关于插值法一些事

插值多项式

    函数是一种“形”为艺术的美。书面讲函数就是反映某种内在规律的数量关系。而现实中我们往往
只能得到一系列数据点的值，为了研究函数的变化规律，我们就要做一个既能反映函数特性，又便于
计算的简单函数。

低阶插值多项式

插值函数

$y=f(x)$在$[a,b]$上有定义，已知$a\le x_0<x_1<\cdots <x_n\le b$ （注意这里有$n+1$个不同的点，下面不再重复），称$x_0,x_1,\dots ,x_n$为插值节点，$[a,b]$为插值区间。若有一个简单函数 $P(x)$(这里的简单是相对意义)，有$$P(x_i)=y_i,i=0,1,\dots ,n$$则称$P(x)$为插值函数，相应的求$P(x)$的方法为插值法。
（1）若$P(x)$是由$1,x,x^2,\dots ,x^n$的线性组合，则称$P(x)$为插值多项式，即：$$P(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}^n$$相应的插值法为多项式插值
（2）若$P(x)$为分段多项式，例如后面要讲的分段插值就是这种。相应的插值方法为分段插值
（3）若$P(x)$为三角多项式，例如傅里叶级数。相应的插值方法为三角插值

类型	插值方法	例子
插值多项式	`多项式插值	朗格朗日插值多项式、牛顿插值多项式
分段多项式	分段插值	分段线性插值、分段Hermit插值
三角多项式	三角插值	傅里叶级数展开

为什么要弄这么多类型的多项式呢？这涉及到数值分析中的一个基本思想——误差、复杂度。直观的讲，误差就是拟合函数与实际函数的贴合程度，复杂度就是拟合函数所需的数据量（这里的数据量指数据总量和类型）以及计算的负责度。一般情况下，想要误差越小，所需的数据量就要越多，两者是相互矛盾的。

插值多项式的次数*
在$[a,b]$上，已知$n+1$个点，$a\le x_0<x_1<\cdots <x_n\le b$ 上的函数值$y_i=f(x_i)(i=0,1,\dots ,n)$。
插值多项式的两个基本思想：

• 经过每个节点。即：$$P(x_i)=y_i,i=0,1,\dots ,n$$
• $P(x)$是由$1,x,x^2,\dots ,x^n$的线性组合，即：$$P(x)=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}^n$$
  因此，我们就建立了$n+1$元线性方程组：
  $$\{\begin{array}{ccccc}{a}_0+a_1{x}_0+\cdots +a_n{x}_0^n=y_0& & & & \\ a_0+a_1{x}_1+\cdots +a_n{x}_1^n=y_1& & & & \\ ⋮& & & & \\ a_0+a_1{x}_n+\cdots +a_n{x}_n^n=y_n& & & & \end{array}$$
  代数中讲，如果方程组的系数矩阵行列式不等于0，则解唯一。注意这里的$x$，$y$是已知的，$a$为未知量。因此此方程的系数矩阵为：
  $$\left[\begin{array}{cccc}1& x_0& \dots & x_0^n\\ 1& x_1& \dots & x_1^n\\ ⋮& ⋮& & ⋮\\ 1& x_n& \dots & x_n^n\end{array}\right]$$
  这是一个$Vandermonde$矩阵，detA=${\prod }_{i,j=0,i>j}^n(x_i-x_j)\ne 0$ ($x$互异),因此，$a_0,a_1\dots ,a_n$存在且唯一。如果最高次大于n，即未知数数量多于方程数量，有无穷多解。如果最高次小于n，存在无解的情况。因此这就是为什么构造最高次为n次的插值多项式需要$n+1$个数据的原因。

线性插值多项式

    通过上文，解线性方程组是求插值多项式系数的一种方法。解线性方程组就要求我们计算矩阵，
低阶矩阵还行，但是高阶呢？不止是我们，计算机也不愿意去做。因此数学家就想去探索一种更简
单的方法去求插值多项式的系数。于是就有了拉格朗日插值法以及牛顿插值法。(让我们一起来感受
数学之美）

