数值计算方法【学习笔记】——函数基本逼近之插值逼近

已于 2022-11-20 22:23:16 修改
阅读量1.3k 收藏 5
点赞数 1
分类专栏： 课程学习 文章标签： 学习 算法
于 2022-11-20 17:00:30 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/max_and_caroline/article/details/127894708
版权

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】在这里插入图片描述
  • 唯一性：
  • 在这里插入图片描述
    在这里插入图片描述
    【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：
在这里插入图片描述
【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】
在这里插入图片描述

  • 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
  • 在这里插入图片描述
    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：
  • 在这里插入图片描述
  • 在这里插入图片描述
  • 重节点差商
  • 在这里插入图片描述
  • 差商性质：
  • 在这里插入图片描述在这里插入图片描述
    在这里插入图片描述
    引入差商之后，我们可以推导出牛顿插值公式的表达形式
    在这里插入图片描述
    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]
    在这里插入图片描述
    【黑箭头处由差商性质4可知】

▲等距节点公式
在这里插入图片描述
▲差分的重要性质
在这里插入图片描述
将牛顿公式中的差商改成差分之后
在这里插入图片描述
4、Hermite插值
在这里插入图片描述
两点Hermite插值多项式：
在这里插入图片描述
在这里插入图片描述
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】在这里插入图片描述
②两点Hermite插值问题的Newton型插值公式
在这里插入图片描述
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
在这里插入图片描述
step1：引入区间[a,b]的一个划分（或网格剖分）
在这里插入图片描述
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
在这里插入图片描述
误差
在这里插入图片描述
缺点：失去了原函数的光滑性
②分段Hermite插值
在这里插入图片描述
6、小结
在这里插入图片描述
【学习笔记，如若有误还望大家指教】

