首页 > 其他分享 >2022-2023 春学期 矩阵与数值分析 C5 插值与逼近

2022-2023 春学期 矩阵与数值分析 C5 插值与逼近

时间:2023-06-02 11:15:52浏览次数:54  
标签:函数 limits 插值 多项式 sum cdots 2022 2023 C5

2022-2023 春学期 矩阵与数值分析 C5 插值与逼近

C5 插值与逼近

原文

5.1 引言

image-20230526212330802

image-20230526212528699

image-20230526212350076

有 n 个插值节点,就有 n 插值条件,可以构造至多 n-1 次的插值函数

需要考虑简单函数类的选取问题: 如代数多项式, 三角多项式,分段多项式,有理函数,样条函数等;存在唯一性问题;余项估计问题;收敛性问题等

思想是:简单函数类的基底需满足条件;给出具体的基底;给出系数

image-20230526212606480

image-20230526212619016

解存在条件-Harr 条件:设 \(\varphi_1(x),\varphi_2(x),\cdots,\varphi_n(x)\) 是 \([a,b]\) 上的函数,且对 上的任意 n 个互异点 \(x_1,x_2,\cdots,x_n\),有行列式

\[\begin{vmatrix} \varphi_1(x_1)&\varphi_2(x_1)&\cdots&\varphi_n(x_1)\\ \varphi_1(x_2)&\varphi_2(x_2)&\cdots&\varphi_n(x_2)\\ \vdots&\vdots&\ddots&\vdots\\ \varphi_1(x_n)&\varphi_2(x_n)&\cdots&\varphi_n(x_n)\\ \end{vmatrix} \]

则称 \(\varphi_1(x),\varphi_2(x),\cdots,\varphi_n(x)\) 在 \([a,b]\) 上满足 Haar 条件

解存在唯一性定理:设已知函数 \(f(x)\) 在 n 个互异点 \(x_1,x_2,\cdots,x_n\) 处的函数值 \(y_i=f(x_i)\quad(i=1,\cdots,n)\),简单函数类 S 的基函数 \(\varphi_1(x),\varphi_2(x),\cdots,\varphi_n(x)\) 在 \([a,b]\) 上满足 Haar 条件,则存在唯一的 \(p(x)=\sum\limits^n_{k=1}c_k\varphi_k(x)\in S\) 满足插值条件 \(p(x_i)=y_i,\quad i=1,\cdots,n\)

插值基函数:函数 \(l_1(x),l_2(x),\cdots,l_n(x)\) 满足

\[l_k(x_i)=\delta_{i,k}= \left\{ \begin{array}{l} 1,i=k,\\0,i\neq k, \end{array} \right. \quad k=1,\cdots,n;\;i=1,\cdots,n \]

则 \(l_k(x)(k=1,2,\cdots,n)\) 称为插值基函数

插值函数存在唯一性定理:在上述定理的假设下,函数 \(p(x)=\sum\limits^n_{k=1}y_kl_k(x)\) 是 S 中满足插值条件 \(p(x_i)=y_i,\;i=1,2,\cdots,n\) 的唯一函数。

5.2 多项式插值

Lagrange 插值和 Newton 插值的构造过程有区别,但最后得到的插值函数是一样的

Lagrange 插值

先给系数,再确定基底

系数为给定的函数值

假定构造的 n 次插值多项式为:

\[p(x)=y_0l_0(x)+y_1l_1(x)+\cdots+y_nl_n(x) \]

由插值条件 \(p(x_i)=f(x_i)=y_i\) 知,基函数 \(l_i(x)\) 需满足

\[l_i(x_k)= \left\{ \begin{array}{l} 1,\;k=i\\ 0,\;k\neq i \end{array} \right. \quad i,k=0,1,\cdots,n \]

\(l_i(x),\;(i=0,1,\cdots,n)\) 称为 n 次 Lagrange 插值基函数.

