数学建模 插值与拟合

在实际问题中,1个函数$y=f(x)$往往是通过实验观测得到的,仅已知$f(x)$在某区间$[a,b]$上一系列点处的值$$y_i=f(x_i)(i=0,1...n)$$当需要这些点间某点$x$处的函数值时,常用较简单的,满足一定条件的函数$\phi (x)$来近似替代$f(x)$.插值法是1种常用方法,其得到的插值函数$\phi (x)$满足$$\phi (x_i)=y_i(i=1,2...n)$$拟合是另1种常用方法,但不要求过所有已知点,而只要求在某种意义下总偏差最小

一.插值方法
1.插值的概念:

已知在平面上的1组离散点,求1条能将所有这些点按次序连接起来的曲线(及函数),这样的过程就称为插值.得到的函数称为插值函数.通过插值函数计算得到的$x$点处的函数值也称为$x$的插值.现在假设已知$n+1$个点$(x_i,y_i)(i=0,1...n)$,下面求各种插值函数

2.分段线性插值:

将每2个相邻的节点用直线连起来,从而形成1条折线,这样的过程就称为分段线性插值.得到的函数称为分段线性插值函数,记为$I_n(x)$,满足$I_n(x_i)=y_i$且在每个小区间$[x_i,x_{i+1}]$上都是线性函数.$I_n(x)$可表示为$$I_n(x)=\sum _{i=0}^n{y}_i{l}_i(x)$$其中基函数$l_i(x)$为$$l_i(x)=\{\begin{array}{l}\frac{x-x_{i-1}}{x_i-x_{i-1}},x_{i-1}\le x\le x_i,i\ne 0\\ \frac{x-x_{i+1}}{x_i-x_{i+1}},x_i\le x\le x_{i+1},i\ne n\\ 0,其他\end{array}$$$I_n$具有良好的收敛性,即对$\forall x\in [a,b]$,有$$\underset{n\to \infty }{\lim }{I}_n(x)=f(x)$$使用$I_n(x)$计算$x$点的插值时,只用的了$x$左右的2个节点,计算量与节点个数$n$无关.但$n$越大,分段就越多,从而插值误差越小.通常用函数表作插值计算时,分段线性插值就足够了

3.拉格朗日插值:

拉格朗日插值的基函数为$l_i(x)$为$$\begin{gathered} l_i(x)=\frac{(x-x_0)...(x-x_{i-1})(x-x_{i+1})...(x-x_n)}{(x_i-x_0)...(x_i-x_{i-1})(x_i-x_{i+1})...(x_i-x_n)} \\ =\prod _{\underset{j\ne i}{j=0}}^n\frac{x-x_j}{x_i-x_j}(i=0,1...n) \end{gathered}$$可知$l_i(x)$为$n$次多项式,满足$$l_i(x_j)=\{\begin{array}{l}0,j\ne i\\ 1,j=i\end{array}$$从而拉格朗日插值函数$L_n(x)$为$$L_n(x)=\sum _{i=0}^n{y}_i{l}_i(x)=\sum _{i=0}^n{y}_i(\prod _{\underset{j\ne i}{j=0}}^n\frac{x-x_j}{x_i-x_j})$$

4.样条插值

许多工程问题都对插值函数的光滑性有较高要求,需要曲线不仅要连续,而且要具有连续的曲率,这就导致了样条插值的诞生

(1)样条函数:

数学上将具有一定光滑性的分段多项式称为样条函数.具体来说,给定区间$[a,b]$的1个划分$$\Delta :a=x_0<x_1<...<x_{n-1}<x_n=b$$如果$S(x)$满足:
①在每个小区间$[x_i,x_{i+1}](i=0,1...n-1)$上$S(x)$是$m$次多项式
②$S(x)$在$[a,b]$上具有$m-1$阶连续导数
则称$S(x)$为关于划分$\Delta$的$m$次样条函数,其图形为$m$次样条曲线.显然,折线是1次样条曲线

(2)样条插值:

利用样条函数进行插值,即取插值函数为样条函数,称为样条插值,例如分段线性插值是1次样条插值.以3次样条插值为例,已知$y=f(x)$在$[a,b]$上的$n+1$个节点$$a=x_0<x_1<...<x_{n-1}<x_n=b$$处的值$y_i=f(x_i)(i=0,1...n)$.求$f(x)$的3次样条插值函数$S(x)$,满足
①$S(x_i)=y_i(i=0,1...n)(5.1)$
②在每个小区间$[x_i,x_{i+1}](i=0,1...n-1)$上$S(x)$是3次多项式,记为$S_i(x)$
③$S(x)$在$[a,b]$上2阶连续可微
由条件②,不妨记 S ( x ) = { S i ( x ) , x ∈ [ x i , x i + 1 , i = 0 , 1... n − 1 ] } S i ( x ) = a i x 3 + b i x 2 + c i x + d i S(x)=\{S_i(x),x∈[x_i,x_{i+1},i=0,1...n-1]\}\\S_i(x)=a_ix^3+b_ix^2+c_ix+d_i S(x)={Si​(x),x∈[xi​,xi+1​,i=0,1...n−1]}Si​(x)=ai​x3+bi​x2+ci​x+di​其中$a_i,b_i,c_i,d_i$为待定系数,共$4n$个.由条件③,有$$\{\begin{array}{l}{S}_i(x_{i+1})=S_{i+1}(x_{i+1})(i=0,1...n-2)\\ S_i^{\prime }(x_{i+1})S_{i+1}^{\prime }(x_{i+1})(i=0,1...n-2)\\ S_i^{\prime \prime }(x_{i+1})=S_{i+1}^{\prime \prime }(x_{i+1})(i=0,1...n-2)\end{array}(5.2)$$$(5.1),(5.2)$式共包含$4n-2$个方程.为确定$S(x)$的所有待定参数,还需要给出2个边界条件

(3)样条插值的边界条件:

常用的3次样条函数的边界条件有3种:
①$S^{\prime }(a)=y_0^{\prime },S^{\prime }(b)=y_n^{\prime }$.由此建立的3次样条插值函数称为完备3次样条插值函数.特别地,若$y_0^{\prime }=y_n^{\prime }=0$,则样条曲线在端点处呈水平状态
若不知道$f^{\prime }(x)$,可要求$S^{\prime }(x),f^{\prime }(x)$在端点处近似相等.这时以$x_0...x_3$为节点作3次牛顿插值多项式$N_a(x)$,以$x_n...x_{n-3}$为节点作3次牛顿插值多项式$N_b(x)$,要求$$S^{\prime }(a)=N_a^{\prime }(a),S^{\prime }(b)=N_b^{\prime }(b)$$由此建立的3次样条插值函数称为拉格朗日3次样条插值函数
②$S^{\prime \prime }(a)=y_0^{\prime \prime },S^{\prime \prime }(b)=y_n^{\prime \prime }$.特别地,当$y_0^{\prime \prime }=y_n^{\prime \prime }$时,称为自然边界条件
③$S^{\prime }(a+0)=S^{\prime }(b-0),S^{\prime \prime }(a+0)=S^{\prime \prime }(b-0)$.此条件称为周期条件

二.拟合方法
1.概念:

曲线拟合是指已知1组(2维)数据,即平面上的$n$个互不相同的点$(x_i,y_i)(i=1,2...n)$,求1个函数(曲线)$y=f(x)$,使$f(x)$在某种准则下与所有数据点最为接近,即曲线拟合得最好

2.线性最小二乘法
(1)基本思路:

基本思路为,令$$f(x)=\sum _{i=1}^m{a}_i{r}_i(x)(m<n)(5.3)$$其中$r_i(x)$为预先选的的1组线性无关的函数,$a_i$为待定系数.拟合准则是使$y_i$与$f(x_i)$的距离${\delta }_i$的平方和最小,称为最小二乘准则

(2)系数的确定:

记$$J(a_1...a_m)=\sum _{i=1}^n{\delta }_i^2=\sum _{i=1}^n[f(x_i)-y_i{]}^2(5.4)$$为求$a_j$使$J$最小,需要利用极值的必要条件$\frac{\partial J}{\partial a_j}=0(j=1,2...m)$,得到关于$a_j$的线性方程组$$\sum _{i=1}^n{r}_j(x_i)[\sum _{k=1}^m{a}_k{r}_k(x_i)-y_i]=0$$即$$\sum _{k=1}^m{a}_k[\sum _{i=1}^n{r}_j(x_i)r_k(x_i)]=\sum _{i=1}^n{r}_j(x_i)y_i(5.5)$$记$$\begin{gathered} R=\left[\begin{array}{ccc}{r}_1(x_1)& ...& r_m(x_1)\\ ...& ...& ...\\ r_1(x_n)& ...& r_m(x_n)\end{array}\right] \\ A=[a_1,a_2...a_m{]}^T \\ Y=[y_1,y_2...y_n{]}^T \end{gathered}$$则方程组$(5.5)$可表示为$$R^{T}RA=R^{T}Y(5.6)$$当 { r j ( x ) , j = 1 , 2... m } \{r_j(x),j=1,2...m\} {rj​(x),j=1,2...m}线性无关时,$R$列满秩,$R^{T}R$可逆,于是$(5.6)$有唯一解$$A=(R^{T}R{)}^{-1}{R}^{T}Y$$

