第四章 最佳逼近

第四章最佳逼

学习目标:掌握最佳一致逼近和最佳平方逼近的基本理论和

方法、以及最小二乘法常用

的正交多项式以及正交多项

式的性质。重点为最佳一致

逼近和最佳平方逼近的特征

性质(如契比雪夫定理等)

以及最佳一致逼近和最佳平

方逼近多项式的计算方法。

§1 C[a ,b ]上的最佳一致逼近

不难验证,[a ,b ]上所有连续函数的全体构成一无限维线性空间,

简记为C[a,b]。为描述方便,引进符号函数 ,称为C[a,b]

上的一致范数或契比雪夫(Chebyshev )范数,其定义为

∞?],[]

,[,)(max b a b a x C f x f f ∈?=∈∞考虑所有n 次代数多项式的全体形成的集合

. 不难验证,P n 是C [a ,b ]上的n+1维线性子空间。

{

}n n x x span P ,,,1 =

对给定的函数f (x )∈C [a ,b ]称量:

)

()(min ),(x p x f P f n P p n -=?∈为f (x )关于P n 的最佳一致逼近,简称最佳逼近,也称为契比雪夫逼近。满足上式的多项式p *(x )称为f (x )在[a ,b ]上的最佳逼近多项式,而线性空间 P n 也称为逼近子空间。

围绕这一问题,人们马上会问:最佳逼近多项式是否存在?是否唯一?如果存在,如何寻找或构造它?对这些问题的回答构成了最佳一致逼近研究的中心内容。

定理(契比雪夫定理) 对任意

是f 的最佳一致逼近多项式的充要条件是f - p 在[a ,b ]上存在的至少有n +2个点组成的交错点组。

n b a p p C f ∈∈,],[推论1 如果 ,那么在

中存在唯一的元素为f 的最佳一致逼近多项式

],[b a C f ∈n p 推论 2 如果f 在[a ,b ]上有n +1阶导数,且 在

(a ,b )上保号(恒正或恒负),那么契比雪夫交

错组唯一,且区间[a ,b ]的端点属于契比雪夫交错组。

)1(+n f

§4.3 最佳平方逼近

假设X是一线性空间,如果其上赋予一个满足如下4条性质的二元函数(·,·):

(1)(x, y)=(y, x),x, y∈X;

(2)(αx, y)=α(x, y),x, y∈X;α∈R;

(3)(x+y, z)=(x, z)+(y, z),x, y, z∈X;

(4)(x, y)≥0,x, y∈X, (x, y)=0?x=0

则称X为内积空间。

最简单的内积空间是欧几里德空间,它是线性空间R n,按内积

(x, y)=x T y, x, y∈R n (20)

所构成,其中T表示向量的转置。容易验收证,由(20)式定义的内积满足内积的上述4条性质。

利用内积可以引进范数,若X 是一内积空间,则容易

验证函数 满足范数的3条性质。于是内

积空间按上述范数构成赋范线性空间,由此可以引出内积空间中的最佳逼近问题:假设φi (i =1,2,…,n )是内积空间X 中n 个线性无关的元素,f ∈X ,则子集 Φn=span{φ1,φ2,…,φn}

对f 的最佳平方逼近定义为:

2min ),(??-=Φ?Φ∈f f n n (21)

特别使(21)式成立的那个元素称为最佳逼近元。

),(2x x x =

类似地,可以提出如下问题:最佳平方逼近元是否存在?如果存在,是否唯一?其特征又如何?对此我们首先建立如下的结论:

定理12 假设X 是内积空间,f ∈X ,则φ*∈Φn 为f 的最佳逼近元的充分必要条件是

(22) n i f i ,,2,1,0),(* ==-??

