数值分析--第3章函数逼近与快速傅里叶变换
数值分析实验报告2

实验报告实验项目名称函数逼近与快速傅里叶变换实验室数学实验室所属课程名称数值逼近实验类型算法设计实验日期班级学号姓名成绩512*x^10 - 1280*x^8 + 1120*x^6 - 400*x^4 + 50*x^2 - 1并得到Figure,图像如下:实验二:编写程序实现[-1,1]上n阶勒让德多项式,并作画(n=0,1,…,10 在一个figure中)。
要求:输入Legendre(-1,1,n),输出如a n x n+a n-1x n-1+…多项式。
在MATLAB的Editor中建立一个M-文件,输入程序代码,实现勒让德多项式的程序代码如下:function Pn=Legendre(n,x)syms x;if n==0Pn=1;else if n==1Pn=x;else Pn=expand((2*n-1)*x*Legendre(n-1)-(n-1)*Legendre(n-2))/(n);endx=[-1:0.1:1];A=sym2poly(Pn);yn=polyval(A,x);plot (x,yn,'-o');hold onend在command Windows中输入命令:Legendre(10),得出的结果为:Legendre(10)ans =(46189*x^10)/256 - (109395*x^8)/256 + (45045*x^6)/128 - (15015*x^4)/128 + (3465*x^2)/256 - 63/256并得到Figure,图像如下:实验三:利用切比雪夫零点做拉格朗日插值,并与以前拉格朗日插值结果比较。
在MATLAB的Editor中建立一个M-文件,输入程序代码,实现拉格朗日插值多项式的程序代码如下:function [C,D]=lagr1(X,Y)n=length(X);D=zeros(n,n);D(:,1)=Y';for j=2:nfor k=j:nD(k,j)=(D(k,j-1)- D(k-1,j-1))/(X(k)-X(k-j+1));endendC=D(n,n);for k=(n-1):-1:1C=conv(C,poly(X(k)));m=length(C);C(m)= C(m)+D(k,k);end在command Windows 中输入如下命令:clear,clf,hold on;k=0:10;X=cos(((21-2*k)*pi)./22); %这是切比雪夫的零点Y=1./(1+25*X.^2);[C,D]=lagr1(X,Y);x=-1:0.01:1;y=polyval(C,x);plot(x,y,X,Y,'.');grid on;xp=-1:0.01:1;z=1./(1+25*xp.^2);plot(xp,z,'r')得到Figure ,图像如下所示:比较后发现,使用切比雪夫零点做拉格朗日插值不会发生龙格现象。
数值分析讲义第三章 函数逼近

P ( xk ) f ( xk ) 1 f , Pn* , 1
k
n2
b, s.t.
(充分性):设[a, b]上至少有n 2个点a x1 x2 x P ( xk ) f ( xk ) 1 f , Pn* , 1
一致逼近或 均匀逼近 均方逼近或 平方逼近
max a x b f ( x) P( x)
f ( x) P( x) 2
b
a
f ( x) P( x) dx
2
存在性问题: f(x)C[a,b], 是否存在
Pn(x) f(x)(uniformly)?
Th1. (Weierstrass定理)设f(x)C[a,b], >0, 多项式P(x), s.t. f ( x) P( x) 在[a,b]上一致成立。 Weierstrass,德,
3个重要推论
推论1
证
最佳逼近多项式唯一
设f ( x)有两个最佳逼近多项式P( x), Q( x), 则x [a, b] - En P( x) f ( x) En , - En - En Q( x) f ( x) En , P( x) Q( x) f ( x) En 2 P( x) Q( x) R( x) 也是f ( x)的最佳逼近多项式, 2 且R ( x) f ( x)的n 2个交错点组x1 x2 x n 2 满足 R ( xk ) f ( xk ) 1 En
k
En R( xk ) f ( xk )
P( xk ) f ( xk ) Q( xk ) f ( xk ) 2 2
(*)
数值分析知识点总结

