函数逼近与曲线拟合
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。
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的几种算法及其应用摘要在自然科学与技术科学领域中存在着大量的需要解决的非线性问题.近年来人们在数值与函数逼近问题以及计算机辅助几何设计的研究中取得了一系列深刻的结果．随着高性能、大容量计算机的出现，使得过去难以实现的问题变为可能，所以关于函数逼近的理论研究和应用有着巨大的发展潜力．本课设中共有两章，第一章介绍了函数逼近的产生及研究意义，基础知识，最佳平方逼近法，曲线拟合的最小二乘法，有理逼近，三角多项式逼近的算法的几种函数比较方式.第二章从函数逼近的应用角度，详细介绍了有理函数逼近在数值优化中的应用和泰勒级数判定迭代法的收敛速度，以及几种函数逼近的计算实例.关键词最佳平方逼近法；曲线拟合的最小二乘法；有理逼近；三角多项式逼近；帕徳逼近目录引言 0第一章函数逼近 (1)§1.1 函数逼近的产生背景及研究意义 (1)§1.2 基础知识 (2)§2§3§1.3 最佳平方逼近 (4)§4§5§1.4 有理逼近 (7)§7§有理插值函数的存在性 (8)§9§10§1.5 三角多项式逼近与多项式逼近 (11)§11§11§π为周期的连续函数的三角多项式逼近 (12)§π]上连续函数的三角多项式逼近 (13)§闭区间上连续函数的三角多项式逼近 (13)§闭区间上连续函数的多项式逼近 (14)§1.6 其他函数逼近 (14)§ (14)§ (15)第二章函数逼近应用 (17)§2.1 有理逼近在数值优化中的应用 (17)§17§18§2.1.3 计算实例 (18)§2.2 各种泰勒级数判定迭代法的收敛速度 (19)§2.3 各种函数逼近的计算实例 (20)§20§2.3.2 曲线拟合的最小二乘法计算实例 (21)§2.3.3 帕德逼近的计算实例 (22)参考文献 (23)引言函数逼近是函数论的一个重要组成部分，涉及的基本问题是函数的近似表示问题．在数学的理论研究和实际应用中经常遇到下类问题：在选定的一类函数中寻找某个函数g，使它是已知函数ƒ在一定意义下的近似表示，并求出用g近似表示ƒ而产生的误差．这就是函数逼近问题．在函数逼近问题中,用来逼近已知函数ƒ的函数类可以有不同的选择；即使函数类选定了,在该类函数中用作ƒ的近似表示的函数g 的确定方式仍然是各式各样的;g对ƒ的近似程度（误差）也可以有各种不同的含义．所以函数逼近问题的提法具有多样的形式，其内容十分丰富．给定函数)(xf的函数一般要在某个较简单的函数类中找，这种f，用来逼近)(x函数类叫做逼近函数类．逼近函数类可以有多种选择．第一章 函数逼近§1.1 函数逼近的产生背景及研究意义从18世纪到19世纪初期，在L.欧拉、P.-S.拉普拉斯、J.-B.-J.傅里叶、J.-V ．彭赛列等数学家的研究工作中已涉及一些个别的具体函数的最佳逼近问题．这些问题是从诸如绘图学、测地学、机械设计等方面的实际需要中提出的．在当时没有可能形成深刻的概念和统一的方法．切比雪夫提出了最佳逼近概念,研究了逼近函数类是n 次多项式时最佳逼近元的性质，建立了能够据以判断多项式为最佳逼近元的特征定理．他和他的学生们研究了与零的偏差最小的多项式的问题,得到了许多重要结果．1885年德国数学家K ．（T.W ．）魏尔斯特拉斯在研究用多项式来一致逼近连续函数的问题时证明了一条定理，这条定理在原则上肯定了任何连续函数都可以用多项式以任何预先指定的精确度在函数的定义区间上一致地近似表示．虽然没有指出应该如何选择多项式才能逼近得最好，但仍可以说切比雪夫和魏尔斯特拉斯是逼近论的现代发展的奠基者．在自然科学与科学技术领域中存在着大量的需要解决的非线性问题．近年来人们在数值与函数逼近问题以及计算机辅助几何设计的研究中取得了一系列深刻的结果．随着高性能、大容量计算机的出现，使得过去难以实现的问题变为可能，所以关于函数逼近的理论研究和应用有着巨大的发展潜力．我们举一个例子，如()x +1ln 有如（1-1）式的分式展开．⋅⋅⋅+++++=+524221211)1(2222xx x x x x In （1-1）n R 2n T 1 0.667 0.26⨯10-1 0．5 0．19 2 0．69231 0．84⨯10-3 0．58 0．11 3 0．6931220．25⨯10-40．617 0．76⨯10-1 40．69314642 0．76⨯10-60．6340．58⨯10--2由表1-1可知，R4(1) 比T8(1)的精确度高几乎105倍．这就说明开展某些函数的有理逼近或一般非线性逼近问题的研究是十分必要的．随着科学技术的不断发展，函数逼近方法已在实际应用中显示出巨大的优势和开发潜力．§1.2 基础知识§在数值计算中经常要计算函数值，如计算机上计算基本初等函数及其他特殊函数．这些都涉及到用多项式、有理分式或分段多项式等便于在计算机上计算的简单函数逼近已给函数，使它达到精度要求而且计算量尽量小．数值逼近是数值计算中最基本的问题．为了在数学上描述更精确，下面先介绍一些基本概念及预备知识．数学上常把在各种集合中引入某些不同的确定关系称为赋予集合以某种空间结构，并将这样的集合称为空间．例如，在“线性代数”中将所有实n 组成的，按向量加法及向量与数的乘法构成实数域上的线性空间记作n R ，称为n 维向量空间．类似地，对次数不超过n 的实系数多项式全体，按通常多项式加法及数与多项式乘法也构成数域R 上的一个线性空间，用n H 表示，称为多项式空间．又如所有定义在区间],[b a 上的连续函数集合，按函数加法和数与函数乘法构成数域R 上的线性空间，记作],[b a C 称为函数空间．定义1.1 设集合S 是数域P 上的线性空间，S x x n ∈,...,1，如果存在不全为零的数P a a n ∈,...,1使得0...2211=+++n n x a x a x a （1-2）则称n x x ,,1⋅⋅⋅是线性相关的；否则，若等式（1-2）只对021==⋅⋅⋅==n a a a 成立，则称n x x ,,1⋅⋅⋅是线性无关的．若S 是由n 个线性无关元素 n x x ,,1⋅⋅⋅生成的，即S x ∈∀都n n x a x a x +⋅⋅⋅+=11，则称 n x x ,,1⋅⋅⋅是S 的一组基，记作}{1n x x span S ⋅⋅⋅=，并称S 是n 维的．下面考察次数不超过n 的多项式集合n H ，其元素n n n x a x a a x p ⋅⋅⋅++=10)(是由1+n 个系数（n a a a ⋅⋅⋅10,）唯一确定的，n x x ⋅⋅⋅,1， 线性无关，n H =span {n x x ,,,1⋅⋅⋅}，（n a a a ,,,10⋅⋅⋅）是)(x p n 的坐标向量，故n H 是1+n 维的．对连续函数],[)(b a C x f ∈不能用有限个线性无关的函数表示，故],[b a C 是无限维的，但)(x f 可用有限维的多项式空间n H 的元素)(x p 逼近，使误差ε≤-≤≤)()(max x p x f bx a （任何给定的正数），这就是著名的维尔斯特拉斯定理．定理1.1 设],[)(b a C x f ∈，则对∈∃>∀)(,0x p n εn H 使得ε<-)()(x p x f 在],[b a 上一致成立．1912年伯恩斯坦构造了一个多项式(,)()(1)nn k n k n k k kB f x fC x x n -==-∑其中(1)(1)!n k n n n k C k -⋅⋅⋅-+=为二项式展开系数，并证明了lim (,)n x B f x →∞在[0,1]上一致成立，若()f x 在[0,1]上m 阶可导则还有()()lim (,)()m m n x B f x f x →∞=．这也从理论上给出了定理1．1的证明．§为了在线性空间中衡量元素的大小，可将在n R 空间的范数定义推广到一般线性空间S ．定义1.2 设S f ∈,若存在唯一实数•，满足条件1．0≥f 当且仅当0=f 时0≡f ； 2．R a f a af ∈=,; 3．S g f g f g f ∈∀+≤+,,;则称•为线性空间S 上的范数．在线性空间S 上定义了范数•，称为赋范线性空间，记为X ．例如，在n R 上的向量T n x x x )(,1⋅⋅⋅=的三种常用范数为i ni x x≤≤∞=1max ，称∞-范数或最大范数；∑==ni ixx11，称为1-范数；21122)(∑==ni i x x，称为2-范数．类似地对连续函数空间],[b a C 的)(x f 也可以定义以下三种范数：)(max x f fbx a ≤≤∞=，称为∞-范数；dx x f f ba ⎰=)(1，称为1-范数；2122))((dx x f fba⎰=，称为2-范数．可以验证，这样定义的范数∞•，1•，2•满足定义1．2中的3个条件．定义1.3 设X 为赋范线性空间，其范数为•，若序列X ⊂∞0n }{ϕ，X f ∈,使0lim =-∞→fn n ϕ则称序列∞0}{n ϕ依范数•收敛于f ，记作f n n =∞→ϕlim ．对],[)(b a C x f ∈及∞•，上述 收敛定义就是∞0}{n ϕ在区间[b a ,]上一致收敛于)(x f ．若范数为2-范数，则称上述收敛定义为平方收敛或均方收敛．§1.3 最佳平方逼近§现在我们研究在区间[]b a ,上一般的最佳平方逼近问题．定义1．4 对[]b a C x f ,)(∈中的一个子集{)}(),...(),(10x x x span n ψψψψ=,求ψ∈)(*x S ， 使：⎰-=-=-∈∈bax S x S dx x S x f x x S x f x S x f 2)(22)(22*)]()()[()()()()(min min ρψψ，称)(*x S 是)(x f 在子集ψ中的最佳平方逼近函数．