从零开始的数值分析--插值法

# 导入math模块，用于数学计算
import math

# 导入numpy模块，用于科学计算，特别是多维数组操作
import numpy as np

# 导入matplotlib.pyplot模块，用于数据可视化
import matplotlib.pyplot as plt

插值法概念与性质

概念

插值法（Interpolation） 是一种在数学和计算机科学中广泛应用的数值分析方法。其基本思想是通过已知的一组离散的数据点（通常称为节点或样本点），构建一个函数（称为插值函数），使得这个函数能够恰好通过所有这些数据点。换句话说，插值法旨在找到一个函数$f(x)$，它在给定的节点$x_i$处的值与已知的数据值$y_i$相匹配，即满足条件$f(x_i)=y_i,i=1,2,...,n$。这种方法常用于估计或恢复在两个或多个已知数据点之间的数据值。

常见插值方法

• 线性插值：最简单的一种插值方法，适用于两个数据点之间。通过直线连接这两个点来估计区间内的任意值。
• 多项式插值：包括拉格朗日插值、牛顿插值等，其中最常用的是拉格朗日插值法，通过构造一个n次多项式来精确通过n+1个数据点。
• 样条插值：如自然 cubic spline（三次样条插值）、Hermite 插值等，这类方法在保证通过所有数据点的同时，还考虑了平滑度等特性，通常用于要求导数连续的场景。
• 其他高级插值方法：如径向基函数插值、样条插值的变种等，它们在特定领域有更优的表现。

性质

• 精确性：理想的插值函数应精确通过所有给定的数据点，这是插值的基本要求。
• 连续性：插值函数在其定义域内应当是连续的。对于多项式插值和样条插值，通常还能保证一定阶数的导数连续。
• 光滑性：良好的插值方法应使得插值函数在数据点间变化平滑，避免出现不必要的波动或尖点。
• 稳定性：对于数据的小变动，插值结果应具有稳定性，即输入数据的微小变化不应导致输出结果发生剧烈变化。
• 计算复杂度：不同的插值方法在计算上有着不同的复杂度，选择时需考虑实际应用场景对计算效率的需求。
• 过拟合风险：特别是在使用高阶多项式插值时，虽然能完美匹配数据点，但可能在节点间产生大幅震荡，这被称为过拟合现象，影响预测的准确性。

在大致了解了基础概念后我们将插值分为了下面大致几类来介绍:

1. 标准多项式插值
2. 拉格朗日插值法
3. 牛顿插值法
4. 埃尔米特插值法
5. 分段线性插值
6. 样条插值

标准多项式插值:

我们现在有n+1个样本点对,我们需要去寻找一个多项式$f(x)\in {\mathcal{P}}_n$，使得$f(x_i)=y_i$,其中$(x_i,y_i)$为样本点。
f ( x ) = a 0 + a 1 x + a 2 x 2 + ⋯ + a n x n , ∀ x ∈ { x i } f(x) = a_0 + a_1x + a_2x^2 + \cdots + a_nx^n,\forall x \in \{x_i\} f(x)=a0​+a1​x+a2​x2+⋯+an​xn,∀x∈{ xi​}

因此,我们将上式展开并写为矩阵形式,可以得到如下结果:
$$\begin{gathered} A=\left(\begin{array}{c}1x_0{x}_0^2\cdots x_0^n\\ 1x_1{x}_1^2\cdots x_1^n\\ ⋮\\ 1x_n{x}_n^2\cdots x_n^n\end{array}\right),x=\left(\begin{array}{c}{a}_0\\ a_1\\ ⋮\\ a_n\end{array}\right),b=\left(\begin{array}{c}{y}_0\\ y_1\\ ⋮\\ y_n\end{array}\right) \\ Ax=b \end{gathered}$$

$$\because \Vert A\Vert =\left|\begin{array}{c}1x_0{x}_0^2\cdots x_0^n\\ 1x_1{x}_1^2\cdots x_1^n\\ ⋮\\ 1x_n{x}_n^2\cdots x_n^n\end{array}\right|$$