数值分析知识点总结数值分析知识点总结:本文提供了数值分析中的一些重要知识点和例题,但更多的例题可以参考老师布置的作业题和课件相关例题。
第1章数值分析与科学计算引论:绝对误差和相对误差是衡量近似值精度的指标,有效数字则是描述近似值精度的一种方式。
其中,相对误差限是绝对误差的上界。
有效数字的计算方法为:如果近似值x的误差限是某一位的半个单位,该位到x的第一位非零数字共有n位,就说x*共有n位有效数字。
一个比较好用的公式是f(x)的误差限:f(x)f'(x)(x)。
第2章插值法:插值多项式的余项表达式可以用来估计截断误差。
三次样条插值与三次分段埃尔米特插值有所不同,但哪一个更优越需要根据实际情况而定。
确定n+1个节点的三次样条插值函数需要多少个参数?为确定这些参数,需加上什么条件?三弯矩法可以用来求解三次样条表达式。
第3章函数逼近与快速傅里叶变换:带权(x)的正交多项式是在特定区间上满足一定条件的多项式,其中[-1,1]上的勒让德多项式具有重要性质。
切比雪夫多项式也有其独特的性质。
用切比雪夫多项式零点做插值点得到的插值多项式与拉格朗日插值有所不同。
最小二乘拟合的法方程可以用来拟合曲线,但当次数n较大时,不直接求解法方程。
第4章数值积分与数值微分:XXX让德求积公式和XXX-XXX求积公式是数值积分中的两种方法,其中高斯求积公式可以用来计算定积分。
勒让德多项式的零点就是高斯点,这种形式的高斯公式被称为XXX让德求积公式。
中点方法是一种数值积分方法,其公式如下:插值型的求导公式有两点公式和三点公式。
第5章介绍了解线性方程组的直接方法,其中包括LU矩阵的推导过程。
相关例题可以在教材第4章作业题和课件中找到。
第6章介绍了解线性方程组的迭代法,判断迭代法是否收敛的条件如下:第7章介绍了非线性方程与方程组的数值解法,其中牛顿法是一种常见的方法。
对于单根且光滑的f(x)=0,牛顿法是局部二阶收敛的。
简化牛顿法和牛顿下山法都是非线性方程组的求解方法。
函数逼近与快速傅里叶变换

n1
ikπ
1 其中 ck N
N 1 j 0
ye
j
ikj
2 N
( k = 0, 1, … , n-1 ) 当 n=N 时,Sn(x) 即为 f(x) 在 x0, x1, , xn-1 上的插值函数
y j ck e
k 0
N 1
ikj
2 N
离散 Fourier 逆变换 ( j = 0, 1, … , N-1 )
10
DFT
设 f (x) 以 2 为周期的复函数,给定函数值 ( xj, yj ),其中 2 jπ xj , j 0,1, ..., N 1 离散 Fourier 变换 N 则 f(x) 的最小二乘 Fourier 逼近为 (n m)
Sn ( x ) ck e
k 0
4
则称 Rnm(x) 为 f(x) 在 x=0 处的 (n, m) 阶 Pade 逼近
三角多项式逼近
在 [0, 2] 上带权 (x)=1 的正交三角函数族: 1,cos x,sin x,sin 2x,cos 2x,…
三角多项式逼近
设 f (x) 是以 2 为周期的平方可积函数,则可利 用上面的三角函数族对其进行数值逼近。
1 2π ak f ( x ) cos( kx ) dx ( k = 0, 1, … , n-1 ) π 0 2π b 1 f ( x ) sin( kx ) dx ( k = 1, 2, … , n-1 ) k 0 π
6
当 n 趋于无穷大时,Sn(x) 即为 f(x) 的 Fourier 展开
ikx
ix
2 ix
3 ix
,e
( N 1) ix
数值分析实验(3)

实验三函数逼近与快速傅里叶变换P95专业班级:信计131 班姓名:段雨博学号:2013014907一、实验目的1、熟悉 matlab 编程。
2、学习最小二乘法及程序设计算法。
二、实验题目1、对于给函数f x1在区间1,1 上取 x i 1 0.2i i0,1,10 ,试求3次125x2曲线拟合,试画出拟合曲线并打印出方程,与第二章计算实习题 2 的结果进行对比。
2、由实验给出数据表x0.00.10.20.30.50.8 1.0y 1.00.410.500.610.91 2.02 2.46试求 3 次、 4 次多项式的曲线拟合,再根据数据曲线形状,求一个另外函数的拟合曲线,用图示数据曲线及相应的三种拟合曲线。
3.给定数据点 x i , y i如表所示00.50.60.70.80.91x x i1 1.75 1.96 2.19 2.44 2.71 3.00y i用最小二乘法求拟合数据的二次多项式,并求平方误差。
三、实验原理与理论基础1.最小二乘原理与线性拟合:在函数的最佳平方逼近中 f ( x)C[ a,b] ,如果 f ( x) 只在一组离散点集 { x i , i 0,1..., m} 上给出,这就是科学实验中经常见到的实验数据{{( x i, y i ), i 0,1...m} }的曲线拟合,这里y i f (x i)(i0,1...m) ,要求一个函数y S * ( x) 与所给数据 {( x i , y i ), i 0,1...m} 拟合,若记误差(01 ,... m ) T,设0 ( x),1 (x),... n (x) 是C[a,b]上线性无关函数族,在span{0 ( x),1 ( x),...n (x)} 中找一函数 S * (x) 使误差平方和m m m222[ S * ( x)y i ]2min[ S( x i )y i ] ,这2ii 0i0i 0里S(x)a0 0 ( x)a0 1 ( x)... a n n ( x) ( n m )。
《数值分析》第3讲:函数逼近与计算

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
即
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
则
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}
则
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
数值分析知识点总结