若令)()()(*x S x f x -=δ,则平方误差为∑=-=--=--=nk k x f x a x f x f x S x f x f x S x f x S x f x 022***22))(),(()( ))(),(())()(( ))()(),()(()(ψδ （1-3） 若取[]1,0)(,1)(,)(C x f x x x k k ∈≡=ρψ，在n P 中求n 次最佳平方逼近多项式：nn x a x a a x S **1*0*...)(++=此时 11))(),((10++==⎰+j k dx x x x j k k j ψψk k k d dx x x f x x f ==⎰1)())(),((ψ若用H 表示),....,1(n n x x G G =对应的矩阵，即：121...2111............21...312111...211+++++n n n n n 称为希尔伯特(Hilbert)矩阵,记T n a a a a ),...,,(10=T n d d d d ),...,,(10=,则: d Ha =的解*kk a a =),...,2,1,0(n k =即为所求． §用},....,1{n x x 做基，求最佳平方逼近多项式,当n 较大时,系数矩阵是高度病态的,因此直接求解法方程是相当困难的,通常是采用正交多项式做基．下面介绍如何用正 交函数组作最佳平方逼近．设[]b a C x f ,)(∈{})(),...(),(10x x x span n ψψψψ=， 若)(),...(),(10x x x n ψψψ是正交函数族，则：0))(),((=x x j i ψψj i ≠．而0))(),((>x x j i ψψ, 故法方程的系数矩阵))(),...(),((10x x x G n n ψψψ=为非奇异对角阵, 且法方程的解为:))(),())(),((*x x x x f a k k k k ψψψ= ),...,2,1,0(n k = （1-4）于是[]b a C x f ,)(∈在ψ中的最佳平方逼近函数为：)()())(),(()(022*x x x x f x S k nk k k ψψψ∑== （1-5）由（1-3）可得均方误差为21202222*2)])())(),(([)(( )()()(∑=-=-=nk k k n n x x x f x f x S x f x ψψδ （1-6）由此可得贝赛尔不等式:22122*)())((x f x ank k k≤∑=ψ若[]b a C x f ,)(∈按正交函数族)}({x k ψ展开，系数*ka ),...,2,1,0(n k =按（1-4）计算，得级数∑∞=0*)(k k k x a ψ，称为)(x f 的广义傅立叶级数，系数*ka 称为广义傅立叶系数． 它是傅立叶级数的直接推广．设{})(),...(),(10x x x n ψψψ是正交多项式，{})(),...(),(10x x x span n ψψψψ=，)(x k ψ，),...,2,1,0(n k =可由n x x ,...,1, 正交化得到，则有下面的收敛定理．定理 1.2 设[]b a C x f ,)(∈,)(*x S 是由（1-5）给出的)(x f 的最佳平方逼近多项式，其中{})(),...(),(10x x x n ψψψ是正交多项式族，则有0)()(lim 2*=-∞→x S x f nn ． 下面考虑函数[]1,1)(-∈C x f ,按勒让德多项式{})(),...(),(10x P x P x P n 展开，由（1-4）, （1-5）可得)(...)()()(*1*10*0*x P a x P a x P a x S n n n ++= （1-7）其中()()()()()()()()⎰-+==11*212,,dx x P x f k x P x P x P x f ak k k k k（1-8） 根据（1-6）,平方误差为： ()()∑⎰=-+-=nk k k a k dx x fx 02*11222121δ 由定理1可得： 0)()(lim 2*=-∞→x S x f nn 如果)(x f 满足光滑性条件还可得到)(*x S n 一致收敛于)(x f 的结论．定理 1.3 设[]1,1)(2-∈C x f f(x)∈C 2[-1,1],)(*x S n 由(1-7)给出,则对任意[]1,1-∈x 任意0>ε当n 充分大时有：()()nx S x f n ε≤-*．对于首项系数为1的勒让德多项式n P 有以下性质：定理1.4 在所有最高次项系数为1的n 次多项式中,勒让德多项式()x P n 在[]1,1-上与零的平方误差最小．§1.4 有理逼近§有理逼近作为非线性逼近的一个重要特殊情形，其实就是用一个易于计算的有理函数来有效地近似较复杂的已知函数．下面引进有理逼近方法，先介绍有理函数插值的概念．设已给定m+n+1个不同的点n m x x x +,...,,10和相应地函数值()()()n m x f x f x f +,...,,10,所谓的有理函数插值问题，乃是求有理分式函数1110111,)()()(b x b x b x b a x a x a x a x D x N x R n n n n m m m m n m n m ++⋅⋅⋅++++⋅⋅⋅++==---- 使之满足插值条件如下)()(,j j n m x f x R =，n m j +⋅⋅⋅=,,1,0其中()x N m ,()x D n 分别为x 的m 与n 次多项式，m 与n 是给定的非负整数．有理函数的逼近方法是用有理函数()()()x D x N x R n m n m =,来近似函数()x f ．即令()()()x D x N x f n m ≈,()()()x D x f x N n m ≈比较两边的系数，可得∑∞=++=-01)()()(k kk n m n m xr xx D x f x N用()x R n m ,近似()x f 时，其截断误差的主要部分是()x x r E n n m 10++=（这里设()∑∞==0k k k x c x f ),大量计算例子表明，采用m,n 相等或接近相等时为最佳．对于有理逼近中有理函数的构造存在着许多种构造方法（如多项式、有理分式等）．但在通常情况下一般利用连分式来构造有理函数()x R n m ,．首先按递推的方法给出如下式倒差商的定义．⎪⎪⎪⎩⎪⎪⎪⎨⎧+⋅⋅⋅=--=⋅⋅⋅⋅⋅⋅--==----n m k x a x a x x x a x a x a x x x a x f x a k k k k k ,,2,1,)()()()()()()()(1111000010设连分函数如下nm n m a x x x x a x x a x x a x R +++-+-+-+-+=1221100)(一般写成nm n m a x x a x x a x x a x R +++-+⋅⋅⋅+-+-+=121100)( 其中()x a a 00=,()x a a 11=,．．．,()x a a n m n m ++=为倒差商．将右式整理，即完成了有理函数()x R mn 的构造．例如函数x f +=1，可以利用逐次迭代算法的到如下式形式的连分式展开．因为x f +=1，即为x f =-12．⇒++=11f xf )))1(11(11(1f xx x f ++++++=用)1(1f xf ++=无限迭代下去就可以得到x f +=1的连分式展开如下 ⋅⋅⋅+⋅⋅⋅+++=+22211xx x xm,n 相等或接近相等时为最佳．§有理插值函数的存在性关于有理函数插值的定义在本文第二章中已经详细给出．在其基础上定义两个有理函数如下)()()(111x q x p x r =， )()()(222x q x p x r = 如果存在一个非零常数a ，使得)()()()(1212x aq x q x ap x p ==， （1-9）则称二者恒等，并记为)()(21x r x r ≡．如果满足式（1-10），则称两个有理函数r 1(x)与r 2(x)等价，记为()()x r x r 21~．)()()()(1221x q x p x q x p ≡ （1-10）一般来说，插值问题（1-9）、（1-10）所形成的问题是一个非线性问题．但是当有理分式函数r(x) = p(x)/q(x)是插值问题的解时，当然也有。
数值分析第三章
称为1 − 范数 , 称为 2 − 范数 .
(
b 2 ∫a f ( x )dx
)，
1 2
三、内积与内积空间
R n中向量x及y定义内积 : ( x, y ) = x1 y1 + L + x n y n .
定义3 上的线性空间， 定义3 设X是数域 K ( R或C)上的线性空间，对 ∀u, v ∈ X， 中一个数与之对应， 并满足条件： 有K中一个数与之对应，记 为( u, v )，并满足条件： (1) ( u,v ) = (v , u), ∀u,v ∈ X ; (2) (αu,v ) = α ( u,v ), α ∈ R; (3) ( u + v , w ) = ( u,w ) + (v,w ), ∀u,v,w ∈ X ; (4) ( u, u) ≥ 0, 当且仅当 u = 0时， , u) = 0. (u 则称( u, v )为X上的u与v的内积. 定义了内积的线性空间 称 的共轭， 为内积空间. (v , u)为( u,v )的共轭，当 K = R时 (v , u) = ( u,v ).
2)
j =1
∑ α ju j = 0 ⇔ ( ∑ α ju j , ∑ α ju j ) = 0
j =1 n j =1
n
n
n
⇔ ( ∑ α j u j , uk ) = 0, k = 1,L, n.
j =1
∴ G非奇异 ⇒ u1 , u2 ,L, un线性无关 (反证法 )；反之亦然 .