拉格朗日插值

出于敬佩，必先了解这位杰出的数学家。拉格朗日简介.
我们知道插值多项式有两个基本思想(见前文)。所以，我们就想到这样一个形式：
$$L(x)=\sum _{i=0}^n{l}_i(x)y_i$$
其中称$l_i(x)$为插值基函数。$l_i(x)=\{\begin{array}{cc}1& x=x_i\\ 0& x\ne x_i\end{array}$，也就是说$l_i(x)$有两个约束条件：在$x_i$处取值为1，其它节点取值为0。用函数的语言讲$l_i(x)$的零点为$x_0,x_1,\dots ,x_{i-1},x_{i+1},\dots ,x_n$。因此，脑海中想到$l_i(x)$的一种构造方式为：$$l_i(x)=K_i(x-x_0)\dots (x-x_{i-1})(x-x_{i+1})\dots (x-x_n)=K_i\prod _{0,j\ne i}^n(x-x_j)$$
这里的$K_i$为未知参数。但是别忘了$l_i(x)$在$x_i$处取值为1，因此 $K_i=\frac{1}{{\prod }_{j=0,j\ne i}^n(x_i-x_j)}$
因此，通过这种构造方法就可以很容易地给出$L(x)$的形式：
$$L(x)=\sum _{i=0}^n\frac{{\prod }_{0,j\ne i}^n(x-x_j)}{{\prod }_{j=0,j\ne i}^n(x_i-x_j)}{y}_i$$
这里有一种简单的系数记忆方法，$$y_i=\frac{x与其它所有节点的差的累乘}{x_i与其它所有节点的差的累乘}$$
虽然拉格朗日插值多项式$L(x)$看起来和$P(x)$好像不一样，但是其实展开后是一样的。因为我们前面讲过$P(x)$是惟一的，而$L(x)$也是一个最高次为$n$次的多项式同时也满足插值多项式的两个基本条件。因此$L(x)\equiv P(x)$。

牛顿插值

既然有了拉格朗日插值多项式，为什么还有人构造牛顿多项式呢？举个例子：你辛辛苦苦构造完拉格朗日插值多项式后，发现还有一个节点你没算。这时你会感到崩溃，因为你做的拉格朗日插值多项式已经毫无意义了。这就有人想，有没有一种构造方法使得插值多项式是逐次生成的呢？这里不得不提另外一位大神——牛顿。牛顿简介.
数学中最重要的一个方法那就是从定义出发。我们现在不妨观察前几项来找规律。

名称	形式	节点
$N_0(x)$	$y_0$	$(x_0,y_0)$
$N_1(x)$	$y_0+\frac{y_1-y_0}{x_1-x_0}(x-x_0)$	$(x_0,y_0),(x_1,y_1)$
$N_2(x)$	$y_0+\frac{y_1-y_0}{x_1-x_0}(x-x_0)+\frac{\frac{y_2-y_0}{x_2-x_0}-\frac{y_1-y_0}{x_1-x_0}}{x_2-x_1}(x-x_1)(x-x_0)$	$(x_0,y_0),(x_1,y_1),(x_2,y_2)$

像这样算，笔者要累死。牛顿当然不可能这样算呀，通过观察，牛顿引入了均差的概念。

名称	形式
一阶均差	$f[x_0,x_1]=\frac{y_1-y_0}{x_1-x_0}$
二阶均差	$f[x_0,x_1,x_2]=\frac{f[x_0,x_2]-f[x_0,x_1]}{x_2-x_1}$
$⋮$	$⋮$
n阶均差	$f[x_0,x_1,\dots ,x_n]=\frac{f[x_0,x_1,\dots ,x_{n-2},x_n]-f[x_0,x_1,\dots ,x_{n-1}]}{x_n-x_{n-1}}$