数值分析知识点总结说明:本文只提供部分较好的例题,更多例题参考老师布置的作业题和课件相关例题。
一、第1章 数值分析与科学计算引论1. 什么是绝对误差与相对误差?什么是近似数的有效数字?它与绝对误差和相对误差有何关系?相对误差限:**r re ε=的一个上界。
有效数字:如果近似值*x 的误差限是某一位的半个单位,该位到*x 的第一位非零数字共有n 位,就说x *共有n 位有效数字。
即x *=±10m ×(a 1+a 2×10-1+…+a n ×10-(n-1)),其中a 1≠0,并且*11102m n x x -+-≤⨯。
其中m 位该数字在科学计数法时的次方数。
例如9.80的m 值为0,n 值为3,绝对误差限*211102ε-=⨯。
2. 一个比较好用的公式:f(x)的误差限:()***()'()()f x f x x εε≈ 例题:二、第2章插值法例题:5. 给出插值多项式的余项表达式,如何用其估计截断误差?6. 三次样条插值与三次分段埃尔米特插值有何区别?哪一个更优越?7. 确定n+1个节点的三次样条插值函数需要多少个参数?为确定这些参数,需加上什么条件?8. 三弯矩法:为了得到三次样条表达式,我们需要求一些参数:对于第一种边界条件,可导出两个方程:,那么写成矩阵形式:公式 1对于第二种边界条件,直接得端点方程:,则在这个条件下也可以写成如上公式1的形式。
对于第三种边界条件,可得:也可以写成如下矩阵形式:公式 2求解以上的矩阵可以使用追赶法求解。
(追赶法详见第五章)例题:数值分析第5版清华大学出版社第44页例7三、第3章函数逼近与快速傅里叶变换的正交多项式?什么是[-1,1]上的勒让德多项式?它有3.什么是[a,b]上带权()x什么重要性质?4.什么是切比雪夫多项式?它有什么重要性质?5.用切比雪夫多项式零点做插值点得到的插值多项式与拉格朗日插值有何不同?6.什么是最小二乘拟合的法方程?用多项式做拟合曲线时,当次数n较大时,为什么不直接求解法方程?例题请参考第3章书上的作业题和课件上的例题。
数值分析第3章函数逼近和快速傅立叶变换

数值分析第3章函数逼近和快速傅立叶变换第3章的内容主要涉及函数逼近和快速傅立叶变换。
函数逼近是指通过一系列已知数据点来估计一个函数的近似值。
快速傅立叶变换是一种高效计算连续傅立叶变换的方法。
函数逼近是数值分析中一项重要任务,它涉及到通过一组已知数据点来估计一个未知函数的值。
常用的函数逼近方法包括多项式逼近、三角函数逼近和样条函数逼近。
多项式逼近是利用一组已知数据点来构造一个多项式,使得该多项式在这些数据点上的值与已知数据点的值尽可能接近。
多项式逼近的基本思想是利用多项式的线性组合来近似未知函数,通过最小化误差函数来确定逼近多项式的系数。
多项式逼近的优点是简单易实现,但是当数据点较多或者函数较复杂时,多项式逼近的结果可能不够精确。
三角函数逼近是利用三角函数的线性组合来近似未知函数。
三角函数逼近的基本思想是利用三角函数的周期性来估计未知函数的值。
通过最小化误差函数来确定逼近三角函数的系数。
三角函数逼近适用于具有周期性的函数,在信号处理和图像处理中得到广泛应用。
样条函数逼近是利用多个局部的插值多项式来逼近未知函数。
样条函数逼近的基本思想是将整个待逼近区间分成多个子区间,每个子区间内使用一个插值多项式来逼近未知函数。
通过最小化误差函数来确定样条函数的系数。
样条函数逼近适用于具有较强光滑性的函数,在计算机图形学和计算机辅助设计领域得到广泛应用。
快速傅立叶变换(FFT)是一种高效计算连续傅立叶变换的方法。
傅立叶变换可以将一个连续函数分解成若干个正弦和余弦函数的和,它在信号处理、图像处理和通信等领域有着重要应用。
传统的傅立叶变换算法的时间复杂度为O(n^2),而快速傅立叶变换算法的时间复杂度为O(nlogn),能够极大地提高计算效率。
快速傅立叶变换的基本思想是将一个长度为n的序列分解成两个长度为n/2的序列,通过递归地进行这种分解,最终得到长度为1的序列。
然后再通过合并各个子问题的解来得到原始序列的傅立叶变换。
第三章函数逼近与快速傅里叶变换曲线拟合与最小二乘法

