工程数学 计算方法 第四章 插值与曲线拟合方法

插值与曲线拟合方法

工程上常遇到的问题：y=f(x)在某处复杂或者未知时，欲求其中某处的函数值：用附近的其他值来推断f(x)。
测x0,x1,…,xn处函数值$f(x_0),f(x_1),...,f(x_n)$，构造g(x)≈f(x)。同时g’(x)≈f’(x)，∫g(x)dx≈∫f(x)dx。
xi为插值节点，$(x_i,y_i)$为插值点，f(x)为被插值函数，g(x)为插值函数，最简单的形式为多项式。本章采用多项式插值。

对于g(x)：存在否？唯一否？如何表示？准确否？

存在与唯一：给定区间[a,b]上互异的n+1点 { ( x j , f ( x j ) } j = 0 n \left\{(x_j,f(x_j)\right\}_{j=0}^n {(xj​,f(xj​)}j=0n​，求$P_n(x)\in P_n$使得$P_n(x_j)=f(x_j),j=0,1,...,n.$
其中$P_n$表示次数不高于n的多项式：
$$P_n(x_j)=\sum _{i=0}^n{a}_i{x}_j^i=f(x_j)\Rightarrow n阶线性方程组\Rightarrow 解有且唯一$$

可插值条件：无重合节点，即当$i\ne j$时$x_i\ne x_j$。

Lagrange插值多项式

插值项要求$P_n(x_i)=f(x_i),i=0,1,...,n$
故选取基本项lj使之对于节点xj结果为1，对于其他节点xi结果都为0。然后进行系数为yi的线性组合即可。

使x为xi时多项式为0，即含有项$(x-x_i)$，即令$l_j=A{\prod }_{j=0,j\ne i}^n(x-x_i)$
又因为x为$x_j$时多项式不为0，故分母含有项$(x_j-x_i)$。也可由$l_j(x_i)=1$，得插值基函数为：
$$l_j(x)=\prod _{i=0,i\ne j}^n\frac{x-x_i}{x_j-x_i}$$
即满足
$$l_j(x_i)={\delta }_{ij}\triangleq \{\begin{array}{lr}1,& i=j,\\ 0,& i\ne j.\end{array}i,j=0,1,2,..,n.$$
插值多项式即为$P_n(x)={\sum }_{j=0}^n{y}_j{l}_j(x),n>0$

基：
Pn为lj(x)以yj作线性组合。lj(x)相互线性无关，作基函数，构成函数空间。
类似：

空间基向量 { i ⃗ , j ⃗ , k ⃗ , . . . } \{\vec i,\vec j,\vec k,... \} {i ,j ​,k ,...}
多项式基项 { 1 , x , x 2 , . . . } \{1,x,x^2,...\} {1,x,x2,...}
微分方程 { 1 , y , y ′ , y ′ ′ , . . . } \{1,y,y',y'',...\} {1,y,y′,y′′,...}

插值余项

$$\begin{gathered} R_n(x)=f(x)-P_n(x)=\frac{f^{(n+1)(\xi )}}{(n+1)!}{\omega }_{n+1}(x),x\in [a,b] \\ 其中：{\omega }_{n+1}(x)=\prod _{i=0}^n(x-x_i),\xi \in (a,b) \end{gathered}$$
当f(x)次数≤n时$f^{(n+1)}(x)=0\therefore R_n(x)=0$
所以对于n次函数，至少有n+1个点时即可精确确定f(x)

内插与外推：
内插：插值区间中部使用插值（求新点）
外推：插值区间两端或之外使用插值
一般内插优于外推。

分段线性插值

Lagrange插值高于七阶时会产生Runge现象，即边缘震荡导致误差过大。
优化：分段低次插值。
注意：分段函数不是初等函数。

折线法：简单但不光滑，只用于简单计算。
三次样条插值，每段都是三次函数插值，且段间相接处斜率相等/连续。
每次都要解四元线性方程组，计算量太大，不考。

Newton插值法

实际应用中为提高插值精度或有参数更改，一般需要增减节点。而对于lagrange插值法若变更一个节点，则所有基函数必须重算，无承袭性，不方便。

重新选择基函数。
Newton经过计算后选择的基函数为 { 1 , ω 1 ( x ) , ω 2 ( x ) , . . . , ω n ( x ) } \{1,\omega _1(x),\omega _2(x),...,\omega _n(x)\} {1,ω1​(x),ω2​(x),...,ωn​(x)}对应系数为$A_0=1,A_i=f[x_0,x_1,...,x_i],i=1,2,...,n$