第四章 最佳逼近

第四章最佳逼 近 学习目标:掌握最佳一致逼近和最佳平方逼近的基本理论和 方法、以及最小二乘法常用 的正交多项式以及正交多项 式的性质。重点为最佳一致 逼近和最佳平方逼近的特征 性质(如契比雪夫定理等) 以及最佳一致逼近和最佳平 方逼近多项式的计算方法。

§1 C[a ,b ]上的最佳一致逼近 不难验证,[a ,b ]上所有连续函数的全体构成一无限维线性空间, 简记为C[a,b]。为描述方便,引进符号函数 ,称为C[a,b] 上的一致范数或契比雪夫(Chebyshev )范数,其定义为 ∞?],[] ,[,)(max b a b a x C f x f f ∈?=∈∞考虑所有n 次代数多项式的全体形成的集合 . 不难验证,P n 是C [a ,b ]上的n+1维线性子空间。 { }n n x x span P ,,,1 =

对给定的函数f (x )∈C [a ,b ]称量: ) ()(min ),(x p x f P f n P p n -=?∈为f (x )关于P n 的最佳一致逼近,简称最佳逼近,也称为契比雪夫逼近。满足上式的多项式p *(x )称为f (x )在[a ,b ]上的最佳逼近多项式,而线性空间 P n 也称为逼近子空间。 围绕这一问题,人们马上会问:最佳逼近多项式是否存在?是否唯一?如果存在,如何寻找或构造它?对这些问题的回答构成了最佳一致逼近研究的中心内容。

定理(契比雪夫定理) 对任意 是f 的最佳一致逼近多项式的充要条件是f - p 在[a ,b ]上存在的至少有n +2个点组成的交错点组。 n b a p p C f ∈∈,],[推论1 如果 ,那么在 中存在唯一的元素为f 的最佳一致逼近多项式 ],[b a C f ∈n p 推论 2 如果f 在[a ,b ]上有n +1阶导数,且 在 (a ,b )上保号(恒正或恒负),那么契比雪夫交 错组唯一,且区间[a ,b ]的端点属于契比雪夫交错组。 )1(+n f

数学实验“Chebyshev多项式最佳一致逼近,最佳平方逼近”实验报告(内含matlab程序)

西京学院数学软件实验任务书

实验十八实验报告 一、实验名称:Chebyshev 多项式最佳一致逼近,最佳平方逼近。 二、实验目的:进一步熟悉Chebyshev 多项式最佳一致逼近,最佳平方逼近。 三、实验要求:运用Matlab/C/C++/Java/Maple/Mathematica 等其中一种语言完成程序设计。 四、实验原理: 1.Chebyshev 多项式最佳一致逼近: 当一个连续函数定义在区间[1,1]-上时,它可以展开成切比雪夫级数。即: 0()()n n n f x f T x ∞ ==∑ 其中()n T x 为n 次切比雪夫多项式,具体表达式可通过递推得出: 0111()1,(),()2()()n n n T x T x x T x xT x T x +-===- 它们之间满足如下正交关系: 1 0 n m n=m 02 n=m=0 π π-≠???=≠?????

在实际应用中,可根据所需的精度来截取有限项数。切比雪夫级数中的系数由下式决定: 1 01 1 2n f f ππ --== ? ? 2.最佳平方逼近: 求定义在区间01[,]t t 上的已知函数最佳平方逼近多项式的算法如下。 设已知函数()f x 的最佳平方逼近多项式为 01()n n p x a a x a x =+++ ,由最佳平方逼近的定义有: 01(,,,) 0(0,1,2,,)n i F a a a i n a ?==? 其中1 20101(,,,)(())t n n n t F a a a f x a a x a x dx =----? 形成多项式()p x 系数的求解方程组Ca D =

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 m j =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 b a 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 =0m k =0 得 c k ? φi ,φj = f ,φj m k =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。

函数的一次最佳平方逼近

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 ???∈ 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 ??? 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 #include 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