很多同学可能对均差不是很熟悉。现在我们从根本出发，介绍均差及其性质：

• $k$阶均差可表示为$y_0,y_1,\dots ,y_n$的线性组合，即：
  $$f[x_0,x_1,\dots ,x_k]=\sum _{j=0}^n\frac{y_j}{(x_j-x_0)\dots (x_j-x_{j-1})(x_j-x_{j+1})\dots (x_j-x_k)}$$
  证明如下（请先阅读牛顿插值多项式再来看这里）：
  前面讲到$n+1$个点构造的插值多项式唯一，则$P(x)\equiv L_n(x)\equiv N_n(x)$。
  我们对$k+1$个点进行拉格朗日插值和牛顿插值，最高次数都为$k$。
  拉格朗日插值最高次项次数为：
  $$\sum _{i=0}^n\frac{y_i}{{\prod }_{j=0,j\ne i}^n(x_i-x_j)}\text{\hspace{1em}(1)}$$
  牛顿插值最高项次数为：
  $$f[x_0,x_1,\dots ,x_k]$$
  两者都是最高次项的系数，多项式相等，则各项系数都要相等。$\square$
• 由（1）知，均差内部元素的排列不影响其值$$f[x_0,x_1,\dots ,x_k]\equiv f[x_1,x_0,\dots ,x_k]\equiv f[x_k,x_0,\dots ,x_{k-1}]$$
  牛顿插值多项式
  有了均差的定义，我们就很容易给出牛顿插值多项式啦。
  $N_n(x)=y_0+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+\cdots +f[x_0,x_1,\dots ,x_n](x-x_0)\dots (x-x_{n-1})$
  至少在形式上是很舒服的。例如新增一个节点$x_{n+1}$，则为$$N_n(x)+f[x_0,x_1,\dots ,x_{n+1}](x-x_0)\dots (x-x_n)$$现在就算忘记哪个节点，也没事了。等等！！！均差算起来好麻烦（ಥ_ಥ）。
  从前面的定义，我们知道了均差是一步一步来的。就是从前一项均差推出后一项均差。因此，构造均差表可以使得计算逻辑更加清晰。

$x_k$	$y_k$	一阶均差	二阶均差	三阶均差
$x_0$	$y_0$
$x_1$	$y_1$	$f[x_0,x_1]$
$x_2$	$y_2$	$f[x_0,x_2]$	$f[x_0,x_1,x_2]$
$x_3$	$y_3$	$f[x_0,x_3]$	$f[x_0,x_2,x_3]$	$f[x_0,x_1,x_2,x_3]$
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$

（实际计算从左往右，从上向下，根据定义计算每个值。根据均差的性质，构造牛顿插值多项式）

两者的插值余项

因为$L_n(x)$,$N_n(x)$是对实际函数$f(x)$的一个近似，则其截断误差为$$R_n(x)=f(x)-P_n(x)\text{\hspace{1em}(2)}$$也叫作插值余项。注意这里的截断误差或插值余项都是估计的。回归主题，插值法的实际意义是使计算简便同时又能反映函数内在的数量规律。所以，有两种情形，一种我们不知道实际函数长啥样，但是想反映规律。另一种我们知道实际函数，但是太复杂不便于计算。因此为了衡量插值函数与真实函数的偏差，我们需要对“偏差”进行一个估计。
定理：$f(x)\in C^{n+1}\left[a,b\right]$(在数学中$C^{n+1}$表示连续且$n+1$阶导存在)，插值余项$$R_n(x)=f(x)-P_n(x)=\frac{f^{(n+1)}(\epsilon )}{(n+1)!}\prod _{j=0}^n(x-x_j),\epsilon \in \left(a,b\right)且依赖于x_0,\dots ,x_n的选取$$

