第4章_插值与拟合-牛顿法
计算方法第四章 插值法
4
3
xi 4 yi 2
9 16 3 4
2
0
4
7
9
16
第4章 插值法
应用背景
造函数表：三角函数、对数 预测：鸡蛋价格、城市用水量
《 计 算 方 法 》
数控加工：造船、飞机机翼骨架、服装 样片、模具加工、刀具 计算机辅助设计：潜水艇、汽车造型
服装样片
第4章 插值法
实际问题中，f (x)多样，复杂，通常只能观测到一些离散 数据；或者f (x)过于复杂而难以运算。这时我们要用近似函数 φ(x)来逼近f (x)。
《 计 算 方 法 》
φ (x)= y0
第4章 插值法
§2 线性插值与二次插值
2.1 线性插值
线性插值是代数多项式插值的最简单的形式。假设
《 计 算 方 法 》
给定了函数f (x)在两个互异点x0，x1的值,即
x x0值）
y y0 x0
y1
x1
x
第4章 插值法
现要用一线性函数
满足插值条件：
y( xi ) = yi , i = 0,1, 2
22
第4章 插值法 例：已知函数 y=f (x)的观测数据为
x
《 计 算 方 法 》
1 0
2 -5
3 -6
4 3
y
试求拉格朗日插值多项式。
第4章 插值法
《 计 算 方 法 》
( x 2)( x 3)( x 4) 解 ：p3 ( x ) = 0 (1 2)(1 3)(1 4) ( x 1)( x 3)( x 4) ( 5) (2 1)(2 3)(2 4) ( x 1)( x 2)( x 4) ( 6) (3 1)(3 2)(3 4) ( x 1)( x 2)( x 3) 3 (4 1)(4 2)(4 3) = x3 4 x2 3
牛顿插值法ppt课件
为 在点
处的二阶差商
称
f[x 0 ,x 1 , x n ] f[x 0 ,x 1 , ,x x n 0 1 ] x n f[x 1 ,x 2 , x n ]
为f (x)在点
处的n阶差商。
--
9
差商表
x
f(x)
一阶差 商
二阶差商
三阶差商
x0
f(x0)
x1
f(x1) f [x0,x1]
x2
f(x2) f [x1,x2] f [x0,x1,x2]
--
14
例题分析（续1）
f
(x0, x1)
y1 x1
y0 x0
12 1(1)
1 2
f
(x1,
x2)
y2 x2
y1 x1
11 21
0
f
(x0, x1, x2)
f
(x1,x2) f (x0,x1) x2 x0
02（(1/12)）
1 6
--
15
例题分析（续2）
f (x)N2(x) f (x0)f[x0,x1](xx0)
令 xx0得： Nn(x0)c0y0f(x0); 令 xx1得： Nn(x1)c0c1(x1x0)y1f(x1); 由此可c0解 ,c1;c出 i 依： 次类推。
--
6
具有承袭性的插值公式
线性插值公式可以写成如下形式：
其中
p 1 x p 0 x c 1 x x 0
p0xfx0，其修正项的系数 c1
f
x1f x0
x1 x0
再修正 p1 x 可以进一步得到拋物插值公式
p 2 x p 1 x c 2 x x 0 x x 1
其中
牛顿插值法公式
牛顿插值法公式牛顿插值法公式，这可真是个有趣又实用的数学工具！还记得我当年读书的时候，有一次参加数学竞赛的集训。
那时候，我们一群对数学充满热情的小伙伴天天聚在一起钻研各种难题。
有一天，老师就给我们讲到了牛顿插值法公式。
当时，我们都被这个看起来有点复杂的公式给难住了。
老师在黑板上写下：$N(x) = f[x_0] + f[x_0, x_1](x - x_0) + f[x_0, x_1, x_2](x -x_0)(x - x_1) + \cdots + f[x_0, x_1, \cdots, x_n](x - x_0)(x - x_1) \cdots (x - x_{n-1})$ ，然后开始给我们讲解每个部分的含义。
老师说，这个公式就像是一个神奇的魔法，能够通过已知的几个点，帮我们推测出其他未知点的大致情况。
比如说，我们知道了一些温度随时间变化的几个特定时间点的数值，用牛顿插值法公式就能大概猜到其他时间点的温度。
咱来仔细瞅瞅这个公式。
首先，$f[x_0]$ 就是我们已知的第一个点的函数值。
而 $f[x_0, x_1]$ 呢，它叫一阶差商，计算方法是$\frac{f(x_1) - f(x_0)}{x_1 - x_0}$ 。
再往后的二阶差商 $f[x_0, x_1,x_2]$ 、三阶差商 $f[x_0, x_1, x_2, x_3]$ 等等，计算起来就更复杂一点啦，但原理都是相通的，就是通过不断地找差值的差值来找到规律。
举个简单的例子吧。
假设我们知道三个点，$(1, 2)$ 、$(2, 5)$ 和$(3, 10)$ 。
先算一阶差商，$f[1, 2] = \frac{5 - 2}{2 - 1} = 3$ ，$f[2, 3] =\frac{10 - 5}{3 - 2} = 5$ 。
然后算二阶差商，$f[1, 2, 3] = \frac{5 - 3}{3 - 1} = 1$ 。
这样，我们就能用牛顿插值法公式写出通过这三个点的插值多项式啦。
《插值与拟合》课件
拟合的方法
1
最小二乘法
通过最小化残差平方和，找到与数据最匹配的函数。
2
局部加权回归
给予附近数据点更高的权重，拟合接近局部数据点的函数。
3
多项式拟合
用多项式函数逼近数据，通过选择合适的次数实现拟合。
插值与拟合的误差分析
插值和拟合都会引入近似误差，需要评估误差范围和影响因素。
插值与拟合在数据处理与分析中的应用
数据分析
通过插值和拟合方法对数据进 行探索和分析。
数据处理
在数据处理过程中使用插值和 拟合技术来填充缺失值和平滑 数据。
数据建模
利用插值和拟合模型对数据特 征进行捕捉和预测分析。
插值与拟合的推广和发展前景
随着数据科学和人工智能的不断发展，插值和拟合在各个领域的应用前景越 来越广阔。
插值与拟合的应用范围
科学研究
用于数据分析、信号优化设计、近似计算和 效能提升。
经济金融
用于市场分析、预测模型和 风险评估。
插值的方法
1
拉格朗日插值
基于多项式插值公式，用拉格朗日多项式逼近函数。
2
牛顿插值
基于差商的概念，用多项式逼近函数的值。
3
分段插值
将插值区间划分为多个子区间，并在每个子区间上进行插值。
《插值与拟合》PPT课件
插值与拟合是数值计算和数据分析中重要的概念。
插值与拟合的概念
插值
通过已知值的推算，计算在未知点的近似值。
拟合
通过曲线或曲面拟合已知数据，以描述和预 测未知数据。
插值与拟合的区别与联系
1 区别
2 联系
插值重点关注已知点的准确性，而拟合则 着重于整体形状的拟合。
插值和拟合都通过数学模型逼近离散数据， 以实现数据的补全和预测。
插值与拟合方法
插值与拟合方法在实际中，常常要处理由实验或测量所得到的一批离散数据．插值与拟合方法就是要通过这些数据去确定某一类已知函数的参数或寻找某个近似函数，使所得到的近似函数与已知数据有较高的拟合精度．插值问题:要求这个近似函数（曲线或曲面）经过所已知的所有数据点．通常插值方法一般用于数据较少的情况．数据拟合：不要求近似函数通过所有数据点，而是要求它能较好地反映数据的整体变化趋势。
共同点：插值与拟合都是根据实际中一组已知数据来构造一个能够反映数据变化规律的近似函数的方法，由于对近似要求的准则不同，因此二者在数学方法上有很大的差异．插值问题的一般提法：已知某函数)(x f y =（未知）的一组观测（或试验）数据),,2,1)(,(n i y x ii⋅⋅⋅=，要寻求一个函数)(x φ，使iiy x =)(φ),,2,1(n i ⋅⋅⋅=，则)()(x f x ≈φ．实际中,常常在不知道函数)(x f y =的具体表达式的情况下，对于i x x =有实验测量值iy y =),,2,1,0(n i ⋅⋅⋅=，寻求另一函数)(x φ使满足：)()(i i i x f y x ==φ),,2,1,0(n i ⋅⋅⋅=称此问题为插值问题，并称函数)(x φ为)(x f 的插值函数，nx x x x ,,,,21⋅⋅⋅称为插值节点，),,2,1,0()(n i y x ii⋅⋅⋅==φ称为插值条件，即)()(iiix f y x ==φ),,2,1,0(n i ⋅⋅⋅=，则)()(x f x ≈φ．（1） 拉格朗日（Lagrange ）插值设函数)(x f y =在1+n 个相异点nx x x x ,,,,21⋅⋅⋅上的函数值为ny y y y ,,,,21⋅⋅⋅，要求一个次数不超过n 的代数多项式nnnx a x a x a a x P +⋅⋅⋅+++=221)(使在节点i x 上有),,2,1,0()(n i y x P ii n ⋅⋅⋅==成立，称之为n 次代数插值问题，)(x P n称为插值多项式．可以证明n 次代数插值是唯一的．事实上: 可以得到j n j n i i j in y x x xx x P j i ∑∏==⎥⎥⎦⎤⎢⎢⎣⎡⎪⎪⎭⎫⎝⎛--=≠00)()( 当1=n 时，有二点一次（线性）插值多项式：101001011)(y x x x x y x x x x x P --+--=当n =2时，有三点二次（抛物线）插值多项式：2120210121012002010212))(())(())(())(())(())(()(y x x x x x x x x y x x x x x x x x y x x x x x x x x x P ----+----+----=（2）牛顿（Newton ） 插值牛顿插值的基本思想：由于)(x f y =关于二节点10,x x 的线性插值为)()()()()()()()()(00101000010101x x x x x f x f x p x x x x x f x f x f x p ---+=---+= 假设满足插值条件)2,1,0()()(2===i x p y x f iii的二次插值多项式一般形式为))(()()(1212x x x x c x x c c x p --+-+= 由插值条件可得⎪⎩⎪⎨⎧=--+-+=-+=)())(()()()()(21202202101011000x f x x x x c x x c c x f x x c c x f c 可以解出⎪⎪⎪⎩⎪⎪⎪⎨⎧------=--==020101121220101100)()()()()()(),(x x x x x f x f x x x f x f c x x x f x f c x f c所以))(()())(()()(10211020102x x x x c x p x x x x c x x c c x p --+=--+-+=类似的方法，可以得到三次插值多项式等，按这种思想可以得到一般的牛顿插值公式．