---------------------------------------------------------------最新资料推荐------------------------------------------------------第三章函数逼近与快速傅里叶变换曲线拟合与最小二乘法第三章函数逼近与快速傅里叶变换曲线拟合与最小二乘法线性最小二乘拟合多项式拟合超定方程组的最小二乘解3.1 曲线拟合与最小二乘法一、拟合问题设变量 x, y 通过观测得 m 对数据我们希望用 m 对数据构造一个近似函数)(xp. 由于观测数据都带有观测误差, 而且一般m 也比较大, 用插值方法要求)(xp严格经过数据点不可取. 于是, 我们希望寻找的近似函数)(xp在各个 xi的函数值)(ixp与观测值yi尽可能接近, 这就是所谓的数据拟合问题. 二、最小二乘法的基本原理从整体考虑近似函数)(xp与所给数据点()),, 2 , 误差的大小,常用的方法有以下三种:一是误差绝对值的最大值imir0max,即误差向量的范数;二是误差绝对值的和=miir0||,即误差向量 r 的 1-范数;三是误差平方和=miir02的算术平方根,即考虑误差向量 r 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,因此在曲线拟合中常采用误差平方和=miir02来度量误差的整体大小。
数据拟合的具体作法:1 / 11对给定数据,在取定的函数类中,求 )(xp, 使误差的平方和最小,即min])([0202==i=i=miimiyxpr 从几何意义上讲,就是寻求与给定点的距离平方和为最小的曲线)(xpy =。
函数)(xp称为拟合函数或最小二乘解,求拟合函数)(xp的方法称为曲线拟合的最小二乘法。
在曲线拟合中,函数类可有不同的选取方法. 多项式拟合形式比较规范,方法也比较简单,但在实际应用中,针对所讨论问题的特点,拟合函数可能为其他类型,如指数函数、有理函数、三角函数等,这就是一般最小二乘拟合问题。
第三章第三节快速傅里叶变换(FFT)

另一种形式的流程图是将节点排列成输入 和输出两者都是 正序排列,但这类流程图不能进行同址计算,因而需要两列 长度为N的复数存储器。
例 8点FFT的算法
首先可以分解为两个N/2=4点的DFT.具体方法如下:
rk k rk X (k ) x(2r )WN /2 WN x(2r 1)WN /2 , r 0 r 0 3 3
x(1) x2 (0)、 x(5) x2 (2) 偶序列 同理:x2 (r ) : x(3) x2 (1)、 x(7) x2 (3) 奇序列
X 1 (k )
N 1 4 l 0
x1 ( r )W4rk
r 0
N 4
N 1 2
在导出FFT算法之前,首先来估计一下直接计算DFT所需的计算量。 DFT的定义
其中
将DFT定义式展开成方程组
将方程组写成矩阵形式
用向量表示
用复数表示:
从矩阵形式表示可以看出,由于计算一个X(k)值需要N次复乘法和 (N-1)次复数加法,因而计算N个X(k)值,共需N2次复乘法和N(N-1)次 复加法。每次复乘法包括4次实数乘法和2次实数加法,每次复加 法包括2次实数加法,因此计算N点的DFT共需要4N2次实数乘法和 (2N2+2N· (N-1))次实数加法。当N很大时,这是一个非常大的计算量。 FFT算法主要利用了WNk的两个性质: (1)对称性,即
第3章第三节 快速傅里叶变换 (FFT)
FFT算法分类:
1.按抽取方法分: 时间抽取法(DIT Decimation-In-Time); 频率抽取法(DIF Decimation-In-Frequency) 2.按“基数”分: 基-2FFT算法; 基-4FFT算法; 混合基FFT算法; 分裂基FFT算法 3.其它方法: 线性调频Z变换(Chrip-z法)
函数逼近与快速傅里叶变换

1 x1 n xn 0,
(1.1)
, xn 否则,则称 x1 , 线性无关 .
n (1) x1 , , xn 是线性空间 中 S 个线性无关的元素 (2)对x S 都有 x 1 x1 n xn , xn 则 x1 , 称为空间 的一组基, 记 S span{ x1 ,, xn } S
17
2015/8/10
函数逼近与快速傅立叶变换
在 中,满足‖ · ‖2 =1 ,即 x1 的向量 x2 1 R2 为单位圆; 满足‖· , x2 } 1 ‖∞ =1 ,即 max{ x1 的向量为
2
2
单位正方形. 2)、连续函数空间 C[a, 的范数,若 b] 定义三种常用范数如下: f max f ( x ) , 范数,
第3章 函数逼近与快速傅里叶变换
Approximation of Function and Fast Fourier Transform
3.1 函数逼近的基本概念
3.2 正交多项式
3.3 最佳平方逼近
3.4 曲线拟合的最小二乘法
3.5 有理逼近
3.6 三角多项式与快速傅里叶变换
2015/8/10 函数逼近与快速傅立叶变换 1
f
f
1
2
f ( x), C[a, b]
a xb b
a
b a
f ( x ) dx ,1-范数,
(
2f 2 ( x )dx )范数 , .
1 2
线性空间 + 赋范数 = 赋范线性空间
3.1.3 内积与内积空间 线性空间 + 赋内积 = 内积空间
R n 中两个向量 x ( x1 , , xn )T及 y ( y1 , , yn )T 内积 ( x , y ) x1 y1 xn yn . (1.5)
数值分析--第3章函数逼近与快速傅里叶变换