两个典型的埃尔米特插值

第一种典型：$H(x_i)=y_i(i,0,1,2)$及$H(x_1{)}^{{}^{\prime }}=y_1^{{}^{\prime }}$
用牛顿插值函数思想构造形式：$$H(x)=y_0+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)+A(x-x_0)(x-x_1)(x-x_2)$$
两边同时求一阶导，再利用$H(x_1{)}^{{}^{\prime }}=y_1^{{}^{\prime }}$就能计算出$A$:
$$A=\frac{y_1^{{}^{\prime }}-f[x_0,x_1]-f[x_0,x_1,x_2](x_1-x_0)}{(x_1-x_0)(x_1-x_2)}$$
实际上，$x_1$处的一阶导数信息可以通过极限的思想去间接计算，或者已知实际函数求$x_1$的一阶导数。余项表达式：$$R(x)=\frac{f^{(4)}(\epsilon )}{4!}(x-x_0)(x-x_1{)}^2(x-x_2),\epsilon \in \left(a,b\right)且依赖于x_0,x_1,x_2的选取$$

第二种典型：两点三次Hermit插值，插值点为$x_k$及$x_{k+1}$，已知：
$$\begin{array}{cc}{H}_3(x_k)=y_k,& H_3(x_{k+1})=y_{k+1}\\ H_3^{{}^{\prime }}(x_k)=m_k& H_3^{{}^{\prime }}(x_{k+1})=m_{k+1}\end{array}\}$$
用拉格朗日插值思想构造形式：
$$H_3(x)={\alpha }_k(x)y_k+{\alpha }_{k+1}(x)y_{k+1}+{\beta }_k(x)y_k^{{}^{\prime }}+{\beta }_{k+1}(x)y_{k+1}^{{}^{\prime }}$$
这里的${\alpha }_k(x)$,${\alpha }_{k+1}(x)$,${\beta }_k(x)$,${\beta }_{k+1}(x)$为三次埃尔米特插值基函数。满足两个基本条件，在节点处的取值相等，在节点处的导数值相等。具体参考Hermite插值法.
最终结果：$$H_3(x)=(1+2\frac{x-x_k}{x_{k+1}-x_k})(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{y}_k+(1+2\frac{x-x_{k+1}}{x_k-x_{k+1}})(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{y}_{k+1}+(x-x_k)(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{m}_k+(x-x_{k+1})(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{m}_{k+1}$$
插值余项：$$R(x)=\frac{f^{(4)}(\epsilon )}{4!}(x-x_k{)}^2(x-x_{k+1}{)}^2,\epsilon \in \left(x_k,x_{k+1}\right)$$

高阶插值的病态性质（龙格现象）

通过学习Hermite插值，我们可以构造高次的插值多项式。这有人就会问多项式的次数是不是越高越好？但实际上并非如此，当 $n\to \infty$,$P(x)$不一定收敛于$f(x)$，这我们称为是高次插值的病态性质，也叫龙格现象。龙格现象.

分段插值

既然我们不能用次数太高的插值多项式拟合，但是我们又想尽可能的提高精度，又怎么办呢？数学中的有一个重要思想划分(分割),图论中讲的是图的等价类划分、微积分里讲的是分割取点求极限、最优化里讲的动态规划等等。名称有很多，但是思想是一个，就是将复杂问题分解成若干简单问题。既然我们不能从总体上构造足够“完美”的插值多项式，那么我们可以划分每个小区间去求小区间上的“完美”插值多项式。分段线性插值就应运而生了。

分段线性插值

分段线性插值就是通过插值点用折线段连接起来逼近$f(x)$,在$[x_k,x_{k+1}]$上，插值多项式为$$P_k(x)=\frac{x-x_{k+1}}{x_k-x_{k+1}}{y}_k+\frac{x-x_k}{x_{k+1}-x_k}{y}_{k+1}$$

分段三次埃尔米特插值

分段线性插值函数$P_k(x)$的导数是间断的（也就节点处两侧一阶导数不相同），因此分段三次埃尔米特插值函数具有一阶导数连续的优良性质，在$[x_k,x_{k+1}]$上，插值多项式为$$H_3(x)=(1+2\frac{x-x_k}{x_{k+1}-x_k})(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{y}_k+(1+2\frac{x-x_{k+1}}{x_k-x_{k+1}})(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{y}_{k+1}+(x-x_k)(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{m}_k+(x-x_{k+1})(\frac{x-x_{k+1}}{x_k-x_{k+1}}{)}^2{m}_{k+1}$$