函数的差商及其性质对于给定的函数)(x f ，用),,,(10n x x x f ⋅⋅⋅表示关于节点nx x x ,,,1⋅⋅⋅的n 阶差商，则有一阶差商：01011)()(),(x x x f x f x x f --=，121221)()(),(x x x f x f x x f --= 二阶差商：021021210),(),(),,(x x x x f x x f xx x f --=n 阶差商：0110211),,,(),,,(),,,(x x x x x f x x x f x x x f n n n n -⋅⋅⋅-⋅⋅⋅=⋅⋅⋅-差商有下列性质：（1）差商的分加性：∑∏=≠=-=⋅⋅⋅nk nk j j j kk n x xx f xx x f 0)(01)()(),,,(．（2）差商的对称性：在),,,(1nx x x f ⋅⋅⋅中任意调换jix x ,的次序其值不变．牛顿插值公式： 一次插值公式为))(,()()(01001x x x x f x f x p -+=二次插值公式为))()(,,()())()(,,())(,()()(1021011021001002x x x x x x x f x p x x x x x x x f x x x x f x f x p --+=--+-+=于是有一般的牛顿插值公式为)())()(,,,()()())()(,,,())()(,,())(,()()(11010111010102100100----⋅⋅⋅--⋅⋅⋅+=-⋅⋅⋅--⋅⋅⋅+⋅⋅⋅+--+-+=n n n n n n x x x x x x x x x f x p x x x x x x x x x f x x x x x x x f x x x x f x f x p可以证明：其余项为))(())()(,,,,()(11010n n n x x x x x x x x x x x x f x R --⋅⋅⋅--⋅⋅⋅=-实际上，牛顿插值公式是拉格朗日插值公式的一种变形，二者是等价的．另外还有著名的埃尔米特（Hermite ）插值等．（3）样条函数插值方法样条，实质上就是由分段多项式光滑连接而成的函数，一般称为多项式样条．由于样条函数的特殊性质，决定了样条函数在实际中有着重要的应用．样条函数的一般概念定义 设给定区间],[b a 的一个分划b x x x a n=<⋅⋅⋅<<=∆1:，如果函数)(x s 满足条件：(1) 在每个子区间),,2,1](,[1n i x x ii ⋅⋅⋅=-上是k 次多项式； (2) )(x s 及直到k -1阶的导数在],[b a 上连续．则称)(x s 是关于分划△的一个k 次多项式样条函数，nx x x ,,,1⋅⋅⋅称为样条节点，121,,,-⋅⋅⋅n x x x 称为内节点，nx x ,0称为边界节点，这类样条函数的全体记作),(k S P∆，称为k 次样条函数空间．若),()(k S x s P∆∈，则)(x s 是关于分划△的k 次多项式样条函数．k 次多项式样条函数的一般形式为∑∑=-=+-+=ki n j k j jii k x x k i x x s 011)(!!)(βα其中),,1,0(k i i=α和)1,,2,1(-=n j jβ均为任意常数，而)1,,2,1(,0,)()(-=⎪⎩⎪⎨⎧<≥-=-+n j x x x x x x x x jj kj kj在实际中最常用的是2=k 和３的情况，即为二次样条函数和三次样条函数． 二次样条函数：对于],[b a 上的分划b x x x a n=<⋅⋅⋅<<=∆1:,则)2,()(!2!2)(11222102∆βαααP n j j jS x x x x x s ∈-+++=∑-=+其中)1,2,1(,0,)()(22-=⎪⎩⎪⎨⎧<≥-=-+n j x x x x x x x x j j j j ． 三次样条函数：对于],[b a 上的分划b x x xa n =<⋅⋅⋅<<=∆10:,则)3,()(!3!3!2)(1133322103∆βααααP n j j jS x x x x x x s ∈-++++=∑-=+其中)1,2,1(,0,)()(33-=⎪⎩⎪⎨⎧<≥-=-+n j x x x x x x x x jjj j ．1 二次样条函数插值)2,()(2∆∈P S x s 中含有2+n 个待定常数，故应需要2+n 个插值条件，因此，二次样条插值问题可分为两类：问题(1)：已知插值节点ix 和相应的函数值),,2,1,0(n i y i⋅⋅⋅=，以及端点0x (或n x )处的导数值0'y (或ny ')，求)2,()(2∆∈PS x s 使得⎩⎨⎧'=''='⋅⋅⋅==))(()(),,2,1,0()(20022n n i i y x s y x s n i y x s 或（5.1）问题(2)：已知插值节点ix 和相应的导数值),,2,1,0(n i y i⋅⋅⋅='，以及端点0x (或n x )处的函数值0y (或ny )，求)2,()(2∆∈P S x s 使得⎩⎨⎧==⋅⋅⋅='='))(()(),,2,1,0()(20022n n i i y x s y x s n i y x s 或(5.2)事实上，可以证明这两类插值问题都是唯一可解的．对于问题(1)，由条件(5.1)⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧'=+='==-+++==++==++=∑-=00210211222102121211112020201002)(,,3,2,)(2121)(21)(21)(y x x s n j y x x x x x s yx x x s y x x x s j j i i j i jj j ααβααααααααα 引入记号T n ),,,,,(11210-=ββααα X 为未知向量，T nn y y y y ),,,,(10'= C 为已知向量， ⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡---=-0010)(21)(21211)(212110211211021212212222211200x x x x x x x x x x x x x x x n n n n n A 于是，问题转化为求方程组C AX =的解Tn ),,,,,(1121-=ββααα X 的问题，即可得到二次样条函数的)(2x s 的表达式．对于问题(2)的情况类似．２．三次样条函数插值由于)3,()(3∆∈P S x s 中含有3+n 个待定系数，故应需要3+n 个插值条件，因此可将三次样条插值问题分为三类： 问题(1)：已知插值节点jx 和相应的函数值),,2,1,0(n j y j⋅⋅⋅=，以及两个端点0x ，n x 处的导数值0'y ，ny '，求)3,()(3∆∈PS x s 使满足条件⎪⎩⎪⎨⎧='='⋅⋅⋅==),0()(),,1,0()(33n j y x s n j y x s j j j j(5.3)问题(2)：已知插值节点jx 和相应的函数值),,2,1,0(n j y j⋅⋅⋅=，以及两个端点0x ，nx 处的二阶导数值0y ''，n y ''，求)3,()(3∆∈PS x s 使满足条件⎪⎩⎪⎨⎧=''=''⋅⋅⋅==),0()(),,1,0()(33n j y x s n j y x s j j j j(5.4)问题(3)：类似地，求)3,()(3∆∈PSx s 使满足条件⎪⎩⎪⎨⎧=+=-==)2,1,0)(0()0(),,1,0()(0)(3)(33k x s x s n j y x s k n k j j(5.5)这三类插值问题的条件都是3+n 个，可以证明其解都是唯一的〔8〕．一般的求解方法可以仿照二次样条的情况处理方法，在这里给出一种更简单的方法．仅依问题(1)为例，问题(2)和问题(3)的情况类似处理．由于在)3,()(3∆PS x s ∈区间],[b a 上是一个分段光滑，且具有二阶连续导数的三次多项式，则在子区间],[1+j jx x 上)(3x s ''是线性函数，记),,,1,0)((3n j x s d jj =''=为待定常数．由拉格朗日插值公式可得nj x x h h x x d h x x d x s j j j jj j jj j ,,1,0,,)(1113=-=-+-=''+++显然jjj h d dx s -='''+13)(在],[1+j jx x上为常数．