27
例1 R n与 Cn的内积.
设 x, y Rn , x (x1, , xn )T , y ( y1, , yn )T ,
n
(x, y) xi yi i 1
(1.12)
向量2-范数为
1
n
1
x (x, x) 2 ( 2
xi2 ) 2
i 1
2020/6/14
课件
28
若给定实数 i 0(i 1,2, , n), 称{i}为权系数,
(2) x x , R;
(齐次性)
(3) x y x y , x, y S. (三角不等式)
则称‖·‖为线性空间 S上的范数,S 与‖·‖一起称为赋范 线性空间,记为 X .
2020/6/14
课件
14
例如,在 R n上的向量 x (x1, , xn )T R n , 三种常 用范数为
2、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a,b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.
2020/6/14
课件
2
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 f (x), 记作 f (x) A , 要在另一类简单的便于计算的函数类 B 中求函数 p(x) B,使 p(x)与 f (x) 的误差在某种度量
意义下最小”.
函数类 A通常是区间 [a,b] 上的连续函数,记作 C[a,b],
称为连续函数空间.
2020/6/14
课件
3
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.
数学上常把在各种集合中引入某些不同的确定关系称为
数值分析第三章函数逼近与快速傅立叶变换 ppt课件

45
x1=1/(2a1)2. 因为x=0,1为交错点,由〔x-(a0+a1x)〕x=0=〔x-(a0+a1x)〕 得 a1=1
将a1=1代入x1=1/(2a1)2得x1=1/4.
〔x-(a0+a1x)〕x1=1/4=-〔x-(a0+a1x)〕x2=1 得a0=1/8
说明n次多项式Q(x)至少在[a,b]上有n+1个根, 矛盾.
‖f(x)- pn(x)‖∞≤‖f(x)-qn(x)‖∞.
36
三、关于最佳一致逼近多项式的求解
定理 在区间1,1] 上所有最高次项系数为1的n次多项式中,
n(x)21n1Tnx 与零的偏差最小,其最小偏差为
1 2 n1
对任意首一n次多项式f(x),Chebyshev多项式 对零的一致误差最小
13
3.2 正交多项式
定义1:设
f(x )g ( ,x ) c a ,b ,称 a b(x )f(x )g (x ) d 为 x
f(x),g(x)关于权(x)的内积,记为(f, g).
定义2 如果函数f(x), g(x) 在[a,b]上连续,满足
a b(x)f(x)g(x)d x0
则称f(x)与g(x)在[a,b]上关于权 (x)正交,如果[a,b]
第三章 函数逼近与 快速傅立叶变换
1
3.1 函数逼近的基本知识
第三章 第一节
函数逼近:用比较简单的函数代替复杂的函数 误差为最小,即距离为最小(不同的度量意义)
对同一个被逼近函数,不同度量意义下的逼近, 逼近函数是不同的.
2
精品资料
• 你怎么称呼老师? • 如果老师最后没有总结一节课的重点的难点,你
(完整版)数值分析插值法