在内积空间X上可以由内积导出一种范数, 即对u ∈ X , 记 || u ||= (u , u )， Cauchy − Schwarz不等式得出. (1.10) 易证它满足范数定义的正定性和齐次性, 而三角不等式由
实验二函数逼近与曲线拟合
《数值分析》课程设计实验报告实验二函数逼近与曲线拟合一、问题提出从随机的数据中找出其规律性，给出其近似表达式的问题，在生产实践和科学实验中大量存在，通常利用数据的最小二乘法求得拟合曲线。
在某冶炼过程中，根据统计数据的含碳量与时间关系，试求含碳量与时间t 的拟合曲线。
二、实验步骤先写出线性最小二乘法的M文件function c=lspoly(x,y,m)% x是数据点的横坐标组成的向量，y是纵坐标组成的向量% m是要构成的多项式的次数，c是多项式由高到低次的系数所组成的向量n=length(x);b=zeros(1:m+1);f=zeros(n,m+1);for k=1:m+1f(:,k)=x.^(k-1);enda=f'*f;b=f'*y';c=a\b;c=flipud(c);方法一：近似解析表达式为：y（t）=a1t+a2t2+a3t3第二步在命令窗口输入：lspoly([0,5,10,15,20,25,30,35,40,45,50,55],[0,1.27,2.16,2.86,3.44 ,3.87,4.15,4.37,4.51,4.58,4.02,4.64],2)回车得到：ans =0.0000-0.00520.26340.0178即所求的拟合曲线为y=-0.0052t2+0.2634t+0.0178在编辑窗口输入如下命令：>>x=[0,5,10,15,20,25,30,35,40,45,50,55];y=[0,1.27,2.16,2.86,3.44, 3.87,4.15,4.37,4.51,4.58,4.02,4.64];>> t=0:0.1:55;>> z=-0.0052*t.^2+0.2634*t+0.0178;>> plot(x,y,'ro',t,z);grid命令执行得到如下图（图2-1）0102030405060拟合多项式与数据点的关系方法二：假设近似表达式为：y（t）=c0+c1t+c2t2第一步在命令窗口输入：>>lspoly([0,5,10,15,20,25,30,35,40,45,50,55],[0,1.27,2.16,2.86,3. 44,3.87,4.15,4.37,4.51,4.58,4.02,4.64],2)回车得到：ans =-0.00240.20370.2305即所求的拟合曲线为y=-0.0024t2+0.2037t+0.2305在编辑窗口输入如下命令：>>x=[0,5,10,15,20,25,30,35,40,45,50,55];y=[0,1.27,2.16,2.86,3.44,3.87,4.15,4.37,4.51,4.58,4.02,4.64];>> t=0:0.1:55;>> z=-0.0024*t.^2+0.2037*t+0.2305;>> plot(x,y,'ro',t,z);grid命令执行得到如下图（图2-2）拟合多项式与数据点的关系三、实验结论在利用数据的最小二乘法求拟合曲线时，选取合适的近似表达式很重要，应通过不断的试验找出较为合适的近似表达式，这样才能尽可能的提高拟合精度。
5函数逼近与曲线拟合.docx
第5章函数逼近与曲线拟合上一章讨论的是函数插值问题，通常都是用一个多项式来代替一个已知的函数，它们在 给定的插值基点上有相同的函数值，是对原函数的一-种近似。
然而，在实际应用中插值问题 仍有明显的缺点：对于有解析式的函数而言，在其它点上误差可能很大，如龙格现象；对于 离散(表)函数而言，给定的数据点本身是有误差的，刚性地让插值函数通过这些点不仅没 有意义，而且会影响对原函数的近似程度。
另外，泰勒展示也是对连续函数的一种低阶近似, 它在展开点附近误差较小，但在展开点远处，误差会很大。
本章讨论在新的函数谋旁度最条件下的函数近似问题，对连续函数称之为函数逼近问题, 对于离散函数称之为dii 线拟合问题。
主要内容有：函数最佳逼近的概念，正交多项式，最佳 均方逼近少最小二乘曲线拟合问题等。
5.1函数最佳逼近的概念希望能有一种方法寻求出一个近似多项式，使它在整个区间上既均匀的逼近/(%),所需 的计算呆又小，这就是函数逼近要解决的问题。
为了刻划“均匀逼近”，设P n (x)是定义在区 间［a,b ］上原函数/(x)的近似多项式。
我们用||/(x) -p n (x)||来度量p n (x)与/(x)近似逼近 程度。
这样，自然地会有下面两种不同的度暈标准：fM- p n (x)使丿IJ 这个度量标准的函数逼近称为均方逼近或平方逼近；/W 一 p n (x) = max f(x) 一 p n (x) 使用这个度量标准的函数逼近称为一致逼近或均匀逼近o关于一致逼近的问题，在数学分析中有以下结论。
设函数/(X )在区间［a,b ］上连续，若£>0,则存在多项式P(x)使|/(x)-P(x)|<£,在区间［a,b ］上一致成立。
对于函数插值而 言，如果插值余项也能满足对任意的£〉0, \R n (x)\ = \f(x)-p n M\<e 都成立的话，贝闹 值多项式P n M 是/(Q 的一致逼近多项式。
实验指导书_函数逼近
实验指导书_函数逼近与曲线拟合曲线拟合：由一组实验数据},,2,1),,{(n i y x i i =，选择一个较简单的函数)(x f （如多项式），在一定准则下，最接近这组数据.函数逼近：已知一个较为复杂的连续函数],[),(b a x x y ∈，要求选择一个较简单的函数)(x f ，在一定准则下最接近)(x y .掌握内容：切比雪夫零点插值、最佳平方逼近、曲线拟合的最小二乘法的Matlab 实现一、切比雪夫零点插值1．算法原理设1[,],()+∈n n f C a b L x 是以,0,1,,22-+=+= k k b a a bx t k n 为插值节点的Lagrange 插值多项式，其中21cos,0,1,,2(1)π+==+ k k t k n n 是Chebyshev 多项式1()n T x +的零点，此时插值误差最小，误差（余项）估计公式为：1(1)21()()()()max ()2(1)!+++≤≤-=-≤+n n n n n a x bb a R x f x L x f x n2．实例例1（P64例4） 求()x f x e =在[0,1]上的四次Lagrange 插值多项式4()L x ,插值节点用5()T x 的零点，并估计误差401max ().x x e L x ≤≤-首先编写Lagrange 插值主程序,并保存为lagrange.mfunction[L ,C, l ,L1]= lagrange (X,Y)%输入的量:n+1个节点(xi,yi)的横坐标向量X ，纵坐标向量Y ；%输出的量:n 次拉格朗日插值多项式L 及其系数向量C ，基函数l 及其系数矩阵L1 m=length(X); L=ones(m,m); for k=1: m V=1; for i=1:m if k~=iV=conv(V ,poly(X(i)))/(X(k)-X(i)); end endL1(k,:)=V; l(k,:)=poly2sym (V); endC=Y*L1; L=Y*l; l=vpa(l,4); L=vpa(L,4);然后编写如下程序,并保存为lc_P64eg4.m%P64eg4求Lagrange- Chebyshev 多项式的程序lc_P64eg4.m %X 为插值节点%L 为Lagrange- Chebyshev 多项式的表达式%C 为按降幂排列的Lagrange- Chebyshev 多项式的系数 %R 为误差限 clear;format short g s=1;for k=0:4X(k+1)=(1+cos((2*k+1)*pi/10))/2; Y(k+1)=exp(X(k+1)); s=s*(k+1); end X,[L ,C, l ,L1]= lagrange(X,Y); L, C,R=2.71828/(s*2^9)x=linspace(X(1), X(5),50); y=polyval(C,x); y1=exp(x);plot(X,Y,'r*',x,y,'r-') figure,plot(X,Y,'r*',x,y1,'b-') figure,plot(X,Y,'r*',x,y,'r-',x,y1,'b-')在Matlab 窗口中运行程序lc_P64eg4.m >> lc_P64eg4 X =0.97553 0.79389 0.5 0.20611 0.024472 L =.9988*x+.1403*x^3+.6942e-1*x^4+.5098*x^2+1.000 C =0.069416 0.14028 0.50978 0.99876 1 R =4.4243e-005图1.()xf x e 在[0,1]上的四次Lagrange- Chebyshev 插值多项式例2 (P65例5)设211()f x x =+,在[-5,5]上利用11()T x 的零点作插值点,构造10次拉格朗日插值多项式 10()L x ,并与等距节点的10()L x 近似()f x 作比较. 首先编写如下程序,并保存为lc_P65eg5.m%P64eg4求Lagrange- Chebyshev 多项式的程序lc_P65eg5.m%X 为Chebyshev 零点%L 为Lagrange- Chebyshev 多项式的表达式%C 为按降幂排列的Lagrange- Chebyshev 多项式的系数 %L1为等距节点多项式的表达式%C1为按降幂排列的等距节点多项式的系数 clear;format short for k=0:10X(k+1)=(10*cos((2*k+1)*pi/22))/2; Y(k+1)=1/(1+X(k+1)^2); end X,[L ,C, l ,L1]= lagrange(X,Y); L,C,x=linspace(X(1), X(11),100); y=polyval(C,x); y1=1./(1+x.^2);X1=linspace(-5,5,11); Y1=1./(1+X1.