Lagrange 插值基函数 为:

\[l_i(x)= \frac{(x-x_0)\cdots(x-x_{i-1})(x-x_{i+1})\cdots(x-x_n)} {(x_i-x_0)\cdots(x_i-x_{i-1})(x_i-x_{i+1})\cdots(x_i-x_n)} = \frac{w_{n+1}(x)} {(x-x_i)w'_{n+1}(x_i)} \]

其中

\[w_{n+1}(x)=(x-x_0)(x-x_1)\cdots(x-x_n) \]

多项式 \(p_n(x)=\sum\limits^n_{i=1}y_il_i(x)\),就是多项式空间 \(P_n(x)\) 中满足插值条件 \(p_n(x_i)=y_i\quad (i=0,1,\cdots,n)\) 的唯一多项式,\(p_n(x)\) 称为 n 次 Lagrange 插值多项式

注意:

  • 插值基函数的个数 = 插值节点的个数
  • 插值基函数的次数 = 插值节点的个数 - 1
  • 插值基函数与插值节点的次序无关

并且,Lagrange 插值基函数具有如下性质:

  • 设 \(x_0,\cdots,x_n\) 是互异的插值节点组,\(l_i(x)\) 是 Lagrange 插值基函数,则对于次数不超过 n 的多项式 \(f(x)\),插值多项式 \(p_n(x)=\sum\limits^n_{i=0}f(x_i)l_u(x)\) 精确成立,即 \(p_n(x)=f(x)\),且 \(p_n(x_0)=\sum\limits^n_{i=0}f(x_i)l_u(x_0)=f(x_0)\),特别的 ,\(\sum\limits^n_{i=0}x^k_il_i(x)=x^k,\quad 0\leq k\leq n\)。

  • n+1 个节点的拉格朗日插值基函数之和为 1

  • \[ \sum_{i=0}^n\int_a^bl^2_i(x)dx= \sum_{i=0}^n\int_a^bl_i(x)dx= \int_a^b\sum_{i=0}^nl_i(x)dx=\int^b_a1dx=b-a \]

例题

image-20230526230059638

Newton 插值

先给基底,再确定系数

克服了 Lagrange 插值难以灵活增加插值节点的缺点

设已知函数 \(f(x)\) 在 \([a,b]\) 上的 \(n+1\) 个互异插值节点 \(x_0,x_1,\cdots,x_n\) 上的函数值 \(f_0,f_1,\cdots,f_n\),将基函数取作:

\[\left\{ \begin{array}{l} \varphi_0(x)=1, \\ \varphi_j(x)=(x-x_0)(x-x_1)\cdots(x-x_{j-1})=\prod\limits^{j-1}_{i=0}(x-x_j),\; j=1,2,\cdots,n \end{array} \right. \]

则可将 n 次插值多项式写成如下形式

\[\begin{aligned} p_n(x)&=\sum\limits^n_{j=0}a_j\varphi_j(x) \\&=a_0+a_1(x-x_0)+\cdots+a_n(x-x_0)(x-x_1)\cdots(x-x_{n-1}) \end{aligned} \]

其中待定系数 \(a_0,a_1,\cdots,a_n\) 由插值条件

\[p(x_i)=f_i,i=0,1,\;\dots,n \]

来确定;这些系数通过差商(均差)计算得到。

差商(均差)定义:设函数 \(f(x)\) 在互异节点 \(x_0,x_1,\cdots,x_n\) 上的函数值为 \(f_0,f_1,\cdots,f_n\),称

\[f[x_i,x_k]=\frac{f_k-f_i}{x_k-x_i}\quad k\neq i \]

为 \(f(x)\) 关于 \(x_i,x_k\) 的一阶均差(差商),称

\[f[x_i,x_j,x_k]=\frac{f[x_j,x_k]-f[x_i,x_j]}{x_k-x_i}\quad i\neq j\neq k \]

为 \(f(x)\) 关于 \(x_i,x_j,x_k\) 的二阶均差(差商),称

\[f[x_0,x_1,\cdots,x_k]=\frac{f[x_1,\cdots,x_{k-1},x_k]-f[x_0,x_1,\cdots,x_{k-1}]}{x_k-x_0} \]

为 \(f(x)\) 关于 \(x_0,x_1,\cdots,x_k\) 的 k 阶均差(差商).

