在数据拟合时,通常要根据已知节点来构造离散范数,并在新的范数的1意义下拟合。
离散内积:
函数f,g的关于离散点列 {
xi}ni=0 的离散内积为:
(f,g)h=∑i=0nf(xi)g(xi)
由此可以定义离散范数:
函数f的离散范数为:
||f||h=(f,f)h‾‾‾‾‾‾√
这种内积定义的范数和向量的2范数一致。
曲线拟合
1.给出一组离散点,确定一个函数逼近原函数。
2.离散点的函数值时观察得到的,肯定有误差。
3.新的逼近手段:
—不要求经过所有的点
—尽可能表现数据的趋势,且靠近这些点
4.这种方法就是曲线拟合:需要在给定函数空间 Φ 上找到函数 ϕ , 使得 ϕ 到原函数f的距离最短。 ϕ 就叫做f在 Φ 上的拟合曲线。
最小二乘问题
如上类似,给定函数空间 Φ 和 { xi}mi=0 为互不相同的点,找到 ϕ