函数逼近

第七章 函数逼近 用简单的函数p (x )近似地代替函数f (x ),是计算数学中最基本的概念和方法之一。近似代替又称为逼近,函数f (x )称为被逼近的函数,p (x )称为逼近函数,两者之差 )()()(x p x f x R -= 称为逼近的误差或余项 在计算数学里,所谓简单的函数主要是指可以用加、减、乘、除四则运算进行计算的函数,如有理分式函数、多项式等。由于多项式最简单,计算其值只需用到加、减与乘三种运算,且求其微分和积分都很方便,所以常用它来作为逼近函数,而被逼近的函数f (x )一般是一个比较复杂的不易计算的函数或以表格形式给出的函数。 第六章介绍的插值法实际上也是函数逼近的一种方法。不过,它要求函数p (x )与f (x )在节点处具有相同的函数值 (甚至要求有相同的导数值),但在非节点处,p (x ) 虽然有可能很好地逼f (x ),但也可能使逼近f (x ) 的误差很大,如果实际问题要求p (x )在区间[a , b ] 上每一点都“很好”地逼近的话,用插值多项式p (x ) 去逼近f (x )有时就要失败,所谓龙格现象,就是典型一例。 大家知道,用f (x )的泰勒(Taylor)展开式 )()()! 1()()(! )()(!2)() )(()()(010)1(00)(200000之间与在x x x x n f x x n x f x x x f x x x f x f x f n n n n ξξ++-++-++-''+-'+=Λ 的部分和去逼近函数f (x ),也是常用的方法。这种方法的特点是:x 越接近于x 0,误差就越小,x 越偏离x 0,误差就越大。若要使这种逼近在整个所讨论的区间上都达到精度要求,则需取很多项,这样,计算工作量就大大增加。因此,如何在给定精度下,求出计算量最小的近似式,这就是函数逼近要解决的问题,这个问题的一般提法是: 对于函数类A 中给定的函数f (x ),要求在另一类较简单的且便于计算的函数类B (? A )中寻找一个函数p (x ),使p (x )与f (x )之差在某种度量意义下最小。 一般,最常见的函数A 是区间[a , b ]上的连续函数,记作C [a , b ]。 最常用的函数类B 有代数多项式、三角多项式以及有理分式函数等。 最常用的度量标准有两种:

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?,若讨论复数函数,则相应的是复数域?. 另外,与线性代数中讨论的向量空间?n 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.

最佳平方逼近与最小二乘拟合

最佳平方逼近与最小二乘拟合 ——两者的区别与联系 函数逼近是用一个多项式无限接近原函数,而拟合是将函数中的元素联系起来。也就是说,最佳平方逼近是针对函数,最小二乘法是针对离散的点,二者在形式上基本一致。另外,最小二乘拟合也称为离散型最佳平方逼近,两者的解法有很多相似之处。 一、 函数的最佳平方逼近 (一)最佳平方逼近函数的概念 对[]b a C x f ,)(∈及[]b a C ,中的一个子集{ }n span ???φ,,,10?=,若存在φ∈)(* x S ,使 []dx x S x f x S f S f b a S S ? -=-=-∈∈22 222 *)()()(inf inf ρ?? , 则称)(*x S 是)(x f 在子集[]b a C ,?φ中的最佳平方逼近函数。 (二)最佳平方逼近函数的解法 为了求)(* x S , 由[]dx x S x f x S f S f b a S S ? -=-=-∈∈22 222 *)()()(inf inf ρ?? 可知,一般的最佳平方逼近问题等价于求多元函数 dx x f x a x a a a I b a n j j j n 2 010)()()(),,,(? ∑?? ? ???-= ?=?ρ的最小值问题。 由于),,,(10n a a a I ?是关于n a a a ,,,10?的二次函数,利用多元函数极值的必要条件 ),,1,0(0n k a I k ?==??,即 n),,1,0(0)()()()(20?==?? ????-=???∑=k dx x x f x a x a I k b a n j j j k ??ρ, 于是有() ()),,1,0(,,0 n k f a k j n j j k ?==∑=???。

第六章 函数逼近

第六章函数逼近https://www.360docs.net/doc/233209436.html,/shuzhifenxi/index.htm 第一节曲线拟合的最小二乘法 问题的背景 通过观测、测量或试验得到某一函数在x1 ,x2,…,x n的函数值. 我们可以用插值的方法对这一函数进行近似,而插值方法要求所得到的插值多项式经过已知的这n个插值结点;在n比较大的情况下, 插值多项式往往是高次多项式, 这也就容易出现振荡现象:虽然在插值结点上没有误差,但在插值结点之外插值误差变得很,从“整体”上看,插值逼近效果将变得“很差”. 于是, 我们采用数据拟合的方法. 定义1 数据拟合就是求一个简单的函数φ(x), 例如是一个低次多项式,不要求通过已知的这n个点,而是要求在整体上“尽量好”的逼近原函数,这时在每个已知点上就会有误差y k -φ(x k),(k=1,2,…,n),数据拟合就是从整体上使误差 y k -φ(x k),(k=1,2,…,n), 尽量的小一些. 如果要求: 达到最小,因误差y k -φ(x k)可正可负 本来很大的误差可能会正负抵消,这样的提法不合理,为防止正负抵消,可以要求:达到最小,但是由于绝对值函数不可以求导,分析起来不方便,求解也很难. 为了既能防止正负抵消,又能便于我们分析、求解,提出如下问题: 求一个低次多项式φ(x) ,使得: 达到最小,此问题便是一个数据拟合的最小二乘问题.

