函数逼近:
(在 已知函数 f ( x ) f(x) f(x)的表达式的情况下,求出计算方便且快捷的公式近似逼近 f ( x ) f(x) f(x)(而最自然想到的 泰勒展开式对于给定精度需要大量项的计算,因此本章直接排除之))
概念 | 释义 | 性质 |
---|---|---|
权函数 | 设
ρ
(
x
)
\rho(x)
ρ(x)为区间(a,b)上的非负函数,若其满足
∫
a
b
∣
x
∣
n
ρ
(
x
)
d
x
\int_a^b\mid x\mid^n\rho(x)dx
∫ab∣x∣nρ(x)dx存在,且对于非负的连续函数
g
(
x
)
g(x)
g(x)有
∫
a
b
ρ
(
x
)
g
(
x
)
d
x
=
0
⇔
g
(
x
)
≡
0
\int_a^b\rho(x)g(x)dx = 0 \Leftrightarrow g(x)\equiv 0
∫abρ(x)g(x)dx=0⇔g(x)≡0 则称 ρ ( x ) \rho(x) ρ(x)为区间(a,b)上的权函数 | |
内积 | 设 f , g ∈ C [ a , b ] f,g\in C[a,b] f,g∈C[a,b](区间[a,b]上所有实连续函数组成的空间), ρ ( x ) \rho(x) ρ(x)为区间(a,b)上的权函数,则称 ( f , g ) = ∫ a b ρ ( x ) f ( x ) g ( x ) d x (f,g) = \int_a^b\rho(x)f(x)g(x)dx (f,g)=∫abρ(x)f(x)g(x)dx为 f f f与 g g g在 [ a , b ] [a,b] [a,b]上的内积 |
(
f
,
g
)
=
(
g
,
f
)
(f,g) = (g,f)
(f,g)=(g,f); ( c f , g ) = c ( f , g ) (cf,g) = c(f,g) (cf,g)=c(f,g); ( f 1 + f 2 , g ) = ( f 1 , g ) + ( f 2 + g ) (f_1+f_2,g) = (f_1,g)+(f_2+g) (f1+f2,g)=(f1,g)+(f2+g) |
正交 | 设 f , g ∈ C [ a , b ] f,g\in C[a,b] f,g∈C[a,b],若 ( f , g ) = 0 (f,g) = 0 (f,g)=0,则称 f f f与 g g g在 [ a , b ] [a,b] [a,b]上带权 ρ ( x ) \rho(x) ρ(x)正交 | 若函数族 φ 0 ( x ) , φ 1 ( x ) , . . . , φ n ( x ) , . . . \varphi_0(x),\varphi_1(x),...,\varphi_n(x),... φ0(x),φ1(x),...,φn(x),...满足 ( φ i ( x ) , φ j ( x ) ) = 0 ⇔ i ≠ j (\varphi_i(x),\varphi_j(x)) = 0 \Leftrightarrow i\neq j (φi(x),φj(x))=0⇔i=j; ( φ i ( x ) , φ j ( x ) ) = A i > 0 , ⇔ i = j (\varphi_i(x),\varphi_j(x)) = A_{i} >0,\Leftrightarrow i = j (φi(x),φj(x))=Ai>0,⇔i=j,则称 { φ n ( x ) } \{\varphi_n(x)\} {φn(x)}为 [ a , b ] [a,b] [a,b]上带权 ρ ( x ) \rho(x) ρ(x)的正交函数族,特殊地,当 A i ≡ 1 A_{i}\equiv 1 Ai≡1时,称为标准正交函数族;当 φ i ( x ) \varphi_i(x) φi(x)均为 i i i次多项式时,称其为 [ a , b ] [a,b] [a,b]上带权 ρ ( x ) \rho(x) ρ(x)的正交多项式 |
函数范数 | 设
f
∈
C
[
a
,
b
]
f\in C[a,b]
f∈C[a,b],若
∥
f
∥
\|f\|