^2);[L1 ,C1, l1 ,L11]= lagrange(X1,Y1); L1,C1,X2=-5:0.1:5;Y2=polyval(C1,X2);plot(X,Y ,'r*',x,y,'r-',x,y1,'b-',X1,Y1,'O',X2,Y2,'k-') gtext('切比雪夫插值点r*') gtext('切比雪夫插值曲线r-') gtext('被插函数曲线b-') gtext('等距节点插值点o')gtext('等距节点插值多项式k-')在Matlab 窗口中运行程序lc_P65eg5.m,得如下图形结果(这里,数值结果略,请自己运行观察)图2. 211()f x x=+在[-5,5]上的插值多项式 10()L x 与10()L x二、最佳平方多项式逼近1．求定义在区间[a ,b ]上的已知函数最佳平方逼近多项式的算法(1)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:010012(,,)(,,,,)n iF a a a i n a ∂==∂其中()20101(,,)()()b nn n aF a a a f x aa x a x dx =-+++⎰(2)求多项式()p x 系数的法方程:Ca D =,其中1211222111212()(),()(b bb bbn na aa a a bbb b b n n a aa aa b bb b b n n n n n a aa aa bbb bn n n n naaa a dx xdx x dx x dx f x dx xdx x dx x dx x dx xf x dx C D x dx x dxx dx x dx x f x dx x dx x dx x dx x dx x f x -+----+-⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥==⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰⎰)b a dx ⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎰2．求定义在区间[a ,b ]上的已知函数最佳平方逼近多项式的主程序function [coff,d]=ZJPF(func,n,a,b) %func:已知函数%n:最佳平方逼近多项式的最高次数 %a:逼近区间的左端点 %b:逼近区间的右端点%coff:按升幂排列的逼近多项式的系数 % d:法方程的右端项 C = zeros(n+1,n+1);var = findsym(sym(func)); func = func/var; for i=1:n+1C(1,i)=(power(b,i)-power(a,i))/i; %算法中的C 矩阵的第一行 func = func*var;d(i,1)=int(sym(func),var,a,b); %算法中的D 向量的第一行 endfor i=2:n+1C(i,1:n)=C(i-1,2:n+1); f1 = power(b,n+i); f2 = power(a,n+i);C(i,n+1)=(f1-f2)/(n+i); %形成C 矩阵 endcoff = C\d; %求解逼近多项式的系数3.例题(教材P68例6)设211()f x x =+,求[0,1]上的一次最佳平方逼近多项式.首先编写被逼近函数的M 文件,并保存为funcp68eg6.m function f=funcp68eg6() syms xf=sqrt(1+x^2);然后编写如下程序,并保存为p68_eg6.m %p68_eg6.m clear;[coff,d]=ZJPF(funcp68eg6,1,0,1); coff=vpa(coff)x = findsym(sym(funcp68eg6)); func=funcp68eg6*funcp68eg6;PFWC=vpa(int(sym(func),x,0,1)-coff'*d,4)运行结果>> p68_eg6 coff =[ .9343200492928959528618412015402] [ .4269470508068461683106156461091] PFWC = .12e-2三、曲线拟合的最小二乘法1. 多项式拟合及其MATLAB 程序面对一组数据,,,2,1),,(n i y x i i = 用线性最小二乘法作曲线拟合时，如果选取一组函数02(),(),,()m x x x ϕϕϕ 为)(,,,,12n m x x x m < ，则拟合曲线为多项式11++++=m m m a x a x a y .一般m = 2,3, 不宜过高.对于指数曲线，拟合前需作变量代换，化为系数参数的线性函数.2. 用MATLAB 作线性最小二乘拟合的多项式拟合用MATLAB 作线性最小二乘拟合的多项式拟合有现成程序. 调用格式为: a=polyfit(x,y,m)其中输入参数 x ,y 为要拟合的数据,是长度自定义的数组,m 为拟合多项式的次数,输出参数a 为拟合多项式:11++++=m m m a x a x a y的系数向量a ),,,(11+=m m a a a .(注意:按降幂排列)3. 多项式在x 处的值y 的计算: y=polyval(a,x)例 给出一组数据点),(i i y x 列入下表中，试用线性最小二乘法求拟合曲线，.解（1）首先根据给出的数据点),(i i y x ，用下列MATLAB 程序画出散点图. 在MATLAB 工作窗口输入程序>> x=[-2.9 -1.9 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[53.94 33.68 20.88 16.92 8.79 8.98 4.17 9.12 19.88]; plot(x,y,'r*'), legend('数据点(xi,yi)') xlabel('x'), ylabel('y'),title('例7.4.1的数据点(xi,yi)的散点图')运行后屏幕显示数据的散点图，见图3.（2）因为数据的散点图3的变化趋势与二次多项式很接近，所以选取一组函数2,,1x x ，令3221)(a x a x a x f ++=,其中k a 是待定系数)3,2,1(=k .（3）用作线性最小二乘拟合的多项式拟合的MATLAB 程序求待定系数k a)3,2,1(=k .输入程序>> a=polyfit(x,y,2)运行后输出按拟合多项式的系数a =2.8302 -7.3721 9.1382故拟合多项式为2138.91372.72830.2)(2+-=x x x f .（4）编写下面的MATLAB 程序估计其误差，并做出拟合曲线和数据的图形.输入程序>> xi=[-2.9 -1.9 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[53.94 33.68 20.88 16.92 8.79 8.98 4.17 9.12 19.88]; n=length(xi); f=2.8302.*xi.^2-7.3721.*xi+9.1382 x=-2.9:0.001:3.6;F=2.8302.*x.^2-7.3721.*x+8.79; fy=abs(f-y); fy2=fy.^2; Er=sqrt((sum(fy2)/n)), plot(xi,y,'r*', x,F,'b-'),legend('数据点(xi,yi)','拟合曲线y=f(x)') xlabel('x'), ylabel('y'), 运行后屏幕显示数据),(i i y x 与拟合函数f 的均方根误差E 2及其数据点(x i ,y i )和拟合曲线y =f (x )的图形，见图4.图3图4。
李庆扬数值分析第五版习题答案解析清华大学出版社
又
即计算值比准确值大。
故 在 内至少有三个互异零点，
依此类推， 在 内至少有一个零点。
记为 使
又
其中 依赖于
分段三次埃尔米特插值时，若节点为 ，设步长为 ，即
在小区间 上
16．求一个次数不高于4次的多项式P（x），使它满足
解：利用埃米尔特插值可得到次数不高于4的多项式
设
其中，A为待定常数
从而
17．设 ，在 上取 ，按等距节点求分段线性插值函数 ，计算各节点间中点处的 与 值，并估计误差。
19。观测物体的直线运动，得出以下数据：
时间t(s)
0
0.9
1.9
3.0
3.9
5.0
距离s(m)
0
10
30
50
80
110
求运动方程。
解：
被观测物体的运动距离与运动时间大体为线性函数关系，从而选择线性方程
令
则
则法方程组为
从而解得
故物体运动方程为
20。已知实验数据如下：
19
25
31
38
44
19.0
32.3
将 代入得
由此得矩阵开工的方程组为
求解此方程组，得
又 三次样条表达式为
将 代入得
21．若 是三次样条函数，证明：
若 ，式中 为插值节点，且 ，则
证明：
从而有
第三章 函数逼近与曲线拟合
1． ，给出 上的伯恩斯坦多项式 及 。
解：
伯恩斯坦多项式为
其中
当 时，
当 时，
2．当 时，求证
证明：
若 ，则
3．证明函数 线性无关
解：
采用复化梯形公式时，余项为
曲线拟合实验报告材料
数值分析课程设计报告学生姓名学生学号所在班级指导教师一、课程设计名称函数逼近与曲线拟合二、课程设计目的及要求实验目的：⑴学会用最小二乘法求拟合数据的多项式，并应用算法于实际问题。
⑵学会基本的矩阵运算，注意点乘和叉乘的区别。
实验要求：⑴编写程序用最小二乘法求拟合数据的多项式，并求平方误差，做出离散函数（ ）和拟合函数的图形；⑵用MATLAB 的内部函数polyfit 求解上面最小二乘法曲线拟合多项式的系数及平方误差，并用MATLAB 的内部函数plot 作出其图形，并与（1）结果进行比较。
三、课程设计中的算法描述用最小二乘法多项式曲线拟合，根据给定的数据点，并不要求这条曲线精确的经过这些点，而是拟合曲线无限逼近离散点所形成的数据曲线。
思路分析：从整体上考虑近似函数)(x p 同所给数据点）（i i y x ,误差i i i y x p r -=)(的大小，常用的方法有三种：一是误差i i i y x p r -=)(绝对值的最大值i mi r ≤≤0max ，即误差向量的无穷范数；二是误差绝对值的和∑=mi i r 0，即误差向量的1范数；三是误差平方和∑=mi i r 02的算术平方根，即类似于误差向量的2范数。
前两种方法简单、自然，但不便于微分运算，后一种方法相当于考虑2范数的平方，此次采用第三种误差分析方案。
