量误差的手段主要是函数空间的范数，下面先介绍函数空间的范数、内积等有关概念，然后讨论函数逼近问题的不同类型.6.1.1 函数空间线性空间的概念大家都很熟悉，其定义中包括一个元素集合和一个数域，以及满足一定运算规则的“加法”和“数乘”运算. 简单说，若这个元素集合对于“加法”和“数乘”运算封闭，则为一线性空间. 线性空间的元素之间存在线性相关和线性无关两种关系，进而又有空间的基和维数的概念.在这里我们先考虑连续函数形成的线性空间. 例如C [a,b ]按函数加法、以及函数与实数乘法，构成一个线性空间. 对于[a,b]区间上所有k 阶导数连续的函数全体C k [a,b ]，也类似地构成一个线性空间. 我们一般讨论实数函数，因此对应的是实数域ℝ，若讨论复数函数，则相应的是复数域ℂ. 另外，与线性代数中讨论的向量空间ℝn 不同，连续函数空间是无限维的.对线性空间可以定义范数的概念（见3.1.2节）. 针对实连续函数空间C [a,b ]，与向量空间类似，可定义如下三种函数的范数(function norm)：1) ∞-范数 设f (x )∈C [a,b ]，则‖f (x )‖∞=max x∈[a,b ]|f (x )| .其几何意义如图6-1所示，即函数值绝对值的最大值.2) 1-范数‖f (x )‖1=∫|f (x )|dx b a .其几何意义如图6-2所示，即函数曲线与横轴之间的面积总和.3) 2-范数‖f (x )‖2=[∫f 2(x )dx b a ]1/2. 2-范数也常称为平方范数，其几何意义与1-范数类似. 线性空间还有一个重要概念是内积，它定义了空间中两个元素的一种运算. 下面给出一般的复数域上线性空间内积的定义.定义6.1：设S为实数域ℝ上的线性空间，∀u,v∈S，定义值域为ℝ的二元运算〈u,v〉，若满足1)〈u,v〉=〈v,u〉, (可交换性)2)〈αu,v〉=α〈u,v〉, ∀α∈ℂ(线性性1)3)〈u+v,w〉=〈u,w〉+〈v,w〉, ∀w∈S(线性性2)4)〈u,u〉≥0，当且仅当u=O时①，〈u,u〉=0, (非负性)则称〈u,v〉为一种实内积运算(inner product). 定义了内积的线性空间称为实内积空间.应说明的是，将定义6.1加以扩展可在更一般的实数域ℂ上定义内积，区别只是将第1条性质改为共轭可交换性：〈u,v〉=〈v,u〉 .例如复向量的内积为: 〈u,v〉=u T v̅，可以验证它满足上述共轭可交换性. 下面只考虑实内积，但得到的结果都可以类似地推广到复内积空间. 另外，定义6.1的条件2还说明零元素与任意元素的内积均等于0.根据内积的线性性可推出：〈α1u1+α2u2,v〉=α1〈u1,v〉+α2〈u2,v〉,∀α1,α2∈ℂ,(6.1) 更一般地有：〈∑αj u j nj=1,v〉=∑αj〈u j,v〉nj=1,∀α1,⋯,αn∈ℂ.(6.2)这里主要考虑函数空间，则(6.2)式表明，线性组合函数(与另一函数作)内积等于(相应各个函数)内积的线性组合.可以规定一种依赖于内积运算的范数：‖u‖≡√〈u,u〉 .易知这种内积导出的范数满足范数定义的三个条件（见3.1.2节），详细证明过程留给读者思考. 应注意，在向量空间中，由内积导出的范数等同于向量的2-范数. 在实函数空间C[a,b]中，一般定义内积为〈u(x),v(x)〉=∫u(x)v(x)dxba,(6.3) 因此，由它导出的范数也等同于函数空间的2-范数.下面介绍与内积有关的两个重要定理.定理6.1：设S为实内积空间，∀u,v∈S，有：|〈u,v〉|2≤〈u,u〉∙〈v,v〉 .(6.4) 这是著名的柯西-施瓦茨不等式(Cauchy-Schwarz inequality).定理6.1的证明留给读者思考，若u,v为三维向量，也请思考该定理有什么几何含义？定理6.2：设S为实内积空间，u1,…,u n∈S，则格莱姆矩阵（Gram matrix）G=[〈u1,u1〉〈u2,u1〉⋯〈u n,u1〉〈u1,u2〉〈u2,u2〉⋯〈u n,u2〉⋮⋮⋱⋮〈u1,u n〉〈u2,u n〉⋯〈u n,u n〉](6.5)非奇异的充要条件是u1,…,u n线性无关.[证明] 首先要用到线性代数中的一个基本结论：矩阵G非奇异⟺det(G)≠0⟺齐次线性方程组Ga=0只有全零解.