∥f∥满足: (1) ∥ f ∥ ≥ 0 , 当 且 仅 当 f ≡ 0 时 取 等 \|f\|\ge0,当且仅当f\equiv 0时取等 ∥f∥≥0,当且仅当f≡0时取等; (2) ∥ a f ∥ = ∣ a ∣ ∥ f ∥ \|af\| = \mid a \mid \|f\| ∥af∥=∣a∣∥f∥; (3)三角不等式: ∥ f + g ∥ ≤ ∥ f ∥ + ∥ g ∥ \|f+g\|\le \|f\|+\|g\| ∥f+g∥≤∥f∥+∥g∥ 则称 ∥ f ∥ \|f\| ∥f∥为函数范数 | 常用的函数范数有: ∥ f ∥ ∞ = m a x ∣ f ∣ \|f\|_{\infty} = max\mid f\mid ∥f∥∞=max∣f∣; ∥ f ∥ 2 = ( f , f ) \|f\|_2 = \sqrt{(f,f)} ∥f∥2=(f,f) |
最佳一致逼近多项式 | 设 f ∈ C [ a , b ] f\in C[a,b] f∈C[a,b],记次数不超过n的多项式集合为 H n = s p a n { 1 , x , . . , x n } H_n = span\{1,x,..,x^n\} Hn=span{1,x,..,xn},则若存在 P n ( x ) ⊆ H n P_n(x) \subseteq H_n Pn(x)⊆Hn使得 ∥ f − P n ( x ) ∥ ∞ \|f-P_n(x)\|_{\infty} ∥f−Pn(x)∥∞最小,则称 P n ( x ) P_n(x) Pn(x)为 f ( x ) f(x) f(x)的最佳一致逼近多项式 | C h e b y s h e v Chebyshev Chebyshev定理:若 f ∈ C [ a , b ] f\in C[a,b] f∈C[a,b],则其最佳一致逼近多项式 P n ( x ) P_n(x) Pn(x)存在且唯一,且就是 f ( x ) f(x) f(x)的一个 L a g r a n g e Lagrange Lagrange插值多项式 |
最佳平方逼近多项式 | 设 f ∈ C [ a , b ] f\in C[a,b] f∈C[a,b],记 H n = s p a n { 1 , x , . . , x n } H_n = span\{1,x,..,x^n\} Hn=span{1,x,..,xn},则若存在 S n ( x ) ⊆ H n S_n(x) \subseteq H_n Sn(x)⊆Hn使得 ∥ f − S n ( x ) ∥ 2 \|f-S_n(x)\|_{2} ∥f−Sn(x)∥2最小,则称 S n ( x ) S_n(x) Sn(x)为 f ( x ) f(x) f(x)的最佳平方逼近多项式 | 见下文 |
最佳平方逼近函数 | 设 f ∈ C [ a , b ] f\in C[a,b] f∈C[a,b],令 Φ = s p a n { φ 0 , φ 1 , . . , φ n } \Phi = span\{\varphi_0,\varphi_1,..,\varphi_n\} Φ=span{φ0,φ1,..,φn},则若存在 S ( x ) ⊆ Φ S(x) \subseteq \Phi S(x)⊆Φ使得 ∥ f − S ( x ) ∥ 2 \|f-S(x)\|_{2} ∥f−S(x)∥2最小,则称 P n ( x ) P_n(x) Pn(x)为 f ( x ) f(x) f(x)的最佳平方逼近函数 | 见下文 |
(1) L e g e n d r e Legendre Legendre多项式:
在区间 [ − 1 , 1 ] [-1,1] [−1,1]带权 ρ ( x ) ≡ 1 \rho(x) \equiv 1 ρ(x)≡1,且由 { x n } \{x^n\} {xn}正交化得到的多项式称为 L e g e n d r e Legendre Legendre多项式,分别用 P 0 ( x ) , P 1 ( x ) , . . . , P n ( x ) P_0(x),P_1(x),...,P_n(x) P0(x),P1(x),...,Pn(x)表示(若规定最高项系数为1,则用 P ˉ 0 ( x ) , P ˉ 1 ( x ) , . . . , P ˉ n ( x ) \bar P_0(x),\bar P_1(x),...,\bar P_n(x) Pˉ0(x),Pˉ1(x),...,Pˉn(x)表示)
=> 通项公式如下:
P
0
(
x
)
=
1
P
n
(
x
)
=
1
2
n
n
!
d
n
d
x
n
[
(
x
2
−
1
)
n
]
,
n
>
0
P
ˉ
n
(
x
)
=
n
!