于是在],[1+j j x x 上有31233)(6)(2))(()(j jjj j j j j j x x h d d x x d x x x s y x s --+-+-'+=+(5.6)则当1+=j x x 时，由(5.6)式和问题(1)的条件得121231362)()(+++=-++'+=j j jj j j j j j j y h d d h d h x s y x s故可解得)2(6)(113+++--='j j j jjj j d d h h y y x s（5.7）将(5.7)式代入(5.6)式得)1,,1,0](,[,)(6)(2)()2(6)(1312113-=∈--+-+-⎥⎥⎦⎤⎢⎢⎣⎡+--+=++++n j x x x x x h d d x x d x x d d h h y y y x s j j j jj j j jj j j j j j j j(5.8) 在],[1j j x x-上同样的有),,2,1](,[,)(6)(2)()2(6)(131112111111113n j x x x x x h d d x x d x x d d h h y y y x s j j j j j j j j j j j j j j j j =∈--+-+-⎥⎥⎦⎤⎢⎢⎣⎡+--+=------------(5.9) 根据)(3x s的一阶导数连续性，由(5.9)式得)()2(6)0(311113j j j j j j j j x s d d h h y y x s '=++-=-'---- 结合(5.7)式整理得⎪⎪⎭⎫ ⎝⎛---+=++++--+-+----11111111162j j j j j j j j j j j j j j j j j h y y h y y h h d h h h d d h h h 引入记号⎪⎪⎭⎫ ⎝⎛---+=+=--+--111116,j j j j j j j j j j j j j h y y h y y h h c h h h a ，111--+=-j j j j h h h a ．则)1,,2,1(,2)1(11-==++-+-n j c d a d d a j j j j j j（5.10）再由边界条件：nny x s y x s '=''=')(,)(33得⎪⎪⎩⎪⎪⎨⎧⎪⎪⎭⎫ ⎝⎛--'=+⎪⎪⎭⎫ ⎝⎛'--=+----111100010106262n n n n n n n h y y y h d d y h y y h d d(5.11)联立(5.10),(5.11)式得方程组C D A =⋅（5.12）其中⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡---=----2121212112112200n n n n a a a a a aA ，⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=-n n d d d d 110 D ，⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⎪⎪⎭⎫ ⎝⎛--'⎪⎪⎭⎫ ⎝⎛'--=----111110001066n n n n n n hy y y h c c y h y y h C 由方程组(6.12)可以唯一解出),,1,0(n j d j=，代入（5.8）式就可以得三次样条函数)(3x s 的表达式．Ｂ样条函数插值方法磨光函数实际中的许多问题，往往是既要求近似函数（曲线或曲面）有足够的光滑性，又要求与实际函数有相同的凹凸性，一般插值函数和样条函数都不具有这种性质．如果对于一个特殊函数进行磨光处理生成磨光函数（多项式），则用磨光函数构造出样条函数作为插值函数，既有足够的光滑性，而且也具有较好的保凹凸性，因此磨光函数在一维插值（曲线）和二维插值（曲面）问题中有着广泛的应用．由积分理论可知，对于可积函数通过积分会提高函数的光滑度，因此，我们可以利用积分方法对函数进行磨光处理．定义 若)(x f 为可积函数，对于0>h ，则称积分⎰+-=22,1)(1)(hx h x h dt t f h x f为)(x f 的一次磨光函数，h 称为磨光宽度．同样的，可以定义)(x f 的k 次磨光函数为)1()(1)(22,1,>=⎰+--k dt t f h x f hx h x h k h k事实上，磨光函数)(,x f h k 比)(x f 的光滑程度要高，且当磨光宽度h 很小时)(,x f h k 很接近于)(x f ．等距Ｂ样条函数对于任意的函数)(x f ，定义其步长为１的中心差分算子δ如下：⎪⎭⎫ ⎝⎛--⎪⎭⎫ ⎝⎛+=2121)(x f x f x f δ在此取0)(+=x x f ，则002121+++⎪⎭⎫ ⎝⎛--⎪⎭⎫ ⎝⎛+=x x x δ是一个单位方波函数（如图5-1），记0)(+=Ωx x δ．并取1=h ，对)(0x Ω进行一次磨光得++++-+++-+++--+-+=-=⎥⎥⎦⎤⎢⎢⎣⎡⎪⎭⎫ ⎝⎛--⎪⎭⎫ ⎝⎛+==⎰⎰⎰⎰)1(2)1(2121)()(11212100212101x x x dt t dt t dt t t dt t x x xx x x x x x ΩΩ显然)(1x Ω是连续的（如图5-2）．)(1x Ωo1-1/2 0 1/2 x -1 0 1 x 图5-1图5-2类似地可得到k 次磨光函数为kk j jk j k j k x k C x ++=+⎪⎭⎫ ⎝⎛-++-=Ω∑21!)1()(11 实际上,可以证明：)(x kΩ是分段k 次多项式，且具有1-k 阶连续导数，其k 阶导数有2+k个间断点，记为)1,,2,1,0(21+⋅⋅⋅=+-=k j k j x j．从而可知)(x kΩ是对应于分划+∞<<⋅⋅⋅<<<-∞∆+110:k x x x 的k 次多项式样条函数，称之为基本样条函数，简称为k 次Ｂ样条．由于样条节点为)1,,2,1,0(21+⋅⋅⋅=+-=k j k j xj是等距的，故)(x k Ω又称为k 次等距Ｂ样条函数．对于任意函数)(x f 的k 次磨光函数，由归纳法可以得到 [4,8] ：⎪⎭⎫⎝⎛+≤≤--Ω=⎰∞+∞--22)()(1)(1,h x t h x dt t f htx h x f k h k 特别地，当1)(=x f 时，有1)(11⎰+∞∞--=-dt htx hk Ω，从而1)(⎰+∞∞-=dx x k Ω，且当k ≥1时有递推关系⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛-Ω⎪⎭⎫ ⎝⎛---⎪⎭⎫ ⎝⎛+Ω⎪⎭⎫ ⎝⎛++=Ω--212121211)(11x x k x k x k x k k k一维等距Ｂ样条函数插值等距Ｂ样条函数与通常的样条如下的关系： 定理设有区间],[b a 的均匀分划nab h n j jh x x j -=⋅⋅⋅=+=),,,1,0(:0∆，则对任意 k 次样条函数),()(k S x S p k ∆∈都可以表示为Ｂ样条函数族1021-=-=⎭⎬⎫⎩⎨⎧⎪⎭⎫⎝⎛+---n j k j k k j h x x Ω的线性组合[14]．根据定理 5.1,如果已知曲线上一组点()jjy x ,，其中),,1,0,0(0n j h jh x x j⋅⋅⋅=>+=，则可以构造出一条样条磨光曲线（即为Ｂ样条函数族的线性组合）⎪⎭⎫⎝⎛--=∑--=j h x x c x S n kj k j k 01)(Ω 其中)1,,1,(-⋅⋅⋅+--=n k k j c j为待定常数．用它来逼近曲线，既有较好的精度，又有良好的保凸性．实际中，最常用的是3=k 的情况，即一般形式为⎪⎭⎫ ⎝⎛--=∑+-=j h x x c x S n j j 01133)(Ω 其中3+n 个待定系数)1,,0,1(+⋅⋅⋅-=n j c j可以由三类插值条件确定．由插值条件(5.3)得()()()⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧'=-'='==-='=-'='∑∑∑+-=+-=+-=n n j j n i n j j i n j j y j n c h x S ni y j i c x S y j c h x S 113311330113031)(,,1,0,)(1)(ΩΩΩ(5.13)注意到)(3x Ω的局部非零性及其函数值：61)1(,32)0(33=±=ΩΩ，当2≥x 时0)(3=x Ω；且由)21()21()(223--+='x x x ΩΩΩ知，21)1(,0)0(33=±'='ΩΩ，当2≥x 时0)(3='x Ω．则(5.13)中的每一个方程中只有三个非零系数，具体的为⎪⎩⎪⎨⎧'=+-==++'=+-+-+--n n n i i i i y h c c n i y c c c y h c c 2,,1,0,6421111011(5.14)由方程组(5.14)容易求解出)1,,0,1(+⋅⋅⋅-=n j c j，即可得到三次样条函数)(3x S 表达式．类似地，由插值条件(5.4)得待定系数的)1,,0,1(+⋅⋅⋅-=n j c j所满足的方程组为⎪⎩⎪⎨⎧''=+-==++''=+-+-+--nn n n i i i i y h c c c n i y c c c y h c c c 21111021012,,1,0,642（5.15）由插值条件(5.5)得待定系数的)1,,0,1(+⋅⋅⋅-=n j cj所满足的方程组为⎪⎪⎩⎪⎪⎨⎧==++=-+---=-++-=-+-+-+-+--+--+--ni y c c c c c c c c c c c c c c c c c c c i i i i n n n n n n n n ,,1,0,640)()(2)(0)(0)(0)()(4)(1111011111111011（5.16）方程组(5.15),(5.16)也都是容易求解的．注：上述等距Ｂ样条插值公式也适用于近似等距的情形，但在端点0x 和n x 处误差可能较大，实际应用时，为了提高在端点0x 和nx 处的精度，可以适当向左右延拓几个节点．二维等距Ｂ样条函数插值设有空间曲面),(y x f z =(未知),如果已知二维等距节点()()τj y ih x y x ji++=0,,)0,(>τh 上的值为),,2,1,0;,,2,1,0(m j n i z ij⋅⋅⋅=⋅⋅⋅=，则相应的Ｂ样条磨光曲面的一般形式为⎪⎭⎫ ⎝⎛--⎪⎭⎫⎝⎛--=∑∑--=--=j y y i h x x c y x s l m lj k ij n ki τΩΩ0011),( 其中),,2,1,0;,,2,1,0(m j n i c ij⋅⋅⋅=⋅⋅⋅=为待定常数，l k ,可以取不同值，常用的也是2,=l k 和３的情形．