首页 > 其他分享 >2022-2023 春学期 矩阵与数值分析 C6 插值函数的应用

2022-2023 春学期 矩阵与数值分析 C6 插值函数的应用

时间:2023-06-05 15:03:04浏览次数:51  
标签:frac dx int 公式 sum 求积 2022 2023 C6

2022-2023 春学期 矩阵与数值分析 C6 插值函数的应用

原文

C6 插值函数的应用

6.1 插值型求积公式

数值型求积公式

用于解决难以找到原函数的积分问题

问题描述:设 \(f(x)\) 是定义在 \([a,b]\) 上的可积函数,考虑带权积分

\[I(f)=\int^b_a\rho(x)f(x)dx \]

其中权函数 \(\rho(x)\) 在 \([a,b]\) 上非负可积,且至多有有限个零点

数值求积:用

\[I_n(f)=\sum\limits^n_{k=0}A_kf(x_k) \]

近似计算 \(I(f)\) 的值,其中 \(A_k(k=0,1,\cdots,n)\) 是与 \(f(x)\) 无关的常数,称为求积系数,\([a,b]\) 上的点 \(x_k(k=0,1,\cdots,n)\) 称为求积节点

几种数值求积公式:

  • 左矩形数值求积公式:\(\int^a_bf(x)dx\approx f(a)(b-a)\)
  • 右矩形数值求积公式:\(\int^a_bf(x)dx\approx f(b)(b-a)\)
  • 中矩形数值求积公式(精度为1):\(\int^a_bf(x)dx\approx f(\frac{a+b}{2})(b-a)\)
  • 梯矩形数值求积公式(精度为1):\(\int^a_bf(x)dx\approx \frac{(b-a)}{2}[f(a)+f(b)]\)

通常,插值型求积公式可以表示为插值多项式和余项的和的形式

\[I(f)=I_n(f)+E_n(f) \]

\[\int^a_bf(x)dx=\sum\limits^n_{k=0}A_k\cdot f(x_k)+\int^b_ar_n(xdx) \]

Newton-Cotes 公式

Newton-Cotes 公式:插值型求积公式

\[I_n(f)=\sum\limits^n_{k=0}A_k\cdot f(x_k) \]

称为 n+1 点的 Newton-Cotes 公式,其中求积系数

\[A_k=\int^b_al_k(x)dx\quad k=0,1,\cdots,n \]

在 Newton-Cotes 公式中,求积节点间的距离通常是相等的,与 Gauss 型求积公式不同

求积余项:\(E_n(f)=\int_a^br_n(x)dx=\int_a^b\frac{f^{(n+1)}(\xi_x)}{(n+1)!}w_{n+1(x)}dx\) 标志着求积公式的误差大小

常用的 Newton-Cotes 有:

  • n=1,两点,梯形公式

    \[I_1(f)=A_0f(a)+A_1f(b)=\frac{(b-a)}{2}(f(a)+f(b)) \]

  • n=2,三点,Simpson 求积公式

    \[I_2(f)=A_0f(a)+A_1f(\frac{(a+b)}{2})+A_2f(b)=\frac{(b-a)}{6}(f(a)+4\times f(\frac{(a+b)}{2})+f(b)) \]

  • n=4,五点,Cotes 公式

    \[I_4(f)=\frac{(b-a)}{90}(7f(a)+32f(x_1)+12f(x_2)+32f(x_3)+7f(b)) \]

n+1 点 Newton-Cotes 公式有如下特点对称性/单位分解性;等距节点的 Largrange 插值基函数满足单位分解性

\[\sum\limits^n_{i=0}l_i(x)=1 \]

N-C 公式的求积系数是对称的,并且满足单位分解性

\[\sum\limits^n_{k=0}A_k=\sum\limits^n_{k=0}\int^b_al_k(x)dx=\int_a^b\sum\limits^n_{k=0}l_k(x)dx=\int^b_a1dx=b-a \]

例题

image-20230603142552113

代数精度与求积余项

代数精度用于衡量数值求积公式的精度,可以从求积余项得到代数精度;代数精度都是“粗”的误差估计,求积余项是“细”的误差估计

代数精度:若某数值求积公式对任何次数不超过 m 的代数多项式精确成立

\[I(p_m(x))=\int^b_ap_m(x)dx\equiv\sum\limits^n_{k=0}A_k\cdot p_m(x_k)=I_n(p_m(x)) \]