一、直线拟合(一次函数) 通过观测、测量或试验得到某一函数在x1 ,x2,…,x n的函数值:y1 ,y2,…,y n ,即得到n组数据(x1 ,y1 ),(x2 ,y2),…,(x n ,y n ),如果这些数据在直角坐标系中近似地分布在一条直线上,我们可以用直线拟合的方法. 已知数据(x1 ,y1 ),(x2 ,y2),…,(x n ,y n ),求一次多项式φ(x)=a+bx(实际上,就是求a,b), 使得: (1) 达到最小. 注意到Q(a,b)中,x k ,y k均是已知的,而a,b是未知量,Q(a,b)是未知 量a,b的二元函数,利用高等数学求二元函数极 小值(最小值)的方法,上述问题转化为求解下 列方程组: 的解.

最佳一致逼近多项式

§3最佳一致逼近多项式 2-1 最佳一致逼近多项式的存在性 切比雪夫从另一观点研究一致逼近问题,他不让多项式次数n 趋于无穷,而是固定n ,记次数小于等于n 的多项式集合为n H ,显然],[b a C H n ?。记{1,,,}n n H span x x =L , n x x ,,,1L 是],[b a 上一组线性无关的函数组,是n H 中的一组基。n H 中的元素)(x P n 可表示为 01()n n n P x a a x a x =+++L , 其中n a a a ,,,10L 为任意实数。要在n H 中求)(*x P n 逼近],[)(b a C x f ∈,使其误差 )()(max min )()(max *x P x f x P x f n b x a H P n b x a n n ?=?≤≤∈≤≤ 这就是通常所谓最佳一致逼近或切比雪夫逼近问题。为了说明这一概念,先给出以下定义。 定义1 ],[)(,)(b a C x f H x P n n ∈∈,称 )()(max ),(x P x f P f P f n b x a n n ?=?=?≤≤∞ 为)(x f 与)(x P n 在],[b a 上的偏差。 显然),(,0),(n n P f P f ?≥?的全体组成一个集合,记为)},({n P f ?,它有下界0。若记集合的下确界为 ,)()(max inf )},({inf x P x f P f E n b x a H P n H P n n n n n ?=?=≤≤∈∈ 则称之为)(x f 在],[b a 上最小偏差。 定义2 假定],[)(b a C x f ∈,若存在n n H x P ∈)(* , n n E P f =?),(*, 则称)(*x P n 是)(x f 在],[b a 上的最佳一致逼近多项式或最小偏差逼近多项式,简称最佳逼近多项式。 注意,定义并未说明最佳逼近多项式是否存在,但可证明下面的存在定理。 定理2 若],[)(b a C x f ∈,则总存在n n H x P ∈)(*,使 n n E x P x f =?∞)()(*. 证明略。 2-2 切比雪夫定理 这一节我们要研究最佳逼近多项式的特性,为此先引进偏差点定义。 https://www.360docs.net/doc/233209436.html, https://www.360docs.net/doc/233209436.html,

计算方法讲义:六 函数逼近

第六章 函数逼近 用简单的函数近似代替复杂函数,是计算数学中最基本的方法之一。近似又 称为逼近,被逼近的函数与逼近函数之差)()()(x p x f x R -=称为逼近的误差或余项。 简单函数:仅用加、减、乘、除。多项式是简单函数。插值也可 以理解为一种逼近形式。用 Taylor 展开: 10)1(00) (000)()! 1()()(!)())(()()(++-++-+ -'+=n n n n x x n f x x n x f x x x f x f x f ξ 的部分和逼近f (x )也是一种逼近方法,其特点是:x 越接近于x 0,误差就越小。如何在给定精度下求出计算量最小的近似式,这就是函数逼近要解决的问题。逼近的度量标准有:一致逼近和平方逼近。 6.1 函数内积 本节介绍几个基本定义:权函数、内积、正交、正交函数系。 定义1 设ρ (x )定义在有限或无限区间[a , b ]上,若具有下列性质:(1) ρ (3) 对非负的连续函数g (x ),若?=b a dx x x g 0)()(ρ,则在(a , b )上g (x ) ≡ 0,称ρ (x )为[a , b ]上的权函数。 常用权函数有:2 11)(],1,1[x x -= -ρ; x e x -=∞)(],,0[ρ;2 )(],,[x e x -=∞+-∞ρ;1)(],1,1[=-x ρ等。 定义2 设f (x ),g (x ) ∈ C [a , b ],ρ (x )是[a , b ]上的权函数,则称 ?=b a dx x g x f x g f )()()(),(ρ为f (x )与g (x )在[a , b ]上以ρ (x )为权函数的内积。 内积有如下性质:(1) (f , f )≥0,且(f , f )=0 ? f = 0;(2) (f , g ) = (g , f );