算法的具体推导过程： 1.设拟合多项式为：2.给点到这条曲线的距离之和，即偏差平方和：3.为了求得到符合条件的a 的值，对等式右边求 偏导数，因而我们得到了：4.将等式左边进行一次简化，然后应该可以得到下面的等式5.把这些等式表示成矩阵的形式，就可以得到下面的矩阵：⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡∑∑∑∑∑∑∑∑∑∑∑=====+==+====n i i n i n i i k n i k i ni k ini k i n i k i ni in i ini k ini iy y y a a x xx x xxx x 11i 110121111112111a n6. 将这个范德蒙得矩阵化简后得到⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎣⎡n k k n n k k y y y a a a x x x x x x 21102211111 7.因为Y A X =*,那么X Y A /=,计算得到系数矩阵，同时就得到了拟合曲线。
数学分析中的逼近理论及基本应用
数学分析中的逼近理论及基本应用数学分析是数学中的一个重要分支，研究的主要对象是函数和序列的性质、极限、连续等。
函数逼近是数学分析的一个重要内容，它在数学中有着广泛的应用，是解决实际问题的一个重要工具。
本文将介绍数学分析中的逼近理论及其基本应用。
一、逼近理论1. 函数逼近函数逼近是指用简单的函数来近似复杂的函数。
在函数逼近中，我们首先需要定义一个逼近函数的集合，然后根据一定的逼近准则，选择逼近函数中的一个函数作为被逼近函数的近似函数。
通常选择的逼近函数具有一定的优良性质，例如在逼近函数中具有比较好的平滑性、可微性和可积性等。
2. 三角逼近三角逼近是指用三角函数来逼近周期函数。
三角函数的基本周期为 $2\pi$，所以可以用它来逼近周期函数。
三角逼近的目的是将周期函数分解为特定频率的正弦和余弦波的叠加，从而得到周期函数的频率分布和频率分量。
3. 插值逼近插值逼近是指用一个低次多项式来逼近一个离散的数据集。
在插值逼近中，我们首先需要确定逼近函数的次数，然后根据给定的数据点，构造一个逼近函数，使它在这些数据点处的函数值等于数据点的值。
通常采用的插值方法有拉格朗日插值和牛顿插值。
4. 误差估计误差估计是指在进行逼近时，如何判断逼近函数的精度和可靠性。
误差估计方法通常有两种：点误差估计和区间误差估计。
点误差估计是指在给定的一个点上，用被逼近函数和逼近函数的差来估计误差。
区间误差估计是指在给定的一个区间上，用被逼近函数和逼近函数的差的最大值来估计误差。
二、逼近的应用1. 信号处理信号处理是指对信号进行分析、处理和提取有用信息的过程。
在信号处理中，逼近理论广泛地应用到信号分解和滤波中。
信号分解是将信号分解为一组组正弦和余弦波的叠加，以便分析其频率分布和频率分量；滤波是指通过选择合适的逼近函数，去除信号中的噪声和干扰成分，提取有用的信息。
2. 图像处理图像处理是指对数字图像进行处理和分析的过程。
逼近理论在图像处理中发挥了重要作用，例如，在图像压缩和去噪中，可以用逼近函数将图像分解为一组组正弦和余弦波的叠加，以便实现图像的压缩和去噪。
第三章 1 逼近论
( x)dx
2mn1m!n!11
dm dxm
[(x2
1)m
]
dn dxn
[(x2
1)n
]dx
1
dm
2mn m!n!dxm
[( x 2
1)m
]ddxnn11 [( x2
1)n
1
]
1
2m
1 n m!
n!
11
dm1 dx m 1
[(
x
2
i 1
1
||
x
||2
n
xi2
2
，
i1
称为2 范数.
类似地，对C[a,b]上的f ( x)，可定义三种常用范数：
|| f || max | f ( x) |， 称为 范数，
a xb
|| f ||1 ab| f ( x) | dx， 称为1 范数,
i 1
定义4 设( x)是区间[a,b]上的非负函数, 如果满足条件
(1)
ab xk ( x)dx存在,
k
0,1,2,; 可以有限或
无限区间
(2) 对于[a,b]上的非负连续函数g( x),若abg( x)( x)dx 0,
则在[a,b]上g( x) 0；
就称( x)为[a,b]上的权函数.
f
,
x)
n
k0
f
k n
Pk
(
x),
(1.3)
其中Pk
(
x)
n k
xk
小波分析之函数逼近与曲线拟合
∞
=
max
f (x)
a≤ x≤b
绝对值与
n上范数的扩充关系 R
• 数a的绝对值(a离开原点0的距离)：∣a∣ • 数a与b的差异(距离)： ∣a-b∣ • 向量A=( 1, a2,…,an)的范数(A离开0向量 A=(a , 的范数 A=( 的距离) ： n • x = ∑ x i
1 i = 1
x x
距离空间定义
• 设X是非空集合，对于X中的任意两元素x与y ，按某一法则都对应唯一的实数ρ(x, y)，并满足 以下三条公理： • 1.非负性：ρ(x, y) ≥0,ρ(x, y) =0当且仅当x=y; • 2.对称性：ρ(x, y) =ρ(y, x)； • 3.三角不等式；对任意的x, y, z ρ(x, y) ≤ρ(x, z) + ρ(z, y), 则称ρ(x, y)为x与y间的距离（或度量），并称X是 以ρ为距离的距离空间(或度量空间),记为(X, ρ)．
2
2
2
即
内积空间的性质
定理 设 X 为内积空间，{u1 , u2 ,⋯ , un } ⊆ X , 格拉姆(Gram)矩阵
(u1 , u1 ) (u2 , u1 ) ⋯ (u n , u1 ) (u1 , u2 ) (u2 , u2 ) ⋯ (u n , u2 ) G= ⋮ ⋮ ⋮ (u , u ) (u , u ) ⋯ (u , u ) 2 n n n 1 n
内积空间
设X 是定义在实(或复)数域K上的线性空 间，若对于X中 任意一对有序元素x,y, 恒对应 数域K的值(x, y)，且满足: • (x, x) ≥0，且(x, x)=0的充要条件是x=0; • (ax, y) = a(x, y); • (x+y, z) = (x, z) + (x, z). 则称X为内积空间，(x, y)称为x, y的内积. 正交: 正交 若(x, y)=0,称x与y正交.
第3讲-函数逼近
5
函数插值是插值函数 p(x) 与被插函数 f(x) 在节点处函数 值相同，即 P ( x i )
f ( x i )， ( i 0 ,1, , n ) ；而曲线拟合函数 ( x ) 不
要求严格地通过所有数据点 ( x i , y i ) 。 即，拟合函数 (x) 在xi处的偏差(亦称残差）
5
4
实 验 数 据
3
y
2 1
0
1
2
3
4
5
x
17
例 设某实验数据如下： i xi yi 1 0 5 2 1 2 3 2 1 4 3 1 5 4 2 6 5 3
6 6 6 2 a0m a1 xi a2 xi yi i 1 i 1 i 1 6 6 6 6 2 3 a0 xi a1 xi a2 xi xi yi i 1 i 1 i 1 i1 6 6 6 6 2 3 4 2 a0 xi a1 xi a2 xi xi yi i 1 i 1 i 1 i1
13.8434
70.376
i
i 1 4
2 i
i
a0 3.9374 a1 7.4626
4 a 0 7 .32 a1 70 .376 7 .32 a 0 13 .8434 a1 132 .12985
x y
i
132.12985
y 3.9374 7.4626 x
2
2
即
e
1 2
i0
n
2 i
( x
i0
n
i
) f ( x i )
2
最小。
这种要求误差（偏差）平方和最小的拟合称为曲线拟合的 最小二乘法。
函数逼近与曲线拟合
函数逼近与曲线拟合3.１函数逼近的基本概念3.1.1 函数逼近与函数空间在数值计算中常要计算函数值，如计算机中计算基本初等函数及其他特殊函数；当函数只在有限点集上给定函数值，要在包含该点集的区间上用公式给出函数的简单表达式，这些都涉及到在区间上用简单函数逼近已知复杂函数的问题，这就是函数逼近问题．上章讨论的插值法就是函数逼近问题的一种．本章讨论的函数逼近，是指“对函数类Ａ中给定的函数，记作，要求在另一类简单的便于计算的函数类Ｂ中求函数，使与的误差在某种度量意义下最小”．函数类Ａ通常是区间上的连续函数，记作，称为连续函数空间，而函数类Ｂ通常为n次多项式，有理函数或分段低次多项式等．函数逼近是数值分析的基础，为了在数学上描述更精确，先要介绍代数和分析中一些基本概念及预备知识．数学上常把在各种集合中引入某些不同的确定关系称为赋予集合以某种空间结构，并将为样的集合称为空间．例如将所有实n维向量组成集合，按向量加法及向量与数的乘法构成实数域上的线性空间，记作，称为n维向量空间．类似地，对次数不超过n（n为正整数）的实系数多项式全体，按通常多项式与多项式加法及数与多项式乘法也构成数域上的一个线性空间，用表示，称为多项式空间．所有定义在上的连续函数集合，按函数加法和数与函数乘法构成数域上的线性空间，记作．类似地，记为具有p阶的连续导数的函数空间．定义１设集合Ｓ是数域Ｐ上的线性空间，元素，如果存在不全为零的数，使得， (3.1.1)则称线性相关．否则，若等式(3.1.1)只对成立，则称线性无关．若线性空间Ｓ是由n个线性无关元素生成的，即对都有则称为空间Ｓ的一组基，记为，并称空间Ｓ为n维空间，系数称为x在基下的坐标，记作，如果Ｓ中有无限个线性无关元素，…，则称Ｓ为无限维线性空间．下面考察次数不超过n次的多项式集合，其元素表示为， (3.1.2）它由个系数唯一确定．线性无关，它是的一组基，故，且是的坐标向量，是维的．对连续函数，它不能用有限个线性无关的函数表示，故是无限维的，但它的任一元素均可用有限维的逼近，使误差（为任给的小正数），这就是著名的Weierstrass定理．定理１（Weierstrass）设，则对任何，总存在一个代数多项式，使在上一致成立．这个定理已在“数学分析”中证明过．这里需要说明的是在许多证明方法中，伯恩斯坦１９１２年给出的证明是一种构造性证明．他根据函数整体逼近的特性构造出伯恩斯坦多项式， (3.1.3)其中，其中，并证明了在上一致成立；若在上阶导数连续，则．这不但证明了定理１，而且由(3.1.3)给出了的一个逼近多项式．它与拉格朗日插值多项式很相似，对，当＝１时也有关系式． (3.1.4)这只要在恒等式中令就可得到．但这里当时还有，于是是有界的，因而只要对任意成立，则有界，故是稳定的．至于拉格朗日多项式，由于无界，因而不能保证高阶插值的稳定性与收敛性．