但对于 m+1 次代数多项式不一定能准确成立,即

\[I(p_{m+1}(x))=\int^b_a p_{m+1}(x)dx\neq\sum\limits^n_{k=0}A_k\cdot p_{m+1}(x_k)=I_n(p_{m+1}(x)) \]

则称该求积公式具有 m 次代数精度

数值求积公式具有 m 次代数精度的充要条件是它对 \(f(x)=1,x,\cdots,x^m\) 都能准确成立,但对 \(x^{m+1}\) 不能准确成立。

n+1 个节点的求积公式,代数精度至少为 n,至多为 2n+1,必小于 2n+2

Newton-Cotes 公式的代数精度:

  • 当 n 为偶数时,n+1 点的 Newton-Cotes 公式的代数精度为 n+1
  • 当 n 为奇数时,n+1 点的 Newton-Cotes 公式的代数精度为 n

也就是,n+1 点 Newton-Cotes 公式至少有 n 次代数精度;并且,代数精度只能是奇数

梯形公式、Simpson 公式、Cotes 公式的代数精度分别为 1,3,5;如同下表所示

n=1 m=1
n=2 m=3
n=3 m=3
n=4 m=5
n=5 m=5

Newton-Cotes 公式的求积余项:一般对 n+1 点 Newton-Cotes 公式的求积余项,有如下定理:

  • n 是偶数,且 \(f(x)\in C^{n+2}[a,b]\),则 \(E_n(f)=C_nh^{n+3}f^{(n+2)}(\eta),\quad \eta\in(a,b)\),其中 \(C_n=\frac{1}{(n+2)!}\int^n_0t^2(t-1)\cdots(t-n)dt\)。
  • n 是奇数,且 \(f(x)\in C^{n+1}[a,b]\),则 \(E_n(f)=C_nh^{n+2}f^{(n+1)}(\eta),\quad \eta\in(a,b)\),其中 \(C_n=\frac{1}{(n+1)!}\int^n_0t^(t-1)\cdots(t-n)dt\)。
例子

对梯形公式(1 次代数精度)有:

image-20230604002450250

对 Simpson 公式(3 次代数精度)有:

image-20230604002502945

梯形公式的求积余项

image-20230604003531686

Simpson 公式的求积余项

image-20230604003548396

image-20230604003558022

1

image-20230604004226824

复化求积公式

将大区间分割成若干小区间,在小区间内使用 Newton-Cotes 求积公式,改善稳定性和收敛性

复化求积公式不会提高代数精度

具体的做法:将 \([a,b]\) 等分成若干个小区间 \([x_k,x_{k+1}]\;(k=0,1,\cdots,n-1)\) 有

\[\int^b_af(x)dx=\sum\limits^{n-1}_{k=0}\int^{x_{k+1}}_{x_{k-1}}f(x)dx \]

在每个小区间上用点数少的 Newton-Cotes 公式进行数值积分,这样得到的数值求积公式称为复化 Newton-Cotes 公式

复化梯形公式:

\[T_n=\frac{b-a}{2n}[f(a)+2\sum\limits_{k=1}^{n-1}f(x_k)+f(b)] \]

复化 Simpson 公式:

\[S_n=\frac{b-a}{6n}[f(a)+2\sum\limits_{k=1}^{n-1}f(x_k)+4\sum\limits^{n-1}_{k=0}f(x_{k+\frac{1}{2}})+f(b)] \]

复化 Cotes 公式:

\[C_n=\frac{b-a}{90n}[7f(a)+32\sum\limits_{k=1}^{n-1}f(x_{k+\frac{1}{4}})+12\sum\limits_{k=1}^{n-1}f(x_{k+\frac{1}{2}})+32\sum\limits_{k=1}^{n-1}f(x_{k+\frac{3}{4}})+14\sum\limits_{k=1}^{n-1}f(x_{k})+7f(b)] \]

*复化求积公式的余项估计

image-20230604005707855

image-20230604005722079

例题

image-20230604004604003

6.2 Gauss 型求积公式

改进了 Newton-Cotes 中等距节点的取法,从而获得更高的代数精度

概念

定义:如果求积公式具有代数精度 2n+1,则称其为 Gauss 型求积公式,并称其中的求积节点 \(x_k(k=0,1,\cdots,n)\) 为 Gauss 点

具体的做法:对于数值求积公式:

\[\int^{1}_{-1}f(x)dx=A_0f(x_0)+A_1f(x_1) \]