数值分析第6章习题

数值分析第六章整合版(黑组) 一、填空题 1、已知 ()01 P x =,()1P x x =, () () 2 2312 x P x -= ,根据勒让德多项式的递推关系,则 求()3P x =(3532x x - ) 解:勒让德多项式的递推关系为()()()()()11121n n n n P x n xP x nP x +-+=+-,n=1,2……. 将()1P x x =,()() 2 2312 x P x -= 代入上式即可求出()3P x =3532 x x - 2、若)(x P 是],[)(b a C x f ∈的最佳3次逼近多项式,则)(x P 在],[b a 上存在5 个交替为 正、负偏差点。(考点:切比雪夫定理) 3、切比雪夫正交多项式可表示为(x)cos(narcosx)n T =,(x)n T 是最高次幂系数为12n - 的n 次多项式。(考点:切比雪夫多项式性质) 4、最佳一致问题同时存在正偏差点和负偏差点 (考点:最佳一致逼近定理3) 二、选择题 1、求函数3)1()(+=x x f 在区间[0,1],],[,21b a x x ∈上的一次最佳一致逼近多项式(D ) A x +4358.0 B x 34358.0+ C x 54358.0+ D x 74358.0+ 2、设 的2-其中 为定义在[a,b]上的(A ) A 权函数 B 反函数 C 幂函数 D 函数 3、x e =)(x f ,-1≤x ≤1,且设= p(x)x a a 1 +,求a a 1 , 0使得)(x p 为)(x f 于[] 1,0上的最佳平方逼近多项式(A ) A:() 1021--=e e a ,311e a -= B:() e a e a e 111 03 1,2---== ) (x ρ],[)(b a C x f ∈()f x

最佳一致逼近

构造C[0,1]上W=&(1,x,…,x9)到f(x)=e x上 的最佳逼近 学院:数学与计算机科学学院

班级:2011级数学与应用数学 姓名: 学号: 指导教师: 日期:2012.06.20 构造C[0,1]上W=&(1,x,…,x9)到f(x)=e x上的最佳逼近 (西北民族大学数学与应用数学专业,兰州730124) 指导教师 摘要:本文通过对最佳逼近的研究,着重分析其构造方法,从而使得对知识的掌握更加连贯及牢固。通过对它的研究,我们对其有了更深的了解。 关键词:最佳逼近,正射影,傅里叶系数 最佳平方逼近 一般而言,在[a, b]上对给定的函数求它的一致逼近函数比较困难,下面我们介绍在[a, b]上较易计算的另一种逼近方法――最佳平方逼近。 一、预备知识

1.函数系的线性关系 定义1 若函数)(,),(),(10x x x n ??? ,在区间[a , b ]上连续,如果 关系式 0)()()()(221100=++++x a x a x a x a n n ???? 当且仅当0210=====n a a a a 时才成立,则称函数 )(,),(),(10x x x n ??? 在[a , b ]上是线性无关的,否则称线性相关。 如果函数系{?k (x )}(k = 0, 1, 2, …)中的任何有限个函数线性无 关,则称函数系{?k (x )}为线性无关函数系,例如{1, x , …, x n , …}就是在区间[a , b ]上的线性无关函数系。 设)(,),(),(10x x x n ??? 是[a , b ]上线性无关的连续函数a 0, a 1, …, a n 是任意实数,则 )()()()(1100x a x a x a x S n n ???+++= 的全体是C [a , b ]的一个子集,记为 },,,{S pan 10n ??? =Φ 并称)(,),(),(10x x x n ??? 是生成集合的一个基底。 例如 P n = Span {1, x , x 2, …, x n }表示由基底1, x , …, x n , 生成的多项式集合。 下面给出判断函数系{?k (x )}(k = 0, 1, 2, …n )线性无关的一个充要条件。 定理1 连续函数)(,),(),(10x x x n ??? 在[a , b ]上线性无关的充分必要条件是它们的克莱姆(Gram)行列式G n ≠ 0,其中