运用均差表计算均差

x f(x) 一阶均差(1) 二阶均差(2) 三阶均差(3)\(\cdots\)
\(x_0\) \(f(x_0)\)
\(x_1\) \(f(x_1)\) \(f[x_0,x_1]\)
\(x_2\) \(f(x_2)\) \(f[x_1,x_2]\) \(f[x_0,x_1,x_2]\)
\(x_3\) \(f(x_3)\) \(f[x_2,x_3]\) \(f[x_1,x_2,x_3]\) \(f[x_0,x_1,x_2,x_3]\)

例如,当 \(f(0)=2,f(1)=-3,f(2)=-6,f(3)=11\) 时

x f(x) 一阶均差(1) 二阶均差(2) 三阶均差(3)\(\cdots\)
\(0\) \(2\)
\(1\) \(-3\) \(\frac{-3-2}{1-0}=-5\)
\(2\) \(-6\) \(\frac{-6+3}{2-1}=-3\) \(\frac{-3+5}{2-0}=1\)
\(3\) \(11\) \(\frac{11+6}{3-2}=17\) \(\frac{17+3}{3-1}=10\) \(\frac{10-1}{3-0}=3\)

则有

\[\begin{aligned} p_n(x)&=f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)\\ &\;\;\;\;\;+\cdots+f[x_0,x_1,\cdots,x_n](x-x_0)(x-x_1)\cdots(x-x_{n-1})\\ \end{aligned} \]

\[\lim_\limits{x_0=x_1=\cdots=x_k}f[x_0,x_1,\cdots,x_k]=\lim\limits_{\xi\to x_0}\frac{f^{(k)}(\xi)}{k!}=\frac{f^{(k)}(x_0)}{k!} \]

均差可以表示为 Taylor 多项式

均差的性质

  • k 阶均差计算公式:

    \[f[x_0,x_1,\cdots,x_k]=\sum\limits_{j=0}^k\frac{f(x_j)}{w'_{k+1}(x_j)} \]

    其中 \(w_{k+1}(x)=(x-x_0)(x-x_1)\cdots(x-x_k)\)

  • 对称性,即在 \(f[x_0,x_1,\cdots,x_k]\) 中任意调换 \(x_0,x_1,\cdots,x_k\) 的位置时,均差的值不变

    \[f[x_0,x_1,\cdots,x_k]=f[x_1,x_0,\cdots,x_k]=\cdots=f[x_k,x_0,x_1,\cdots,x_{k-1}] \]

  • 若 \(f(x)=x^m\),m为自然数,则

    \[f[x_0,x_1,\cdots,x_k]= \left\{ \begin{array}{l} 0,\;k>m\\ 1,\;k=m\\ 诸 x_i 的 m-k 次齐次函数 ,k<m \end{array} \right. \]

  • 设 \(f(x)\) 在包含 \(x_0,x_1,\cdots,x_k\) 的区间 \((a,b)\) 内 k 次可微,则

    \[f[x_0,x_1,\cdots,x_k]=\frac{f^{(k)}(\xi)}{k!} \]

    ,此处 \(\min(x_0,x_1,\cdots,x_k)<\xi<\max(x_0,x_1,\cdots,x_k)\)

Newton 插值多项式:n 次 Newton 插值多项式公式可以表示为:

\[\begin{aligned} p_n(x)&=f(x_0)+f[x_0,x_1](x-x_0)+f[x_0,x_1,x_2](x-x_0)(x-x_1)\\ &\;\;\;\;\;+\cdots+f[x_0,x_1,\cdots,x_n](x-x_0)(x-x_1)\cdots(x-x_{n-1})\\ &=p_{n-1}(x)+f[x_0,x_1,\cdots,x_n](x-x_0)(x-x_1)\cdots(x-x_{n-1}) \end{aligned} \]

