作者主页(文火冰糖的硅基工坊):https://blog.csdn.net/HiWangWenBing
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/119941466
目录
第1章 案例与建模
1.1 案例说明
1.2 建模与预测
![](https://i-blog.csdnimg.cn/blog_migrate/ae296a19e706a5848cd484d1f3490978.png)
第2章 插值
2.1 什么是插值
这里的插值条件是:插值函数要经过所有现有的样本点!!!
这个插值条件的优点:在样本点的误差为0。
这个插值条件的缺点:这个条件还是比较苛刻的,导致选用高次函数,且样本点的个数越多,函数的最高次的次数越高。
2.2 插值的关键是如何构建插值函数!!!
第3章 多项式插值
3.1 什么是多项式插值
3.2 多项式函数的唯一性
3.3 求多项式插值函数的本质是求线性方程组
N+1个未知数:an,an-1, ...........a0
N+1个方程,组成两个方程组
未知数的次数都是1
因此上述方式组称为N个未知数的线性方程组。
3.4 求线性方程组的解的方法
(1)解析法
- 直接法
- 高斯消元法
- 平方根法
- 追赶法
(2)数值法
- 雅可比迭代
- 松弛法迭代
详细的解法步骤,请参考相关文章。
3.5 多项式插值的优缺点
(1)优点
- 直观、容易理解
(2)缺点
- 当采样点非常多时,需要求解的方程的未知数个数就就非常多,计算量非常庞大,造成计算上的困难和效率上的浪费。
第4章 多项式函数图形案例
#导入库
from math import *
import time
import numpy as np
import matplotlib.pyplot as plt
# 函数图形
x_data = np.arange(-10, 10, 1)
# 1次多项式
def f1(x):
return(x+1)
y1_data = f1(x_data)
plt.scatter(x_data, y1_data)
# 2次多项式
def f2(x):
return(x**2 + x + 1)
y2_data = f2(x_data)
plt.scatter(x_data, y2_data)
# 3次多项式
def f3(x):
return(x**3 + x**2 + x + 1)
y3_data = f3(x_data)
plt.scatter(x_data, y3_data)
# 4次多项式
def f4(x):
return(x**4 + x**3 + x**2 + x + 1)
y4_data = f4(x_data)
plt.scatter(x_data, y3_data)
# 10次多项式
def f10(x):
return(x**10 + x**9 + x**8 + x**7 + x**6 + x**5 + x**4 + x**3 + x**2 + x + 1)
y10_data = f10(x_data)
plt.scatter(x_data, y10_data)
# 11次多项式
def f11(x):
return(x**11 + x**10 + x**9 + x**8 + x**7 + x**6 + x**5 + x**4 + x**3 + x**2 + x + 1)
y11_data = f11(x_data)
plt.scatter(x_data, y11_data)
作者主页(文火冰糖的硅基工坊):https://blog.csdn.net/HiWangWenBing
本文网址:https://blog.csdn.net/HiWangWenBing/article/details/119941466