分片线性插值函数的L^2误差分析

在数值分析和数值逼近中，除了最大误差（或无穷范数误差）外，另一种常用的误差度量方法是 $L^2$误差。$L^2$ 误差衡量的是函数在一个区间上的平均平方误差，是一种全局误差度量。

分片线性插值函数的$L^2$ 误差分析

$L^2$ 误差定义

对于一个函数 $f(x)$ 和其近似 $L(x)$ （如分片线性插值函数），$L^2$误差定义为函数 $f(x)$和$L(x)$在整个区间上的平方误差的积分，即：

$$E_{L^2}={\left({\int }_a^b(f(x)-L(x){)}^{2}dx\right)}^{1/2}$$

其中，$[a,b]$ 是函数定义的区间。

分片线性插值的误差函数

假设我们在区间 $[x_i,x_{i+1}]$上进行分片线性插值，误差函数$E(x)$ 可以用泰勒展开表示为：

$E(x)=f(x)-L(x)\approx \frac{f^{\prime \prime }(\xi )}{2}(x-x_i)(x-x_{i+1})$

其中，$\xi$ 是 $x_i$ 和 $x_{i+1}$ 之间的某个点。

$L^2$误差分析步骤

我们将在每个子区间 $[x_i,x_{i+1}]$ 上计算误差的平方，然后进行积分，并将这些积分结果累加起来得到整个区间的$L^2$ 误差。

1. 平方误差:

首先计算平方误差 $E^2(x)$：

$$E^2(x)\approx {\left(\frac{f^{\prime \prime }(\xi )}{2}(x-x_i)(x-x_{i+1})\right)}^2=\frac{(f^{\prime \prime }(\xi ){)}^2}{4}(x-x_i{)}^2(x-x_{i+1}{)}^2$$

2. 积分:

在区间 $[x_i,x_{i+1}]$上对平方误差进行积分：

$${\int }_{x_i}^{x_{i+1}}{E}^2(x)dx=\frac{(f^{\prime \prime }(\xi ){)}^2}{4}{\int }_{x_i}^{x_{i+1}}(x-x_i{)}^2(x-x_{i+1}{)}^{2}dx$$

3. 简化积分:

将积分进行变化，将变量 $x$ 换为 $t$，其中 $t=\frac{x-x_i}{h}$，$h=x_{i+1}-x_i$ 是子区间的长度：

$$x=x_i+th$$
$$dx=hdt$$

积分的限变为 0 到 1：

$${\int }_{x_i}^{x_{i+1}}(x-x_i{)}^2(x-x_{i+1}{)}^{2}dx=h^5{\int }_0^1{t}^2(1-t{)}^{2}dt$$

计算这个积分：

$${\int }_0^1{t}^2(1-t{)}^{2}dt=\frac{1}{30}$$

因此，积分结果为：

$${\int }_{x_i}^{x_{i+1}}(x-x_i{)}^2(x-x_{i+1}{)}^{2}dx=\frac{h^5}{30}$$

4. 平方误差积分:

$${\int }_{x_i}^{x_{i+1}}{E}^2(x)dx=\frac{(f^{\prime \prime }(\xi ){)}^2}{4}\cdot \frac{h^5}{30}=\frac{(f^{\prime \prime }(\xi ){)}^2{h}^5}{120}$$

5. 全局$L^2$误差:

将每个子区间的误差积分累加得到整个区间的 $L^2$ 误差平方：

$$E_{L^2}^2=\sum _i\frac{(f^{\prime \prime }({\xi }_i){)}^2{h}_i^5}{120}$$

由于每个区间$h_i$大小不等，我们可以假设所有子区间长度大致相同，即$h_i\approx h$：

$$E_{L^2}^2\approx \frac{h^5}{120}\sum _i(f^{\prime \prime }({\xi }_i){)}^2$$

因为$f^{\prime \prime }(\xi )$是在每个子区间上的某个值，我们可以用 $\Vert f^{\prime \prime }{\Vert }_{\infty }$ 来近似表示最大值：

$$E_{L^2}^2\approx \frac{h^5}{120}\Vert f^{\prime \prime }{\Vert }_{\infty }^2\sum _{i}1$$

区间总长度$b-a$ 被分为$N$ 个子区间：

$$N\approx \frac{b-a}{h}$$

因此，$L^2$ 误差平方为：

$$E_{L^2}^2\approx \frac{h^4(b-a)}{120}\Vert f^{\prime \prime }{\Vert }_{\infty }^2$$

取平方根得到$L^2$ 误差：

$$E_{L^2}\approx {\left(\frac{h^4(b-a)}{120}\right)}^{1/2}\Vert f^{\prime \prime }{\Vert }_{\infty }$$

$$E_{L^2}\approx C{h}^2$$

其中 $C={\left(\frac{(b-a)}{120}\right)}^{1/2}\Vert f^{\prime \prime }{\Vert }_{\infty }$ 是与函数的二阶导数和区间长度相关的常数。

总结

通过分析我们可以得出，对于分片线性插值，$L^2$ 误差的阶数是二阶$O(h^2)$。这意味着当我们将插值点之间的间隔 $h$ 减半时，$L^2$ 误差大约会减少四分之一。

图示与验证

为了验证这一结论，我们可以通过实际计算和绘图来展示分片线性插值的$L^2$ 误差。

示例代码

import numpy as np
import matplotlib.pyplot as plt

# 定义函数和区间
def f(x):
    return np.sin(x)

a, b = 0, np.pi
x_fine = np.linspace(a, b, 1000)
y_fine = f(x_fine)

# 计算L2误差
def compute_l2_error(n_points):
    x = np.linspace(a, b, n_points)
    y = f(x)
    y_interp = np.interp(x_fine, x, y)
    error = np.sqrt(np.trapz((y_fine - y_interp) ** 2, x_fine))
    return error

# 不同点数的L2误差
n_points_list = [5, 10, 20, 40, 80, 160]
errors = [compute_l2_error(n) for n in n_points_list]

# 绘制误差与点数的关系
plt.loglog(n_points_list, errors, '-o', label='L2误差')
plt.loglog(n_points_list, [errors[0] * (n_points_list[0]/n)**2 for n in n_points_list], '--', label='理论 $O(h^2)$')
plt.xlabel('插值点数')
plt.ylabel('L2误差')
plt.title('分片线性插值的L2误差分析')
plt.legend()
plt.grid(True, which='both', linestyle='--')
plt.show()

该代码绘制了插值点数与$L^2$ 误差之间的关系。通过比较实际误差和理论误差$O(h^2)$，可以看到两者符合得很好，验证了$L^2$ 误差的阶数是$O(h^2)$。