(
2
n
)
!
d
n
d
x
n
[
(
x
2
−
1
)
n
]
,
n
>
0
P_0(x) = 1 \\ P_n(x) = \cfrac{1}{2^nn!}\cfrac{d^n}{dx^n} [(x^2-1)^n],n>0\\ \bar P_n(x) = \cfrac{n!}{(2n)!}\cfrac{d^n}{dx^n} [(x^2-1)^n],n>0\\
P0(x)=1Pn(x)=2nn!1dxndn[(x2−1)n],n>0Pˉn(x)=(2n)!n!dxndn[(x2−1)n],n>0
=> 递推公式如下:
P
0
(
x
)
=
1
,
P
1
(
x
)
=
x
(
n
+
1
)
P
n
+
1
(
x
)
=
(
2
n
+
1
)
x
P
n
(
x
)
−
n
P
n
−
1
(
x
)
,
n
>
0
P_0(x) = 1,P_1(x) = x \\ (n+1)P_{n+1}(x) =(2n+1)xP_n(x) - n P_{n-1}(x), n>0
P0(x)=1,P1(x)=x(n+1)Pn+1(x)=(2n+1)xPn(x)−nPn−1(x),n>0
=> 前几项如下:
项序号 i i i | P i ( x ) P_i(x) Pi(x) |
---|---|
0 0 0 | 1 1 1 |
1 1 1 | x x x |
2 2 2 | 3 x 2 − 1 2 \cfrac{3x^2-1}{2} 23x2−1 |
3 3 3 | 5 x 3 − 3 x 2 \cfrac{5x^3-3x}{2} 25x3−3x |
4 4 4 | 35 x 4 − 30 x 2 + 3 8 \cfrac{35x^4-30x^2+3}{8} 835x4−30x2+3 |
5 5 5 | 63 x 5 − 70 x 3 + 15 x 8 \cfrac{63x^5-70x^3+15x}{8} 863x5−70x3+15x |
=> 重要性质如下:
① 正交性:
∫
−
1
1
P
n
(
x
)
P
m
(
x
)
d
x
=
{
0
m
≠
n
2
2
n
+
1
m
=
n
\int_{-1}^1P_n(x)P_m(x) dx= \begin{cases} 0 & m \ne n \\ \cfrac{2}{2n+1} & m = n\\ \end{cases}
∫−11Pn(x)Pm(x)dx=⎩⎨⎧02n+12m=nm=n
②
P
n
(
−
x
)
=
(
−
1
)
n
P
n
(
x
)
P_n(-x) = (-1)^nP_n(x)
Pn(−x)=(−1)nPn(x)
③
P
n
(
x
)
P_n(x)
Pn(x)在
(
−
1
,
1
)
(-1,1)
(−1,1)上有n个不同的实零点
④ 在所有最高项系数为1的n次多项式中,
L
e
g
e
n
d
r
e
Legendre
Legendre多项式
P
ˉ
n
(
x
)
\bar P_n(x)
Pˉn(x)在
[
−
1
,
1
]
[-1,1]
[−1,1]上与零的平方误差最小,即
∣
∣
P
ˉ
n
(
x
)
∣
∣
2
||\bar P_n(x)||_2
∣∣Pˉn(x)∣∣2最小 => 对于在
[
−
1
,
1
]
[-1,1]
[−1,1]上的多项式函数
f
(
x
)
f(x)
f(x),其最佳n次平方逼近多项式
S
n
(
x
)
S_n(x)
Sn(x)满足:
f
(
x
)
−
S
n
(
x
)
=
P
ˉ
n
(
x
)
f(x)-S_n(x) = \bar P_n(x)
f(x)−Sn(x)=Pˉn(x)
(2) C h e b y s h e v Chebyshev Chebyshev多项式:
在区间 [ − 1 , 1 ] [-1,1] [−1,1]带权 ρ ( x ) = 1 1 − x 2 \rho(x) = \cfrac{1}{\sqrt{1-x^2}} ρ(x)=1−x21,且由 { x n } \{x^n\} {xn}正交化得到的多项式称为 C h e b y s h e v Chebyshev Chebyshev多项式,分别用 T 0 ( x ) , T 1 ( x ) , . . . , T n ( x ) T_0(x),T_1(x),...,T_n(x) T0(x),T1(x),...,Tn(x)表示(若规定最高项系数为1,则用 T ˉ 0 ( x ) , T ˉ 1 ( x ) , . . . , T ˉ n ( x ) \bar T_0(x),\bar T_1(x),...,\bar T_n(x) Tˉ0(x),Tˉ1(x),...,Tˉn(x)表示)
