计算方法讲义:六 函数逼近

合集下载

《数学函数逼近》PPT课件

《数学函数逼近》PPT课件

---------(2)
a0 * 0(x) a1 * 1(x) an * n(x)
使得 * 2 2
m
(S * ( xi ) yi )2
i0
m
min S ( x)
2 2

min
S ( x)
i0
( S ( xi
)

yi
)2
n
其中S(x) a j j (x)为中的任意函数。
j0
---------(3)
EAST CHINA INSTITUTE OF TECHNOLOGY
理学院
n
称满足条件(3)的求函数S *(x) a*j j (x)的方法为 j0
数据拟合的最小二乘法.
n
S *(x) a*j j (x)为最小二乘解. j0 n
S(x) a j j (x)为拟合函数, a j ( j 0,1, , n)为拟合系数. j0 * 2 称为最小二乘解的平方误差. 2
解: 从数据的散点图可以看出
y与x之间具有三角函数关系 cos x y与x之间还具有指数函数关 系ex
y与x之间还具有对数函数关 系ln x 因此假设拟合函数与基函数分别为
设x, y的关系为
y S(x)
其中S(x)来自函数类 如(1)中y(x)来自线性函数类
设函数类 的基函数为 i(x)(i 0,1,,n) 一般要求n m
也称是由i(x)(i 0,1,, n)生成的函数集 ,即
span{0(x),1(x),,n(x)}
n
i0
k 0,1,,n 即
m
m
m
a0 0(xi )k (xi ) a1 1(xi )k (xi ) an n(xi )k (xi )

数值分析06函数逼近

数值分析06函数逼近

函数逼近的历史与发展
早期发展
早在古希腊时期,数学家就开始研究用简单的几何图形来近 似表示复杂的曲线。随着数学的发展,函数逼近的理论和方 法不断完善和丰富。
现代进展
随着计算机科学和数值分析的兴起,函数逼近在数值计算、 信号处理、图像处理等领域的应用越来越广泛。现代的逼近 方法不仅追求形式简单,还注重逼近的精度和计算效率。
数据拟合
在数据分析和机器学习中,利用数值逼近方法对数据进行拟合, 以提高预测精度。
图像处理
在图像处理中,利用数值逼近方法对图像进行平滑、去噪等处理, 以提高图像质量。
工程计算
在工程计算中,利用数值逼近方法对复杂函数进行近似计算,以简 化计算过程和提高计算效率。
05
结论与展望
总结与评价
总结
数值分析06函数逼近课程是一门重要的数学课程,它涉及到许多实际问题的求解,如插值、拟合、最小二乘法等。 通过学习这门课程,学生可以掌握如何使用数学工具来近似描述和分析函数,从而更好地理解和解决实际问题。
数。
稳定性分析
稳定性定义
稳定性是指在逼近过程中,对于小的扰动或误差,逼近结果的变 化程度。
不稳定性影响
不稳定的逼近可能导致结果出现较大的偏差,影响数值计算的精 度和可靠性。
稳定性判据
根据稳定性判据,判断逼近函数的稳定性以及如何提高稳定性。
04
数值实例与应用
一元函数逼近实例
01
线性逼近
通过多项式逼近方法,将一元函 数在某点附近展开成线性形式, 如泰勒级数展开。
评价
这门课程的内容非常实用,对于数学专业的学生来说是一门必修课程。它不仅有助于提高学生的数学素养,还可 以为学生提供解决实际问题的能力。然而,该课程难度较大,需要学生具备较高的数学基础和思维能力。

《数值分析》第3讲:函数逼近与计算

《数值分析》第3讲:函数逼近与计算
想)
函数的逼近与计算
pn * ( x) ? 1、Chebyshev给出如下概念
设 f ( x) C[a,b], 如p果( x) Hn ,
f (x)
|
p( x0 )
f
(
x0
)
|
max
a xb
|
p( x)
f ( x) |
p4 0*(x)
则称 x是0 偏差点。
如果 p( x0 ) f ( x0 ) 则称 x是0 正偏差点。
b
2a
a0 (
x ) 0 (
x)k
(
x)dx
b
b
2a an( x)n( x)k ( x)dx 2a ( x) f ( x)k ( x)dx