(2)基函数$r_j(x)$的选取:

如果通过机理分析能够知道$x,y$间的函数关系,则容易确定$r_j(x)$.若无法知道$x,y$间的函数关系,则通常可将$(x_i,y_i)$绘成图,直观地判定应用什么样的曲线去拟合;或者用几种曲线分别拟合,然后比较各自的$J$.常用的曲线有:
①直线:$y=a_{1}x+a_2$
②多项式:$y=a_1{x}^m+...+a_{m}x+a_{m+1}($通常$m=2,3$,不宜过高$)$
③双曲线(单支):$y=\frac{a_1}{x}+a_2$
④指数曲线:$y=a_1{e}^{a_{2}x}$
注意:对于指数曲线,拟合前需作变量代换,化为对$a_1,a_2$的线性函数

3.最小二乘优化:

在无约束最优化问题中,有一些重要的特殊情形,比如目标函数由若干个函数的平方和构成,写成$$F(x)=\sum _{i=1}^m{f}_i^2(x)(x\in R)$$其中$x=[x_1,x_2...x_n{]}^T$,一般假设$m\ge n$.把极小化这类问题$$minF(x)=\sum _{i=1}^m{f}_i^2(x)$$称为最小二乘优化问题

4.函数逼近
(1)概念:

如果已知1个较为复杂的连续函数$y(x)(a\le x\le b)$,要求选择1个较简单的函数$f(x)$,在一定准则下最接近$y(x)$,这个过程就称为函数逼近

(2)最小平方逼近:

函数逼近常用的1种准则是最小平方逼近,即$$minJ={\int }_a^b[f(x)-y(x){]}^{2}dx(5.7)$$与曲线拟合一样,选取1组函数 { r i ( x ) , i = 1 , 2... m } \{r_i(x),i=1,2...m\} {ri​(x),i=1,2...m}来构造$f(x)$.即令$$f(x)=\sum _{i=1}^m{a}_i{r}_i(x)$$带入$(5.7)$,求$a_i$使$J$达到最小.利用极值的必要条件可得$$\left[\begin{array}{ccc}(r_1,r_1)& ...& (r_1,r_m)\\ ...& ...& ...\\ (r_m,r_1)& ...& (r_m,r_m)\end{array}\right]\left[\begin{array}{c}{a}_1\\ ...\\ a_m\end{array}\right]=\left[\begin{array}{c}(y,r_1)\\ ...\\ (y,r_m)\end{array}\right](5.8)$$这里$(g,h)={\int }_a^{b}g(x)h(x)dx$当方程组$(5.8)$的系数矩阵非奇异时,有唯一解

(3)使用多项式逼近:

最简单的方法是使用多项式进行逼近,即选取$r_i(x)=x^{i-1}$

如果能使${\int }_a^b{r}_i(x)r_j(x)dx=0(i\ne j)$,则方程组$(5.8)$的系数矩阵将是对角矩阵,计算会被大大简化.满足这种性质的多项式称为正交多项式.例如勒让得多项式就是$[-1,1]$上的正交多项式,表达式为$$P_0(x)=1,P_k(x)=\frac{1}{2^{k}k!}\frac{d^k}{{dx}^k}(x^2-1{)}^k(k=1,2...)$$可以证明$$\begin{gathered} {\int }_{-1}^1{P}_i(x)P_j(x)dx=\{\begin{array}{l}0(i\ne j)\\ \frac{2}{2i+1}(i=j)\end{array} \\ {P}_{k+1}(x)=\frac{2k+1}{k+1}x{P}_k(x)-\frac{k}{k+1}{P}_{k-1}(x)(k=1,2...) \end{gathered}$$常用的正交多项式还有第一类切比雪夫多项式,即$$T_n(x)=\cos (n\arccos (x))(-1\le x\le 1,n=0,1...)$$和拉盖尔多项式$$L_n(x)=e^x\frac{d^n}{{dx}^n}(x^n{e}^{-x})(x\ge 0,n=0,1...)$$

5.实例(黄河小浪底调水调沙问题)