疯子范儿
关注
  • 1
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Newton形式的Hermite插值多项式
ristianoRonaldo的博客
10-06 2339
Abstract 在第三章我们已经学过了函数的插值问题，其中对于Hermite插值多项 式，在我们所使用课本中的只介绍了Lagrange形式地Hermite插值多项式， 对于另一种Hermite插值多项式即带不完全导数的于Hermite插值多项式， 书上只介绍了一个例题。但是Lagrange形式的hermite插值就不可避免的 继承了来自Hermite差值的缺点，即当需要增加节点时，lagrange插值基函 数要随之发生变化，这在计算实践中是不方便的，而Newton插值的出现没 有Hermite插值这一缺陷
数值逼近Bernstein基函数与多项式逼近MATLAB实现
weixin_42291223的博客
04-27 3060
Bernstein基函数的绘制 在一张图上绘制Bernstein基函数，这里以三次为例 x=0:0.01:1; hold on B=nchoosek(3,0).*x.^0.*(1-x).^(3-0); plot(x,B,'r'); B=nchoosek(3,1).*x.^1.*(1-x).^(3-1); plot(x,B,'g'); B=nchoosek(3,2).*x.^2.*(1-x).^(3...
函数逼近——(Lagrange)拉格朗日插值法 | 北太天元 or Matlab
最新发布
以算法实现为主
04-16 1091
函数逼近，Lagrange （拉格朗日）插值法，初级版本实现 包括 算法 及 代码，以实现为主 使用软件为 北太天元
计算机
weixin_45746803的博客
10-13 264
## 标题我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会我不会...
数值分析（四） Hermite（埃尔米特）插值法及matlab代码
cugautozp的博客
04-18 1万+
本篇为插值法专栏第四篇内容讲述，此章主要讲述Hermite（埃尔米特）插值法及matlab代码，其中也给出详细的例子让大家更好的理解Hermite插值法提示之前已经介绍牛顿插值法和三次样条插值，如果没看过前两篇的可以点击以下链接读阅数值分析（一）牛顿插值法数值分析（二）三次样条插值法数值分析（二续） 三次样条插值二类边界完整matlab代码插值法专栏更新完，之后会再转换到另一个专栏的撰写。下方有专栏链接，可以订阅一下防止找不到。
数值分析12 - Hermite埃尔米特插值法（要求高阶插值误差足够小）
du98看灯夜的博客
01-09 3296
定义 例题 存在唯一性 用开关法构建三次Hermiter插值函数 Hermiter插值函数的误差余项
函数基本逼近(二)——最佳逼近.pdf
07-03
信息与计算科学专业——一篇适用于数值计算方法期末考试的复习笔记
数值计算方法复习笔记与练习题.pdf
11-17
该文件为研究生课程学习笔记，数值计算方法（第二版）比较通用，适合迎接期末考试复习用，里面有各章节的知识点梳理，练习题，考试重点等。
Python学习笔记——大数据之SPARK核心
02-24
本文来自于csdn，文章讲解RDD的特点，RDD操作函数相关，穿插案例辣酱得段子，带大家理解MapReduce，通过哈姆雷特单词分析案例进行深度剖析。RDD（ResilientDistributedDatasets弹性分布式数据集），是spark中最重要...
【高等数值分析】函数逼近
Glooow的博客
01-26 907
文章目录1. 预备理论2. 多项式逼近2.1 总体框架2.2 正交多项式2.2.1 Lengdre多项式2.2.2 Chebyshev多项式2.2.3 Lagurre多项式2.2.4 Hermite多项式3. Pade逼近4. 最小二乘 1. 预备理论 函数插值当中我们只有几个离散的的插值节点及其函数值，在函数逼近里我们考虑的是有一个 f(x),x∈[a,b]f(x),x\in[a,b]f(x),x∈[a,b] 已知，但是希望用一组简单的基函数 {ϕ0,...,ϕn}\{\phi_0,...,\phi_n\
数值算法笔记中文版.pdf
06-02
数值算法笔记中文版，考试专用哦，大学生们加油了
函数逼近
m0_57262215的博客
04-26 249
函数逼近 数据插值 数据插值：从有限个点状况合理估算出附近其他点的取值 从而节约大量的实验和资源 节省物力 财力 人力 数据插值的计算机机制：从数字来说数值插值是一个函数逼近的方法 interp1（）：一维数据插值函数 调用格式 y1=interp（x,y,x1,method） 此处x1为要插入的值 method： 1.linear：线性插值默认方法 2.nearest：最近点插值 3.pchip：分段三次 埃尔米特插入 4.spline：三次样条插值 interp2（）：二维数据插值函数 调用格式：z1=
数值计算方法（刘春凤主编）---南阳理工学院19届大三第一学期笔记----第一章
m0_46529566的博客
09-08 946
第一章： 计算数学：主要研究理论与计算结合，着重研究数学问题的数值方法及其理论 科学计算的几个特点： 无损伤 全过程，全时空诊断 可重复 三个能力： 数值计算 公式推导 定理证明 重点： 一、绝对误差： x是真值，x是近似值 e=x-x就是绝对误差–简称误差 向下延伸： 当e>0的时候，我们称其为弱近似值 反之，我们称其为强近似值 绝对误差限： |e|=|x*-x| 小于等于E，那么E就是其绝对误差限 函数值的相对误差： 二、相对误差： 总结： 相对误差比绝对误差更能反映准确数与近似数的差
差值与逼近（实验二）
韶言大雅
12-23 340
p.s 文末附试验测试工程下载链接 拉格朗日插值法（封装函数） 函数接口 double LagrangeInterPol(double arrX[],double arrY[], int n, double x) 其中arrX和arrY表示待插值数据点，n表示数据点个数，x表示待求点，return返回所求点的值。 实现代码 #include "LagrangeInterPol.h" #include "vetMtxBase.h" double LagrangeInterPol(double arrX[],
三次样条插值的缺点_三次样条插值
weixin_39728213的博客
12-19 7615
三次样条插值分段线性插值的优点：计算简单、稳定性好、收敛性有保证且易在计算机上实现缺点：它只能保证各小段曲线在连接点的连续性，却无法保证整条曲线的光滑性，这就不能满足某些工程技术的要求。三次Hermit插值优点：有较好的光滑性，缺点：要求节点的一阶导数已知。从２０世纪６０年代开始，首先由于航空、造船等工程设计的需要而发展起来所谓样条(Spline)插值方法，既保留了分段低次插值多项式的各种优点，又...
MATLAB回归、插值、逼近、拟合总结
热门推荐
青萍之末的博客
06-29 3万+
一、回归、插值、逼近、拟合的区别 1、回归一般指线性回归，是求最小二乘解的过程。在求回归前，已经假设所有型值点同时满足某一曲线方程，计算只要求出该方程的系数 2、多项式插值：用一个多项式来近似代替数据列表函数，并要求多项式通过列表函数中给定的数据点。（插值曲线要经过型值点。） 3、多项式逼近：为复杂函数寻找近似替代多项式函数，其误差在某种度量意义下最小。（逼近只要求曲线接近型值点，符合型值点
强化学习&连续空间5.3 | 函数逼近
ASKCOS博客
03-10 267
离散化的好处是基本不用改变就能使用现有的强化学习算法，但当底层空间很复杂时，所需的离散状态数量可能会很大，因此就失去了离散化优势。函数逼近的一般方法是引入一个标识函数形状的参数向量W，通过调整W来逼近结果 将状态的每个特征和相应的权重相乘然后求和，称之为线性函数逼近 可以通过梯度下降的方式来更新w 为了解决不基于模型的控制问题，即在未知的环境中采取动作，我们需要逼近动作值函数 如果底层的值函数是非线性性质，可以使用核函数将输入状态转化为不同的空间 对于任何给定状态我们可以将状态表示简化为这些径向
强化学习：函数逼近思想
滴墨成殇的博客
11-13 6052
在开始这一篇内容之前，让我们先回顾一下前8篇所提及的内容。概括地说，前八篇所讲到的各种强化学习方法（DP、MC、TD等），有一个共同套路：即采用数据表存储每一个状态（state）的价值量（value），然后用不同的方式更新这些状态的value，直至收敛；最后根据每个状态下不同动作（action）对应的value，决定应该选择哪个状态，也就是确定了策略（policy）。尽管不同的方法之间有些小的差异...
opencv学习笔记——cv::mean()函数详解
06-12
cv::mean()函数是OpenCV中用于计算图像均值的函数，它的函数原型如下： ``` Scalar cv::mean(InputArray src, InputArray mask = noArray()); ``` 其中，src参数是输入的图像，mask参数是用于掩码的可选参数。 函数返回值是一个Scalar类型的值，包含了计算得到的均值。 使用cv::mean()函数的步骤如下： 1. 加载图像 ``` Mat img = imread("image.jpg", cv::IMREAD_GRAYSCALE); ``` 2. 计算均值 ``` Scalar mean = cv::mean(img); ``` 在这个例子中，我们计算了灰度图像的均值，并将结果存储在名为mean的Scalar变量中。 如果想要使用掩码来计算均值，可以使用以下代码： ``` Mat mask = imread("mask.jpg", cv::IMREAD_GRAYSCALE); Scalar mean = cv::mean(img, mask); ``` 在这个例子中，我们使用名为mask的掩码来计算灰度图像的均值。 需要注意的是，如果输入图像是多通道的，则返回的Scalar类型变量包含每个通道的均值。例如，如果输入图像是RGB图像，则返回的Scalar类型变量包含红、绿、蓝三个通道的均值。 希望这个解释能够帮助你理解cv::mean()函数的使用方法。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值