三次样条插值*

分段低次插值都有一致收敛性，但光滑性较差。实际中，有很多问题需要二阶连续导数的，那这又怎么办？工程师给出了一个很完美的模型——样条模型。（( ͡° ͜ʖ ͡°)所以说，当你数学学到心烦意乱时，不妨出去走走）回到主题，什么是三次样条函数呢？
定义：$S(x)\in C^2\left[a,b\right]$，经过每个节点且每个小区间$[x_k,x_{k+1}]$上是三次多项式，则称$S(x)$是节点$x_0,x_1,\dots ,x_n$上的三次样条函数。（注意这里的$S(x)$是分段函数）
因为$S(x)$是三次多项式，所以每个小区间$[x_k,x_{k+1}]$上要确定4个待定系数。根据$S(x)\in C^2\left[a,b\right]$，在节点处应满足：
$S(x_k-0)=S(x_k+0)$， $S^{{}^{\prime }}(x_k-0)=S^{{}^{\prime }}(x_k+0)$， $S^{{}^{\prime \prime }}(x_k-0)=S^{{}^{\prime \prime }}(x_k+0)$
这里一共有$3n-3$个条件，在加上通过每个节点，共有$4n-2$个条件。因此还需要2个条件才能确定$S(x)$。我们常在左右端点处各加一个边界条件（左端点$x_0$,右端点$x_n$）,根据实际情况有以下三种：