设向量a=[a1,…,a n]T，则方程Ga=0可写成：①这里用正体的字母O表示线性空间的零元素.∑a j 〈u j ,u k 〉nj=1=0,k =1,2,⋯,n (6.6)下面证明方程组(6.6)只有恒零解的充分必要条件是u 1,…,u n 线性无关. 先证必要性，即已知方程组(6.6)只有恒零解，要证u 1,…,u n 线性无关. 采用反证法，若u 1,…,u n 线性相关，即存在不全为0的一组系数{αj ,j =1,⋯,n}使∑αj u j n j=1=O ，则∑αj 〈u j ,u k 〉n j=1=〈∑αj u j nj=1,u k 〉=〈O,u k 〉=0,(k =1,…,n ),即这组{αj }是方程组(6.6)的解，与已知条件矛盾！再证明充分性，即已知u 1,…,u n 线性无关，要证方程组(6.6)只有全零解. 仍采用反证法，若方程组(6.6)存在不全为零的一组解{αj }，则∑αj 〈u j ,u k 〉n j=1=〈∑αj u j nj=1,u k 〉=0,k =1,…,n将上述方程中第k 个方程乘以αk ，累加所有方程得到，〈∑αj u j n j=1,∑αj u j nj=1〉=0 ,根据内积的定义，必有∑αj u j n j=1=O , 也就是说存在不全为0的一组{αj }j=1n 使∑αj u j n j=1=O ，这与u 1,…,u n 线性无关的已知条件矛盾！综上所述，完成了定理的证明.应注意，格莱姆矩阵是实对称矩阵，并且当u 1,…,u n 线性无关时，它是对称正定矩阵. 针对实函数空间C[a, b]，常常有权函数、加权内积的概念.定义6.2：若函数ρ(x )≥0,∀x ∈[a,b]，且满足1) ∫x k ρ(x )dx ba 存在，(k =0,1,…),2) 对非负连续函数g (x )，若∫g (x )ρ(x )dx =0b a 可推出g (x )≡0,则称ρ(x)为区间[a,b]上的权函数(weight function).关于权函数的定义，说明几点：● 定义中对连续性没有要求，即ρ(x )可能不是连续函数；第1个条件要求的是ρ(x )与多项式乘积为可积函数.● 定义中第2条件的意义不是很直观，较直观的一种等价形式为：不存在子区间(c,d )⊆[a,b]，使ρ(x )=0,∀x ∈(c,d )，即“权函数在[a,b]中任一子区间不恒为零”. ● 一般遇到的C [a,b ]中非负函数（一定有界、可积），若不在某一子区间恒为零，则都可作权函数.定义6.3：若ρ(x )为区间[a,b]上的权函数，则可定义C [a,b ]上的内积为：〈u (x ),v (x )〉=∫ρ(x )u (x )v (x )dx b a ,(6.7)并称其为加权内积(weighted inner product).容易验证加权内积满足一般内积的定义，并且常用的函数内积(6.3)式是加权内积的特例，其对应于权函数ρ(x )≡1的情况. 根据加权内积，也可以导出范数，这种范数可看成是广义的2-范数，其公式为：‖f(x)‖=[∫ρ(x )f 2(x )dx b a ]12⁄ .6.1.2 函数逼近的不同类型在函数逼近问题中，用简单函数p(x)来近似f(x)，并要求误差最小. 这里度量误差大小的标准是范数，采用不同范数时其问题的性质是不同的. 下面分两种情况作些讨论.1) ∞-范数考虑误差函数p (x )−f (x )的∞-范数，假设函数的定义域为[a, b]，则可设ε=‖p (x )−f (x )‖∞=max x∈[a,b ]|p (x )−f (x )| , 因此有−ε≤p (x )−f (x )≤ε,∀x ∈[a,b ]，即p (x )−ε≤f (x )≤p (x )+ε, ∀x ∈[a,b ]图6-3显示了函数p (x ),f (x ), 以及‖p (x )−f (x )‖∞之间的关系，从中可以看出，在∞-范数意义下的逼近要求使ε尽量小，也就是要p (x )在整个区间上“一致地”接近f (x ). 因此，采用∞-范数的函数逼近问题常称为最佳一致逼近.2) 1-范数和2-范数先看看误差函数p (x )−f (x )的1-范数，‖p (x )−f (x )‖1=∫|p (x )−f (x )|dx ba令A =‖p (x )−f (x )‖1，则它表示p (x )和f (x )两个函数曲线之间的面积（如图6-4所示）. 