插值多项式具有唯一性,Newton 插值多项式和 Lagrange 插值多项式的表现形式不同,最后可以化为相同的表达式

例题

image-20230527234631084

image-20230527234722945

image-20230527234735628

image-20230527234814801

插值余项

定义:若 \(f(x)\) 在包含着插值节点 \(x_0,x_1,\cdots,x_n\) 的区间 \([a,b]\) 上 n+1 次可微,则对任意 \(x\in[a,b]\),存在与 x 有关的 \(\xi\;(a<\xi<b)\),使得

\[r_n(x)=f(x)-p_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}w_{n+1}(x) \]

其中 \(w_{k+1}(x)=(x-x_0)(x-x_1)\cdots(x-x_k)\)

例题

image-20230528000305948

Hermite 插值

要求插值函数具有一定的光滑度,在插值节点处满足一定的导数条件,这类插值问题称为 Hermite 问题

考试时,可通过待定系数法或均差表构造

设已知函数 f(x) 在 s 个互异点 \(x_1,\cdots,x_s\) 处的函数值和导数值:

\[f(x_1),f'(x_1),\cdots,f^{(a_1-1)}(x_1); \]

\[f(x_2),f'(x_2),\cdots,f^{(a_2-1)}(x_2); \]

\[\cdots\cdots \]

\[f(x_s),f'(x_s),\cdots,f^{(a_s-1)}(x_s);\\ \]

其中 \(a_1,a_2,\cdots,a_s\) 为正整数,有 \(a_1+a_2+\cdots+a_s=n+1\),构造一个 n 次多项式 \(p_n(x)\),使其满足插值条件:

\[p_n^{(\mu_i)}(x_i)=f^{(\mu_i)}(x_i)=y_i^{(\mu_i)},\;i=1,2,\cdots,s;\;\mu_i=0,1,\cdots,a_i-1 \]

可采用类似于构造 Largrange 插值基函数的方法解决 Hermite 插值问题,构造一批 n 次多项式 \(L_{i,k}(x),i=1,2,\cdots,s;k=0,1,\cdots,a_i-1\),使这些多项式满足条件:

\[L_{i,k}^{(h)}(x_m)=0,m\neq i,h=0,1,\cdots,a_m-1;\\ L^{(h)}_{i,k}(x_i)= \left\{ \begin{array}{l} 0,h\neq k\\ 1,h=k \end{array} \right. \]

只要解决上述问题,则 n 次多项式

\[p_n(x)= \sum\limits^s_{i=1}\sum\limits^{a_i-1}_{k=0}y_i^{(k)}L_{i,k}(x)=\sum\limits^s_{i=1}[y_iL_{i,0}(x)+y_i^{(1)}L_{i,1}(x)+\cdots+y_i^{(a_i-1)}L_{i,a_i-1}(x)] \]

必满足插值条件

运用均差计算三次 Hermite 插值

x f(x) 一阶均差(1) 二阶均差(2) 三阶均差(3)\(\cdots\)
\(x_0\) \(f(x_0)\)
\(x_0\) \(f(x_0)\) \(f[x_0,x_0]=f'(x_0)\)
\(x_1\) \(f(x_1)\) \(f[x_0,x_1]\) \(f[x_0,x_0,x_1]\)
\(x_1\) \(f(x_1)\) \(f[x_1,x_1]=f'(x_1)\) \(f[x_0,x_1,x_1]\) \(f[x_0,x_0,x_1,x_1]\)

则所求的三次插值多项式为:

\[H_3(x)=f(x_0)+f'(x_0)(x-x_0)+f[x_0,x_1,x_1](x-x_0)^2+f[x_0,x_0,x_1,x_1](x-x_0)^2(x-x_1) \]

例题

已知 \(f(x)=a_0+a_1x+a_2x^2+a_3x^3\) 满足插值条件 \(f(0)=1,f'(0)=2,f(1)=10,f'(1)=20\),求 \(a_0,a_1,a_2,a_3\)