• 已知两端的一阶导数值，即：
  $$S^{{}^{\prime }}(x_0)=f_0^{{}^{\prime }}，S^{{}^{\prime }}(x_n)=f_n^{{}^{\prime }}\text{\hspace{1em}(3)}$$
• 已知两端的二阶导数值，即：
  $$S^{{}^{\prime \prime }}(x_0)=f_0^{{}^{\prime \prime }}，S^{{}^{\prime \prime }}(x_n)=f_n^{{}^{\prime \prime }}\text{\hspace{1em}(4)}$$
  特殊情况（自然边界条件）：
  $$S^{{}^{\prime \prime }}(x_0)=S^{{}^{\prime \prime }}(x_n)=0\text{\hspace{1em}(4’)}$$
• 当$f(x)$是以$x_n-x_0$为周期的的周期函数时，则要求$S(x)$也为周期函数，即：
  $$\{\begin{array}{cc}S(x_0+0)=S(x_n-0),& S^{{}^{\prime }}(x_0+0)=S^{{}^{\prime }}(x_n-0)\\ S^{{}^{\prime \prime }}(x_0+0)=S^{{}^{\prime \prime }}(x_n-0),& \end{array}\text{\hspace{1em}(5)}$$
  若$y_0=y_n$，则称$S(x)$为周期样条函数。
  下面是求解过程
  （1）因为$S(x{)}^{"}$在每个小区间$[x_k,x_{k+1}]$连续，即通过拉格朗日插值思想，构造形式：
  $$S(x{)}^{"}=M_k\frac{x-x_{k+1}}{x_k-x_{k+1}}+M_{k+1}\frac{x-x_k}{x_{k+1}-x_k}$$
  在这里我们令$h_k=x_{k+1}-x_k$
  （2）我们对两端取积分并利用节点函数值得：
  $$S(x)=M_k\frac{(x_{k+1}-x{)}^3}{6h_k}+M_{k+1}\frac{(x-x_k{)}^3}{6h_k}+(y_k-\frac{M_k{h}_k^2}{6})\frac{x_{k+1}-x}{h_k}+(y_{k+1}-\frac{M_{k+1}{h}_k^2}{6})\frac{x-x_k}{h_k},k=0,\dots ,n-1$$
  这里的$M_k$是待定参数。
  （3）根据 $S^{{}^{\prime }}(x_k-0)=S^{{}^{\prime }}(x_k+0)$条件有：
  $$\{\begin{array}{c}{S}^{{}^{\prime }}(x_k-0)=\frac{h_{k-1}}{6}{M}_{k-1}+\frac{h_{k-1}}{3}{M}_k+\frac{y_k-y_{k-1}}{h_k}\\ S^{{}^{\prime }}(x_k+0)=-\frac{h_k}{3}{M}_k-\frac{h_k}{6}{M}_{k+1}+\frac{y_{k+1}-y_k}{h_{k+1}}\end{array}$$
  因此有:
  $${\mu }_k{M}_{k-1}+2M_k+{\lambda }_k{M}_{k+1}=d_k,k=1,\dots ,n-1$$
  其中：$${\mu }_k=\frac{h_{k-1}}{h_{k-1}+h_k},{\lambda }_k=\frac{h_k}{h_{k-1}+h_k},d_k=6f[x_{k-1},x_k,x_{k+1}],k=1,\dots ,n-1$$
  对于边界条件(3)，有：$$\left[\begin{array}{ccccc}2& {\lambda }_0& & & \\ {\mu }_1& 2& {\lambda }_1& & \\ & \ddots & \ddots & \ddots & \\ & & {\mu }_{n-1}& 2& {\lambda }_{n-1}\\ & & & {\mu }_n& 2\end{array}\right]=\left[\begin{array}{c}{M}_0\\ M_1\\ ⋮\\ M_{n-1}\\ M_n\end{array}\right]=\left[\begin{array}{c}{d}_0\\ d_1\\ ⋮\\ d_{n-1}\\ d_n\end{array}\right]\text{\hspace{1em}(*)}$$
  其中$${\lambda }_0=1,d_0=\frac{6}{h_0}(f[x_0,x_1]-f_0^{{}^{\prime }}),{\mu }_n=1,d_n=\frac{6}{h_{n-1}}(f_n^{{}^{\prime }}-f[x_{n-1},x_n])$$
  对于边界条件(4)，有：
  $$\left[\begin{array}{ccccc}2& {\lambda }_0& & & \\ {\mu }_1& 2& {\lambda }_1& & \\ & \ddots & \ddots & \ddots & \\ & & {\mu }_{n-1}& 2& {\lambda }_{n-1}\\ & & & {\mu }_n& 2\end{array}\right]=\left[\begin{array}{c}{M}_0\\ M_1\\ ⋮\\ M_{n-1}\\ M_n\end{array}\right]=\left[\begin{array}{c}{d}_0\\ d_1\\ ⋮\\ d_{n-1}\\ d_n\end{array}\right]$$
  其中$$M_0=f_0^{{}^{\prime \prime }},M_n=f_n^{{}^{\prime \prime }},{\lambda }_0={\mu }_n,=0，d_0=2f_0^{{}^{\prime \prime }},d_n=2f_n^{{}^{\prime \prime }}$$
  对于边界(5)，有：$$M_0=M_n,{\mu }_n{M}_1+{\mu }_n{M}_{n-1}+2M_n=d_n$$
  即：$$\left[\begin{array}{ccccc}2& {\lambda }_0& & & \\ {\mu }_1& 2& {\lambda }_1& & \\ & \ddots & \ddots & \ddots & \\ & & {\mu }_{n-1}& 2& {\lambda }_{n-1}\\ & & & {\mu }_n& 2\end{array}\right]=\left[\begin{array}{c}{M}_0\\ M_1\\ ⋮\\ M_{n-1}\\ M_n\end{array}\right]=\left[\begin{array}{c}{d}_0\\ d_1\\ ⋮\\ d_{n-1}\\ d_n\end{array}\right]$$
  其中$${\lambda }_n=\frac{h_0}{h_{n-1}+h_0},{\mu }_n=\frac{h_{n-1}}{h_{n-1}+h_0},d_k=6\frac{f[x_0,x_1]-f[x_{n-1},x_n]}{h_0+h_{n-1}}$$
  求解(*)就是解线性方程组，特殊的是系数矩阵为严格三对角占优矩阵，可以使用追赶法求解。追赶法.
  以上就是关于数值分析中插值法的自我梳理内容，欢迎各位在评论区批评指正，若有错误，小编会及时更新版本。（❛‿˂̵✧）