相比之下，多项式有良好的逼近性质，但它收敛太慢，比三次样条插值效果差得多，实际中很少被使用．更一般地，可用一组在上线性无关的函数集合来逼近，元素，表示为． (3.1.5) 函数逼近问题就是对任何，在子空间中找一个元素，使在某种意义下最小．3.1.2 范数与赋范线性空间为了对线性空间中元素大小进行衡量，需要引进范数定义，它是空间中向量长度概念的直接推广．定义2.1.2 设为线性空间，，若存在唯一实数，满足条件：（1）正定性：，（2）当且仅当时，（3）；（4）齐次性：，（5）；（6）三角不（7）等式：，（8）．则称为线性空间上的范数，与一起称为赋范线性空间，记为．例如，在上的向量，三种常用范数为类似地对连续函数空间，若可定义三种常用范数如下：可以验证这样定义的范数均满足定义3.1.2中的三个条件．3.1.3 内积与内积空间在线性代数中，中两个向量及的内积定义为．若将它推广到一般的线性空间，则有下面的定义．定义3.1.3设是数域上的线性空间，对，有中一个数与之对应，记为，它满足以下条件：（１）；（２）；（３）；（４），当且仅当时，．则称为上与的内积．定义了内积的线性空间称为内积空间．定义中（１）的右端称为的共轭，当为实数域时．如果＝０，则称与正交，这是向量相互垂直的概念的推广．关于内积空间性质有以下重要定理．定理3.1.2设为一个内积空间，对，有(3.1.6) 称为Cauchy-Schwarz不等式．［证明］当时(3.1.6)式显然成立．现设，则，且对任何数有．取，代入上式右端，得，即得时．定理证毕定理3.1.2设为一个内积空间，，矩阵（3.1.7）称为Gram矩阵，则Ｇ非奇异的充分必要条件是线性无关．［证明］Ｇ非奇异等价于，其充分必要条件是齐次方程组(3.1.8) 只有零解．而(3.1.9) 从以上的等价关系可知，等价于从(3.1.8)推出．而后者等价于从(3.1.9)推出，即线性无关．定理证毕在内积空间上可以由内积导出一种范数，即对于，记(3.1.10) 容易验证它满足范数定义的三条性质，其中三角不等式(3.1.11)可由定理3.1.2直接得出，即两端开方即得(3.1.11）．例１与的内积．设，，，则其内积定义为(3.1.12)由此导出的向量２－范数为．若给定实数，称为权系数，则在上可定义加权内积为(3.1.13)相应的范数为．不难验证(3.1.13)给出的满足内积定义的４条性质，当时，(3.1.13)就是(3.1.12)．如果，带权内积定义为(3.1.14) 这里仍为正实数序列，为的共轭．在上也可以类似定义带权内积，为此先给出权函数的定义．定义３.1.4 设是有限或无限区间，在上的非负函数满足条件：（１）存在且为有限值；（２）对上的非负连续函数，如果，则．则称为上的一个权函数．例２上的内积．设，是上给定的权函数，则可定义内积． (3.1.15)容易验证它满足内积定义的４条性质，由此内积导出的范数为． (3.1.16)称(3.1.15)和(3.1.16)为带权的内积和范数．特别常用的是的情形，即若是中的线性无关函数族，记，它的Gram矩阵为(3.1.17)根据定理3.1.3可知线性无关的充分必要条件是．3.2 正交多项式正交多项式是函数逼近的重要工具，在数值积分中也有着重要的应用．3.2.1 正交函数族与正交多项式定义3.2.1 若，为上的权函数且满足， (3.2.1)则称与在上带权正交．若函数族满足关系(3.2.2)则称是上带权的正交函数族；若，则称之为标准正交函数族．例如，三角函数族就是在区间上的正交函数族．因为对有，而对，当时有定义3.2.2 设是上首项系数的次多项式，为上权函数，如果多项式序列满足关系式(3.2.2)，则称多项式序列为在上带权正交，称为上带权的次正交多项式．只要给定区间及权函数，均可由一族线性无关的幂函数，利用逐个正交化手续构造出正交多项式序列；，(3.2.3) 这样得到的正交多项式序列有以下性质：（１）是具有最高次项系数为１的次多项式．（２）任何次多项式均可表示为的线性组合．（３）当时，，且与任一次数小于的多项式正交．（４）成立递推关系．其中这里．（５）设是在上带权的正交多项式序列，则的个根都是在区间内的单重实根．3.2.2 勒让德多项式当区间为［－１，１］，权函数时，由正交化得到的多项式就称为勒让德(Legendre)多项式，并用表示．这是勒让德于１７８５年引进的，１８１４年罗德利克(Rodrigul)给出了简单的表达式由于是２次的多项式，求阶导数后得，于是得首项系数为，显然最高项系数为１的勒让德多项式为．(3.2.6) 勒让德多项式有下述几个性质：性质１正交性(3.2.7) ［证明］令，则．设是在区间[-1,1]上的阶连续可微的函数，由分部积分知下面分两种情况讨论：（１）若是次数小于的多项式，则，故得（２）若，则，于是由于，故，于是(3.2.7)得证．性质２奇偶性（3.2.8）［证明］由于是偶次多项式，经过偶次求导仍为偶次多项式，经过奇次求导则为奇次多项式，故为偶数时为偶函数，为奇数时为奇函数，于是(3.2.8)成立．性质３递推关系(3.2.9) ［证明］考虑＋１次多项式，它可表示为两边乘以，并从－１到１积分，得．当时，的次数小于－１，上式左端积分为０，故得．当时．为奇函数，左端积分仍为０，故．于是．其中，代入上式整理可得(3.2.9)．例１由利用性质３可得性质４在区间[-1,1]内有个不同的实零点．3.2.3 切比雪夫多项式当权函数，区间为[-1,1]时，由序列正交化得到的多项式就称为切比雪夫(Chebyshev)多项式，它可表示为(3.2.10)若令，则．切比雪夫多项式有很多重要性质：性质１递推关系(3.2.11) 这只要由三角不等式．令即得．由(3.2.11)就可推出由递推关系(3.2.11)还可得到的最高次项系数是．性质６切比雪夫多项式在区间［－１，１］上带权正交，且(3.2.12) 事实上，令，则，于是性质７只含的偶次幂，只含有的奇次幂．这性质由递推关系直接得到．性质８在区间［－１，１］上的个零点此外，实际计算中时常要求用的线性组合，其公式为． (3.2.13) 例如：结果如下：3.2.4 其他常用的正交多项式一般说，如果区间及权函数不同，则得到的正交多项式也不同．除上述两种最重要的正交多项式外，下面再给出三种较常用的正交多项式．第二类切比雪夫多项式在区间［－１，１］上带权的正交多项式称为第二类切比雪夫多项式，其表达式为． (3.2.14)令，可得即是［－１，１］上带权的正交多项式族．还可得到递推关系式．拉盖尔多项式在区间上带权的正交多项式称为拉盖尔（Laguerre）多项式，其表达式为. (3.2.15)其正交性为和递推关系．３. 埃尔米特多项式在区间上带权的正交多项式称为埃尔米特多项式．其表达式为， (3.2.16)其正交性为递推关系为．3.3 最佳一致逼近多项式3.3.1 基本概念及其理论本节讨论，在中求多项式，使其误差．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3.3.1 设，，称． (3.3.1) 为与在上的偏差．显然，的全体组成一个集合，记为｛｝，它有下界０．若记集合的下确界为(3.3.2)则称之为在上的最小偏差．定义3.3.2 假定，若存在，使得， (3.3.3)则称是在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４若，则总存在，使．为了研究最佳逼近多项式的特性，先引进偏差点的定义．定义3.3.3设，，若在上有，就称是的偏差点．若，称为“正”偏差点．若，称为“负”偏差点．由于函数在上连续，因此，至少存在一个点，使，也就是说的偏差点总是存在的．下面给出反映最佳逼近多项式特征的切比雪夫定理．定理3.3.2是的最佳逼近多项式的充分必要条件是在上至少有个轮流为“正”、“负”的偏差点，即有个点，使． (3.3.4) 这样的点组称为切比雪夫交错点组．［证明］只证充分性．假定在上有个点使(3.3.4)成立，要证明是在上的最佳逼近多项式．用反证法，若存在，使．由于在点上的符号与一致，故也在个点上轮流取“＋”、“－”号．由连续性质，它在内有个零点，但因是不超过次的多项式，它的零点不超过．这矛盾说明假设不对，故就是所求最佳逼近多项式．充分性得证，必要性证明略，可参看［５］．定理５说明用逼近的误差曲线是均匀分布的．由这定理还可得以下重要推论．推论１若，则在中存在唯一的最佳逼近多项式．证明略．利用定理５可直接得到切比雪夫多项式的一个重要性质，即定理3.3.3 在区间［－１，１］上所有最高次项系数为１的次多项式中与零的偏差最小，其偏差为．［证明］由于，且点是的切比雪夫交错点组，由定理５可知，区间［－１，１］上在中最佳逼近多项式为，即是与零的偏差最小的多项式．定理证毕例３求在［－１，１］上的最佳２次逼近多项式．解由题意，所求最佳逼近多项式应满足由定理3.3.3可知，当时，多项式与零偏差最小，故就是在［－１，１］上的最佳２次逼近多项式．3.3.2 最佳一次逼近多项式定理3.3.2给出了最佳逼近多项式的特性，但要求出却相当困难．下面讨论的情形．假定，且在内不变号，我们要求最佳一次逼近多项式．根据定理3.3.2可知至少有３个点，使由于在内不变号，故单调，在内只有一个零点，记为，于是，即．另外两个偏差点必是区间端点，即，且满足由此得到(3.3.5) 解出， (3.3.6) 代入(3.3.5)得． (3.3.7)这就得到了最佳一次逼近多项式，其几何意义如图３－３所示．直线与弦MN平行，且通过MQ的中点D，其方程为．图３－３一次最佳一致逼近多项式几何意义例4 求在上的最佳一次逼近多项式。
第三章函数逼近和曲线拟合
S=span{ x1,..., xn}
并称该空间为n维空间。1,2 ,...,n P
称为x在这组基下的坐标。 例：n次多项式
p(x) Hn , p(x)=a0 + a1x ... an xn Hn span{1, x, x2 ,..., xn}
4
11
4.5
12
4.6
强 度 yi 编 号 拉伸倍数 xi
1.4
13
5
1.3
14
5.2
1.8
15
6
2.5
16
6.3
2.8
17
6.5
2.5
18
7.1
3
19
8
2.7
20
8
4
21
8.9
3.5
22
9
4.2
23
9.5
3.5
24
10
强 度 yi
5.5 5
5.5
6.4 6
5.3 6.5
7 8.5
8 8.1 8.1
6
内积与内积空间 定义3：设X为数域K（R或C）上的线性空
间，满足条件：
u, v X , k (u, v) K, st.