解:这里可以通过两点三次的 Hermite 插值公式求得(此处例 3),也可以完全不需要利用公式,可以使用待定系数法求解如下方程,得到所需答案

\[f(x)=a_0+a_1x+a_2x^2+a_3x^3 \]

\[f'(x)=a_1+2a_2x+3a_3x^2\\ \]

\[f(0)=a_0=1 \]

\[f(1)=a_0+a_1+a_2+a_3=10\\ \]

\[f'(0)=a_1=2\\ \]

\[f'(1)=a_1+2a_2+3a_3=20 \]

1

image-20230529235022919

2

image-20230529235033864

3 两点三次的 Hermite 插值公式以及余项和误差估计

image-20230529235048338

image-20230529235109573

image-20230529235117832

image-20230529235937847

分段低次插值(应该不会考

插值节点越密集,插值函数的误差不一定越小,可能出现大幅的震荡。分段低次插值可避免高次插值可能出现的 Runge 现象

image-20230530000158678

image-20230530000210456

image-20230530000222768

image-20230530000233581

image-20230530000244236

例题

image-20230530000035345

5.3 三次样条插值(只考是样条函数的判定)

样条函数是满足一定光滑性的分段多项式,局部性好,满足一定光滑性,收敛性保证,只需函数值信息。

概念:对区间 \((-\infty,+\infty)\) 的一个分割:

\[\Delta:-\infty<x_1<x_2<\cdots<x_n<+\infty \]

若分段函数 \(s(x)\) 满足条件

  • 在每个区间 \((-\infty,x_1],[x_j,x_j+1](j+1,\cdots,n-1)\) 和 \([x_n,+\infty)\) 上,\(s(x)\) 是一个次数不超过 m 的实系数代数多项式
  • \(s(x)\) 在区间 \((-\infty,+\infty)\) 上具有直至 m-1 阶的连续微商,则称 y=s(x) 为对应于分割 \(\Delta\) 的 m 次样条函数,\(x_1,x_2,\cdots,x_n\) 为样条节点;以 为节点的 m 次样条函数的全体记为:\(s_m(x_1,x_2,\cdots,x_n)\)

样条函数判定定理

\[s(x)=\left\{ \begin{array}{l} p_0(x),\;x\leq x_1\\ p_1(x),x_1\leq x\leq x_2\\ \qquad\qquad\vdots\\ p_j(x),\;x_j\leq x\leq x_j+1\quad p_j(x)\in P_m(j)(j=0,1,\cdots,n)\\ \qquad\qquad\vdots\\ p_n(x),\; x_n\leq x \end{array} \right. \]

于是 s(x) 是 m 次样条的充要条件为:

\[p_0(x)=a_0+a_1x+\cdots+a_mx^m,\\ p_1(x)=p_0+c_1(x-x_1)^m,\\ p_2(x)=p_1(x)+c_2(x-x_2)^m=p_0+c_1(x-x_1)^m+c_2(x-x_2)^m\\ \cdots\\ p_n(x)=p_{n-1}+c_n(x-x_n)^m=p_0(x)+\sum\limits^n_{j=1}c_j(x-x_j)^m \]

其中,\(c_i,\;i=1,\cdots,n\) 表示光滑因子,为常数

显然,针对三次样条函数的判定,m = 3

例题

image-20230530214025677

*截断多项式

image-20230530213945625

image-20230530214006739

*三次样条插值构造及其收敛性

image-20230530214227524

image-20230530214247798

image-20230530214318038

image-20230530214326874

image-20230530214341683

image-20230530214353517

image-20230530214406207

image-20230530214426085

image-20230530214437486

image-20230530214457359

*三次样条函数的三种构造算法

  1. 满足第一类边界条件(固定边界,Clamped Cubic Spline)

    p155-p156; algorithm 3.5; Numerical Analysis 9th Autor: Richard L.Burden and J.Douglas Faires

    image-20230530215321316

    image-20230530215334371

  2. 满足第二类边界条件 (自然边界,Natural Cubic Spline)

    p149-p150; algorithm 3.4; Numerical Analysis 9th Autor: Richard L.Burden and J.Douglas Faires