第二章插值法2.在区间[-1,1]上分别取n=10,20用两组等距节点对龙哥函数f(x)=1/(1+25*x^2)做多项式插值及三次样条插值,对每个n值,分别画出插值函数及f(x)的图形。
(1)多项式插值①先建立一个多项式插值的M-file;输入如下的命令(如牛顿插值公式):function [C,D]=newpoly(X,Y)n=length(X);D=zeros(n,n)D(:,1)=Y'for j=2:nfor k=j:nD(k,j)=(D(k,j-1)- D(k-1,j-1))/(X(k)-X(k-j+1));endendC=D(n,n);for k=(n-1):-1:1C=conv(C,poly(X(k)))m=length(C);C(m)= C(m)+D(k,k);end②当n=10时,我们在命令窗口中输入以下的命令:clear,clf,hold on;X=-1:0.2:1;Y=1./(1+25*X.^2);[C,D]=newpoly(X,Y);x=-1:0.01:1;y=polyval(C,x);plot(x,y,X,Y,'.');grid on;xp=-1:0.2:1;z=1./(1+25*xp.^2);plot(xp,z,'r')得到插值函数和f(x)图形:③当n=20时,我们在命令窗口中输入以下的命令:clear,clf,hold on;X=-1:0.1:1;Y=1./(1+25*X.^2);[C,D]=newpoly(X,Y);x=-1:0.01:1;y=polyval(C,x);plot(x,y,X,Y,'.');grid on;xp=-1:0.1:1;z=1./(1+25*xp.^2);plot(xp,z,'r')得到插值函数和f(x)图形:(2)三次样条插值①先建立一个多项式插值的M-file;输入如下的命令:function S=csfit(X,Y,dx0,dxn)N=length(X)-1;H=diff(X);D=diff(Y)./H;A=H(2:N-1);B=2*(H(1:N-1)+H(2:N));C=H(2:N);U=6*diff(D);B(1)=B(1)-H(1)/2;U(1)=U(1)-3*(D(1));B(N-1)=B(N-1)-H(N)/2;U(N-1)=U(N-1)-3*(-D(N));for k=2:N-1temp=A(k-1)/B(k-1);B(k)=B(k)-temp*C(k-1);U(k)=U(k)-temp*U(k-1);endM(N)=U(N-1)/B(N-1);for k=N-2:-1:1M(k+1)=(U(k)-C(k)*M(k+2))/B(k);endM(1)=3*(D(1)-dx0)/H(1)-M(2)/2;M(N+1)=3*(dxn-D(N))/H(N)-M(N)/2;for k=0:N-1S(k+1,1)=(M(k+2)-M(k+1))/(6*H(k+1));S(k+1,2)=M(k+1)/2;S(k+1,3)=D(k+1)-H(k+1)*(2*M(k+1)+M(k+2))/6;S(k+1,4)=Y(k+1);end②当n=10时,我们在命令窗口中输入以下的命令:clear,clcX=-1:0.2:1;Y=1./(25*X.^2+1);dx0= 0.0739644970414201;dxn= -0.0739644970414201; S=csfit(X,Y,dx0,dxn)x1=-1:0.01:-0.5;y1=polyval(S(1,:),x1-X(1));x2=-0.5:0.01:0;y2=polyval(S(2,:),x2-X(2));x3=0:0.01:0.5; y3=polyval(S(3,:),x3-X(3));x4=0.5:0.01:1;y4=polyval(S(4,:),x4-X(4));plot(x1,y1,x2,y2,x3,y3,x4,y4, X,Y,'.')结果如图:②当n=20时,我们在命令窗口中输入以下的命令:clear,clcX=-1:0.1:1;Y=1./(25*X.^2+1);dx0= 0.0739644970414201;dxn= -0.0739644970414201; S=csfit(X,Y,dx0,dxn)x1=-1:0.01:-0.5;y1=polyval(S(1,:),x1-X(1));x2=-0.5:0.01:0;y2=polyval(S(2,:),x2-X(2));x3=0:0.01:0.5; y3=polyval(S(3,:),x3-X(3));x4=0.5:0.01:1;y4=polyval(S(4,:),x4-X(4));plot(x1,y1,x2,y2,x3,y3,x4,y4, X,Y,'.')结果如图:第三章函数逼近与快速傅里叶变换2. 由实验给出数据表x 0.0 0.1 0.2 0.3 0.5 0.8 1.0y 1.0 0.41 0.50 0.61 0.91 2.02 2.46试求3次、4次多项式的曲线拟合,再根据数据曲线形状,求一个另外函数的拟合曲线,用图示数据曲线及相应的三种拟合曲线。
数值分析-第五版-考试总结

第一章:数值分析与科学计算引论截断误差:近似 解与精确解之间的误差。
近似值的误差:(.为准确值):e*-x*-x近似值的误差限一: 1疋近似值相对误差(较小时约等)近似值相对误差限 :函数值的误差限 :苗⑺“ Ifool 叱)近似值;一士心:化叙…®)"八■有n 位有效数字:第二章:插值法P (对J =0.1/*%?] Oo + %呵+…+偽!曙=九 % +如股+…+ %!珥=Y1 % +舸斗1 +…+ %坊=儿 2•拉格朗日插值 (x- x k )6J n+1(x k ) .次插值基函数: (X- x)-(x-x fc -i)(x-曲十 1)…a — X JJ ) (Xk - X 0)-(X k - X k_i) (x k - x k¥1)-(x k - X…)1•多项式插值其中:P(x) = a()+ OjX + …+ a n ^I>k — O.L —.n = _xl(r -n+l引入记号:^n+l(X)={X-Xo)(A?-粗)…(#- Xj余项:=f(x} - SG)=:;:;詁+W > 5 e 3:3•牛顿插值多项式: ^nW = /(^0)+f 必珀("叼)+・”+/■[和巧严如(龙-坯”心-*_』〔阶均差(把中间去掉,分别填在左边和右边) :店”“皿]丿杯Fmr gd余项:4•牛顿前插公式(令心'小,计算点值,不是多项式):PQ +t h )=/o +帧 + 忖A 讥 + - + 心1)::*%°〔阶差分:AVo = A n "7i -余项:严(和E 3J5•泰勒插值多项式:•阶重节点的均差:6.埃尔米特三次插值:p (x ) -f (^X Q )十打和尤』仗—如+f 1叼公1也](JC-衍)(工一 Xi ) +人(尤-叼)(黑-衍)o — x 2)其中,A 的标定为:咋沪f (社)7.分段线性插值:第三章:函数逼近与快速傅里叶变换p n (x) = 7(X Q ) + f(x Q )(x -和)+ “•+警(U血屯“匈1.-:-属于’.维空间:5(玄)=。
数值分析-第五版-考试总结培训资料

