插值有个英文名叫interpolation,在这个点上,我觉得我们汉字表达的更实在!关于插值的起源,留给历史学家去考虑吧。我只想举一个简单的小例子。
在你的脑海中想象今天上午成都的问题是10度,下午是20度,那中午是多少度呢?你脑子里很快说出可能是15度。15度隐含了线性变化的假设。如果我们用向上凸的抛物线近似,那就过有可能就变16度。 既然是插值,我们就有各种各样的方法。
今天,我要讲的就是插值。 什么插值呢?我们假设一个一维函数$f$被$N + 1$点均分成$N$等分,函数在这$N + 1$的值都已知。我们想要通过计算程序知道函数在其它任何位置的值。对于有N+1个值的函数,我们希望用一个N阶多项式来近似。
幸运的是,对这个问题,数学家已经证明存在唯一个多项式,使得多项式在插值点的值和函数值相等。并且插值函数的误差可以有个估值范围。
我们有了唯一的多项式,现在就是构造多项式的问题。选单项式作为基函数简单,但是这个线性系统是满阵,解起来很不方便。有没有更好的办法呢?我们接下来就要看大名鼎鼎的牛顿插值法。
牛顿插值法中的$P(x)$多项式是一个$N$阶的多项式,其多项式被人为的构造成形式如下:
\begin{eqnarray}\label{1}
P(x) &=& \gamma_0 + \gamma_1 (x - x_0) + \gamma_2 (x - x_0)(x - x_1) +...+ \gamma_n (x - x_0)(x - x_1)...(x - x_{n-1}).
\end{eqnarray}
我们可以观察一下,当 $x = x
在你的脑海中想象今天上午成都的问题是10度,下午是20度,那中午是多少度呢?你脑子里很快说出可能是15度。15度隐含了线性变化的假设。如果我们用向上凸的抛物线近似,那就过有可能就变16度。 既然是插值,我们就有各种各样的方法。
今天,我要讲的就是插值。 什么插值呢?我们假设一个一维函数$f$被$N + 1$点均分成$N$等分,函数在这$N + 1$的值都已知。我们想要通过计算程序知道函数在其它任何位置的值。对于有N+1个值的函数,我们希望用一个N阶多项式来近似。
幸运的是,对这个问题,数学家已经证明存在唯一个多项式,使得多项式在插值点的值和函数值相等。并且插值函数的误差可以有个估值范围。
我们有了唯一的多项式,现在就是构造多项式的问题。选单项式作为基函数简单,但是这个线性系统是满阵,解起来很不方便。有没有更好的办法呢?我们接下来就要看大名鼎鼎的牛顿插值法。
牛顿插值法中的$P(x)$多项式是一个$N$阶的多项式,其多项式被人为的构造成形式如下:
\begin{eqnarray}\label{1}
P(x) &=& \gamma_0 + \gamma_1 (x - x_0) + \gamma_2 (x - x_0)(x - x_1) +...+ \gamma_n (x - x_0)(x - x_1)...(x - x_{n-1}).
\end{eqnarray}
我们可以观察一下,当 $x = x