Chebyshev多项式最佳一致逼近,最佳平方逼近

数学软件实验任务书

实验1 Chebyshev 多项式最佳一致逼近 1 实验原理 设()f x 是定义在区间[,]a b 上的函数,寻求另一个构造简单,计算量小的函数()x ?来近似的代替()f x 的问题就是函数逼近问题。通常我们会取一些线性无关的函数系来达到函数逼近的目的: 对于给定的函数{()}j x ?,寻求函数 0()()n j j j x c x ??==∑ 使()()0max lim n a x b f x x ?→∞<<-=的函数称为一致逼近。使 ()()()0lim b p a n f x x W x dx ?→∞-=? 的函数称为关于权()W x 的p L 逼近。比较常用的p=2,称为平方逼近。 设()f x 是定义在区间[,]a b 上的函数,则任给定ε,存在一多项式P ε使不等式 ()f x P εε-< 对所有[,]x a b ∈一致成立 ()()max n a x b f x P x ≤≤- 则()n P x 称为()f x 的n 次最佳一致逼近多项式。 求最佳一次逼近多项式的一种方法是可以采用Chebyshev 节点插值,Chebyshev 节点为 1(21)[()cos _],0,1,2,,22(1) j j x b a b a j n n +=-++=+ 2 实验数据

求函数()x 在区间[6,6]上的3,5和12次近似最佳逼近多 f x xe 项式(Chebyshev插值多项式) 3 实验程序 function g=cheby(f,n,a,b) for j=0:n temp1=(j*2+1)*pi/2/(n+1); temp2=(b-a)*cos(temp1)+b+a; temp3(j+1)=temp2/2; end x=temp3; y=f(x); g=lag(x,y); function s=lag(x,y,t) syms p; n=length(x); s=0; for(k=1:n) la=y(k); %构造基函数 for(j=1:k-1) la=la*(p-x(j))/(x(k)-x(j)); end; for(j=k+1:n) la=la*(p-x(j))/(x(k)-x(j)); end; s=s+la; simplify(s); end if(nargin==2) s=subs(s,'p','x'); s=collect(s); s=vpa(s,4); else m=length(t); for i=1:m temp(i)=subs(s,'p',t(i)); end

matlab最佳平方逼近.docx

最佳平方逼近试验 任 兵 ( 200820302025) 、问题叙述 求函数f(x)=exp(x)在[-1,1]上的二、三次最佳平方逼近多项式。 二、问题分析 由教材定义6.5有:对于给定的函数f(x)^C[a,b]如果存在 S *(x) Spar{ 0(x), ι(X)Jn ) n (x)} 使得 a P(X) [f (X) — S * (X)『dx = m? L P (X) I f (X) - s(x) f dx 则称S (X)是f (X )在集合Spar{ 0(x), ι(x)JH ) n (x)}中的最佳平方逼近函数。 n 显然,求最佳平方逼近函数S *(x) a *j ?j (x)的问题可归结为求它的系数 j =0 a ;,a ;,…,a ;,使多元函数 取得极小值,也即点(a 0,a 1*, , a ;)是I (a o ,…,a ∏)的极点。由于I (a o , a ι, a n )是关于a o )a ι,…,a ∏的二次函数,利用多元函数取得极值的必要条件, I (a °, a ι, “gw 二a%” .:I 0 -Z a k (k = 0, 1,2,…,n) ^= 2 af f(X )「 n a j j -0 'j (X ^i k (X)d ^0 得方程组 ∏ b Σ a j a P(X^k (X^j (x)dx j =0 a b =a ? (x)f(x) k (x)dx, (k=0,1,2, ,n) 如采用函数内积记号