=> 通项公式如下:
T
n
(
x
)
=
c
o
s
(
n
⋅
a
r
c
c
o
s
x
)
T
ˉ
n
(
x
)
=
1
2
n
−
1
c
o
s
(
n
⋅
a
r
c
c
o
s
x
)
,
n
>
0
T_n(x) =cos(n\cdot arccosx)\\ \bar T_n(x) =\frac{1}{2^{n-1}}cos(n\cdot arccosx),n>0
Tn(x)=cos(n⋅arccosx)Tˉn(x)=2n−11cos(n⋅arccosx),n>0
=> 递推公式如下:
T
0
(
x
)
=
1
,
T
1
(
x
)
=
x
T
n
+
1
(
x
)
=
2
x
T
n
(
x
)
−
T
n
−
1
(
x
)
,
n
>
0
T_0(x) = 1,T_1(x) = x \\ T_{n+1}(x) =2xT_n(x) - T_{n-1}(x), n>0
T0(x)=1,T1(x)=xTn+1(x)=2xTn(x)−Tn−1(x),n>0
=> 前几项如下:
项序号 i i i | T i ( x ) T_i(x) Ti(x) |
---|---|
0 0 0 | 1 1 1 |
1 1 1 | x x x |
2 2 2 | 2 x 2 − 1 2x^2-1 2x2−1 |
3 3 3 | 4 x 3 − 3 x 4x^3-3x 4x3−3x |
4 4 4 | 8 x 4 − 8 x 2 + 1 8x^4-8x^2+1 8x4−8x2+1 |
5 5 5 | 16 x 5 − 20 x 3 + 5 x 16x^5-20x^3+5x 16x5−20x3+5x |
=> 重要性质如下:
① 正交性:
∫
−
1
1
1
1
−
x
2
T
n
(
x
)
T
m
(
x
)
d
x
=
{
0
m
≠
n
π
2
m
=
n
≠
0
π
m
=
n
=
0
\int_{-1}^1\cfrac{1}{\sqrt{1-x^2}}T_n(x)T_m(x) dx= \begin{cases} 0 & m \ne n \\ \cfrac{\pi}{2} & m = n \ne 0\\ \pi & m = n = 0\\ \end{cases}
∫−111−x21Tn(x)Tm(x)dx=⎩⎪⎪⎨⎪⎪⎧02ππm=nm=n=0m=n=0
②
T
2
n
(
x
)
只
含
x
的
偶
数
次
幂
,
T
2
n
+
1
(
x
)
只
含
x
的
奇
数
次
幂
T_{2n}(x)只含x的偶数次幂,T_{2n+1}(x)只含x的奇数次幂
T2n(x)只含x的偶数次幂,T2n+1(x)只含x的奇数次幂
③
P
n
(
x
)
P_n(x)
Pn(x)在
(
−
1
,
1
)
(-1,1)
(−1,1)上有n个不同的实零点
④ 在所有最高项系数为1的n次多项式中,
C
h
e
b
y
s
h
e
v
Chebyshev
Chebyshev多项式
T
ˉ
n
(
x
)
\bar T_n(x)
Tˉn(x)在
[
−
1
,
1
]
[-1,1]
[−1,1]上与零的偏差最小,即
∣
∣
T
ˉ
n
(
x
)
∣
∣
∞
||\bar T_n(x)||_{\infty}
∣∣Tˉn(x)∣∣∞最小 => 对于在
[
−
1
,
1
]
[-1,1]
[−1,1]上的多项式函数
f
(
x
)
f(x)
f(x),其最佳n次逼近多项式
P
n
(
x
)
P_n(x)
Pn(x)满足:
f
(
x
)
−
P
n
(
x
)
=
T
ˉ
n
(
x
)
f(x)-P_n(x) = \bar T_n(x)
f(x)−Pn(x)=Tˉn(x)
(3)第二类
C
h
e
b
y
s
h
e
v
Chebyshev
Chebyshev多项式:
在区间
[
−
1
,
1
]
[-1,1]
[−1,1]带权
ρ
(
x
)
=
1
−
x
2
\rho(x) = \sqrt{1-x^2}
ρ(x)=1−x2,且由
{
x
n
}
\{x^n\}
{xn}正交化得到的多项式称为第二类
C
h
e
b
y
s
h
e
v
Chebyshev
Chebyshev多项式,分别用
U
0
(
x
)
,
U
1
(
x
)
,
.
.
.