收集于网络,如有侵权请联系管理员删除
精品文档
第八章 矩阵特征值计算 1.格什戈林圆盘:以 为圆心,以 为半径的所有圆盘
2. 的每个特征值必属于某个圆盘之中:
3. 有 个圆盘组成一个连通的并集 , 与和余下 的 个特征值。 4.幂法:
设 的特征值满足条件: 任取非零向量 ,构造向量序列, 假设:
个圆盘是分离的,则 内恰包含
第七章 非线性方程与方程组的数值解法 1.二分法:1)计算 在有根区间 的端值 ,
2)计算区间中点值
3)判断 2.不动点迭代法:
或者
收集于网络,如有侵权请联系管理员删除
3.不动点迭代法收敛:
精品文档
4. 在 上存在不动点 :(压缩映射)
5. 不动点迭代法收敛性:满足上条,则不动点迭代法收敛,误差为:
7.复合求积公式:
收集于网络,如有侵权请联系管理员删除
复合梯形公式: 复合辛普森公式:
精品文档
8.高斯求积公式(求待定参数 和 ): (1)求高斯点( ):令
与任何次数不超过 的多项
式 带权 正交,即则 。
,由 个方程求出高斯点
(2)求待定参数 : 9.高斯-勒让德求积公式:取权函数为 式的高斯点。
数值分析-第五版-考 试总结
精品文档
第一章:数值分析与科学计算引论 截断误差:近似解与精确解之间的误差。 近似值的误差 ( 为准确值):
近似值的误差限 :
近似值相对误差 ( 较小时约等):
近似值相对误差限 :
函数值的误差限 近似值
: 有 n 位有效数字:
1.多项式插值 其中:
第二章:插值法
收集于网络,如有侵权请联系管理员删除
精品文档
第三章:函数逼近与快速傅里叶变换 1. 属于 维空间 :
- 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)。
(u1,un)
(u2,u1) (u2,u2)
(u2,un)
(un,u1) (un,u2)
(un,un)
(1.7)
称为格拉姆(Gram) 则 非G奇异的充分必要条件是
u1,u线2,性无,u关n .
2020/6/16
课件
24
证明 方程组
G非奇异等价于deG t,其0充要条件是齐次
n
n
( juj,uk) (uj,uk)j 0, k1 ,2 ,,n(1.8)
(1.15)
1
f(x)2(f(x),f(x))2
b a
(x)
f
1
2(x)dx2
(1.16)
称(1.15)和(1.16)为带权 (x) 的内积和范数.
2020/6/16
课件
32
常用的是 (x) 1的情形,即
b
(f(x)g ,(x))af(x)g(x)d.x
1
f
(x)
2020/6/16
课件
20
定义了内积的线性空间称为内积空间. 定义中(1)的右端 ( u称, v为) 的(u共, 轭v), 当K为实数域R时 (u,v).(v,u) 如果 (u,v,)则0称 与 正u 交,v 这是向量相互垂 直概念的推广.
2020/6/16
课件
21
定理2
设X为一个内积空间, 对u,v有X,
(1.3)
ln i m B n (m )(f,x)f(m )(x).
这个结果不但证明了定理1,而且由(1.3)给出了 f (x) 的一个逼近多项式,但它收敛太慢,实际中很少使用.
2020/6/16
课件
11
更一般地,可用一组在 C[a,b] 上线性无关的函数集合
i(x)in0 来逼近 f(x)C[a,b],此时元素
使得
1x1 nxn0 ,
(1.1)
则称 x1, , xn 线性相关.
否则,若等式(1.1)只对 1 2 n0 成立,
则称 x1, , xn线性无关.
2020/6/16
课件
6
若线性空间 S是由 n个线性无关元素 x1, , xn生成的, xS 都有
x1x1nxn
则 x1, , xn称为空间 S的一组基,记为
所有定义在 [a, b] 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 C[a,b].
类似地, 记 C p[a,b]为具有 p阶连续导数的函数空间.
2020/6/16
课件
5
定义1 设集合 S是数域 P上的线性空间,元素
x1,,xnS, 如果存在不全为零的数 1,,nP,
即ju11,u2,线,性un无j关1 .
n
在内积空ju间j X1u12u2nun 0
j1
uX,
记
u (u,u)
(1.10)
2020/6/16
课件
26
利用
(uv)2u2 2 uvv2 ( u ,u ) 2 ( u ,v ) ( v ,v ) (uv,uv)uv2
两端开方即得三角不等式
uv uv
取 (u,v,)/v (,v) 代入上式右端,得
2020/6/16
课件
22
(u,v)2 (u,v)2
(u,u)2
0
(v,v) (v,v)
即得 v 0时
(u,v)2(u,u)(v,v).
2020/6/16
课件
23
定理3 矩阵
设X为一个内积空间,u1,u2,,unX ,
(u1,u1) G (u1,u2)
g(x)0.
则称 (x) 为[a, b]上的一个权函数.