    给出首尾两点的二阶导数值为 0,即 \(S''(x_0)=S''(x_n)=0\)

    image-20230530214943837

    image-20230530214957328

  3. 满足第三类边界条件

    https://blog.csdn.net/BJMzheng/article/details/117017335

5.4 正交函数族应用

连续型函数内积

连续型内积:对于 \([a,b]\) 上的连续函数 \(f(x),g(x)\),定义连续型内积:

\[(f,g)=\int_a^b\rho(x)f(x)g(x)dx \]

其中可积函数 \(\rho(x)\geq0\;\;(x\in[a,b])\) 是权函数.

类似于向量内积,连续型函数内积具有如下性质:

  • \[ (f,f)\geq0,(f,f)=0\Leftrightarrow f\equiv0 \]

  • \[ (f,g)=(g,f) \]

  • \[ (\lambda f,g)=\lambda\cdot(f,g) \]

  • \[ (f+g,h)=(f,h)+(g,h) \]

  • \(f(x)\) 和 \(g(x)\) 在 \([a,b]\) 上关于权函数 \(\rho(x)\) 正交,则 \((f,g)=0\)

正交多项式系

正交多项式系:利用 Schmidt 正交化构造正交多项式,特别取多项式系 \(1,x,\cdots,x^n,\cdots\) 进行正交化即得正交多项式系;令

\[\mu_m=\int_a^b=\rho(x)\cdot x^mdx,\;\;m=0,1,\cdots \]

\[\phi_0(x)=1,\phi_i(x)= \begin{vmatrix} \mu_0&\mu_1&\cdots&\mu_{i-1}&1\\ \mu_1&\mu_2&\cdots&\mu_{i}&x\\ \cdots&\cdots&\cdots&\cdots&\cdots\\ \mu_i&\mu_{i+1}&\cdots&\mu_{2i-1}&x^i\\ \end{vmatrix} \]

则 \(\phi_0(x),\phi_i(x),\;i=1,2,\cdots\) 构成正交多项式系。

标准正交多项式系:令

\[\Delta= \begin{vmatrix} \mu_0&\mu_1&\cdots&\mu_i\\ \mu_1&\mu_2&\cdots&\mu_{i+1}\\ \vdots&\vdots&\ddots&\vdots\\ \mu_i&\mu_{i+1}&\cdots&\mu_{2i}\\ \end{vmatrix} ,\quad i=0,1,\cdots \]

\[\left\{ \begin{array}{l} \psi_0(x)=\frac{\phi_0(x)}{\sqrt{(\phi_0,\phi_0)}}=\frac{1}{\sqrt{\Delta_0}}\\ \psi_i(x)=\frac{\phi_i(x)}{\sqrt{(\phi_i,\phi_i)}}=\frac{\phi_i(x)}{\sqrt{\Delta_{i-1}\Delta_i}} \end{array} \right. ,\;i=0,1,\cdots \]

则 \(\psi_0(x),\psi_1(x),\cdots,\psi_n(x)\) 成为标准正交多项式系。

正交多项式的一些性质:

  1. \(\phi_n(x)\) 恰好是 n 次多项式,\(\phi_0(x),\phi_1(x),\cdots,\phi_n(x)\) 是 \(P_n\) 的一组基底函数

  2. \(\phi_n(x)\) 与次数低于 n 次的所有多项式正交

  3. \(\phi_n(x)\) 在 \((a,b)\) 内恰有 n 个互异零点

  4. 设 \(p_k\) 为首项系数为 1 的 k 次正交多项式,则有如下三角递推关系式成立

    \[p_{k+1}=(x-\alpha_k)p_k-\beta_{k-1}p_{k-1} \]

    其中 \(\alpha_k=\frac{(xp_k,p_k)}{(p_k,p_k)},\beta_k=\frac{(p_k,p_k)}{(p_{k-1},p_{k-1})}\)