b (d j)= a「(x) t(x)「j(x)dx. q (f,

03(2)-最佳一致逼近

§2 最佳一致逼近 一、最佳一致逼近的概念 定义3.10 设函数f (x )是区间[a , b ]上的连续函数,对于任意给定的 ε >0,如果存在多项式p (x ),使不等式 ε<-<<)()(max x p x f b x a 成立,则称多项式p (x )在区间[a , b ]上一致逼近(或均匀逼近)于函数f (x )。 那么,对于在区间[a , b ]上的连续函数f (x ),是否存在多项式p (x ) 一致逼近于f (x )呢?这个问题有许多人研究过。德国数学家维尔斯特拉斯(Weierstrass)在1885年曾给出下述著名定理。 维尔斯特拉斯定理 若f (x )是区间[a , b ]上的连续函数,则对于任意 ε >0,总存在多项式p (x ),使对一切a ≤x ≤b 有 ε<-)()(x p x f 证明从略。 维尔斯特拉斯定理表明,连续函数f (x )可以用多项式p (x )逼近到 任意精确程度,但维尔斯特拉斯定理只在理论上肯定了闭区间上的连续函数可以用多项式以任意精确度来逼近,并没有给出确定逼近得最快的多项式的方法。事实上,如果精确度要求较高,则用来逼近的多项式的次数一般也很高,这就增加了计算工作量。因而,在实际计算时,我们总量希望在一定的精确度要求下,逼近多项式的次数越低越好。

切比雪夫从这样的观点去研究一致逼近问题,他不让逼近多项式 的次数n 趋于无穷大,而是先把n 加以固定。对于给定的[a , b ]上的连续函数f (x ),他提出在次数不超过n 的多项式的集合p n 中去寻找一个多项式)(* x p n ,使它在[a , b ]上“最佳地逼近”f (x )。这里最佳逼近 的意思是指)(* x p n 对f (x )的偏差。 )()(max *x p x f n b x a -<< 和其它任一p (x ) ∈ p n 对f (x )的偏差 )()(max x p x f b x a -<< 比较时是最小的,也就是说 {} )()(max min )()(max )(* x P x f x p x f b x a p x p n b x a n -=-<<∈<< (3.18) 这就是通常所谓的最佳一致逼近问题,也称为切比雪夫逼近问题。若这样的)(*x p n 存在,则称)(* x p n 是函数f (x )在区间[a , b ]上的n 次最佳一致逼近多项式,简称为最佳逼近多项式。 现在要问:最佳逼近多项式)(* x p n 是否存在?是否唯一?如何构 造? 我们不妨设n 次多项式 n n x a x a a x p +++= 10)( 显然 )()(max x p x f b x a -<< 应与p (x )的系数a 0, a 1, …,a n 有关。 若记 )()(m a x ),,,a (10x p x f a a b x a n -=<< ? 则? 应是n + 1个系数a 0, a 1, …,a n 的正值连续函数。

数值计算方法_最佳平方逼近

25 数值分析—最佳逼近 ━基于MATLAB的实现与分析 §1 引 言 所谓函数最佳逼近就是从指定的一类简单的函数中寻找一个和给定的函数“最贴近”的函数,从几何(空间)的角度看,函数最佳逼近就是从指定的一类简单的函数(点的集合)中寻找一个与给定的函数(定点)距离最短的函数(点)。 由于在函数空间中可以定义不同的距离,不同意义下的距离度量定义了不同的逼近准则。 令P 表示指定的一类简单的函数集合 1、函数最佳一致逼近: 基于的距离度量如下 ()[ ] ()()d f P f x P x x a b ,,=-∈max (1) 逼近准则: ()[] ()()x P x f P f d b a x P P -=∈P ∈P ∈,max min ,min (2) 2、函数最均方逼近: 基于的距离度量如下 ()()()[][] d f P f x P x dx a b ,= -?2 12 (3) 逼近准则 ()=P ∈P f d P ,min min P ∈P ()()[][]f x P x dx a b -?2 12 (4) 如果给定的是函数在若干点处的函数值:()()x f x i i ,,i =0,1,, n ,那么还有称为: 3、最小二乘逼近: 基于的距离度量如下 ()()()[] d f P f x P x i i i n ,=-???? ? ?=∑01 2 (5) 逼近准则 ()=P ∈P f d P ,min min P ∈P ()()[]f x P x i i i n -???? ? ?=∑01 2 (6)