在1-范数意义下的逼近，要求使A 尽量小，也就是要p (x )与f (x )曲线之间的总面积尽量小，反映出这种逼近有整个区间上“平均”误差尽量小的含义（在某个子区间上误差可能很大）.2-范数的意义与1-范数大体上类似，由于它更容易处理，在实际的逼近问题中一般采用图6-3 函数p (x ),f (x ), 以及‖p (x )−f (x )‖∞之间的关系.图6-4 函数p (x ),f (x ), 以及‖p (x )−f (x )‖1之间的关系.2-范数. 这种逼近称为最佳平方逼近或最小二乘逼近(least squares fitting).从直观上看，采用∞-范数的最佳一致逼近效果更好一些，而最佳平方逼近具有平均误差最小的含义.除了度量误差函数可采用不同的范数，被逼近函数也可分为连续函数和表格函数两种情况. 表格函数就是仅在一系列离散自变量点上已知函数值的函数，可通过函数值组成的向量来刻画，有关逼近问题的求解有特殊的处理方法. 而在逼近函数类方面，多项式函数是最常用的一种. 下面给出魏尔斯特拉斯定理（Weierstrass Theorem ），它是用多项式函数进行逼近的一个重要依据.定理6.3：设f (x )∈C[a,b]，则对任何ϵ>0，总存在一个多项式P (x )，使‖P (x )−f (x )‖∞<ϵ在[a, b]上一致成立.该定理的证明已超出了本书的要求，因此不做讨论. 值得一提的是，若f (x )∈C[0,1]，伯恩斯坦多项式(Bernstein polynomial)②B n (f,x )=∑f (k )Q k (x )nk=0 , 其中Q k (x )=(n k)x k (1−x )n−k , 就是满足定理要求的多项式P (x ). 注意B n (f,x )为n 次多项式，并且可以证明，lim n→∞B n (f,x )=f(x)在[0, 1]上一致成立. 因此，C[0,1]中的任意函数都可以用伯恩斯坦多项式（一致）逼近到任意好的程度. 应注意，它一般不是多项式函数类ℙn 中的最佳一致逼近.最后说明一点，求最佳一致逼近多项式的方法比较复杂，感兴趣的读者请参考[4, 9]. 本章后面主要介绍求最佳平方逼近的方法，它有很广泛的应用.6.2 连续函数的最佳平方逼近为了记号的方便，在6.2节和6.3节的介绍中记函数的自变量为t.6.2.1 一般的法方程方法一. 问题描述假设对f (t )∈C [a,b ]进行函数逼近，逼近函数类Φ应是形式简单的函数类，比如多项式函数、三角函数、有理函数，等等，并且它是有限维的线性子空间. 设Φ=span {φ1(t ),…,φn (t )}，则Φ的任一元素可表示为：S (t )=Σj=1n x j φj (t ), (6.8)其中x 1,…,x n ∈ℝ.连续函数的最佳平方逼近问题就是求S (t )∈Φ，使 ‖S (t )−f (t )‖2达到最小值. 利用公式(6.8)以及2-范数的定义，上述问题等价于最小化F =‖S (t )−f (t )‖22=∫[Σj=1n x j φj (t )−f (t )]2dt b a .(6.9)F 是关于实系数x 1,x 2,…,x n 的多元函数，需求出F 的最小值对应的那组系数x 1,x 2,…,x n .二. 法方程方法下面推导如何求(6.9)式的最小值点. 为了记号简便，省略函数记号中的“(t )”，即直接② 由原苏联数学家伯恩斯坦（1880—1968）于1912年提出.f ̃=f (3)=f (2)−2v 2T f (2)v 2T v 2v 2=[ −4.2061330.399807−0.004750130.0009512830.00195269], 此时矩阵A 经变换为： R =A (3)=[ −2.236068−3.35410200.790569000000] . 根据算法6.3，需求解方程R 1x =b ，其中R 1=[−2.236068−3.35410200.790569],b =[−4.2061330.399807]. 