牛顿插值法

怪叫熊灬

于 2022-01-20 15:50:58 发布

阅读量1.7k

点赞数

文章标签：算法

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/qq_55535341/article/details/122602148

版权

拉格朗日插值虽然容易计算，但若要增加一个节点时，全部基函数 $l_{i}(x)$ 都需要重新计算

那么将 $L_{n}(x)$ 改写成 $c_{0}+c_{1}(x-x_{0})+c_{2}(x-x_{0})(x-x_{1})+...+c_{n}(x-x_{0})...(x-x_{n-1})$ 的形式，希望每加一个节点时，只附加一项上去即可

差商（均差）

定义

1阶差商

$f[x_{i},x_{j}]=\frac{f(x_{i})-f(x_{j})}{x_{i}-x_{j}}(i\not=j,x_{i}\not=x_{j})$

2阶差商

$f[x_{i},x_{j},x_{k}]=\frac{f[x_{i},x_{j}]-f[x_{j},x_{k}]}{x_{i}-x_{k}}(i\not=k)$

(k+1)阶差商

$f[x_{0},...,x_{k+1}]=\frac{f[x_{0},x_{1},...,x_{k}]-f[x_{1},...,x_{k},x_{k+1}]}{x_{0}-x_{k+1}}$

性质

均差与节点的排列次序无关，具有对称性，即

$f[x_{0},x_{1},...,x_{k}] = f[x_{1},x_{0},x_{2},...,x_{k}]$

k阶均差表示为函数值 $f(x_{0}),...,f(x_{k})$ 的线性组合，即：

$f[x_{0},...,x_{k}] = \sum_{j=0}^{k}\frac{f(x_{j})}{\omega _{k+1}(x_{j})}$

$\omega_{n+1}=\prod_{i=0}^{n}(x-x_{i})$

若f(x)在[a,b]上存在n阶导数，且节点 $x_{0},...,x_{n}\in [a,b]$ 且n阶均差与n阶导数关系如下：

$f[x_{0},...,x_{m}]=\frac{f^{(n)}(\xi )}{n!},\xi\in[a,b]$

差商计算可列差商表如下

$x_{i}$	$f(x_{i})$	一阶差商	二阶差商	三阶差商
$x_{0}$	$f(x_{0})$
$x_{1}$	$f(x_{1})$	$f[x_{0},x_{1}]$
$x_{2}$	$f(x_{2})$	$f[x_{1},x_{2}]$	$f[x_{0},x_{1},x_{2}]$
$x_{3}$	$f(x_{3})$	$f[x_{2},x_{3}]$	$f[x_{1},x_{2},x_{3}]$	$f[x_{0},x_{1},x_{2},x_{3}]$
...	...	...	...	...

牛顿插值多项式

$N_{n}(x)=a_{0}+a_{1}(x-x_{0})+a_{2}(x-x_{0})(x-x_{1})+...+a_{n}(x-x_{0})...(x-x_{n-1})$

$a_{k}=f[x_{0},...,x_{k}](k=0,1,...,n)$

牛顿插值多项式的系数 $a_{k}$ 就是均差表中的各阶均差的第一个值，它比拉格朗日插值更节省计算量，且便于程序设计

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

打赏作者

怪叫熊灬 你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20

扫码支付：¥1

获取中

扫码支付

您的余额不足，请更换扫码支付或充值

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。