性质 2,3 是 C6 中构造 Gauss 型求积公式的重要依据

例子

Legendre 多项式: 在 \([-1,1]\) 上以 \(\rho(x)=1\) 为权函数的正交多项式系为 Legendre 多项式系

image-20230601230634268

image-20230601230646512

image-20230601230558382

Chebyshev 多项式

image-20230601230522395

image-20230601230536778

image-20230601230547539

1

image-20230601230718865

数据拟合的最小二乘法

几何的意义

image-20230601232008683

概念:设 \((x_i,y_i)(i=0,1,\cdots,m)\) 为给定的一组数据求一个函数

\[\hat{y}=a+bx \]

使其满足

\[\min=\sum\limits^m_{i=0}(\hat{y}(x_i)-y_i)^2 \]

则称按上述条件求 \(\hat{y}(x)\) 的方法为离散数据拟合 \(\{x_i,y_i\}^m_{i=0}\) 的最小二乘法,简称最小二乘法,并称 \(\hat{y}(x)\) 为最小二乘解

求解 \(\hat{y}(x)\) 等价于求多元数

\[E(a,b)=\sum\limits^m_{i=0}(\hat{y}(x_i)-y_i)^2=\sum\limits^m_{i=0}((a+bx_i)-y_i)^2 \]

的最小值点 \((a^*,b^*)\)

最后可以写成矩阵形式,可通过所给点构造并求解法方程组

针对一次函数求解(注意这里 a 是常数,b 是一次项系数) \(y=a+bx\) 的法方程组为

\[\begin{pmatrix} \sum\limits^m_{i=0}x_i^0=m+1&\sum\limits^m_{i=0}x_i\\ \sum\limits^m_{i=0}x_i&\sum\limits^m_{i=0}x_i^2 \end{pmatrix} \begin{pmatrix} a\\b \end{pmatrix} = \begin{pmatrix} \sum\limits^m_{i=0}y_i\\ \sum\limits^m_{i=0}x_i\cdot y_i \end{pmatrix} \]

类似的,针对二次函数求解 \(y=a+bx+cx^2\) 的法方程组为

\[\begin{pmatrix} \sum\limits^m_{i=0}x_i^0=m+1&\sum\limits^m_{i=0}x_i&\sum\limits^m_{i=0}x_i^2\\ \sum\limits^m_{i=0}x_i&\sum\limits^m_{i=0}x_i^2&\sum\limits^m_{i=0}x_i^3\\ \sum\limits^m_{i=0}x_i^2&\sum\limits^m_{i=0}x_i^3&\sum\limits^m_{i=0}x_i^4 \end{pmatrix} \begin{pmatrix} a\\b\\c \end{pmatrix} = \begin{pmatrix} \sum\limits^m_{i=0}y_i\\ \sum\limits^m_{i=0}x_i\cdot y_i\\ \sum\limits^m_{i=0}x_i^2\cdot y_i \end{pmatrix} \]

更高次的构造方法也与之类似

推导过程如下

image-20230602001216189

image-20230602001922790

image-20230602001933941

image-20230602001944099

例题

正常考试题的流程为:依据所给数据,构造法方程组求解即可,可能会涉及到线性函数与非线性函数的转换,这一过程包括所给的数据与系数,例如

\[y=x^b\Rightarrow \ln y=\ln c + b\cdot\ln x\Rightarrow z=a+bt\qquad z=\ln y,t=\ln x,a=\ln c \]

\[y=ce^{bx}\Rightarrow \ln y=\ln c + b x\Rightarrow z=a+bt\qquad z=\ln y,a=\ln c \]

\[y=\frac{1}{a+bx}\Rightarrow \frac{1}{y}=a+bx\Rightarrow z=a+bx\qquad z=\frac{1}{y} \]

\[y=a+\frac{b}{x}\Rightarrow y=a+bt\qquad t=\frac{1}{x} \]

线性的情况

image-20230602002114254

image-20230602002128626

非线性的情况

image-20230602002216857

标签:函数,limits,插值,多项式,sum,cdots,2022,2023,C5
From: https://www.cnblogs.com/owuiviuwo/p/17451185.html