,
U
n
(
x
)
U_0(x),U_1(x),...,U_n(x)
U0(x),U1(x),...,Un(x)表示
=> 通项公式如下:
U
n
(
x
)
=
1
1
−
x
2
s
i
n
(
(
n
+
1
)
⋅
a
r
c
c
o
s
x
)
U_n(x) =\frac{1}{ \sqrt{1-x^2}}sin((n+1)\cdot arccosx)\\
Un(x)=1−x21sin((n+1)⋅arccosx)
=> 递推公式如下:
U
0
(
x
)
=
1
,
U
1
(
x
)
=
2
x
U
n
+
1
(
x
)
=
2
x
U
n
(
x
)
−
U
n
−
1
(
x
)
,
n
>
0
U_0(x) = 1,U_1(x) = 2x \\ U_{n+1}(x) =2xU_n(x) - U_{n-1}(x), n>0
U0(x)=1,U1(x)=2xUn+1(x)=2xUn(x)−Un−1(x),n>0
(4)
L
a
g
u
e
r
r
e
Laguerre
Laguerre多项式:
在区间
[
0
,
+
∞
)
[0,+\infty)
[0,+∞)带权
ρ
(
x
)
=
e
−
x
\rho(x) = e^{-x}
ρ(x)=e−x,且由
{
x
n
}
\{x^n\}
{xn}正交化得到的多项式称
L
a
g
u
e
r
r
e
Laguerre
Laguerre多项式,分别用
L
0
(
x
)
,
L
1
(
x
)
,
.
.
.
,
L
n
(
x
)
L_0(x),L_1(x),...,L_n(x)
L0(x),L1(x),...,Ln(x)表示
=> 通项公式如下:
L
n
(
x
)
=
e
n
d
n
d
x
n
[
x
n
e
−
x
]
L_n(x) =e^n\cfrac{d^n}{dx^n} [x^ne^{-x}]\\
Ln(x)=endxndn[xne−x]
=> 递推公式如下:
L
0
(
x
)
=
1
,
L
1
(
x
)
=
1
−
x
L
n
+
1
(
x
)
=
(
1
+
2
n
−
x
)
L
n
(
x
)
−
n
2
L
n
−
1
(
x
)
,
n
>
0
L_0(x) = 1,L_1(x) = 1-x \\ L_{n+1}(x) =(1+2n-x)L_n(x) - n^2L_{n-1}(x), n>0
L0(x)=1,L1(x)=1−xLn+1(x)=(1+2n−x)Ln(x)−n2Ln−1(x),n>0
(5)
H
e
r
m
i
t
e
Hermite
Hermite多项式:
在区间
(
−
∞
,
+
∞
)
(-\infty,+\infty)
(−∞,+∞)带权
ρ
(
x
)
=
e
−
x
2
\rho(x) = e^{-x^2}
ρ(x)=e−x2,且由
{
x
n
}
\{x^n\}
{xn}正交化得到的多项式称
H
e
r
m
i
t
e
Hermite
Hermite多项式,分别用
H
0
(
x
)
,
H
1
(
x
)
,
.
.
.
,
H
n
(
x
)
H_0(x),H_1(x),...,H_n(x)
H0(x),H1(x),...,Hn(x)表示
=> 通项公式如下:
H
n
(
x
)
=
(
−
1
)
n
e
x
2
d
n
d
x
n
[
e
−
x
2
]
H_n(x) =(-1)^ne^{x^2}\cfrac{d^n}{dx^n} [e^{-x^2}]\\
Hn(x)=(−1)nex2dxndn[e−x2]
=> 递推公式如下:
H
0
(
x
)
=
1
,
H
1
(
x
)
=
2
x
H
n
+
1
(
x
)
=
2
x
H
n
(
x
)
−
2
n
H
n
−
1
(
x
)
,
n
>
0
H_0(x) = 1,H_1(x) = 2x \\ H_{n+1}(x) =2xH_n(x) - 2nH_{n-1}(x), n>0
H0(x)=1,H1(x)=2xHn+1(x)=2xHn(x)−2nHn−1(x),n>0
函数族
{
φ
n
(
x
)
}
\{\varphi_n(x)\}
{φn(x)}在
[
a
,
b
]
[a,b]
[a,b]上线性无关的充要条件为其
C
r
a
m
e
r
Cramer
Cramer行列式
G
n
≠
0
G_n\ne 0
Gn=0,
G
n
=
∣
(
φ
0
,
φ
0
)
(
φ
0
,
φ
1
)
.
.
.
(
φ
0
,
φ
n
)
(
φ
1
,
φ
0
)
(
φ
1
,
φ
1
)
.
.
.
(
φ
1
,
φ
n
)
.
.
.
.
.
.
.
.
.
.
.
.
(
φ
n
,
φ
0
)
(
φ
n
,
φ
1
)
.
.
.