解得：x =[1.12250.5057]T ，即拟合公式为y ̃=1.1225+0.5057t ，它与例6.6, 6.7得到的结果是一样的.根据表格函数与其函数值向量的对应关系可证明，算法6.3与通过Gram-Schmidt 正交化过程求最佳逼近函数的方法在数学上是等价的. 不同之处在于：前者不涉及正交函数族，直接得到原基函数对应的拟合系数；前者的主要计算是矩阵的QR 分解，它可通过Householder 变换或Givens 旋转变换等不同方法实现. 由于算法6.3直接利用矩阵的QR 分解的特点，它更易于实现和应用，而且稳定性比算法6.2好. 最后说明一点，若初始的表格函数φ1(t ),…,φn (t )线性相关，矩阵A 不是列满秩的，QR 分解也能进行，但得到的上三角阵R 1奇异. 可以证明，这种情况下有无穷多个最小二乘解，详细的讨论请参考[6].一. 问题背景1945年7月16日，美国科学家在新墨西哥州Los Alamos沙漠试爆了世界上第一颗原子弹，这一事件令全球震惊. 但在当时有关原子弹爆炸的任何资料都是保密的，而很多其他国家的科学家非常想知道这次爆炸的威力有多大.两年之后，美国政府首次公开了这次爆炸的录像带，而其他数据和资料仍然不被外界所知. 英国物理学家G. I. Taylor(1886 ~ 1975)通过研究原子弹爆炸的录像带，建立数学模型对爆炸所释放出的能量进行了估计，得到估计值与若干年后正式公布的爆炸能量21 kt 相当接近(1 kt 为1千吨TNT 炸药的爆炸能量). Taylor 是如何根据爆炸录像估计的呢？主要是通过测量爆炸形成的“蘑菇云”半径来进行估计的（如图(A)）. 因为爆炸产生的冲击波从中心点向外传播，爆炸的能量越大，在相同时间内冲击波传播得越远、蘑菇云的半径就越大. Taylor 通过图(A) 原子弹爆炸的蘑菇云.*t 的单位为ms, r 的单位为m.然后通过量纲分析法建立了蘑菇云半径r 与时间t 和爆炸能量E 的关系式，利用上述数据最后求出了爆炸的能量.二. 数学模型考虑到原子弹爆炸在极短的时间内释放出巨大的能量，蘑菇云半径r 主要与时间t 、爆炸能量E 、以及空气密度ρ等几个参数有关. 通过仔细分析这几个量的单位，采用量纲分析法得到如下的蘑菇云半径的近似表达式：r =(t 2E )15. 其中r , t , E 的单位分别为米(m), 秒(s)和焦耳，而空气密度ρ的值为1.25 (kg m 3⁄). 对这次原子弹爆炸来说，E 为一固定值，因此r 与t 2成正比. 图(B)是根据蘑菇云半径与对应时刻的数据画出的散点图，它大体反映了这个趋势. 接下来的问题是如何求未知的参数E .三. 求解过程首先，改写蘑菇云半径的公式为r =at b 的形式，通过测量数据拟合出参数a 和b ，来验证量纲分析法得到的公式. 要作线性最小二乘拟合，进一步改写公式为：lnr =lna +blnt . 根据测量数据我们得到lnr 和lnt 的数据，将它们的函数关系拟合为1次多项式，得到系数b =0.4094，其值与前面分析的结果2/5非常接近，从而验证了量纲分析得到的公式.为了更为准确地计算爆炸能量E ，将蘑菇云半径公式改写为：5lnr −2lnt =ln (E ) . 此时可根据测量数据得到5lnr −2lnt 对应的一组数据，将它拟合为0次多项式（常数），设得到拟合系数为c ，则E ≈ρ∙e c .根据此方法算出E ≈8.6418×1013，单位为焦耳，查表得知1kt=4.184×1012焦耳，因此爆炸能量约等于20.65 kt.6.4函数插值与拉格朗日插值法函数插值可看作一种“特殊”的函数逼近问题，其逼近采用的“度量”准则是要求在插值节点处误差函数的值为0. 本节先介绍关于插值(interpolation)的一些基本概念，然后讨论最简单的一种多项式插值——拉格朗日插值法.图(B) 蘑菇云半径与对应时刻的数据 rt个节点：x 0<x 1<⋯<x n 进行插值，只需将B −k k (x ),B −k+1k (x ),⋯,B n−1k (x )这n+k 个k 次B-样条函数进行组合. 可以证明，它们在区间[x 0,x n ]上的部分组成n+k 个线性无关的基函数. 因此，对于满足额外边界条件的[x 0,x n ]上的k 次样条函数，可唯一地用这些基函数的线性组合表示. 