整理一下数值分析的笔记~
目录:1. 误差
2. 多项式插值与样条插值
3. 函数逼近(THIS)
4. 数值积分与数值微分
5. 线性方程组的直接解法
6. 线性方程组的迭代解法
7. 非线性方程求根
8. 特征值和特征向量的计算
9. 常微分方程初值问题的数值解
1. 基本概念
令 δ i = y ( x i ) − y i \delta_i=y(x_i)-y_i δi=y(xi)−yi在回归分析中称为残差,一般使用 ∣ ∣ δ ∣ ∣ 2 2 = ∑ i = 0 m δ i 2 = ∑ i = 0 m ( y ( x i ) − y i ) 2 ||\delta||_2^2=\sum_{i=0}^m\delta_i^2=\sum_{i=0}^m(y(x_i)-y_i)^2 ∣∣δ∣∣22=∑i=0mδi2=∑i=0m(y(xi)−yi)2作为衡量标准称为平方误差,回归分析中称为残差平方和。
在函数类 φ \varphi φ中选取一个函数 S ∗ ( x ) S^*(x) S∗(x),计算如下:
S ∗ ( x ) = ∑ j = 0 n a j φ j ( x ) = a 0 ∗ φ 0 ( x ) + . . . + a n ∗ φ n ( x ) ∣ ∣ δ ∗ ∣ ∣ 2 2 = ∑ i = 0 m ( S ∗ ( x i ) − y i ) 2 = m i n S ( x ) ∈ φ ( S ( x i ) − y i ) 2 , 其 中 S ( x ) = ∑ j = 0 m a j φ j ( x ) 为 φ 中 的 任 意 函 数 。 S^*(x)=\sum_{j=0}^na_j\varphi_j(x)=a_0^*\varphi_0(x)+...+a_n^*\varphi_n(x)\\ ||\delta^*||_2^2=\sum_{i=0}^m(S^*(x_i)-y_i)^2=min_{S(x)\in \varphi}(S(x_i)-y_i)^2,\\ 其中S(x)=\sum_{j=0}^ma_j\varphi_j(x)为\varphi中的任意函数。 S∗(x)=j=0∑najφj(x)=a0∗φ0(x)+...+an∗φn(x)∣∣δ∗∣∣22=i=0∑m(S∗(xi)−yi)2=minS(x)∈φ(S(xi)−yi)2,其中S(x)=j=0∑majφj(x)为φ中的任意函数。
称 S ∗ ( x ) = ∑ j = 0 n a j ∗ φ j ( x ) S^*(x)=\sum^n_{j=0}a_j^*\varphi_j(x) S∗(x)=∑j=0naj∗φj(x)为最小二乘解;
称 S ( x ) = ∑ j = 0 n a j φ j ( x ) S(x)=\sum_{j=0}^na_j\varphi_j(x) S(x)=∑j=0najφj(x)为拟合函数;
称 a j ( j = 0 , 1 , . . . , n ) a_j(j=0,1,...,n) aj(j=0,1,...,n)为拟合系数;
称 ∣ ∣ δ ∗ ∣ ∣ 2 2 ||\delta^*||_2^2 ∣∣δ∗∣∣22为最小二乘解的平方误差。
确定拟合函数后如何确定拟合系数?
2. 法方程组
如何求任意方程组 A m × n x = b A_{m \times n}x=b Am×nx=b的最小二乘解?