(
φ
n
,
φ
n
)
∣
G_n = \left| \begin{matrix} (\varphi_0,\varphi_0) & (\varphi_0,\varphi_1) & ... & (\varphi_0,\varphi_n) \\ (\varphi_1,\varphi_0) & (\varphi_1,\varphi_1) & ... & (\varphi_1,\varphi_n) \\ ...&...&...&...\\ (\varphi_n,\varphi_0) & (\varphi_n,\varphi_1) & ... & (\varphi_n,\varphi_n) \\ \end{matrix}\right|
Gn=∣∣∣∣∣∣∣∣(φ0,φ0)(φ1,φ0)...(φn,φ0)(φ0,φ1)(φ1,φ1)...(φn,φ1)............(φ0,φn)(φ1,φn)...(φn,φn)∣∣∣∣∣∣∣∣
设函数族 { φ n ( x ) } \{\varphi_n(x)\} {φn(x)}在 [ a , b ] [a,b] [a,b]上线性无关,令 Φ = s p a n { φ 0 , φ 1 , . . , φ n } \Phi = span\{\varphi_0,\varphi_1,..,\varphi_n\} Φ=span{φ0,φ1,..,φn},则可由以下法方程解得在 Φ \Phi Φ上的一个最佳平方逼近函数 S ( x ) = ∑ i = 0 n a i φ i S(x) = \sum_{i=0}^n a_i\varphi_i S(x)=∑i=0naiφi:
G n × ( a 0 , a 1 , . . . , a n ) T = ( ( f , φ 0 ) , ( f , φ 1 ) , . . . , ( f , φ n ) ) T G_n \times (a_0,a_1,...,a_n)^T = ((f,\varphi_0),(f,\varphi_1),...,(f,\varphi_n))^T Gn×(a0,a1,...,an)T=((f,φ0),(f,φ1),...,(f,φn))T
其中 G n G_n Gn是 C r a m e r Cramer Cramer行列式对应的矩阵
当
φ
n
(
x
)
\varphi_n(x)
φn(x)为多项式函数时,可以解得在
H
n
(
x
)
H_n(x)
Hn(x)上的一个最佳平方逼近多项式
S
n
(
x
)
S_n(x)
Sn(x)
特殊地,当
φ
n
(
x
)
=
x
n
\varphi_n(x) = x^n
φn(x)=xn时,称该矩阵为
H
i
l
b
e
r
t
Hilbert
Hilbert矩阵(一个典型的病态矩阵)
设 f ∈ C [ a , b ] f\in C[a,b] f∈C[a,b], { g n ( x ) } \{g_n(x)\} {gn(x)}为 [ a , b ] [a,b] [a,b]上带权 ρ ( x ) \rho(x) ρ(x)的正交多项式族,令 G = s p a n { g 0 , g 1 , . . , g n } G = span\{g_0,g_1,..,g_n\} G=span{g0,g1,..,gn},则 f ( x ) f(x) f(x)的一个最佳平方逼近多项式为:
S
n
(
x
)
=
∑
k
=
0
n
(
f
,
g
k
)
(
g
k
,
g
k
)
g
k
(
x
)
S_n(x) = \sum_{k=0}^n \cfrac{(f,g_k)}{(g_k,g_k)}g_k(x)
Sn(x)=∑k=0n(gk,gk)(f,gk)gk(x)
当
n
=
∞
n = \infty
n=∞时,称
∑
k
=
0
∞
(
f
,
g
k
)
(
g
k
,
g
k
)
g
k
(
x
)
\sum_{k=0}^{\infty} \cfrac{(f,g_k)}{(g_k,g_k)}g_k(x)
∑k=0∞(gk,gk)(f,gk)gk(x)为广义
F
o
u
r
i
e
r
Fourier
Fourier级数
=>
L
e
g
e
n
d
r
e
Legendre
Legendre多项式展开的广义
F
o
u
r
i
e
r
Fourier
Fourier级数:
即令
g
n
(
x
)
=
P
n
(
x
)
(
x
∈
[
−
1
,
1
]
)
g_n(x) = P_n(x)(x\in [-1,1])
gn(x)=Pn(x)(x∈[−1,1]),则有:
S n ( x ) = ∑ k = 0 n [ 2 k + 1 2 ∫ − 1 1 f ( x ) P k ( x ) d x ] ⋅ P k ( x ) S_n(x) = \sum_{k=0}^n [\frac{2k+1}{2}\int_{-1}^1f(x)P_k(x)dx ]\cdot P_k(x) Sn(x)=∑k=0n[22k+1∫−11f(x)Pk(x)dx]⋅Pk(x)
当
x
∈
[
a
,
b
]
x\in[a,b]
x∈[a,b]时,作变换:
x
=
b
−
a
2
t
+
b
+
a
2
(
t
∈
[
−
1
,
1
]
)
x = \frac{b-a}{2}t+\frac{b+a}{2}(t\in[-1,1])
x=2b−at+2b+a(t∈[−1,1])
令
F
(
t
)
=
f
(
b
−
a
2
t
+
b
+
a
2
)
F(t) = f(\frac{b-a}{2}t+\frac{b+a}{2})
F(t)=f(2b−at+2b+a),解得
F
(
t
)
F(t)
F(t)的最佳平方逼近多项式
S
n
(
t
)
S_n(t)
Sn(t),可得
f
(
x
)
f(x)
f(x)的最佳平方逼近多项式
S
n
(
1
b
−
a
(
2
x
−
a
−
b
)
)
S_n(\frac{1}{b-a}(2x-a-b))
Sn(b−a1(2x−a−b))
=> 利用 L e g e n d r e Legendre Legendre多项式展开的广义 F o u r i e r Fourier Fourier级数解得的最佳平方逼近多项式与法方程法是一致的,但是n较大时后者会出现病态方程,而前者不存在病态问题,因此求最佳平方逼近多项式优先选择前者
设
f
(
x
)
f(x)
f(x)是以
2
π
2\pi
2π为周期的平方可积函数,在
[
0
,
2
π
]
[0,2\pi]
[0,2π]用三角多项式
S
(
x
)
=
1
2
a
0
+
∑
k
=
1
n
[
a
k
c
o
s
k
x
+
b
k
s
i
n
k
x
]
S(x) = \frac{1}{2}a_0+\sum_{k=1}^n [a_kcoskx+b_ksinkx]
S(x)=21a0+∑k=1n[akcoskx+bksinkx]作最佳平方逼近函数,其系数即是
F
o
u
r
i
e
r
Fourier
Fourier系数:
{
a
k
=
1
π
∫
0
2
π
f
(
x
)
c
o
s
k
x
d
x
(
k
=
0
,
1
,
.
.
,
n
)
b
k
=
1
π
∫
0
2
π
f
(
x
)
s
i
n
k
x
d
x
(
k
=
1
,
2
,
.
.
,
n
)
\begin{cases} a_k = \frac{1}{\pi}\int_{0}^{2\pi}f(x)coskxdx & (k=0,1,..,n)\\ b_k = \frac{1}{\pi}\int_{0}^{2\pi}f(x)sinkxdx & (k=1,2,..,n)\\ \end{cases}
{ak=π1∫02πf(x)coskxdxbk=π1∫02πf(x)sinkxdx(k=0,1,..,n)(k=1,2,..,n)
(曲线拟合是根据一系列的观测点 ( x i , y i ) (x_i,y_i) (xi,yi)拟合一个函数 y = F ( x ) y = F(x) y=F(x)使得其在给定点 x i x_i xi上误差 e i = F ( x i ) − y i e_i = F(x_i)-y_i ei=F(xi)−yi按某种标准最小,使得其能较精确地反映出自变量 x x x和因变量 y y y之间的函数关系)
(而最小二乘法是在函数空间 Φ = s p a n { φ 0 , φ 1 , . . , φ n } \Phi = span\{\varphi_0,\varphi_1,..,\varphi_n\} Φ=span{φ0,φ1,..,φn}上找到函数 y = S ( x ) y=S(x) y=S(x),使得对误差最小化考虑的标准:误差的加权平方和 ∣ ∣ e ∣ ∣ 2 2 = ∑ i = 0 n ω i [ S ( x i ) − y i ] 2 ||e||^2_2 = \sum_{i=0}^n\omega_i[S(x_i)-y_i]^2 ∣∣e∣∣22=∑i=0nωi[S(xi)−yi]2最小,其中 ω ( x ) \omega(x) ω(x)是 [ a , b ] [a,b] [a,b]上的权函数,以下介绍三种最小二乘法)
(1)法方程法:
步骤 | 操作 |
---|---|
计算 ( φ i , φ j ) (\varphi_i,\varphi_j) (φi,φj) | ( φ i , φ j ) = ∑ k = 0 n ω ( x k ) φ i ( x k ) φ j ( x k ) (\varphi_i,\varphi_j) = \sum_{k=0}^n\omega(x_k)\varphi_i(x_k)\varphi_j(x_k) (φi,φj)=∑k=0nω(xk)φi(xk)φj(xk) |
计算 ( f , φ j ) (f,\varphi_j) (f,φj) | ( f , φ j ) = ∑ k = 0 n ω ( x k ) f ( x k ) φ j ( x k ) (f,\varphi_j) = \sum_{k=0}^n\omega(x_k)f(x_k)\varphi_j(x_k) (f,φj)=∑k=0nω(xk)f(xk)φj(xk) |
解法方程 |
G
n
×
(
a
0
,
a
1
,
.