I ak
2a0 0( x),k ( x) 2a11( x),k ( x)
2an n( x),k ( x) 2 f ( x),k ( x)
函数的逼近与计算

1
1 1
2
n1
1 H 2
1 3
1 n2
1 n 1
1 n2
1 2n 1
例3.2 (P56)
已知 f ( x) 1 x2 C[0, 1], span{1, x}

1
(0 , 0 )
1dx 1,
0
(0 , 1)
1
1
xdx
0
2
(1, 0 )
1
1
xdx ,
▲ 1856年解决了椭圆积分的雅可比逆转问题,建立了椭圆函数 新结构的定理,一致收敛的解析函数项级数的和函数的解析性的 定理,圆环上解析函数的级数展开定理等。
函数的逼近与计算

第六章函数逼近.ppt

第六章函数逼近.ppt

xi 31,
xi2 179,
i 1
i 1
4678 7532
n
xi2

n
yi
i1 n

xi3

a0

a1



i 1

n

xi yi
i 1 n

a2

i1 n

xi4
xi2 yi
第六章 函数逼近
6.1、数据拟合的最小二乘法 6.2、正交多项式 6.3、函数的最佳平方逼近
1
问题 :已知数据表
( xi ,
yi )
(i
1,2,, n) 插值
求一近似函数( x),
使其尽可能"好"地 反映数据点的基本趋势.
2
已知数据表( xi , yi )(i 1,2,, n),近似函数为( x) 残差: i yi (xi ) (i 1,2,, n) 残差向量: (1,2, n )

i 1
n
yi xi
i 1

n


am

i1
xi 2 m



n


i1
yi
xi
m

讲例 例 :已知数据表 xi 1 2 3 4 5 6 7 yi 0.5 2.5 2.0 4.0 3.5 6.0 5.5 求它的最小二乘一次拟合多项式.


121
179 1171 8147a2 635
(4) 求解正则方程组得
a0 1.3185, a1 3.4318, a3 0.3864,

数值分析第六章函数逼近

数值分析第六章函数逼近

5
3
2
求x, y的函数关系. Matlab解法: polyfit([1, 2, 3, 4, 6, 7, 8], [2, 3, 6, 7, 5, 3, 2], 2) ans= -0.3864 3.4318 -1.3182
21
例 测得一发射源的发射强度 I 与时间 t 的一组数据如下 ti 0.2 0.3 0.4 0.5 0.6 0.7 0.8
12
n n x i i 1 n xi2 i 1
xi i 1 x i 1 x i 1
n n 2 i 3 i
n
n 2 xi yi i 1 i 1 a 0 n n 3 x y x a i 1 i i i 1 i 1 n a2 n 4 2 xi x i yi i 1 i 1 n
y a0 a1 x a0 a1 xi
yi
4
衡量近似函数好坏的标准:残差向量的大小 (1) 使残差的绝对值之和最小, 即
min || ||1 min | i |
a0 ,a1 a0 ,a1 i 1 n
(2) 使残差的最大绝对值最小, 即
min || || min max | i |
xi yi
x1
y1
x2 y2

xn yn

求直线 y=a0+a1x 使得
yi (a0 a1 xi ) i 1
n
2
达到最小.
6
令 F (a0 , a1 ) yi (a0 a1 xi ) 2
i 1
n
则原问题等价于求a0, a1使F(a0, a1)达到最小. 利用多元函数取极值的必要条件得