这是一种具有良好保凸性的光滑曲面(函数)，在工程设计中是常用的，但只能使用于均匀分划或近似均匀分划的情况．（4） 最小二乘拟合方法最小二乘拟合方法的思想：由于一般插值问题并不总是可解的（即当插值条件多于待定系数的个数时，其问题无解），同时，问题的插值条件本身一般是近似的，为此，只要求在节点上近似地满足插值条件，并使它们的整体误差最小，这就是最小二乘拟合法．最小二乘拟合方法可以分为线性最小二乘拟合方法和非线性最小二乘拟合方法．线性最小二乘拟合方法设{}m k kx 0)(=φ是一个线性无关的函数系，则称线性组合∑==mk k k x a x 0)()(φφ为广义多项式．如三角多项式：∑∑==+=mk k mk kkx b kx ax 0sin cos )(φ．设由给定的一组测量数据),(iiy x 和一组正数),,2,1(n i w i⋅⋅⋅=，求一个广义多项式∑==mk k k x a x 0)()(φφ使得目标函数[]21)(∑=-=ni i i i y x w S φ(5.17)达到最小，则称函数)(x φ为数据),,2,1)(,(n i y x ii⋅⋅⋅=关于权系数),,2,1(n i w i⋅⋅⋅=的最小二乘拟合函数，由于)(x φ关于待定系数ia 是线性的，故此问题又称为线性最小二乘问题． 注意：这里{}m k kx 0)(=φ可根据实际来选择，权系数iw 的选取更是灵活多变的，有时可选取1=i w ，或nw i 1=，对于nw i1=，则相应问题称为均方差的极小化问题．最小二乘拟合函数的求解要使最小二乘问题的目标函数(5.17)达到最小，则由多元函数取得极值的必要条件得),,2,1,0(0m k a Sk==∂∂ 即),,2,1,0(0)()(10m k x y x a w i k ni i m k i k k i ⋅⋅⋅⋅==⎥⎦⎤⎢⎣⎡-∑∑==φφ 亦即),,2,1,0()()()(001m k x y w a x x w n i i k i i j mj n i i k i j i ⋅⋅⋅⋅==⎥⎦⎤⎢⎣⎡∑∑∑===φφφ(5.18)是未知量为ma a a a ,,,,21⋅⋅⋅的线性方程组，称(5.18)式为正规方程组．实际中可适当选择函数系{}m k kx 0)(=φ，由正规方程组解出ma a a a ,,,,210⋅⋅⋅，于是可得最小二乘拟合函数∑==mk kk x a x 0)()(φφ．一般线性最小二乘拟合方法将上面一元函数的最小二乘拟合问题推广到多元函数，即为多维线性最小二乘拟合问题．假设已知多元函数),,,(21nx x x f y ⋅⋅⋅=的一组测量数据);,,,(21iniiiy x x x ⋅⋅⋅),,2,1(m i ⋅⋅⋅=和一组线性无关的函数系{}N k nk x x x 021),,,(=⋅⋅⋅φ，求函数∑=⋅⋅⋅=⋅⋅⋅Nk n k k n x x x a x xx 02121),,,(),,,(φφ对于一组正数mw w w ,,,21⋅⋅⋅，使得目标函数[]2121),,,(∑=⋅⋅⋅-=mi ni i i i i x x x y w S φ达到最小．其中待定系数N a a a a,,,,210⋅⋅⋅由正规方程组),,2,1,0(),(),(0N k y a Nj k j k j⋅⋅⋅==∑=φφφ确定，此处ini i i k mi i k ni i i k mi ni i i j i k j y x x x w y x x x x x x w ),,,(),(),,,(),,,(),(21121121⋅⋅⋅=⋅⋅⋅⋅⋅⋅=∑∑==φφφφφφ注：上面的函数φ关于ia 都是线性的，这就是线性最小二乘拟合问题，对于这类问题的正规组总是容易求解的．如果φ关于ia 是非线性的，则相应的问题称为非线性最小二乘拟合问题．非线性最小二乘拟合方法假设已知多元函数),,,(21nx x x f y ⋅⋅⋅=的一组测量数据);,,,(21iniiiy x x x ⋅⋅⋅),,2,1(m i ⋅⋅⋅=，要求一个关于参数),,2,1,0(N j a j⋅⋅⋅=是非线性的函数),,,;,,,(1021Nn a a a x x x ⋅⋅⋅⋅⋅⋅=φφ对一组正数mw w w ,,,21⋅⋅⋅使得目标函数[]21102110),,,;,,,(),,,(∑=⋅⋅⋅⋅⋅⋅-=⋅⋅⋅mi N ni i i i i N a a a x x x y w a a a S φ达到最小，则称之为非线性最小二乘问题．这类问题属于无约束的最优化问题，一般问题的求解是很复杂的，通常情况下，可以采用共轭梯度法、最速下降法、拟牛顿法和变尺度法等方法求解．实例：黄河小浪底调水调沙问题问题的提出2004年６月至７月黄河进行了第三次调水调沙试验，特别是首次由小浪底、三门峡和万家寨三大水库联合调度，采用接力式防洪预泄放水，形成人造洪峰进行调沙试验获得成功．整个试验期为20多天，小浪底从６月19日开始预泄放水，直到７月13日恢复正常供水结束．小浪底水利工程按设计拦沙量为75.5亿立方米，在这之前，小浪底共积泥沙达14.15亿吨．这次调水调试验一个重要目的就是由小浪底上游的三门峡和万家寨水库泄洪，在小浪底形成人造洪峰，冲刷小浪底库区沉积的泥沙．在小浪底水库开闸泄洪以后，从6月27日开始三门峡水库和万家寨水库陆续开闸放水，人造洪峰于29日先后到达小浪底，7月3日达到最大流量2700立方米/每秒，使小浪底水库的排沙量也不断地增加．下面是由小浪底观测站从6月29日到7月10日检测到的试验数据：表5-1: 试验观测数据单位：水流为立方米/每秒，含沙量为公斤/立方米·84··85·注：以上数据主要是根据媒体公开报道的结果整理而成的，不一定与真实数据完全相符．现在，根据试验数据建立数学模型研究下面的问题：(1) 给出估算任意时刻的排沙量及总排沙量的方法；(2) 确定排沙量与水流量的变化关系．模型的建立与求解对于问题（１），根据所给问题的试验数据，要计算任意时刻的排沙量，就要确定出排沙量随时间变化的规律，可以通过插值来实现．考虑到实际中排沙量应该是随时间连续变化的，为了提高精度，我们采用三次Ｂ样条函数进行插值．下面构造三次Ｂ样条函数)(x S y =．由试验数据，时间是每天的早８点和晚８点，间隔都是12个小时，共24个点)24,,2,1(⋅⋅⋅=i t i．为了计算方便，令)23,,,1,0(122128⋅⋅⋅=+⎥⎦⎤⎢⎣⎡⋅+-=i i t x i i(5.19)则it 对应于)23,,1,0(1⋅⋅⋅=+=i i x i．于是以)23,,1,0(⋅⋅⋅=i x i为插值节点（等距），步长1=h ．其相应的排沙量为)23,,1,0(⋅⋅⋅=i y i 对应关系如下表：·86·表5-2: 插值数据对应关系单位：排沙量为公斤函数)(x S y =所满足的条件为 (1)23,,1,0,)(⋅⋅⋅==i y x S ii；(2) 3500)(,56400)(2223222323231212-=--≈'='=--≈'='x x y y x S y x xy yx S y .取)(x S 的三次Ｂ样条函数一般形式为∑-=⎪⎭⎫⎝⎛--=24103)(j j j h x x c x S Ω·87·其中)24,,1,0,1(⋅⋅⋅-=j cj为待定常数，1=h ．在这里⎪⎪⎪⎩⎪⎪⎪⎨⎧≥<<+-+-≤+-=Ω2,021,342611,3221)(23233x x x x x x x x x且易知⎪⎪⎪⎩⎪⎪⎪⎨⎧≥±===Ω2,01,610,32)(3x x x x和⎪⎪⎩⎪⎪⎨⎧≥±===Ω'2,01,210,0)(3x x x x 根据Ｂ样条函数的性质，)(x S ''在[]23,x x 上连续，则有()∑-=--'='='2413)(j jj xx c x S y Ω由插值条件(1),(2)可得到下列方程组()()()⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧'=-'=''=-'='⋅⋅⋅==-=∑∑∑-=-=-=23241323024130241323)()(23,,1,0,)(y j c x S y j c x S i y j i c x S j j j j i j j i ΩΩΩ 即⎪⎩⎪⎨⎧'=+-'=+-⋅⋅⋅==++-+-23242311112223,,1,0,64y c c y c c i y c c c i i i i 将232324112,2y c c y c c '+='-=-代入前24个方程中的第一个和最后一个，便可得到方程组F AC =，其中·88·⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⋅⋅⋅⋅⋅⋅=⨯232102424,421410141014124c c c c C A ，⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡'-'+=3400048000684000458400266626232322100 y y y y y y F显然A 为满秩阵，方程组F AC =一定有解，用消元法求解可得问题的解为56044.39830=c , 4117111.2031=c , 2159510.7882=c , 9189845.6433=c ,1203106.6364=c , 8239727.8115=c ,8249182.1166=c , 1263543.7217=c ,9287842.9988=c , 2302284.2839=c ,4317419.86810=c , 1304836.24311=c ,3307635.15912=c ,6305423.11913=c ,2270672.36214=c ,4240287.43115=c ,0154177.91216=c ,4103000.92017=c ,99818.406218=c , 43725.454719=c ,49279.775020=c ,32155.445221=c , 2098.444222=c ,7450.777923=c ,-450.777924311.2034,2232324011='+=='-=-y c c y c c . 