1、函数逼近
函数逼近其本质思想就是使用简单的函数近似地替代一个复杂的函数地方法、理论及其实现。
其中“近似地替代”就是我们所说的逼近。
- 从逼近论的观点:局部逼近和整体逼近
- 局部逼近:最常用的逼近方法——Taylor逼近方法
- 整体逼近(主要讨论):考虑近似函数队被逼近函数的逼近;函数曲线对样本数据的拟合
2、Lagrange插值
- n+1个样本点对应n次拉格朗日插值公式
- 插值问题的解是存在且唯一的,证明如下:
- 存在性:
- step1:
- step2:【此处的(2.4)即为step1中的li(xk)式】
- 唯一性:
【看了一堆晕了是不是,我说一下我的理解,假如给定了a1、a2、a3、a4、a5这几个点的坐标,先利用li(a1_x)找到一条只穿过a1的线,再利用li(a2_x)找到一条只穿过a2的线,回带到Ln(x)中,通过累加两个式子得到的Ln可以穿过a1和a2,不断重复上述步骤,即可得到一条穿过全部点的曲线(注意,此处的ai对应的y都是知道,并同相应的li代入Ln中)】
插值余项
既然是插值多项式是我们构造出来逼近原函数的,那么构造的插值多项式与原函数之间的误差到底有多大必定是我们会要思考的一个问题
在分析之前,我们先回顾一下罗尔定理:
【个人认为(如若有误还望大家指教):若存在n+1个点函数值为0,那么可以得到该函数的n阶导数为0】
- 当Rn(x)连乘中的x远离节点时,效果可能不理想
- 把离散节点中的最小值和最大值界定一个范围(称为插值区间),x在范围内称之为内插,否则称之为外推,由上可知,外推是不可靠的
- 高阶导数要求函数充分光滑,当是当函数不是那么光滑的时候,插值的效果也可能不理想
拉格朗日插值公式的缺点是没有承袭性,什么意思呢?就是当增加新节点时,所有拉尔朗日因子都必须重新计算。所以引出了** Newton插值公式**
3、Newton插值公式
解决问题的同时也带来了新的问题:a0、a1、…、an这些系数又要如何确定呢?
为了解决上述问题,先引入概念如下:
- 差商:
- 重节点差商
- 差商性质:
引入差商之后,我们可以推导出牛顿插值公式的表达形式
f(x)=Nn(X)+Rn(x),其中红框部分为Nn(X)【即为牛顿公式】,绿框为Rn(x)。
由此,ai可以确定为f[x0,…,xi]
【黑箭头处由差商性质4可知】
▲等距节点公式
▲差分的重要性质
将牛顿公式中的差商改成差分之后
4、Hermite插值
两点Hermite插值多项式:
Hermite插值问题的推广:
①【当m0=…=mk=0时,Hermite插值问题编程了Lagrange插值问题】
②两点Hermite插值问题的Newton型插值公式
5、分段低次插值
▲Runge现象【龙格现象】:在一定范围内,用高次插值多项式作为原始函数f(x)的近似的话,逼近效果会不理想
step1:引入区间[a,b]的一个划分(或网格剖分)
step2:在各个区间上构建插值多项式
此处介绍两种分段插值
①分段线性插值
误差
缺点:失去了原函数的光滑性
②分段Hermite插值
6、小结
【学习笔记,如若有误还望大家指教】