记 x ˉ \bar x xˉ是最小二乘解则满足 ( b − A x ˉ ) ⊥ (b-A \bar x) \bot (b−Axˉ)⊥{ A x , x ∈ R n Ax,x\in R^n Ax,x∈Rn},则 ( A x ) T ( b − A x ˉ ) = 0 , x ∈ R n (Ax)^T(b-A\bar x)=0,x \in R^n (Ax)T(b−Axˉ)=0,x∈Rn,推出 x T ( A T b − A T A x ˉ ) = 0 , x ∈ R n x^T(A^Tb-A^TA\bar x)=0,x \in R^n xT(ATb−ATAxˉ)=0,x∈Rn,可得 A T A x ˉ = A T b A^TA \bar x=A^Tb ATAxˉ=ATb,称为法方程,也称正规方程,它的解就是最小二乘解。
例:
求 解 不 相 容 方 程 组 ( 1 1 1 − 1 1 1 ) ( x 1 x 2 ) = ( 2 1 3 ) 求解不相容方程组 \left(\begin{matrix} 1 & 1\\ 1&-1\\ 1 &1 \end{matrix}\right)\left(\begin{matrix} x_1\\ x_2 \end{matrix}\right)=\left(\begin{matrix} 2\\ 1\\ 3 \end{matrix}\right) 求解不相容方程组⎝⎛1111−11⎠⎞(x1x2)=⎝⎛213⎠⎞
解:由
A
T
A
x
ˉ
=
A
T
b
A^T A \bar x=A^Tb
ATAxˉ=ATb得法方程:
(
1
1
1
1
−
1
1
)
(
1
1
1
−
1
1
1
)
(
x
1
x
2
)
(
1
1
1
1
−
1
1
)
(
2
1
3
)
\left(\begin{matrix} 1 & 1&1\\ 1&-1&1 \end{matrix}\right) \left(\begin{matrix} 1 & 1\\ 1&-1\\ 1 &1 \end{matrix}\right) \left(\begin{matrix} x_1\\ x_2 \end{matrix}\right) \left(\begin{matrix} 1 & 1&1\\ 1&-1&1 \end{matrix}\right) \left(\begin{matrix} 2\\ 1\\ 3 \end{matrix}\right)
(111−111)⎝⎛1111−11⎠⎞(x1x2)(111−111)⎝⎛213⎠⎞
解得
( x 1 x 2 ) = ( 7 / 4 3 / 4 ) r = b − A x ˉ = ( 2 1 3 ) − ( 1 1 1 − 1 1 1 ) ( 7 / 4 3 / 4 ) = ( − 0.5 0 0.5 ) ∣ ∣ r ∣ ∣ 2 = 0. 5 2 + 0 2 + 0. 5 2 = 0.707 \left(\begin{matrix} x_1 \\ x_2 \end{matrix}\right)=\left(\begin{matrix} 7/4 \\ 3/4 \end{matrix}\right)\\ r=b-A\bar x=\left(\begin{matrix} 2\\ 1\\ 3 \end{matrix}\right)-\left(\begin{matrix} 1 & 1\\ 1&-1\\ 1 &1 \end{matrix}\right)\left(\begin{matrix} 7/4\\ 3/4 \end{matrix}\right)=\left(\begin{matrix} -0.5\\ 0\\ 0.5 \end{matrix}\right)\\ ||r||_2=\sqrt{0.5^2+0^2+0.5^2}=0.707 (x1x2)=(7/43/4)r=b−Axˉ=⎝⎛213⎠⎞−⎝⎛1111−11⎠⎞(7/43/4)=⎝⎛−0.500.5⎠⎞∣∣r∣∣2=0.52+02+0.52=0.707
例:找出可以最优拟合点集(1,2),(-1,1),(1,3)的直线。
解:将点(1,2),(-1,1),(1,3)代入直线 y = c 1 + c 2 x y=c_1+c_2x y=c1+c2x中有:
{ c 1 + c 2 = 2 c 1 − c 2 = 1 c 1 + c 2 = 3 , ( 1 1 1 − 1 1 1 ) ( c 1 c 2 ) = ( 2 1 3 ) , 由 公 式 A T A x ˉ = A T b 得 法 方 程 , 求 解 得 不 相 容 方 程 , 得 直 线 y = 7 4 + 3 4 \begin{cases} c_1+c_2=2\\ c_1-c_2=1\\ c_1+c_2=3 \end{cases},\left(\begin{matrix} 1&1\\1&-1\\1&1\end{matrix}\right)\left(\begin{matrix} c_1\\c_2\end{matrix}\right)=\left(\begin{matrix} 2\\1\\3\end{matrix}\right),\\ 由公式A^TA\bar x=A^Tb得法方程,求解得不相容方程,\\得直线y=\frac{7}{4}+\frac{3}{4} ⎩⎪⎨⎪⎧c1+c2=2c1−c2=1c1+c2=3,⎝⎛1111−11⎠⎞(c1c2)=⎝⎛213⎠⎞,由公式ATAxˉ=ATb得法方程,求解得不相容方程,得直线y=47+43
{持续更新}
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]