将)24,,1,0,1(⋅⋅⋅-=j c j代入()∑-=--==24131)(j jj x c x S y Ω(5.20)即得排沙量的变化规律．由（5.19）和(5.20)式可得到第i 时间段（12小时为一段）内，任意时刻]12,0[∈t 的排沙量．则总的排沙量为()dt j t c dx x S Y j j⎰∑⎰-=--Ω==284824132411)(经计算可得1110844.1⨯=Y 吨，即从6月29日至7月10日小浪底水库排沙总量大约为1.844亿吨,此与媒体报道的排沙量基本相符.对于问题(2),研究排沙量与水量的关系，从试验数据可以看出，开始排沙量是随着水流量的增加而增长，而后是随着水流量的减少而减少．显然，变化规律并非是线性的关系，为此，我们问题分为两部分，从开始水流量增加到最大值2720立方米/每秒（即增长的过程）为一段，从水流量的最大值到结束为第二段，分别来研究水流量与排沙量的关系．具体数据如表5-3和5-4.表5-3: 第一阶段试验观测数据 单位：水流为立方米/每秒，含沙量为公斤/立方米表5-4: 第二阶段试验观测数据单位：水流为立方米/每秒，含沙量为公斤/立方米对于第一阶段，由表5-3用Matlab作图（如图5-3）可以看出其变化趋势，我们用多项式作最小二乘拟合．·90··91·图5-3设拟合函数为∑==mk kk x a x 1)(φ确定待定常数),,1,0(m k ak=使得211111102])([∑∑∑===⎥⎦⎤⎢⎣⎡-=-=i i i m k k i k i i y x a y x S φ有最小值．于是可以得到正规方程组为m k x y a x mj i k i i j i j k i ,,1,0,0111111 ==⎪⎭⎫⎝⎛∑∑∑===+ 当3=m 时，即取三次多项式拟合，则3,2,1,0,1113111321112111110111==⎪⎭⎫⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛∑∑∑∑∑==+=+=+=k x y a x a x a x a x i k i i i k i i k i i k i i k i求解可得73321108423.1,103172.1,3.1784,-2492.9318--⨯=⨯-===a a a a ．于是可得拟合多项式为332213)(x a x a x a a x +++=φ，最小误差为847.72=S ，拟合效果如图所示．·92·图:三次拟合效果，带*号的为拟合曲线．类似地，当4=m 时，即取四次多项式拟合，则正规方程组为4,3,2,1,0111411143111321112111110111==⎪⎭⎫⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛∑∑∑∑∑∑==+=+=+=+=k x y a x a x a x a x a x i ki i i k i i k i i k i i k i i k i求解可得104633210109312.1,1094.1,102626.7,12.0624,-7434.6557---⨯-=⨯=⨯-===a a a a a 于是可得拟合多项式为443322104)(x a x a x a x a a x ++++=φ，最小误差为102.66=S ，拟合效果如图5-5所示．图5-5:四次拟合效果，带*号的为拟合曲线．从上面的三次多项式拟合和四次多项拟合效果来看，差别不大．基本可以看出排沙量与水流量的关系．图5-6:第二段三·93··94· 次多项式拟合效果对于第二阶段，由表5-4可以类似地处理．我们用线性最小二乘法作三次和四多项式拟合．拟合效果如图5-6和5-7所示，最小误差分别为5.459=S 和1.236=S ． 从拟合效果来看，显然四次多项式拟合要比三次多项式拟合好的多．图5-7:第二段四次多项式拟合效果。
数值分析课件第4章
数值分析课件第4章
数值分析课件第4章：插值与拟合。从插值与拟合的概念和区别开始，详细介 绍线性插值、非线性插值、最小二乘法、数据拟合、插值误差和拟合误差等 内容，以及在图像处理和实际问题中的应用。
插值与拟合的概念及区别
插值与拟合是数值分析中常用的数据处理方法。插值通过已知数据点之间的 函数曲线拟合，以在未知点上估计函数值。拟合则是找到最适合数据的函数 曲线，可能不通过已知数据点。
最小二乘法：原理与应用
最小二乘法是一种通过最小化数据与拟合函数之间的误差来拟合数据的方法。它可以应用于线性和非线 性拟合问题，适用于存在噪音和不完美数据的情况。
数据拟合：多项式拟合、指数拟合、对 数拟合等
数据拟合是根据数据的特点选择合适的函数形式进行拟合。多项式拟合在一定范围内适用于大多数问题， 而指数拟合和对数拟合则适合呈指数或对数关系的数据。
插值误差与拟合误差
插值误差是指插值函数与真实函数之间的差距，取决于插值方法和数据分布。 拟合误差则是指拟合函数与真实数据之间的偏差，受拟合口卷积法等
数据平滑是通过降低噪音和突变来减少数据中的波动。移动平均法和窗口卷积法是常用的数据平滑方法， 可以平滑曲线并减少噪音的影响。
线性插值：拉格朗日与牛顿法
线性插值可以用拉格朗日或牛顿法实现。拉格朗日插值使用多个已知数据点 构建一个多项式函数，适用于等间距的数据。牛顿插值则通过分段差商构造 一个插值多项式。
非线性插值：样条插值
非线性插值中，样条插值是常用的方法。它使用分段多项式函数拟合数据， 每个区间内都有一个多项式来逼近数据的行为，从而实现更加平滑的插值效 果。
数值分析实验插值与拟合
数值分析实验插值与拟合插值是指根据已知的数据点，通过其中一种数学方法来构造一个函数，使得该函数在已知的数据点上与被插值函数相等。
插值方法可以分为两类：基于多项式的插值和非多项式插值。
基于多项式的插值方法中，最常用的是拉格朗日插值和牛顿插值。
拉格朗日插值方法通过一个n次多项式来逼近被插值函数，该多项式通过n个已知数据点中的所有点。
牛顿插值方法则通过一个n次多项式来逼近被插值函数，该多项式通过n个已知数据点中的前m+1个点。
非多项式插值方法中，最常用的是分段线性插值和样条插值。
分段线性插值方法将插值区间划分为多个小段，在每一段内使用线性函数来逼近被插值函数。
样条插值方法则使用分段低阶多项式来逼近被插值函数，保证了插值函数和原函数在插值区间内的连续性、光滑性。
拟合是指在给定的离散数据点集合上，通过选取一个函数，使得该函数与数据点之间的误差最小化。
拟合方法可以分为两类：线性拟合和非线性拟合。
线性拟合方法中，最简单的是最小二乘法。
最小二乘法拟合是通过最小化观测数据与拟合函数的残差平方和来选择最佳函数参数。
在实验中，最小二乘法常用于线性回归问题，例如估计一个直线或者平面来拟合数据。
非线性拟合方法中，最常用的是非线性最小二乘法和局部加权回归。
非线性最小二乘法通过将非线性拟合问题转化为线性问题，使用最小二乘法来寻找最佳参数。
局部加权回归方法则通过给予不同数据点不同的权重，以更好地逼近数据点。
在数值分析实验中，插值与拟合可以应用于各种实际问题。
例如，在地理信息系统中，通过已知的地理坐标点来插值出未知点的地理信息。
在气象学中，通过已知的气象数据点来插值出未知点的气象信息。
在工程学中，通过已知的测量数据点来拟合出一个最佳的拟合函数来预测未来的测量值。
需要注意的是，插值和拟合的精度在很大程度上取决于数据的分布和拟合函数的选择。
如果数据点过于稀疏或者数据点中存在异常值，可能导致插值和拟合结果不准确。
因此，在进行插值和拟合之前，需要对数据进行预处理，例如去除异常值、平滑数据等。
插值法与曲线拟合
故用线性插值求得的近似值为
y
(x , y ) 00
y L2x
(x , y ) 11
y f x
(x , y ) 22
0
x0
x1
x
图2-3
11515 100
121 121
11*115 100 121 100
10.714
15
仿上，用抛物插值公式（2.7）所求得的近似值为
例1 已知 100 10, 121 11, 144 12分别用线性插值和抛物插值
求 115 的值。
14
解 因为115在100和121之间，故取节点x0=100，x1=121相应地有
y0=10，y1=11，于是，由线性插值公式（2.5）可得
L1
(x)
10
*
x 121 100 121
11*
x 100 121 100
为插值多项式Pn (x) 的余项。
17
关于误差有如下定理2中的估计式。
定理2 设 f (x) 在区间 a,b
上有直到n+1阶导数，x0, x1,, xn
为区间 a,b 上n+1个互异的节点， Pn (x) 为满足条件:
Pn (xi ) f (xi )(i 0,1,, n)
（2.9）
的n次插值多项式，则对于任何 x a,b ，有
的n次插值多项式（2.2），这样，由（2.2）式可以求出n+1个n次插 插多项式 l0 (x), l1(x),,ln (x) 。容易看出，这组多项式仅与节点的取
法有关，称它们为在n+1个节点上的n次基本插值多项式或n次插值
基函数。
11
2.2 拉格朗日插值多项式
利用插值基函数立即可以写出满足插值条件（1.3）的n次插值
正文牛顿插值法
牛顿插值法摘要：值法利用函数f (x)在某区间中若干点的函数值，作出适当的特定函数，在这些点上取已知值，在区间的其他点上用这特定函数的值作为函数f (x)的近似值。
如果这特定函数是多项式，就称它为插值多项式。
利用插值基函数很容易得到拉格朗日插值多项式，公式结构紧凑，在理论分析中甚为方便，但当插值节点增减时全部插值基函数均要随之变化，整个公式也将发生变化，这在实际计算中是很不方便的，为了克服这一缺点，提出了牛顿插值。