.
.
,
a
n
)
T
=
(
(
f
,
φ
0
)
,
(
f
,
φ
1
)
,
.
.
.
,
(
f
,
φ
n
)
)
T
G_n \times (a_0,a_1,...,a_n)^T = ((f,\varphi_0),(f,\varphi_1),...,(f,\varphi_n))^T
Gn×(a0,a1,...,an)T=((f,φ0),(f,φ1),...,(f,φn))T; 其中 G n G_n Gn为 C r a m e r Cramer Cramer行列式对应的矩阵 |
得到最小二乘拟合函数 S ( x ) S(x) S(x) | S ( x ) = ∑ i = 0 n a i φ i ( x ) S(x) = \sum_{i=0}^na_i\varphi_i(x) S(x)=∑i=0naiφi(x) |
=> 可以明显看出,最小二乘法的法方程法即是“级数版”的法方程求最佳平方逼近函数 / 多项式
(2)广义
F
o
u
r
i
e
r
Fourier
Fourier级数法:
(注意,以下的符号按照“(1)法方程”步骤中的符号操作进行)
步骤 | 操作 |
---|---|
递推构造关于点集 { x i } \{x_i\} {xi}带权 ω ( x ) \omega(x) ω(x)的正交多项式族 { P n ( x ) } \{P_n(x)\} {Pn(x)} |
P
0
(
x
)
=
1
P_0(x) = 1
P0(x)=1; P 1 ( x ) = ( x − α 1 ) P 0 ( x ) P_1(x) = (x-\alpha_1)P_0(x) P1(x)=(x−α1)P0(x); P k + 1 ( x ) = ( x − α k + 1 ) P k ( x ) − β k P k − 1 ( x ) P_{k+1}(x) = (x-\alpha_{k+1})P_k(x)-\beta_kP_{k-1}(x) Pk+1(x)=(x−αk+1)Pk(x)−βkPk−1(x) 其中: α k + 1 = ( x P k , P k ) ( P k , P k ) ; β k = ( P k , P k ) ( P k − 1 , P k − 1 ) \alpha_{k+1} = \cfrac{(xP_k,P_k)}{(P_k,P_k)};\beta_k = \cfrac{(P_k,P_k)}{(P_{k-1},P_{k-1})} αk+1=(Pk,Pk)(xPk,Pk);βk=(Pk−1,Pk−1)(Pk,Pk) |
计算系数 a k a_k ak | a k = ( f , P k ) ( P k , P k ) a_k = \cfrac{(f,P_k)}{(P_k,P_k)} ak=(Pk,Pk)(f,Pk) |
得到最小二乘拟合函数 S ( x ) S(x) S(x) | S ( x ) = ∑ i = 0 n a i P i ( x ) S(x) = \sum_{i=0}^na_iP_i(x) S(x)=∑i=0naiPi(x) |
=> 可以明显看出,最小二乘法的广义 F o u r i e r Fourier Fourier级数法即是“级数版”的广义 F o u r i e r Fourier Fourier级数求最佳平方逼近多项式
(3)离散
F
o
u
r
i
e
r
Fourier
Fourier变换法:
设
f
(
x
)
f(x)
f(x)是以
2
π
2\pi
2π为周期的复函数,在区间
[
0
,
2
π
]
[0,2\pi]
[0,2π]上给定的N等分点
x
j
=
2
π
N
j
(
j
=
0
,
1
,
.
.
,
N
−
1
)
x_j = \frac{2\pi}{N}j(j = 0,1,..,N-1)
xj=N2πj(j=0,1,..,N−1)有函数值
f
j
f_j
fj,则可得最小二乘
F
o
u
r
i
e
r
Fourier
Fourier拟合函数:
S ( x ) = ∑ k = 0 N − 1 C k e i k x S(x) = \sum_{k=0}^{N-1}C_ke^{ikx} S(x)=∑k=0N−1Ckeikx
其中: C k = 1 N ∑ j = 0 N − 1 f j e − i k x j C_k = \frac{1}{N}\sum_{j=0}^{N-1}f_je^{-ikx_j} Ck=N1∑j=0N−1fje−ikxj,称离散 F o u r i e r Fourier Fourier系数
=> 可以明显看出,最小二乘法的离散 F o u r i e r Fourier Fourier变换法即是“级数版”的 F o u r i e r Fourier Fourier级数求最佳平方逼近三角多项式