数值分析第六章函数逼近

数值分析第六章函数逼近
n n
2 i 2
拟合 函数
st . ,∑ δ = ∑[ yi −ϕ(xi )] = ∑⎡ yi −∑j=1ajϕj (xi )⎤ →min = F(a0, a1,⋯, am) ⎣ ⎦ i=1 i=1 i=1
拟合条件
n
m
2
该方法称为拟合曲线方法
适当选取函数类
{ϕ0 ( x), ϕ1 ( x),⋯, ϕn ( x)}
(*)有最小二乘解
Φ Φ ⋅a = Φ ⋅ y
⎡ (ϕ0 , ϕ0 ) (ϕ0, ϕ1) ⎢ (ϕ , ϕ ) (ϕ , ϕ ) 1 1 ΦT Φa = ⎢ 1 0 ⎢ ⋯ ⎢ ⎣(ϕm , ϕ0 ) (ϕm , ϕ1) ⎡ ϕ0 ( x1 ) ϕ1 ( x1 ) ⎢ϕ ( x ) ϕ ( x ) 1 2 ΦT y = ⎢ 0 2 ⎢ ⋯ ⎢ ⎣ϕ0 ( xn ) ϕ1 (xn ) ⋯ (ϕ0, ϕm ) ⎤ ⎡a0 ⎤ ⎢a ⎥ ⋯ (ϕ1, ϕm ) ⎥ ⎥ ⎢ 1 ⎥, ⎥ ⎢⋮ ⎥ ⋯ ⎥⎢ ⎥ ⋯ (ϕm , ϕm ) ⎦ ⎣an ⎦
T
T
T
⋯ ϕ m xn )⎦
⎡ y1 ⎤ ⎢y ⎥ ⎢ 2 ⎥, ⎢⋮ ⎥ ⎢ ⎥ ⎣ yn ⎦
例:已知一组实验数据 求拟合曲线。
X Y
1 4
2 4.5
3 6
4 8
5 9
解:观察数据特征,各点的变化接近一条二次曲线。 选用 ϕ ( x) = a0ϕ 0 ( x) + a1ϕ1( x) + a2ϕ 2 ( x), ϕ ( x) = p2( x)
主要问题的提出和解决

一、给出函数表
x Y x1,x2,---,xn
f(x)
P(x) y1,y2,---,yn O x1, x2,--,xj,--, xn 求拟合函数 ϕ ( x) = a0ϕ0 ( x) + a1ϕ1 ( x ) + ⋯ + amϕ m ( x ), ϕ ( x ) = p ( x )

函数逼近

函数逼近

上海理工大学理学院
University of Shanghai for Science and Technology
College of Science
计算方法与数值计算
函数逼近问题的一般提法: 对于函数类A(如连续函数类)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(如多项式、三角函数类等)

b
a
g ( x) ( x)dx 0
上海理工大学理学院
University of Shanghai for Science and Technology
College of Science
计算方法与数值计算
2.内积
则称
定义2 设f (x),g (x) C [a, b], (x)是[a, b]上的权函数,

1
1
0, 1 Tm ( x)Tn ( x)dx , 1 x2 2 ,
mn mn0 mn0
上海理工大学理学院
University of Shanghai for Science and Technology
College of Science
计算方法与数值计算
S ( x) a 0 0 ( x) a11 ( x) a n n ( x)
的全体是C[a, b]的一个子集,记为
Span{ 0 , 1 , , n }
并称
0 ( x), 1 ( x), , n ( x) 是生成集合的一个基底。
上海理工大学理学院
a
b
则称f (x)与g (x)在[a, b]上带权 (x)正交。 定义4 设在[a, b]上给定函数系{k(x)} ,若满足条件

函数逼近与曲线拟合PPT课件

函数逼近与曲线拟合PPT课件
第14页/共81页
例 已知点集 {xi} i=0,1,…,4 ={0,0.25,0.5,0.75,1} 和 权数{ i}i=0,…4 ={1,1,1,1,1}.试用三项递推公式求关于
该点集的正交多项式 P0(x),P1(x),P2(x)
解 先令 P0(x)=1 ,由此得
4
(P0, P0 ) iP02 (xi ) 5 i0
)
k
(x)
k
k
(x), k 1, 2,
k 1
n 1
给出的多项式序列
n
Pk(x)
(n
k 0
m)
是正交多项式序列
,其中
(x , )
(,
P P P P
k k,
k
a b k ( , ) k ( ,
P P P P k k
k 1
) k.
)
k 1
(5)
三项递推公式(4)是构造正交多项式的简单公 式,此外,还有其他的特殊的情形,这里,不进一 步讨论。
有了内积,就可以定义正交性。若函数 f (x) 和 g (x) 的内积 (f , g)=0,则称两者正交。
第12页/共81页
若多项式组{k(x)}k=0,…n 在离散意义下的内积满足
(i , j )
0,i j ai 0,i
j
(3)
则称多项式组{k(x)}k=0,…n为在离散点集 {xi} i=0,1,…,m 上的带权 { i}i=0,…m的正交多项式序列.
第8页/共81页
更一般函数逼近的概念:
可用一