牛顿插值通过求各阶差商，递推得到的一个公式：f(x)=f[x0]+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+...f[x0,...xn](x-x 0)...(x-xn-1)+Rn(x)关键词：牛顿插值法流程图程序实现一、插值法的由来在许多实际问题及科学研究中，因素之间往往存在着函数关系，然而，这种关系经常很难有明显的解析表达，通常只是由观察与测试得到一些离散数值。
有时，即使给出了解析表达式，却由于表达式过于复杂，不仅使用不便，而且不易于进行计算与理论分析。
解决这类问题的方法有两种：一种是插值法,另一种是拟合法。
插值法是一种古老的数学方法，它来自生产实践，早在一千多年前，我国科学家在研究历法上就应用了线性插值与二次插值，但它的基本理论却是在微积分产生之后才逐渐完善的，其应用也日益增多，特别是在计算机软件中，许多库函数，如等的计算实际上归结于它的逼近函数的计算。
逼近函数一般为只含有算术运算的简单函数，如多项式、有理分式（即多项式的商）。
在工程实际问题当中，我们也经常会碰到诸如此类的函数值计算问题。
被计算的函数有时不容易直接计算，如表达式过于复杂或者只能通过某种手段获取该函数在某些点处的函数值信息或者导数值信息等。
因此，我们希望能用一个“简单函数”逼近被计算函数，然后用该简单函数的函数值近似替代被计算函数的函数值。
这种方法就叫插值逼近或者插值法。
逐次线性插值法优点是能够最有效地计算任何给定点的函数值，而不需要写出各步用到的插值多项式的表达式。
第4章_插值与拟合-牛顿法
第4章 插值与拟合
4.3 差商与牛顿插值公式
Lagrange 插值多项式的基函数：
l j ( x)
( x x0 )(x x1 )( x x j 1 )(x x j 1 )( x xn ) ( x j x0 )(x j x1 )( x j x j 1 )(x j x j 1 )( x j xn )
4.3.3 牛顿插值余项
若将 x xi , (i 0,1,, n) 视为一个节点,则由一阶均差定义 有
f ( x) f ( x0 ) f [ x, x0 ](x x0 )
同理,由二阶均差定义 有
f ( x0 ) f ( x) f [ x, x0 ] f [ x, x0 ] f [ x0 , x1 ] f [ x, x0x ,0x1 ]( xx x1 )
j 1 k 0
n
j 1
2.差商的性质
性质1：差商与函数值的关系 f(x) 关于 x0 , x1 ,, xk 1 , xk 的 k 阶差商是 f(x) 在这些点上 函数值的线性组合,即
1 f [ x0 , x1 ,, xk 1 , xk ] f ( x j ) j 0 i 0 x j xi
(i j k )
为 f ( x) 关于节点 xi , x j , xk 的二阶差商
最后一个节点－倒 数第二个节点
称
缺倒数第二个节点
缺最后一个节点
f [ x0 , x1,, xk 1, xk ]
f [ x0 , x1 ,, xk 2 , xk ] f [ x0 , x1 ,, xk 1 ] xk xk 1
数值分析中的插值与拟合
数值分析中的插值与拟合插值和拟合是数值分析中常用的技术，用于估计或预测数据集中缺失或未知部分的数值。
在本文中，我们将讨论插值和拟合的概念、方法和应用。
一、插值插值是通过已知数据点之间的连续函数来估计中间数据点的数值。
插值方法可以根据不同的数据和需求选择合适的插值函数，常用的插值方法包括拉格朗日插值、牛顿插值和埃尔米特插值。
1.1 拉格朗日插值拉格朗日插值是一种基于多项式的插值方法。
通过已知的n个数据点，可以构建一个n-1次的插值多项式。
这个多项式通过已知数据点上的函数值来准确地经过每一个点。
1.2 牛顿插值牛顿插值方法也是一种多项式插值方法，通过差商的概念来构建插值多项式。
差商是一个递归定义的系数，通过已知数据点的函数值计算得出。
牛顿插值可以通过递推的方式计算出插值多项式。
1.3 埃尔米特插值埃尔米特插值是一种插值方法，适用于已知数据点和导数值的情况。
它基于拉格朗日插值的思想，通过引入导数信息来逼近数据的真实分布。
埃尔米特插值可以更准确地估计数据点之间的值，并且可以保持导数的连续性。
二、拟合拟合是通过一个模型函数来逼近已知数据点的数值。
拟合方法旨在找到最适合数据集的函数形式，并通过最小化误差来确定函数的参数。
常见的拟合方法包括最小二乘法、多项式拟合和曲线拟合。
2.1 最小二乘法最小二乘法是一种常用的拟合方法，通过最小化数据点到拟合函数的误差平方和来确定最佳拟合曲线或曲面。
最小二乘法适用于线性和非线性拟合问题，可以用于拟合各种类型的非线性函数。
2.2 多项式拟合多项式拟合是一种基于多项式函数的拟合方法。
通过多项式的线性组合来近似已知数据集的数值。
多项式拟合可以通过最小二乘法或其他优化算法来确定拟合函数的系数。
2.3 曲线拟合曲线拟合是一种用曲线函数来逼近已知数据点的拟合方法。
曲线函数可以是非线性的，并且可以根据数据的特点进行选择。
曲线拟合可以通过优化算法来确定拟合函数的参数。
三、应用插值和拟合在数值分析中有广泛的应用。
插值与拟合方法
插值与拟合方法插值和拟合是数学中常用的方法，用于根据已知数据点的信息，推断出未知数据点的数值或函数的形式。
插值和拟合方法是经典的数学问题，应用广泛，特别是在数据分析、函数逼近和图像处理等领域。
1.插值方法：插值方法是通过已知数据点的信息，推断出两个已知数据点之间的未知数据点的数值。
插值方法的目的是保证插值函数在已知数据点处与实际数据值一致，并且两个已知数据点之间的连续性良好。
最常用的插值方法是拉格朗日插值法和牛顿插值法。
拉格朗日插值法根据已知数据点的横纵坐标，构造一个多项式函数，满足通过这些数据点。
拉格朗日插值法可以用于任意次数的插值。
牛顿插值法是使用差商的概念进行插值。
差商是指一个多项式在两个数据点之间的斜率。
牛顿插值法通过迭代计算得到与已知数据点一致的多项式。
插值方法的优点是可以精确地经过已知数据点，但是在两个已知数据点之间的插值部分可能会出现震荡现象，从而导致插值结果不准确。
2.拟合方法：拟合方法是通过已知数据点的信息，找出一个函数或曲线，使其能够最好地拟合已知数据点。
拟合方法的目标是寻找一个函数或曲线，尽可能地逼近已知数据点，并且能够在未知数据点处进行预测。
最常用的拟合方法是最小二乘法。
最小二乘法是通过求解最小化残差平方和的问题来进行拟合。
残差是指已知数据点与拟合函数的差异。
最小二乘法的目标是找到一个函数，使得所有数据点的残差平方和最小。
拟合方法的优点是可以得到一个光滑的函数或曲线，从而可以预测未知数据点的数值。
但是拟合方法可能会导致过拟合问题，即过度拟合数据点，导致在未知数据点处的预测结果不准确。
除了最小二乘法，还有其他的拟合方法，如局部加权回归和样条插值等。
局部加权回归是一种基于最小二乘法的拟合方法，它通过赋予不同的数据点不同的权重，来实现对未知数据点的预测。
样条插值是一种基于多项式插值的拟合方法，它将整个数据集分段拟合，并且在分段部分保持连续性和光滑性。
总结：插值和拟合方法是数学中的经典方法，用于根据已知数据点的信息，推断出未知数据点的数值或函数的形式。
Newton 插值
性 质 1n阶 差 商 f[x0,x1,...,xn]可 以 表 示 为
函 数 值 f(xj) (j0,1,2,...,n)的 线 性 组 合 ， 即
f[x0,x1,...,xn]jn0f'((xxjj))
解：列差分表如下
x
f(x)
2
3
4
5
0
1
-0.181 269
0.2 0.818 731
0.032 585
-0.148 411
-0.005 955
0.4 0.670 320
0.026 903
0.001 077
-0.121 508
Newton插值多项式
f(xx) xf0(x0)f[x,x0]
f( x ) f( x 0 ) ( x x 0 ) f[ x ,x 0 ]( 1 )
增加一个节点x1 f[x,x0x] xf1[x0,x1]f[x,x0,x1]
f [ x , x 0 ] = ( x x 1 ) f [ x , x 0 , x 1 ] f [ x 0 , x 1 ]( 2 )
N=
0.25858790872103
关于Newton插值多项式
差商的性质（与节点顺序无关，与导数 的关系）
Newton插值多项式的特点（运算量少 （比Lagrange插值的运输量少），增加 一个节点，只需增加一项。）
Newton插值误差的估算，可以采用导数 估算，也可以采用差商。
等距节点的Newton插值
f[x0， xx10]xf2[x1,x2]f[x0,x1,x2] 称 为 函 数 f在 节 点 x0,x1,x2的 二 阶 差 商
第四章 自测题及答案
22. 已知 xi f ( xi ) -2 -1 0 1 2 4 2 1 3 5 求 f ( x ) 的二次拟合曲线 p 2 ( x) ，并求 f (0) 的近似值。 解： xi yi x i2 x i3 x i4 i 0 -2 4 4 -8 16 1 -1 2 1 -1 1 2 0 1 0 0 0 3 1 3 1 1 1 4 2 5 4 8 16 0 15 10 0 34
解：取 x0 0
l30
x1 2
x2 3
x3 5
l31 ( x x0 )( x x2 )( x x3 ) ( x1 x0 )( x1 x2 )( x1 x3 )
( x x1 )( x x2 )( x x3 ) ( x0 x1 )( x0 x2 )( x0 x3 ) ( x x0 )( x x1 )( x x3 ) ( x2 x0 )( x2 x1 )( x2 x3 )
当 n 4 时， ( xk4 xk2 3)l k ( x) _______________________________________.