(1) (u, v) (v, u)
(2) (u, v) (u, v), for K
(3) (u v, w) (u, w) (v, w), for w X
(4) (u, u) 0, u 0 iff (u, u) 0
存在唯一实数 g ，满足条件：
(1) x 0; x 0 iff x 0
(2) x x , R
(3) x y x y , x, y R
第3章 函数逼近与曲线拟合
例如、 三角函数系：1，cosx，sinx，cos2x，sin2x，…是 区间［-π，π］上的正交函数系，因为
s in k xs in jxdx 0,
jxdx 0,
( j k)
( j k)
cos k xcos
s in k xcos
a
(1)
则称f(x)与g(x)在[a,b]上带权正交. 若函数族
0 ( x), 1 ( x), , n ( x),
b
满足关系
j k; 0, ( j , k ) ( x) j ( x)k ( x)dx a Ak 0, j k ;
(2)
则称 k ( x) 是[a, b]上带权 ρ(x)正交函数族 ；
如果范数 取为 2，即 f ( x) P ( x)
2 2
min f ( x) P( x)
PH n PH n
2 2
b min a [ f ( x) P( x)]2 dx ,
则称P ( x)为f ( x)在[a, b]上的最佳平方逼近多项式 。 若f ( x)是 [a, b]上的一个列表函数，在a x0 x1 xm b 上给出f ( xi )(i 0,1,, m), 要求P 使 f P 2 min f P 2 min
PH n
则称P ( x)是f ( x)在[a, b]上的最佳逼近多项式 。 若取 ，即 f ( x) P ( x) min f ( x) P( x)
PH n
min max f ( x) P( x) ,
PH n a x b
Matlab中的曲线拟合与函数逼近
Matlab中的曲线拟合与函数逼近Matlab是一种功能强大的数学工具，广泛应用于科学计算、工程分析和数据处理等领域。
在Matlab中，曲线拟合和函数逼近是常见的数学问题，它们可以帮助我们从一组离散数据中找到合适的函数形式，从而更好地理解数据的规律和趋势。
本文将介绍Matlab中的曲线拟合和函数逼近的常见方法和技巧，并通过实例来说明其应用。
一、简单线性回归拟合简单线性回归是最基本的曲线拟合方法之一，在Matlab中使用polyfit函数可以实现。
假设我们有一组离散的数据点，分别表示自变量x和因变量y的取值，我们可以通过简单线性回归来寻找一条直线，使得该直线与这些数据点的拟合误差最小。
```matlabx = [1, 2, 3, 4, 5];y = [2.1, 3.9, 6.2, 8.2, 9.8];coefficients = polyfit(x, y, 1);```在上述代码中，x和y分别是自变量和因变量的数据点。
polyfit函数的第三个参数表示我们希望拟合的曲线的阶数，这里是1表示直线拟合。
函数返回的coefficients是拟合曲线的系数，其中第一个元素表示直线的斜率，第二个元素表示直线的截距。
我们可以利用polyval函数来计算拟合直线上的点的函数值，从而与原始数据进行比较。
```matlaby_fit = polyval(coefficients, x);```通过绘制拟合直线和原始数据，我们可以直观地看到拟合效果。
```matlabplot(x, y, 'o', x, y_fit, '-')legend('原始数据', '拟合直线')```二、多项式拟合除了简单线性回归，Matlab还提供了多项式拟合的方法，可以通过增加拟合曲线的阶数来逼近更复杂的数据。
```matlabx = [1, 2, 3, 4, 5];y = [2.1, 3.9, 6.2, 8.2, 9.8];coefficients = polyfit(x, y, 2);```在上述代码中，polyfit函数的第三个参数是2，表示进行二次多项式拟合。
数值计算(分析)实
数值计算(分析)实验报告2南昌航空大学数学与信息科学学院实验报告课程名称：《数值计算方法》实验名称：曲线拟合实验类型：验证性■综合性□设计性□实验室名称：数学实验室班级学号： 09072113学生姓名：邢宪平任课教师（教师签名）：成绩：一、实验目的实验目的：实验目的：了解函数逼近与曲线拟合的基本原理，并且运用MATLAB 软件进行实践操作。
二、实验原理、程序框图、程序代码等 实验题目：题目1：试分别用抛物线2y a bx cx =++和指数曲线bxy ae =拟合下列数据并比较两个拟合函数的优劣。
题目2：已知实验数据如下：试用形如2y a bx =+的抛物线进行最小二乘拟合。
实验原理：1、逼近方式 假设()[,]f x C a b ∈，2{1,,,...,}n nHspan x x x =，()nnP x H ∈，称(,)|||||()()|max n n n a x bf P F P f x P x ≤≤=-=-V 为()f x 与()|nP x 在[,]a b 上的偏差。
若存在*()nnP x H ∈，使得**(,)|||||()()|max inf n nn nn P H a x bf P f Pf x P x ∞∈≤≤=-=-V 则称*()nP x 是()f x 在[,]a b 上的最佳一致逼近多项式。
假设()[,]f x C a b ∈及[,]C a b 的一个子集01{(),(),,...()}nspan x x x ϕ=ϕϕϕ，若存在*()S x ϕ∈，使*22222()()||()()||||()()||()[()()]min min bS x S x af x S x f x S x x f x S x dxϕϕρ∈∈-=-=-⎰则称*()S x 是()f x 在子集[,]C a b ϕ⊂中的最佳平方逼近数。
2、曲线拟合上述函数的最佳平方逼近法中，若()f x 是以一组离散点集的形式给出的，即给出了函数()f x 在一些离散点上的值{(,),0,1,...,}iix y i m =，则该方法就是所说的曲线拟合。
(完整版)高等数值分析48课时教案
高等数值分析48课时教案
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
南华大学教案
2010 ~ 2011 学年第 1 学期
课程：高等数值分析授课教师（职称）：王礼广（副教授）班级： 2010级理工科研究生
11。
数值分析第三章函数逼近与 曲线拟合习题答案
6。对，定义 问它们是否构成内积。 解： 令（C为常数，且） 则 而 这与当且仅当时，矛盾 不能构成上的内积。 若，则 ,则 若，则 ,且 即当且仅当时，. 故可以构成上的内积。 7。令，试证是在上带权的正交多项式，并求。 解： 若，则 令，则，且，故 又切比雪夫多项式在区间上带权正交，且 是在上带权的正交多项式。 又 8。对权函数，区间，试求首项系数为1的正交多项式 解： 若，则区间上内积为 定义，则 其中 9。试证明由教材式给出的第二类切比雪夫多项式族是上带权的正交多 项式。 证明： 若 令，可得 当时， 当时， 又，故 得证。 10。证明切比雪夫多项式满足微分方程 证明：
若 且，则 则法方程组为 解得 故关于的最佳平方逼近多项式为 17。求函数在指定区间上对于的最佳逼近多项式： 解： 若 且，则有 则法方程组为 从而解得 故关于的最佳平方逼近多项式为 若 且，则有 则法方程组为 从而解得 故关于的最佳平方逼近多项式为 若 且，则有 则法方程组为 从而解得 故关于的最佳平方逼近多项式为 若 且则有 则法方程组为 从而解得 故关于最佳平方逼近多项式为 18。，在上按勒让德多项式展开求三次最佳平方逼近多项式。 解： 按勒让德多项式展开 则 从而的三次最佳平方逼近多项式为 19。观测物体的直线运动，得出以下数据：
切比雪夫多项式为 从而有 得证。 11。假设在上连续，求的零次最佳一致逼近多项式？ 解： 在闭区间上连续 存在，使 取 则和是上的2个轮流为“正”、“负”的偏差点。 由切比雪夫定理知 P为的零次最佳一致逼近多项式。 12。选取常数，使达到极小，又问这个解是否唯一？ 解： 令 则在上为奇函数 又的最高次项系数为1，且为3次多项式。 与0的偏差最小。 从而有 13。求在上的最佳一次逼近多项式，并估计误差。 解： 于是得的最佳一次逼近多项式为 即 误差限为 14。求在上的最佳一次逼近多项式。 解： 于是得的最佳一次逼近多项式为 15。求在区间上的三次最佳一致逼近多项式。 解： 令，则 且 令，则 若为区间上的最佳三次逼近多项式应满足 当 时，多项式与零偏差最小，故 进而，的三次最佳一致逼近多项式为，则的三次最佳一致逼近多项式为 16。，在上求关于的最佳平方逼近多项式。 解：