在C
a,
b上线



的函数


i
x
n i0

函数逼近方法

函数逼近方法

函数逼近方法一、概述函数逼近方法是一种数学工具,用于通过已知数据点的集合来估计或近似出一条连续函数的近似函数。

它在各个领域都有广泛的应用,比如数值计算、统计学、机器学习和信号处理等。

通过函数逼近方法,我们可以在缺少完整数据的情况下对函数的行为进行研究和预测。

二、插值法插值法是函数逼近方法中最常见的一种方法,它基于已知点的函数值,构造出一个多项式函数来逼近原函数。

插值法的基本思想是通过已知点之间的连线或曲线来构造一个连续的函数。

常见的插值方法有拉格朗日插值和牛顿插值等。

2.1 拉格朗日插值拉格朗日插值是一种通过利用拉格朗日基函数构造插值多项式的方法。

给定一个已知函数的离散采样点集合,拉格朗日插值的目标是构造一个多项式函数,该函数在已知点上的函数值等于已知函数在相应点上的函数值。

拉格朗日插值多项式的形式如下:L(x)=∑y ini=0∏x−x jx i−x j nj=0,j≠i其中,y i表示已知点的函数值,x i表示已知点的横坐标。

2.2 牛顿插值牛顿插值是另一种常见的插值方法,它利用差商的概念构造出一个多项式函数。

牛顿插值的优势在于可以递归地计算插值多项式,而不需要重新计算整个多项式。

牛顿插值多项式的形式如下:N(x)=f(x0)+∑[∏(x−x j)i−1j=0]ni=1f[x0,x1,…,x i]其中,f(x0)表示已知点的函数值,f[x0,x1,…,x i]表示差商。

三、最小二乘法最小二乘法是一种通过最小化误差平方和来逼近函数的方法。

最小二乘法的基本思想是找到一个函数的近似函数,使得所有已知数据点到近似函数的距离的平方和最小。

3.1 线性最小二乘法线性最小二乘法是最简单的一种最小二乘逼近方法,它假设要逼近的函数是一个线性函数。

给定一组已知数据点(x i,y i),其中x i为自变量,y i为因变量,线性最小二乘法的目标是找到一个形如y=ax+b的线性函数,使得所有已知数据点到该直线的距离的平方和最小。

函数逼近基本概念

函数逼近基本概念

加权内积
(x, y)
n
i xi yi;
加 权 范 数 || x ||2
n
1/2
i xi2
i1
i1
n
若x, y C n, 则 定 义 加 权 内 积 ( x, y) i xi yi .
i 1
定 义 4 设 ( x)是 区 间[a, b(] 有 限 的 或 无 限 的 ) 上的 非 负 函 数,
(2) (u,v) (u,v), 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, u) 0. 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 为内积空间. (v,u)为(u,v)的共轭,当K R时 (v,u) (u,v).
三、内积与内积空间
Rn中向量x及y的内积定义为 : ( x, y) x1 y1 L , xn yn.
将其推广有如下定义 .
定义3 设X是数域K(R或C)上的线性空间,对u,v X, 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 ;
1,||
f ( x) ||2
b a
1/2
f 2( x)dx .
设0, ,n C[a,b],则Gram矩阵为
G G(0 , ,n )
(0 ,0 ) (0 ,1 )
(1
,0
)
(1,1 )
(n ,0 ) (n ,1 )
(0 ,n )
(1
,
n
)
(n ,n )
根据定理3,0, ,n线性无关 det(G) 0.
(u1, un ) (u2, un )
  1. 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. 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. 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)。