k 0 n
答案: 1； x j ；
x4 x2 3
3. 设 li ( x ) 是以 xk k(k 0,1,, 9) 为节点的Lagrange插值基函数，则
1
湖北民族学院理学院《数值计算方法》教学辅导材料
陈以平编写
x3 0 x 1 9. 已知 S ( x) 是三次样条函数，则 1 ( x 1) 3 a ( x 1) 2 b( x 1) c 1 x 3 2 =______ ； b =________; c =__________. a 答案: 3；3； 1
第四讲-插值与拟合2
（i=0,1,2,…,k-1）
⇒ Qk (x ) = ak ( x − x0 )( x − x1 )L ( x − xk −1 )
于是
Ln ( x ) = a0 + a1 ( x − x0 ) + a2 ( x − x0 )( x − x1 ) + L + an ( x − x0 )( x − x1 )L ( x − xn −1 )
项式，则f ( x)的k + 1阶差商f [ x, x0 , x1 ,L , xk −1 , xk ] 是x的m − 1次多项式
证明： 由差商定义
f [ x, x0 , x1 ,L , xk −1 , xk ] =
f [ x0 , x1 ,L , xk ] − f [ x, x0 , x1 , x2 ,L , xk −1 ] xk − x
1 4 7 8 6 (4-1)/(2-1)=3 (7-4)/(3-2)=3 (8-7)/(4-3)=1 (3-3)/(3-1)=0 (1-3)/(4-2)=-1 -1/3 -1/6 1/24
(6-8)/(5-4)=-2 (-2-1)/(5-3)=-3/2
所以，牛顿插值多项式为
1 N 4 (x ) = 1 + 3(x − 1) + 0( x − 1)( x − 2 ) + − ( x − 1)( x − 2 )(x − 3) 3 1 (x − 1)(x − 2 )( x − 3)(x − 4 ) + 24
因而左端是m-1次多项式。 次多项式。 上式分子中必有因子xk − x , 因而左端是 次多项式
(4) 当f（n ) ( x)在包含节点x0 , x1 ,L , xn的区间[ a, b ] 存在时,
《计算方法》第四章 插值方法
Ln ( x） f ( xk ) l k ( x)
k 0
n
n
其中,
l k ( x)
j 0 j k
x xj x k x j (k 0,1,...n) .
20
构造插值多项式的方法：
(1) (2) 先求插值基函数. 构造插值多项式.
以下的问题：如何分析插值的余项？
21
例题 已知连续函数 f (x) 的函数表如下： x f (x) -1 0 1 2 -2 -2 1 2
Return
13
§4.2 拉格朗日多项式 /* Lagrange Polynomial */
1. 构造线性插值基函数的方法:
n=1 已知 x0 , x1 ; y0 , y1 ，求 L1(x) = a0 + a1 x 使得
L1 ( x0 ) y0 , L1 ( x1 ) y1
可见 L1(x) 是过 ( x0 , y0 ) 和 ( x1, y1 ) 两点的直线。
由 l k ( xk ) 1, 得:
1 A ( xk x0 ) ( xk xk 1 ) ( xk xk 1 ) ( xk xn )
l k ( x)
k = 0, 1 ,⋯, n .
( x x0 )( x xk 1 ) ( x xk 1 )( x xn ) ， ( x k x0 )( xk xk 1 ) ( xk xk 1 )( xk xn )
18
一般情形
希望找到 li (x)，i = 0, …, n 使得 li (xj) = ij ；然后令
Ln ( x ） f ( x k ) l k ( x )，则显然有 Pn(xi) = yi 。
k 0 n
牛顿插值法原理及应用
牛顿插值法插值法是利用函数f (x)在某区间中若干点的函数值，作出适当的特定函数，在这些点上取已知值，在区间的其他点上用这特定函数的值作为函数f (x)的近似值。
如果这特定函数是多项式，就称它为插值多项式。
当插值节点增减时全部插值基函数均要随之变化，这在实际计算中很不方便。
为了克服这一缺点，提出了牛顿插值。
牛顿插值通过求各阶差商，递推得到的一个公式：f(x)=f[x0]+f[x0,x1](x-x0)+f[x0,x1,x2](x-x0)(x-x1)+...f[x0,...xn](x-x0 )...(x-xn-1)+Rn(x)。
插值函数插值函数的概念及相关性质[1]定义：设连续函数y-f(x) 在区间[a,b]上有定义，已知在n+1个互异的点x0,x1,…xn上取值分别为y0,y1,…yn （设a≤ x1≤x2……≤xn≤b)。
若在函数类中存在以简单函数P(x) ，使得P(xi)=yi,则称P(x) 为f(x)的插值函数.称x1,x2,…xn 为插值节点，称[a,b]为插值区间。
定理：n次代数插值问题的解存在且唯一。
牛顿插值法C程序程序框图#include<stdio.h>void main(){float x[11],y[11][11],xx,temp,newton;int i,j,n;printf("Newton插值:\n请输入要运算的值:x=");scanf("%f",&xx);printf("请输入插值的次数(n<11):n=");scanf("%d",&n);printf("请输入%d组值:\n",n+1);for(i=0;i<n+1;i++){ printf("x%d=",i);scanf("%f",&x[i]);printf("y%d=",i);scanf("%f",&y[0][i]);}for(i=1;i<n+1;i++)for(j=i;j<n+1;j++){ if(i>1)y[i][j]=(y[i-1][j]-y[i-1][j-1])/(x[j]-x[j-i]);elsey[i][j]=(y[i-1][j]-y[i-1][j-1])/(x[j]-x[j-1]);printf("%f\n",y[i][i]);}temp=1;newton=y[0][0];for(i=1;i<n+1;i++){ temp=temp*(xx-x[i-1]);newton=newton+y[i][i]*temp;}printf("求得的结果为:N(%.4f)=%9f\n",xx,newton);牛顿插值法Matlab程序function f = Newton(x,y,x0)syms t;if(length(x) == length(y))n = length(x);c(1:n) = 0.0;elsedisp('x和y的维数不相等！');return;endf = y(1);y1 = 0;l = 1;for(i=1:n-1)for(j=i+1:n)y1(j) = (y(j)-y(i))/(x(j)-x(i));endc(i) = y1(i+1);l = l*(t-x(i));f = f + c(i)*l;simplify(f);y = y1;if(i==n-1)if(nargin == 3)f = subs(f,'t',x0);elsef = collect(f); %将插值多项式展开f = vpa(f, 6);endend牛顿插值法摘要：值法利用函数 f (x)在某区间中若干点的函数值，作出适当的特定函数，在这些点上取已知值，在区间的其他点上用这特定函数的值作为函数f (x)的近似值。
牛顿插值法ppt课件
f (m0 (m0
1)( )
1)!
