数值逼近方法:用离散数据的函数表构造某个(简单的)函数 g ( x ) g(x) g(x)去逼近或代替原函数 f ( x ) f(x) f(x)。
常见数值逼近方法:插值方法和曲线拟合方法等。
1. 插值方法
如果观测数据的误差较小,则可将其作为准确值来处理,即观测数据
(
x
,
y
)
(x,y)
(x,y)和函数
f
(
x
)
f(x)
f(x)之间存在如下关系:
f
(
x
i
)
=
y
i
,
(
i
=
0
,
1
,
2
,
⋯
,
n
)
f(x_i)=y_i, \quad(i=0,1,2,\cdots,n)
f(xi)=yi,(i=0,1,2,⋯,n)
因此,要构造的函数
g
(
x
)
g(x)
g(x)也应该严格满足下列关系:
g
(
x
i
)
=
y
i
,
(
i
=
0
,
1
,
2
⋯
,
n
)
g(x_i)=y_i, \quad(i=0,1,2\cdots,n)
g(xi)=yi,(i=0,1,2⋯,n)
则函数
g
(
x
)
g(x)
g(x)通过所有的采样点。这就给出了函数
g
(
x
)
g(x)
g(x)的一种构造约束条件。
定义1:已知函数
y
=
f
(
x
)
y=f(x)
y=f(x)定义在区间
[
a
,
b
]
[a,b]
[a,b]上,在已知点
a
≤
x
0
<
x
1
<
x
2
<
⋯
<
x
n
≤
b
a\leq x_0 <x_1<x_2<\cdots<x_n\leq b
a≤x0<x1<x2<⋯<xn≤b处的值为
y
0
,
y
1
,
y
2
,
⋯
,
y
n
y_0,y_1,y_2,\cdots,y_n
y0,y1,y2,⋯,yn。如果存在一个函数
p
(
x
)
p(x)
p(x)满足插值条件,即
p
(
x
i
)
=
y
i
(
i
=
0
,
1
,
2
,
⋯
,
n
)
p(x_i)=y_i \quad(i=0,1,2,\cdots,n)
p(xi)=yi(i=0,1,2,⋯,n)
则称
p
(
x
)
p(x)
p(x)为
f
(
x
)
f(x)
f(x)的插值函数,
x
0
,
x
1
,
x
2
,
⋯
,
x
n
x_0,x_1,x_2,\cdots,x_n
x0,x1,x2,⋯,xn为插值节点,区间
[
a
,
b
]
[a,b]
[a,b]称为插值区间,任意给定的点x称为插值点,构造插值函数
p
(
x
)
p(x)
p(x)的方法称为插值方法。特别地,若插值函数
p
(
x
)
p(x)
p(x)是一个次数不超过n的代数多项式
p
n
(
x
)
=
a
n
x
n
+
a
n
−
1
x
n
−
1
+
⋯
+
a
1
x
+
a
0
(
a
为
实
数
)
p_n(x)=a_nx^n+a_{n-1}x^{n-1}+\cdots+a_1x+a_0 \quad (a为实数)
pn(x)=anxn+an−1xn−1+⋯+a1x+a0(a为实数)
则称
p
n
(
x
)
p_n(x)
pn(x)为插值多项式。这种插值方法称为多项式插值方法。
一般地,插值方法适用于观测数据的准确度和可靠性较高的场合。
2. 曲线拟合方法
如果观测数据的误差较大,不可能也没有必要将它作为准确值来处理,则只要求所构造函数
g
(
x
)
g(x)
g(x)尽可能靠近这些采样点而不要求通过这些采样点。即要求所构造的函数
g
(
x
)
g(x)
g(x)和采样点
(
x
i
,
y
i
)
(
i
=
1
,
2
,
⋯
,
n
)
(x_i,y_i)(i=1,2,\cdots,n)
(xi,yi)(i=1,2,⋯,n)之间满足某种误差准则,如
Q
=
∑
i
=
1
n
e
i
2
=
∑
i
=
1
n
[
(
y
i
−
g
(
x
i
)
]
2
Q=\sum_{i=1}^n e_i^2=\sum_{i=1}^n[(y_i-g(x_i)]^2
Q=i=1∑nei2=i=1∑n[(yi−g(xi)]2
等,使总的偏差
Q
Q
Q为最小即可。按照上述要求构造函数
g
(
x
)
g(x)
g(x)的方法,就是曲线拟合方法,其中函数
g
(
x
)
g(x)
g(x)称为拟合函数。
可见,曲线拟合方法适用于观测数据本来就含有不可避免误差的场合,不要求构造的函数 g ( r ) g(r) g(r)严格地通过采样点 ( x i , y i ) (x_i,y_i) (xi,yi),而只要求尽可能地靠近他们。为了提高拟合精度,要求提供尽可能多的采样点或观测值。