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 nn x x n f x x n x fx 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⎰=ba 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:211)(],1,1[xx -=-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⎰=ba 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 );(3) (f 1 + f 2, g ) = (f 1, g ) + (f 2,g );(4)对任意实数k ,(kf , g ) = k (f , g )。

定义3 设f (x ),g (x ) ∈C [a , b ],若⎰==ba dx x g x f x g f 0)()()(),(ρ,则称f (x )与g (x )在[a ,b ]上带权ρ (x )正交。

定义 4 设在[a , b ]上给定函数系{} ),(,),(),(10x x x n ϕϕϕ,若满足条件()⎩⎨⎧==>≠=)是常数i i jiA j i j i A ji x x ,,1,0,(,0,0)(),(( ϕϕ,则称{ϕk (x )}是[a , b ]上带权ρ (x )的正交函数系。

当A ij ≡ 1时称函数系为标准正交函数系。

例 验证多项式:31,,12-x x 在]1,1[-上带权ρ (x ) = 1两两正交。

容易验证⎰-=⋅1101xdx ,⎰-=⎪⎭⎫ ⎝⎛-⋅1120311dx x ,⎰⎰--=⎪⎭⎫ ⎝⎛-=⎪⎭⎫ ⎝⎛-⋅11113203131dx x x dx x x ,⎰->11201dx ,⎰->1120dx x ,⎰->⎪⎭⎫⎝⎛-1122031dx x 结论成立。

例nx nx x x sin 1,cos 1,,,sin 1,cos 1,21πππππ在[-π ,π ]上是正交的,且函数自乘之积在[-π ,π ]上的积分是1。

6.2切比雪夫多项式切比雪夫多项式具有很多重要性质,是函数逼近的有效工具。

定义:可以用递推关系给出切比雪夫(Chebyshev )多项式T n (x)的定义如下:),2,1)(()(2)(,)(,1)(1110 =-===-+n x T x xT x T x x T x T n n n 。

可用归纳法证明:)cos())(cos(θθnTn=,假设对于小于等于n的情况此式成立,则对n+1的情况是:))1cos(()sin(sin)cos(cos]sin)sin(cos)[cos()cos(cos2))1cos(()cos()cos(2))(cos(1θθθθθθθθθθθθθθθ+=-=+-=--=+nnnnnnnnTn利用此关系(令θcos=x)可以证明切比雪夫多项式的正交性:切比雪夫多项式具有以下性质:(1)正交性:{T n (x)}在[-1, 1]上是带权211)(xx-=ρ的正交多项式序列,(2)奇偶性:当n为奇数时T n (x)为奇函数;n为偶数时为偶函数,(3)零点:T n (x)在[-1,1]上有n个零点),,2,1(,2)12(cos nknkxk=-=π,(4)极值点:T n (x)在[-1,1]上有n+1个极值点nkxkπcos=',nk,,2,1,0=,轮流取1和-1。

例 在[-1, 1]上找多项式逼近e x ,使误差ε < 0.01。

先对e x在0处作泰勒展开,有 ++++=!3!2132x x x e x,取前六项之和54325120124161211)(x x x x x x p +++++=作为e x 的近似,这时截断误差0038.0!61!61)(65<<=e x e x R ξ,能否降低 p 5(x )的次数?将p 5(x )表示为54321051920119213841748131922176481)(T T T T T T x p +++++=,由于在1≤x 上1)(≤x T k ,若略去最后两项,则误差为0058.0192011921<+。

在1≤x 上若用32103841748131922176481)(T T T T x y +++=近似代替e x 的总误差不超过0.0038+0.0058 < 0.01。

定理:在区间[-1,1]上所有首1的n 次多项式中,与0的偏差最小的多项式为12)(-n n x T 。

证明:假设有一个首1的n 次多项式P(x)与0的偏差比12)(-n n x T 还小,则考虑Q(x)=P(x)-12)(-n n x T ,注意Q(x)次数小于n ,由于12)(-n n x T 在[-1,1]有n+1个极值点,则Q(x)在[-1,1]有n 个不同零点,于是Q(x)恒等于0,所以P(x)=12)(-n n x T 。