(
x
x0
)(
m0
1)
19
Hermite插值多项式（续2）
已知函数 y f (x)在区间[a,b]上n个互异点 x0 , x1,L , xn 处的函数值 y0 , y1,L , yn ， 以及导数值m0 , m1,L , mn ，求 H2n1(x) P2n1 使得满足插值条件
0 (x),1(x), 0 (x), 1(x)
使之满足
0 (x0 ) 1
00
( x1 (x0
) )
0 0
0 (x1) 0
0 (x0 ) 0 0 (x1) 1 0 (x0 ) 0 0 (x1) 0
0 (x0 ) 0
0 0
( x1 ) (x0 )
0 1
0 (x1) 0
0 (x0 ) 0
增加一个点后
Nn1(x) c0 c1(x x0 ) c2(x x0)(x x1) L cn (x x0)(x x1)L (x xn1) cn1(x x0 )(x x1)L (x xn1)(x xn )
5
Newton插值
关键是ci的求法！ 可仿照泰勒公式里系数 的求法！
Nn (x) c0 c1(x x0 ) c2 (x x0 )(x x1) cn (x x0 )(x x1) (x xn1)
1.53427 2.18224 x 0.761677 x2 0.113706 x3
ln 1.5 = 0.409074
28
一般的Hermit插值
设在n+1个节点 a x0 x1 L xn b
给出函数值和导数值 y0 , y1,L , yn 及y0 , y1,L , yn
- 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)。
k 1 j 0 n
n k 1
f ( x0 ) f [ x0 , x1 , , xk ] ( x x j ) f [ x , x0 , x1 , , xn ] ( x x j )
差商型余项
n
j 0
N n ( x) f [ x , x0 , x1 ,, xn ]( x x j )
4.3 差商与牛顿插值公式
差商及其性质 牛顿插值公式 牛顿插值余项 差分以及等距节点牛顿插值多项式
Newton (1624～1727)
Newton插值基函数
由线性代数知识可知, 任何一个 n 次多项式都可表示成: 这n+1 个多项式的线性组合.
问：是否可以将这 n+1个多项式作为插值基函数？ 已知函数 f(x) 的插值节点 xi 及相应函数值 fi (i 0,1,...,n) , 将上述线性无关的多项式取作Newton插值法的基函数,即令：
i j
k
k
例如:
f1 f 0 f0 f1 f [ x0 , x1 ] x1 x0 x1 x0 x0 x1
j 0 1
1 f ( x j ) i 0 x j xi
i j
1
可以用数学归纳法证明
性质2：对称性 差商对于定义它的节点而言是对称的,也就是说任意 调换节点的次序,差商的值不变 利用对称性,可对 f(x) 关于 x0 , x1 ,..., xk 的 k 阶差商变形
k 1
n
n
k 1 j 0
f ( x0 ) f [ x0 , x1 , , xk ]k ( x)
k 1
------ (1)
为 f (x) 关于节点 xi (i 0,1,..., n) 的 n 次Newton插值多项式.
由插值多项式的唯一性, Newton 插值公式的余项为:
2 f k f k 1 f k 为 f (x)在 xk 处的 二阶向前差分
Pn ( x0 ) a0 f 0
Pn ( x1 ) a0 a1 ( x1 x0 ) f1
Pn ( x2 ) a0 a1 ( x2 x0 ) a2 ( x2 x0 )(x2 x1 ) f2
Pn ( x3 ) a0 a1 ( x3 x0 ) a2 ( x3 x0 )(x3 x1 ) a3 ( x3 x0 )(x3 x1 )(x3 x2 ) f3
最后一个节点－第 一个节点 注：上式是计算中常用的差商公式，可建立差商表 .
3. 差商的计算方法：差商表
xk f ( xk ) 一阶差商 x0 f ( x0 )
f [ x0 , x1 ]
二阶差商
三阶差商
四阶差商
x1 f ( x1 )
f [ x1 , x2 ]
f [ x0 , x1, x2 ] f [ x0 , x1, x2 , x3 ]
0 ( x) 1 j 1 j ( x) ( x x0 )( x x1 )( x x j 1 ) ( x xk ) k 0
( j 1,2,n)
则相应的插值多项式为:
Pn ( x) a j j ( x) a0 a j ( x xk )
f ( n1) ( ) Rn ( x) f ( x) Nn ( x) f ( x) Ln ( x) n1 ( x) (n 1)!
------ (2)
实用的余项估计式：
Lagrange插值 多项式 导数型余项
M n 1 Rn ( x) n 1 ( x) (n 1)!
j 0
------ (3)
Nn ( x) Rn ( x)
4.3.4 差分及其等距节点牛顿插值多项式
等距节点插值是比较常见的情况,为简化计算,引进差分的概念.
定义4.4 设 f (x) 在等距节点 xk x0 kh, k 0,1,, n 处的 函数值为 f k , 称
f k f k 1 f k 为 f (x)在 xk 处的 一阶向前差分
f [ x0 , x1 ] f [ x, x0 ] f [ x, x0 , x1 ] x1 x
f [ x, x0 ,..., xn 2 ] f [ x0 , x1 ,..., xn 1 ] f [ x, x0 ,..., xn 1 ]( x xn 1 ) f [ x, x0 ,..., xn 1 ] f [ x0 , x1 ,..., xn ] f [ x, x0 ,..., xn ]( x xn )
j 0 j 1 k 0
n
n
j 1
式中, a0 , a1 ,...,an为待定参数,它们可利用插值条件 Pn ( xi ) f i 来求,即令：
Pn ( xi ) a0 a j ( xi xk ) f i
j 1 k 0
n
j 1
(i 0,1,...,n)
可以求得：
f ( k ) ( ) f [ x0 , x1 ,..., xk ] k!
内容归纳
Newton插值基函数:
0 ( x) 1 j 1 j ( x) ( x x0 )(x x1 ) ( x x j 1 ) ( x xk ) k 0
f [ x0 , x1,...,xk 1, xk ] f [ xk 1, x1,...,xk 2 , x0 , xk ]
缺第一个节点 缺最后一个节点
f [ xk 1 , x1 ,, xk 2 , xk ] f [ xk 1 , x1 ,, xk 2 , x0 ] xk x0 f [ x1 ,, xk 2 , xk 1 , xk ] f [ x0 , x1 ,, xk 2 , xk 1 ] xk x0
第4章 插值与拟合
4.3 差商与牛顿插值公式
Lagrange 插值多项式的基函数：
l j ( x)
( x x0 )(x x1 )( x x j 1 )(x x j 1 )( x xn ) ( x j x0 )(x j x1 )( x j x j 1 )(x j x j 1 )( x j xn )
(i j k )
为 f ( x) 关于节点 xi , x j , xk 的二阶差商
最后一个节点－倒 数第二个节点
称
缺倒数第二个节点
缺最后一个节点
f [ x0 , x1,, xk 1, xk ]
f [ x0 , x1 ,, xk 2 , xk ] f [ x0 , x1 ,, xk 1 ] xk xk 1
x2 f ( x2 )
f [ x2 , x3 ]
f [ x1, x2 , x3 ]
f [ x1, x2 , x3 , x4 ]
f [ x0 , x1,, x4 ]
x3 f ( x3 )
f [ x3 , x4 ]
f [ x2 , x3 , x4 ]
x4 f ( x 4 )
规定函数值为零阶差商
性质3:差商与函数导数之间的关系 当 f(k)(x) 在包含节点 x0, x1, …, xk 的区间存在时,在 x0, x1, …, xk 之间必存在一点ξ,使得
j 1 k 0
n
j 1
2.差商的性质
性质1：差商与函数值的关系 f(x) 关于 x0 , x1 ,, xk 1 , xk 的 k 阶差商是 f(x) 在这些点上 函数值的线性组合,即
1 f [ x0 , x1 ,, xk 1 , xk ] f ( x j ) j 0 i 0 x j xi
a0 f 0
a1
f1 f0 x1 x0
f2 f0 f1 f0 x2 x0 x1 x0 a2 x2 x1
f 3 f 0 f1 f 0 f 2 f 0 f1 f 0 x3 x0 x1 x0 x2 x0 x1 x0 x3 x1 x2 x1 这也太复杂 a3 x3 x2 了吧！
( j 1,2,n)
并形式上给出Newton插值多项式:
Pn ( x) a j j ( x) a0 a j ( x xk )
j 0 j 1 k 0
n
n
j 1
式中, a0 , a1 ,...,an 待定. 通过引进均差/差商的概念,可以将系数表示为：
ak f [ x0 , x1 ,...,xk ]
f [ xi , x j ]
f j fi x j xi
( j i)
缺最后一个节点
缺倒数第二个节点 为 f ( x) 关于节点 xi , xk 的一阶均差 (差商)
称
f [ xi , x j , xk ]
f [ xi , xk ] f [ xi , x j ] xk x j来自 4.3.2牛顿插值公式
1.定义: 称
N n ( x) a0 a1 ( x x0 ) a2 ( x x0 )(x x1 ) an ( x x0 )(x x1 )( x xn1 )
f ( x0 ) f [ x0 , x1 , , xk ] ( x x j )
依此类推,可求得 a j ( j 0,1,...,n) .为标记、推导、记忆方便, 给出差商定义,可得参数 a j 的一般表达式。
4.3.1
差商及其性质
1.差商的定义:设给定函数 f ( x)在 n 1 个互异的节点
x0 , x1,...,xn 处的函数值为 f 0 , f1,..., f n ,称
因此可得:
f ( x) f ( x0 ) f [ x, x0 ](x x0 )
f ( x0 ) ( f [ x0 , x1 ] f [ x, x0 , x1 ](x x1 ))(x x0 ) f ( x0 ) f [ x0 , x1 ](x x0 ) f [ x, x0 , x1 ](x x0 )(x x1 )