相关文章

  • WebStorm 2023(Web前端开发工具) v2023.1.2中文mac版
    WebStorm2022mac版是一款基于WebSocket的Web应用程序编程工具,旨在通过Web应用程序的代码将HTML和CSS文本从浏览器返回到服务器。WebStorm采用MVC架构,其中每个模块都在其内部运行。WebStorm适用于JavaScript和相关技术的集成开发环境。类似于其他JetBrainsIDE,它也会......
  • 喜讯丨计讯物联5G物联网数据网关TG463荣登2022年度中国物联网行业创新产品榜
    近日,备受瞩目的2022‘物联之星’中国物联网产业年度榜单颁奖典礼在上海世博展览馆会场隆重举行。经由申报筛选、网络人气投票、专家评委投票等多重环节,计讯物联旗下5G物联网数据网关TG463荣登2022年度中国物联网行业创新产品榜。 作为中国物联网行业的“奥斯卡”,本届物联之星......
  • 20230601
    日期2023-06-01连续总结第一天事项星盟Re入门视频1个,总结思维导图CTFshowRe入门题安装Ollydbg,解决问题......
  • SequoiaDB分布式数据库2023.5月刊
    本月看点速览行业认可,荣登中国最佳信创厂商系列榜单聚焦创新,入选2022年大湾区科创企业创新TOP10科技为本,协同发展,多家组织机构到访青杉计划2023已开启,一起攀登更高的“杉” 行业认可,荣登中国最佳信创厂商系列榜单近日,由第一新声联合天眼查发起的2023年中国最佳信创厂......
  • Nginx:CVE-2021-23017;CVE-2022-41742
    nginx安全漏洞(CVE-2021-23017)详细描述Nginx是美国Nginx公司的一款轻量级Web服务器/反向代理服务器及电子邮件(IMAP/POP3)代理服务器。nginx存在安全漏洞,该漏洞源于一个离一错误在该漏洞允许远程攻击者可利用该漏洞在目标系统上执行任意代码。受影响版本0.6.18-1.20.0解决......
  • 【专题】2022母婴行业洞察报告PDF合集分享(附原数据表)
    报告链接:http://tecdat.cn/?p=32654原文出处:拓端数据部落公众号在这一特别的环境下,我国的母婴消费市场将会发生什么新的变化?面对这一代又一代交替的母亲与母亲,他们的消费观念与养育模式又有什麽新的标记?面对怎样的新挑战,新的机会?报告从母婴行业现状与趋势、母婴人群精准画像、母......
  • SMU Spring 2023 Contest Round 4(第 21 届上海大学程序设计联赛 春季赛)
    A.Antiamunywantstolearnbinarysearch签到题.#include<map>#include<set>#include<cmath>#include<queue>#include<stack>#include<cstdio>#include<vector>#include<climits>#include<......
  • 2023学年春季学期学习总结
    这个学期对于我来说是十分充实而难忘的一学期,因为在这个学期里我学到了很多有用的知识和技能,这些知识和技能将会对我的未来产生深远的影响。本学期我学习了WEB和安卓App项目的开发应用,我和我的团队学习了WEB和安卓App项目的开发,并且我们成功地开发了一款个人记账的应用程序,名为个......
  • 2023.6.1——软件工程日报
    所花时间(包括上课):6h代码量(行):0行博客量(篇):1篇今天,上午学习,下午学习。我了解到的知识点:1.了解了一些数据库的知识;2.了解了一些python的知识;3.了解了一些英语知识;5.了解了一些Javaweb的知识;4.了解了一些数学建模的知识;6.了解了一些计算机网络的知识;......
  • 2023 五月联考游记
    \(2023\)五月联考游记date5.28有点紧张,但还好。从四月到五月基本上都全在看语文,但是也不知道怎么样。其他基本没弄。等着寄喽!无所谓,我会?date5.29上午语文。发下卷子直接跳到作文,看到是个普通二元思辨,感到非常安心。然后开做,但是做完现\(\rmI\)用了\(22\min\),做完现......