感兴趣地读者可以推导B i 3(x )的表达式，然后利用插值条件和边界条件列方程求这些基函数对应的系数，进而推导出三次样条插值函数的表达式. 这个计算过程将与上一小节的方法得到相同的结果.利用B-样条基函数，可得到确定和计算各阶样条插值的有效而稳定的方法. 此外，它在计算机图形学、几何建模，以及数值求解微分方程等领域都有广泛的应用.评述关于多项式逼近和插值问题的研究历史悠久，应用面也很广. 本章只讨论了一元函数的最佳平方逼近，更多的相关内容，包括多元函数的逼近、正交多项式等，可参考下述文献：● P . J. Davis, Interpolation and Approximation , Dover, 1975.● W. Cheney, Introduction to Approximation Theory , AMS Chelsea Publishing, 2nd edition,1998.● G. A. Baker, and P . R. Graves-Morris, Pade Approximations , Cambridge University Press,2nd edition, 1996.● W. Gautschi, “Orthogonal polynomials: Applications and computation,” Acta Numerica ,Vol. 5, pp. 45-119, 1996.最佳平方逼近的法方程方法在1795年由高斯提出. 格莱姆－斯密特正交化方法在1883年由格莱姆提出，1907年斯密特给出了现代算法. 在求解最小二乘问题中使用QR 分解方法，特别是使用Householder 变换的方法是在1965年由G. Golub ⑥提出的. 最小二乘方法是统计学的重要工具，也称为回归分析，很多常用的数据处理软件（比如微软公司的Excel 软件）都具有这个功能. 本章讨论的线性最小二乘问题实际上是一种最简化的形式，即假设待逼近函数是基函数的线性组合. 在实际应用中还常遇到非线性最小二乘问题，它属于非线性优化问题，见参考文献[6]及其中给出的更多文献. 另外，若考虑所有参量都带有随机误差的情形，则成为完全最小二乘问题，有关详细讨论见文献：● S. Van Huffel and J. Vandewalle, The Total Least Squares Problem , SIAM Press, 1991. 本章也没有讨论拟合的基函数可能线性相关的情况，这在实际中可能由于拟合模型的不合理或数值误差造成，它使得矩阵A 列不满秩. 此时最佳平方逼近解不唯一，要得到实际有用的一个逼近解，需采用列重排的QR 分解等技术，更多讨论参见文献[6]及其他文献.多项式插值问题历史非常悠久，牛顿、拉格朗日等都在这方法做出了很多贡献. 除了将函数值作为条件的插值问题，插值条件中包括各阶导数值的情况也常见于各种工程应用中. 目前，常用的文档编辑软件都已使用保形分段插值来绘制曲线，例如微软公司的Word 和Power Point 软件. 样条函数是1946年由Schoenberg 首先提出的，本章只讨论了一维数据的样条插值和B-样条函数，实际问题中还有高维的插值问题，尤其在计算机图形学中二维B-样条是一个重要的工具. 关于样条的参考文献主要有：● C. de Boor, A Practical Guide to Splines , Springer-Verlag, 2nd edition, 1984.● E. V. Shikin and A. I. Plis, Handbook on Splines for the User , CRC Press, 1995.最后，列表说明Matlab 中与本章讨论的函数逼近与插值有关的命令和功能.⑥ Gene H. Golub (1932-2007), 美国斯坦福大学计算机系教授，美国科学院、工程院、艺术与科学院三院院士，著名的数值计算专家，1996年出版的著作”Matrix Computations ” [21]被奉为矩阵计算领域的经典.线拟合与样条插值的功能.