差商

定义：
$$\begin{gathered} 0阶差商：f[x_i]=f(x_i) \\ 1阶差商：f[x_i,x_j]=\frac{f[x_i]-f[x_j]}{x_i-x_j} \\ n阶差商：f[x_0,x_1,...,x_n]=\frac{f[x_0,x_1,...,x_{n-1}]-f[x_1,x_2,...,x_n]}{x_0-x_n} \\ =\sum _{j=0}^n\frac{f(x_j)}{{\omega }_{n+1}^{\prime }(x_j)} \end{gathered}$$
差商定义中分母为分子中不重叠的数值。
最后n阶差商的数值可知差商值与节点排序无关，有对称性。
n+1点算出的n阶差商唯一，这个了解即可。

差商反推f(x)

列写0至n阶差商，其中将i+1阶差商中的xi替换为x。
$$\begin{gathered} f[x_0,x_1,...,x_i,x]=\frac{f[x_0,x_1,...,x_{i-2},x_{i-1}]-f[x_0,x_1,...,x_{i-1},x]}{x_i-x} \\ \therefore f[x_0,x_1,...,x_{i-1},x]=f[x_0,x_1,...,x_i]+f[x_0,x_1,...,x_i,x](x-x_i) \end{gathered}$$
高阶向低阶迭代，得：
$$f(x)=N_n(x)+R_n(x)=f(x_0)+\sum _{i=1}^{n}f[x_0,...,x_i]{\omega }_i(x)+f[x_0,x_1,...,x_n,x]{\omega }_{n+1}(x)$$
对于$i=0,1,2,...,n,有R_n(x_i)=0=f(x_1)-N_n(x_i)$，由多项式插值唯一性得$P_n(x)\equiv N_n(x_i)$。
说明二者等价，只是形式不同。

由余项相等得：
R n ( x ) = f ( n + 1 ) ( ξ ) ( n + 1 ) ! ω n + 1 ( x ) = f [ x 0 , x 1 , . . . , x n , x ] ω n + 1 ( x )   ∴ f [ x 0 , . . . , x n ] = f ( n ) ( ξ ) n ! , ξ ∈ { x i } R_n(x)=\frac{f^{(n+1)(\xi)}}{(n+1)!}\omega _{n+1}(x)=f[x_0,x_1,...,x_n,x]\omega_{n+1}(x)\\\,\\ \therefore f[x_0,...,x_n]=\frac{f^{(n)}(\xi)}{n!},\xi\in\{ x_i\} Rn​(x)=(n+1)!f(n+1)(ξ)​ωn+1​(x)=f[x0​,x1​,...,xn​,x]ωn+1​(x)∴f[x0​,...,xn​]=n!f(n)(ξ)​,ξ∈{xi​}

在$f^{(n)}(x)$为定值时可用此式求n阶差商。

计算

承袭性：
$$N_n(x)=N_{n-1}(x)+f[x_0,x_1,...,x_n]\prod _{i=0}^{n-1}(x-x_i),x\in [a,b]$$

$$\begin{gathered} N_n(x)=f(x_0)+\sum _{i=1}^{n}f[x_0,x_1,...,x_i]{\omega }_i(x) \\ =f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1) \\ +f[x_0,x_1,x_2,x_3](x-x_0)(x-x_1)(x-x_2)+... \\ +f[x_0,x_1,...,x_n](x-x_0)(x-x_1)...(x-x_n) \end{gathered}$$

每列第一个为系数。多算一行相当于对上一次的结果进行修正，使之更加精确。
若加一个点，则只需多计算一行。

应试

Lagrange插值
插值基函数的图像（幂次/零点）。
求出基函数和系数带入后不必合并，没时间也没必要，得分点在于带入的式子对不对和估计值对不对。
插值余项（我觉得这东西没什么考头，也就背个公式估计个误差范围。但这个公式里面有f，就要求估计误差得知道f的精确值，那还估计个什么呢。硬出出题的话套公式就没什么了。）
$$\begin{gathered} R_n(x)=f(x)-P_n(x)=\frac{f^{(n+1)(\xi )}}{(n+1)!}{\omega }_{n+1}(x),x\in [a,b] \\ 其中：{\omega }_{n+1}(x)=\prod _{i=0}^n(x-x_i),\xi \in (a,b) \end{gathered}$$

Newton插值
差商的定义。高阶差商写法很多结果相同。
Newton插值计算步骤，曲线拟合和数值估计（就是把自变量值带入拟合的曲线）。
n阶差商的简便计算（$f$为n次函数时）（可能考选择题）。