26 4、插值逼近,其逼近准则为: ()()i i x f x P =, ()n i x P ,,, , 10=P ∈ (7) 对于函数最佳逼近问题而言,用于逼近的简单的函数集合一般选取次数不超过n 次的多项式函数全体 ()()()(){} P n k k x P x P x k n ==≤deg (8) 即用多项式函数逼近给定的函数,其原因在于只需对自变量做加法、减法和乘法运算就能得到函数值是多项式函数显著的特点之一,因此,从计算的角度来说多项式函数是最简单的。 §2 函数最均方逼近 函数最佳均方逼近准则 min P ∈P ()()[][ ] f x P x dx a b -?2 1 2 (9) 与下面的准则等价 min P ∈P ()()[]?? ????-?b a dx x P x f 2 (10) 为了讨论问题时方便,在下面的讨论中我们采用准则(10)。 一般人们习惯于把一个n 次多项式写成n x x ,,,1 的线性组合,即 ()n n n n n a x a x a x a x P ++++=--1110 (11) 的形式,但是,这种表现形式在有些场合并不好,为说明这一点,我们先采用式(11)。当我们选取n 次多项式做最佳均方逼近时,积分 ()()[]?-b a n dx x P x f 2 (12) 的结果依赖于n 次多项式()x P n 系数k a ,n k ,,1,0 =,即 ()()()[]?-=Φb a n n dx x P x f a a a 2 10,,, (13) 所以最佳平方逼近多项式()x P n *必须满足如下条件:

matlab最佳平方逼近

最佳平方逼近试验 任 兵(200820302025) 一、问题叙述 求函数f(x)=exp(x)在[-1,1]上的二、三次最佳平方逼近多项式。 二、问题分析 由教材定义6.5有:对于给定的函数],[)(b a C x f ∈,如果存在 *01(){(),(),,()}n S x Span x x x ???∈ 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 ??? 中的最佳平方逼近函数。 显然,求最佳平方逼近函数)()(0** x a x S j n j j ??=∑=的问题可归结为求它的系数 * *1*0,,,n a a a ,使多元函数 dx x a x f x a a a I j n j j b a n 2 010)()()(),,,(?? ? ???-=∑? =?ρ 取得极小值,也即点(* *1*0,,,n a a a )是I (a 0, …,a n )的极点。由于I (a 0, a 1, …,a n )是关于a 0, a 1, …,a n 的二次函数,利用多元函数取得极值的必要条件, 0=??k a I (k = 0, 1, 2, …, n ) 即 []0 )()()()(20=-?? ????-=??∑?=dx x x a x f x a I k j n j j b a k ??ρ 得方程组 ) ,,2,1,0(, )()()()()()(0 n k dx x x f x dx x x x a k b a j k b a n j j ==??∑=?ρ??ρ 如采用函数内积记号

matlab最佳平方逼近

编写成MATLAB程序共需三个程序: (1)第一个程序(函数名:squar_approx.m) 计算最佳逼近函数的系数,源代码如下: function S=squar_approx(a,b,n) %定义逼近函数 global i;global j; %全局变量 if nargin<3 n=1;end %判断 Phi2=zeros(n+1); %生成一个n+1*n+1大小的全0矩阵数组 for i=0:n for j=0:n; Phi2(i+1,j+1)=quad(@rho_phi,a,b); %求rho_phi积分 end end PhiF=zeros(n+1,1); %生成一个n+1*n大小的全0矩阵数组 for i=0:n PhiF(i+1)=quad(@fun_phi,a,b); %求fun_phi积分 end s=Phi2\PhiF; (2)第二个程序(函数名:rho_phi.m) 代码如下: function y=rho_phi(x) global i;global j; y=(rho(x).*phi_k(x,i)).*phi_k(x,j); (3)第三个程序(函数名:fun_phi.m) function y=fun_phi(x) global i; y=(rho(x).*phi-k(x,i)).*obj(x); 试验结果 f(x)=exp(x)在[-1,1]上的二、三次最佳平方逼近多项式。 (1)编写下面三个函数:外部函数;多项式函数;被逼近函数; function y=rho(x) %外部函数 y=1; function y=phi_k(x,k) %多项式函数 if k==0 y=ones(size(x)); else y=x.^k; end function y=obj(x) %被逼近函数 y=exp(x)

相关文档
最新文档