2020/6/16
课件
31
例2 C[a,b] 上的内积.
设 f(x)g ,(x) C [a,b],(x) 是 [a, b] 上给定的权函数,
则可定义内积
b
(f(x )g ,(x ) )a (x )f(x )g (x )d.x
由此内积导出的范数为
n
Bn(f,x)
k0
f(k n)Pk(x)
(1.3)
2020/6/16
课件
10
其中
Bn(P fk,(xx)) kn 0 knfx(k n k()1P k(xx))nk,
k nn(n1)k为(!n二k项式1)展开系数,并证明了
ln i m B n(f,x)f(x)在 [ 0 ,1上] 一致成立;
若 f在( x) 上[ 0 ,阶1]导数m 连续,则
R n 上的加权内积为
n
(x, y) ixi yi i1
(1.13)
相应的范数为
n
1
x ( 2
i xi2)2.
i1
当 i 1 (i1 ,2,,n)时,(1.13)就是前面定义的内积.
2020/6/16
课件
29
如果 x, yCn,带权内积定义为
n
(x, y) ixi yi i1
这里 { i } 仍为正实数序列,y i 为y i 的共轭.
而满足‖·‖1 =1 的向量 x1 x2 1则为对角线长 度为1的菱形.
2020/6/16
课件
16
所以说,范数是对向量长度的度量,度量方式不同, 结果也不一样,但不同范数之间是存在等价关系的.
2020/6/16
课件
17
类似地,对连续函数空间 C[a,b] ,若 f(x)C[a,b],
f mafx(x), axb
第3章 函数逼近与快速傅里叶变换
3.1 函数逼近的基本概念 3.2 正交多项式 3.3 最佳平方逼近 3.4 曲线拟合的最小二乘法 3.5 有理逼近 3.6 三角多项式与快速傅里叶变换
2020/6/16
课件
1
3.1 函数逼近的基本概念
3.1.1 函数逼近与函数空间
问题 1、数值计算中经常要计算函数值,如计算机中计算 基本初等函数及其他特殊函数;
在 C[a,b]上也可以类似定义带权内积.
(1.14)
2020/6/16
课件
30
定义4 设 [a, b] 是有限或无限区间,在 [a, b] 上的非负 函数 (x)满足条件:
(1)
b
a
xk
(x)dx存在且为有限值
(k0,1,),
(2) 对 [a, b] 上的非负连续函数 g (x) ,如果
bg(x)(x)dx0, a
xi ,
i 1
n
1
x ( 2
xi2)2 ,
i1
称为 范数或最大范数,
称为 1-范数, 称为 2-范数.
2020/6/16
课件
15
实际上任何向量的实值函数,只要满足上述三个条件,
就可以定义成一种向量范数. 在 R 2 中,满足‖·‖2 =1 ,即
为单位圆,
x1 2 的x2向2量1
满足‖·‖∞ =1 ,即 max1 x,x{ 2}1 的向量为单位正 方形,
b
f f(x)dx,
1
a
称为 范数,
称为 1-范数,
f
(
b
1
f 2(x)d x )2,
2
a
称为 2-范数.
可以验证这样定义的范数均满足定义2中的三个条件.
2020/6/16
课件
18
3.1.3 内积与内积空间
在线性代数中, 中R n两个向量 y(y1,,yn)T 的内积定义为
x(x1及,,xn)T
(1.11)
2020/6/16
课件
27
例1 R n 与 C n 的内积.
设 x, yRn, x(x1,,xn)T, y(y1,,yn)T,
n
(x, y) xi yi i1
(1.12)
向量2-范数为
1
n
1
x (x,x)2 ( 2
xi2)2
i1
2020/6/16
课件
28
若给定实数 i 0(i1 ,2,,n),称{ i }为权系数,
(1.2)
它由 n 1个系数 (a0,a1,,an)唯一确定.
1, x, , xn是线性无关的,它是 H n 的一组基,故
H nsp{ 1 a ,x,n ,xn},
且 (a0,a1,,an)是 p(x) 的坐标向量,H n 是 n 1维的.
2020/6/16
课件
8
对连续函数 f(x)C[a,b],它不能用有限个线性无关的 函数表示,故 C[a,b] 是无限维的,但它的任一元素 f ( x) 均可用有限维的 p(x)Hn逼近,使误差
2020/6/16
课件
12
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 R空n 间中向量长度概念的直接推广.
2020/6/16
课件
13
定义2 设S为线性空间,xS,若存在唯一实数‖·‖,
满足条件:
(1) x 0, 当且仅当 x0时, x 0; (正定性)
(2 ( u ) , v ) ( u , v ), K , u , v X ;
(3 ( u v ) , w ) ( u , w ) ( v , w ) , u , v , w X ; (4) ( u ,u ) 0 , 当且 u 0 时 仅 ( u ,u ) , 当 0 .
则称 (u,为v)X上 与u的内v积.