要使拉格朗日插值多项式L(x)尽量逼近函数f(x),则余项R(x)就要尽量小。

在R(x)中f(x)是固定的,而ξ又是未知数,所以要减小余项,有一条途径是恰当选择节点集,使得在插值区间内余项的最大值为极小值。

只在区间[-1, 1]上讨论切比雪夫插值法:当取切比雪夫多项式零点n k n k x k 2,1,0),2212cos(=++=π为插值点时, ∏=+-=-=---=ni n n i n n x T x x x x x x x x x 0110)(2)()())(()( ω则有)!1(2)(max )()1(+≤+n x f x R nn6.3 最佳平方逼近介绍在[a, b]上较易计算的最佳平方逼近。

定义1 设)(x i ϕ在[a , b ]上连续,如0)()()(1100=+++x a x a x a n n ϕϕϕ 当且仅当010====n a a a ,则称)(x i ϕ在[a , b ]上是线性无关的,否则称线性相关。

如果函数系{ϕk (x )}中的任何有限个函数线性无关,则称函数系{ϕk (x )}为线性无关函数系,例如{1, x , …, x n , …}就是在[a , b ]上线性无关。

设)(x i ϕ在[a ,b ]上线性无关,a 0,a 1,…,a n 是任意实数,则)()()()(1100x a x a x a x S n n ϕϕϕ+++= 的全体是C [a ,b ]的一个子集,记为},,,{Span 10n ϕϕϕ =Φ,并称)(x i ϕ是基底。

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。

定理 连续函数)(,),(),(10x x x n ϕϕϕ 在[a , b ]上线性无关的充分必要条件是克莱姆(Gram)行列式G n ≠ 0,其中这个定理等价于)(,),(),(10x x x n ϕϕϕ 在[a , b ]上线性相关的充分必要条件是G n = 0,证明这个结论更简单一些。

定义2 对于给定的函数],[)(b a C x f ∈,称S *(x )是f (x )在集合Φ中的最佳平方逼近函数,如果[]=-⎰dx x S x f x ba 2*)()()(ρ []dx x s x f x ba x S ⎰-∈2)()()()(min ρφ,},,,{10n Span ϕϕϕ =Φ。

求)()(0**x a x S j nj j ϕ⋅=∑=的问题可归结为求系数**1*0,,,n a a a ,使dx x a x f x a a a I j n j j ban 2010)()()(),,,(⎥⎦⎤⎢⎣⎡-=∑⎰=ϕρ 取得极小值。

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=∂∂ka I,写成矩阵形式为⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=⎪⎪⎪⎪⎪⎭⎫⎝⎛⎪⎪⎪⎪⎪⎭⎫ ⎝⎛),(),(),(),(),(),(),(),(),(),(),(),(10101011100101000n n n n n n n n f f f a a a ϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕ ,此方程叫法方程,其系数行列式就是G n ,由于ϕ0, ϕ1, …, ϕn 线性无关,故G n ≠ 0,上述方程组存在唯一解。

例1 ]1,1[,)(4-∈=x x x f ,求不超过二次的多项式,使⎰--112dx)]()([x P x f 最小。

设2)(cx bx a x P ++=,即取1)(0=x ϕ,x x =)(1ϕ,22)(x x =ϕ,1)(=x ρ。

由法方程⎪⎩⎪⎨⎧=++=++=++),(),(),(),(),(),(),(),(),(),(),(),(222120212111010201000f c b a f c b a f c b a ϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕ,得⎪⎪⎪⎩⎪⎪⎪⎨⎧=+==+7252323252322c a b c a ,解此线性方程组得:76,353,0=-==c a b ,所以276353)(x x P +-=,偏差⎰-=-1124012.0))((dx x P x 。

6.4 最小二乘逼近已知函数关系)(x f y =的实验数据为mm y y y x f x x x x 1010)(,其中m m x b x a x x x ==<<<,,010 。

相关文档
最新文档