[本章知识点]: 连续函数的范数；内积及其性质；内积空间的格莱姆矩阵、及其非奇异的充要条件；权函数与加权内积；最佳一致逼近与最佳平方逼近的概念；法方程方法求连续函数的最佳平方逼近；最佳平方逼近的误差；正交函数族与Gram-Schimdit正交化过程；勒让德多项式；用正交函数族作最佳平方逼近；曲线拟合的线性最小二乘问题；线性最小二乘问题的矩阵描述；法方程方法解线性最小二乘问题；表格函数的线性无关性与相关性；利用矩阵的QR分解解线性最小二乘问题；插值的基本概念；范德蒙矩阵与多项式插值的存在唯一性；拉格朗日插值公式；拉格朗日插值余项公式；牛顿插值公式；差商的计算；牛顿插值余项公式；高次多项式插值的问题；分段线性插值；埃尔米特插值；分段三次埃尔米特插值；保形分段插值；三次样条插值及边界条件；三次样条插值的构造方法；三弯矩方程；几种插值的比较；B-样条函数的基本概念与性质.算法背后的历史：拉格朗日与插值法约瑟夫·路易斯·拉格朗日（Joseph-Louis Lagrange，1736年1月25日—1813年4月10日）是法国数学家、物理学家. 他在数学、力学和天文学三个领域中都有巨大的贡献，其中尤以数学方面的成就最为突出. 拉格朗日与同时代的勒让德（Legendre）、拉普拉斯（Laplace）并称为法国的3L.拉格朗日于1736年生于意大利西北部的都灵. 17岁时，开始专攻当时迅速发展的数学分析. 1756年，受欧拉的举荐，拉格朗日被任命为普鲁士科学院通讯院士. 1766年赴柏林任普鲁士科学院数学部主任，居住柏林达20年之久，这是他一生科学研究的鼎盛时期. 在此期间，他完成了著作《分析力学》. 1786年加入了巴黎科学院成立的研究法国度量衡统一问题的委员会，并出任法国米制委员会主任. 1795年建立了法国最高学术机构——法兰西研究院后，拉格朗。
函数逼近的几种算法及其应用
函数逼近的几种算法及其应用函数逼近是数值计算中的一种重要技术，用于在给定的函数空间中找到与目标函数最相近的函数。
函数逼近算法可以在不知道目标函数解析表达式的情况下，通过对给定数据进行处理来逼近目标函数的结果。
这篇文章将介绍几种常见的函数逼近算法及其应用。
1.多项式逼近：多项式逼近是一种利用多项式函数逼近目标函数的方法。
多项式逼近算法有很多种，常见的有最小二乘法、拉格朗日插值法和牛顿插值法等。
多项式逼近广泛应用于数据拟合、信号处理和图像处理等领域。
最小二乘法是一种通过最小化实际观测值与多项式模型之间的差异来确定多项式系数的方法。
最小二乘法可以用于拟合非线性和线性函数。
拉格朗日插值法和牛顿插值法是通过插值多项式来逼近目标函数的方法，可以用于填充缺失数据或者生成曲线过程中的中间点。
2.三角函数逼近：三角函数逼近是一种利用三角函数来逼近目标函数的方法。
三角函数逼近算法有傅里叶级数逼近和小波变换等。
傅里叶级数逼近是一种利用三角函数的线性组合来逼近目标函数的方法。
这种方法广泛应用于信号处理、图像处理和数学建模等领域。
小波变换是一种通过特定的基函数来逼近目标函数的方法。
小波变换可以用于信号去噪、图像压缩和模式识别等应用。
3.插值逼近：插值逼近是一种通过已知数据点在给定区间内的函数值来确定目标函数的方法。
常见的插值逼近方法有拉格朗日插值法、牛顿插值法和差值多项式法等。
插值逼近广泛应用于任何需要通过已知数据点来逼近目标函数的领域。
在实际应用中，函数逼近常用于数据分析和模型构建。
例如，在金融领域，函数逼近可以用于确定股票价格走势的模型和预测。
在工程领域，函数逼近可以用于建立复杂系统的模型和优化控制。
在计算机图形学领域，函数逼近可以用于生成真实感图像和动画。
总结起来，函数逼近是一种重要的数值计算技术，有多种算法可供选择。
多项式逼近、三角函数逼近和插值逼近是常见的函数逼近算法。
函数逼近广泛应用于数据分析、模型构建和优化控制等领域，对于解决实际问题具有重要作用。
计算方法与数值计算(2-1插值与逼近)
800 1:42.58 罗达尔
1000
1500 3:32.07 恩格尼
是否能建立竞赛距离与纪录时间之间的 函数关系，并测算男子1000米纪录。
4
200
150
100
400
600
800
1000
1200
1400
散点图
5
引例2 设f ( x) ln x，并假定已给出下列三 点 处的函数值，试近似计 算 ln11.75的值。