- 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)。
实验二 函数逼近与曲线拟合报告一、问题提出从随机的数据中找出其规律性，给出其近似表达式的问题，在生产实践和科学实验中大量存在，通常利用数据的最小二乘法求得拟合曲线。
在某冶炼过程中，根据统计数据的含碳量与时间关系，试求含碳量与时间t 的拟合曲线。
t(分) 0 5 10 15 20 25 30 35 40 45 50 554(10)y -⨯0 1.27 2.16 2.86 3.44 3.87 4.15 4.37 4.51 4.58 4.02 4.64二、要求1、用最小二乘法进行曲线拟合；2、近似解析表达式为23123()t a t a t a t ϕ=++；3、打印出拟合函数()t ϕ，并打印出()j t ϕ与()j y t 的误差，1,2,,12j = ；4、另外选取一个近似表达式，尝试拟合效果的比较；5、* 绘制出曲线拟合图。
三、目的和意义1、掌握曲线拟合的最小二乘法；2、最小二乘法亦可用于解超定线代数方程组；3、探索拟合函数的选择与拟合精度间的关系。
四、实验学时：2学时五、实验步骤：1．进入C 或matlab 开发环境；2．根据实验内容和要求编写程序；3．调试程序；4．运行程序；5．撰写报告,讨论分析实验结果．解：实验步骤（一）算法流程构造a1、a2、a3的线性方程组------构造误差平方和------对a1、a2、a3求偏导数------令偏导为零求得a1、a2、a3的值。
（二）编程步骤与分析1. 绘制数据点(t,yi)的散点图输入程序为：t=[0 5 10 15 20 25 30 35 40 45 50 55];y=[0 1.27 2.16 2.86 3.44 3.87 4.15 4.37 4.51 4.58 4.02 4.64].*1e-4 plot(t,y,'r*'),legend('实验数据(t,yi)')xlabel('x'), ylabel('y'),title('数据点(t,yi)的散点图')，显示结果为：2.求参数a1、a2、a3的解析表达式计算)(x f 在),(i i y x 处的函数值，即输入程序syms a1 a2 a3t=[0 5 10 15 20 25 30 35 40 45 50 55];fi=a1.*t+ a2.*t.^2+ a3.*t.^3运行后屏幕显示关于a1,a2, a3的线性方程组：fi = [ 0, 5*a1 + 25*a2 + 125*a3, 10*a1 + 100*a2 + 1000*a3, 15*a1 + 225*a2 + 3375*a3, 20*a1 + 400*a2 + 8000*a3, 25*a1 + 625*a2 + 15625*a3, 30*a1 + 900*a2 + 27000*a3, 35*a1 + 1225*a2 + 42875*a3, 40*a1 + 1600*a2 + 64000*a3, 45*a1 + 2025*a2 + 91125*a3, 50*a1 + 2500*a2 + 125000*a3, 55*a1 + 3025*a2 + 166375*a3]构造误差平方和：y=[0 1.27 2.16 2.86 3.44 3.87 4.15 4.37 4.51 4.58 4.02 4.64].*1e-4;fy=fi-y; fy2=fy.^2; J=sum(fy.^2);运行后屏幕显示误差平方和如下:J=12650*a1^2+1089000*a1*a2+49967500*a1*a3- (7819978335372091569501*a1)/28823037615171174400000 + 24983750*a2^2 +2386725000*a2*a3-(31331074233255294718193*a2)/2882303761517117440000 +58593218750*a3^2-(274377591928296252150123*a3)/576460752303423488000 +520374483464852566590953249225508026224249/3323069989462289682259517 65070086144000000000000为求a1,a2, a3使J达到最小，只需利用极值的必要条件=∂∂kaJ(k=1,2,3)，得到关于a1,a2, a3的线性方程组，这可以由下面的MATLAB程序完成，即输入程序Ja1=diff(J,a1); Ja2=diff(J,a2); Ja3=diff(J,a3);Ja11=simple(Ja1), Ja21=simple(Ja2), Ja31=simple(Ja3),运行后屏幕显示J分别对a1, a2 ,a3的偏导数如下Ja11 =25300*a1 + 1089000*a2 + 49967500*a3 - 27131/100000Ja21 =1089000*a1 + 49967500*a2 + 2386725000*a3 - 217403/20000Ja31 =49967500*a1 + 2386725000*a2 + 117186437500*a3 - 1903877/4000解线性方程组Ja11 =0，Ja21 =0，Ja31 =0，Ja41 =0，输入下列程序A=[25300, 1089000, 49967500; 1089000, 49967500, 2386725000; 49967500, 2386725000, 117186437500];B=[27131/100000, 217403/20000, 1903877/4000];C=B/A运行后求得系数C如下:C =2.6569e-005 -5.2948e-0073.5168e-009故所求的拟合曲线为f(x)=2.6569×10-5t-5.2948×10-7t2+3.5168×10-9t33．估计其误差，并作出拟合曲线和数据的图形输入程序：t=[0 5 10 15 20 25 30 35 40 45 50 55];y=[0 1.27 2.16 2.86 3.44 3.87 4.15 4.37 4.51 4.58 4.02 4.64].*1e-4; n=length(t);f=2.6569*1e-5*t-5.2948*1e-7*t.^2+3.5168*1e-9*t.^3;tx=0:1:100;F=2.6569*1e-5*tx-5.2948*1e-7*tx.^2+3.5168*1e-9*tx.^3;fy=abs(f-y); fy2=fy.^2; Ew=max(fy),E1=sum(fy)/n, E2=sqrt((sum(fy2))/n)plot(t,y,'r*'), hold on, plot(tx,F,'b-'), hold offlegend('数据点(t,y)','拟合曲线y=f(x)'),xlabel('x'), ylabel('y'),title('数据点(t,y)和拟合曲线y=f(x)的图形')运行后屏幕显示数据(t,y)与拟合函数f 的最大误差Ew ，平均误差E1和均方根误差E2及其数据点),(i i y x 和拟合曲线y=f(x)的图形。
结果为：最大误差：Ew = 4.2350e-005平均误差：E1 = 9.0785e-006均方根误差：E2 = 1.4684e-0054.用软件自带函数进行三次多项式拟合，比较拟合效果编写程序如下：t=[0 5 10 15 20 25 30 35 40 45 50 55];y=[0 1.27 2.16 2.86 3.44 3.87 4.15 4.37 4.51 4.58 4.02 4.64].*1e-4; tx=0:1:100;F=2.6569*1e-5*tx-5.2948*1e-7*tx.^2+3.5168*1e-9*tx.^3;plot(t,y,'r*'), hold on, plot(tx,F,'b-')F1=polyfit(t,y,3)F1=F1(1)*tx.^3+F1(2)*tx.^2+F1(3)*tx+F1(4);plot(tx,F1,'+'),hold offlegend('数据点(t,y)','拟合曲线y=f(x)','拟合曲线y=f1(x)'),xlabel('x'), ylabel('y'),title('数据点(t,y)、拟合曲线y=f(x)、y=f1(x)图形')结果如下图：用软件拟合的三次多项式参数为F1（1）=3.4364e-009 F1（2）=-5.2156e-007F1（3）=2.6340e-005 F1（4）=1.7839e-006故软件拟合出的三次多项式函数为:F1(x)=2.6340×10-5t-5.2156×10-7t2+3.4364×10-9t3与求得给定表达式的拟合函数f(x)=2.6569×10-5t-5.2948×10-7t2+3.5168×10-9t3相比较，对应系数值非常接近，证明了所求解解析表达式的正确性。