30
f ( n1) ( ) n Rn ( x) (x x j ) (n 1)! j 0
不能确定，实际计算时，
在[a, b]上，若有 f ( n1) ( x) M，则
n f ( n1) ( ) n M Rn ( x) ( x x j ) (n 1)! ( x x j ) (n 1)! j 0 j 0
已知函数f(x)在n+1个互异节点ax0<x1 <……< xn b
处的函数值yi = f(xi) (i=0,1,2,……，n)，
则存在唯一一个次数不超过n次的多项式： Pn(x)=a0+a1x+……+anxn 满足条件Pn (xi) = yi = f(xi) 。
11
证明：设所要构造的插值多项式为：
y1 y=P1(x)
y0
x0
线性插值
18
x1
x
L1(x)= l0(x)y0 + l1(x)y1
其中
x x1 l0 ( x ) x0 x1
x x0 , l1 ( x) x1 x0
l0(x)：点x0的一次插值基函数， l1(x)：点x1的一次插值基函数。
- 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)。
数学中的函数逼近与插值
数学中的函数逼近与插值是一门重要的数学分支，通过近似求解函
数与数据之间的关系，可以快速计算和预测未知的数值。
本文将介绍
函数逼近与插值的基本概念和方法，并探讨其在实际应用中的价值和
意义。
一、函数逼近
函数逼近是指通过一系列已知的数据点来建立一个近似的函数模型，以便于计算和预测未知的数值。
在实际应用中，我们经常需要使用函
数逼近来处理大量的数据，从而节省计算和存储资源。
1.1 最小二乘法
最小二乘法是函数逼近的常用方法，它通过最小化实际观测数据与
模型预测值之间的误差平方和，来确定函数逼近的参数。
最小二乘法
可以应用于线性和非线性函数逼近，是一种广泛使用的数学工具。
1.2 插值法
插值法是函数逼近的一种常见技术，它通过已知的数据点构建一个
多项式函数，以逼近未知的函数模型。
插值法可以根据数据点的特点
选择不同的插值多项式，如拉格朗日插值、牛顿插值等。
插值法在图
像处理、信号处理等领域有广泛应用。
二、函数插值
函数插值是指通过已知的数据点来构建一个连续的函数模型，以便于在任意位置计算函数值。
函数插值在数学、计算机科学和工程领域具有重要的应用价值。
2.1 插值多项式
插值多项式是函数插值的一种常用方法，它通过已知的数据点构建一个多项式函数，以逼近未知的函数模型。
插值多项式可以使用拉格朗日插值、牛顿插值等方法进行构造，这些方法在实际应用中具有较好的效果。
2.2 样条插值
样条插值是一种更加精确和平滑的插值方法，它通过已知的数据点构建一系列分段连续的多项式函数，以逼近未知的函数模型。
样条插值可以解决插值多项式在几点处不光滑的问题，常用的样条插值方法有线性样条插值、二次样条插值和三次样条插值等。
三、函数逼近与插值在实际应用中的意义
函数逼近与插值在科学研究和工程实践中具有广泛的应用，对于大数据处理、数值计算和机器学习等领域具有重要的作用和意义。
3.1 数据拟合与预测
函数逼近与插值可以通过已知的数据点建立一个模型，从而对未知的数据进行拟合和预测。
在金融、医学、天气预测等领域，函数逼近与插值能够通过已有的数据来预测未来的趋势和变化。
3.2 优化与调参
函数逼近与插值可以用于优化和调参的问题，通过逼近原始函数模型，减少计算和存储资源的消耗。
在机器学习和人工智能算法中，函数逼近与插值可以加速模型的训练和优化过程。
3.3 数据可视化
函数逼近与插值可以用于数据可视化的处理和展示。
通过插值方法构建的连续函数模型，可以更加直观地显示数据的分布和规律，为决策和分析提供有力的支持。
总结：
函数逼近与插值是数学中重要的工具和方法，通过近似求解函数与数据之间的关系，可以快速计算和预测未知的数值。
最小二乘法和插值法是常用的函数逼近方法，插值多项式和样条插值是常见的函数插值技术。
函数逼近与插值在实际应用中具有广泛的意义和应用价值，可以用于数据拟合与预测、优化与调参、数据可视化等领域。
通过合理应用函数逼近与插值，可以提高计算和预测的准确性，为科学研究和工程实践提供有力的支持。