由代数精度的定义可得如下线性方程组

\[\left\{ \begin{array}{l} A_0+A_1=2\\ A_0\cdot x_0+A_1\cdot x_1=0\\ A_0\cdot x_0^2+A_1\cdot x_1^2=\frac{2}{3}\\ A_0\cdot x_0^3+A_1\cdot x_1^3=0 \end{array} \right. \Rightarrow \left\{ \begin{array}{l} A_0=A_1=1\\ x_0=\frac{-1}{\sqrt{3}},\;x_1=\frac{1}{\sqrt{3}} \end{array} \right. \]

\[\int^1_{-1}f(x)dx\approx f(-\frac{1}{\sqrt{3}})+f(\frac{1}{\sqrt{3}}) \]

实用构造方法

求积节点:要是插值型求积公式

\[\int^b_a\rho(x)f(x)dx=\sum\limits^n_{k=0}A_kf(x_k)+E_n(f) \]

具有 2n+1 次精度,必须且只须以节点 \(x_0,x_1,\cdots,x_n\) 为零点的 n+1 次求积多项式

\[\omega_{n+1}(x)=\prod^n_{j=0}(x-x_j) \]

与所有次数不超过 n 的多项式在 \([a,b]\) 上关于权函数 \(\rho(x)\) 正交

也就是有:

  • \(x_0,x_1,\cdots,x_n\) 是高斯点 \(\Leftrightarrow\) \(\omega_{n+1}(x)\)是正交多项式
  • \(x_0,x_1,\cdots,x_n\) 是高斯点 \(\Leftrightarrow\) \(x_0,x_1,\cdots,x_n\) 是正交多项式的根

求积系数:Gauss 型求积公式

\[\int_a^bf(x)\approx \sum\limits^n_{k=1}A_kf(x_k) \]

求积系数 \(A_k=\int_a^b\rho(x)(\frac{\omega_{n+1}(x)}{\omega'_{n+1}(x_k)(x-x_k)})^2dx\quad x_0,x_1,\cdots,x_n\) 是正交多项式的根,也可按照 Lagrange 插值公式构造求积系数

\[A_k=\int_a^b\rho(x)(\frac{\omega_{n+1}(x)}{\omega'_{n+1}(x_k)(x-x_k)})dx \]

求积系数具有如下的性质:

  • Gauss 型求积公式的所有求积系数均为正数,即 \(A_k>0,\;k=0,1,\cdots,n\),且 \(\sum\limits^n_{k=1}A_k=\int_a^b\rho(x)dx\)

  • \[ A_k=\int_a^b\rho(x)l_k(x)dx=\int_a^b\rho(x)l^2_k(x)dx \]

*求积余项

image-20230604182512110

*数值稳定性和收敛性

image-20230604182500611

做题构造方法-例题

构造两点的 Gauss 型求积公式,更多点的同理,使用需要构造更高次的正交多项式;不同区间、权函数的也类似,只需修改构造正交多项式时求解系数的积分的区间、权函数即可

image-20230605002013809

image-20230605002024790

可通过变量替换的方式,求出其他区间上具有相同权函数的 Gauss 型求积公式

image-20230605002407196

image-20230605002426116

1

image-20230605002455463

2

image-20230605002505249

image-20230605002514810

3

image-20230605002724429

image-20230605002735277

image-20230605002746684

4

image-20230605002758678

image-20230605002806689

标签:frac,dx,int,公式,sum,求积,2022,2023,C6
From: https://www.cnblogs.com/owuiviuwo/p/17457748.html

相关文章

  • Illustrator 2023 Mac/win(矢量设计软件) 中文版
    AdobeIllustrator2023是业界领先的矢量图形设计软件之一,由Adobe公司推出。它提供了各种工具和功能,帮助用户创建、编辑、排版和输出高质量的矢量图形,适用于各种设计领域。→→↓↓载Illustrator2023 AdobeIllustrator2023的主要特点是可扩展性。它支持多个平台,如mac......
  • 第三届流体与化学工程国际学术会议(ICFCE2023)
    ★会议简介2023年第三届流体与化学工程国际会议(ICFCE2023)由湖北省众科地质与环境技术服务中心主办, 将于2023年7月20-22日在中国武汉召开。 ICFCE2023旨在汇集流体和化学工程领域的创新学者和行业专家,交流思想,展示先进的研究工作并讨论热点话题。该会议将每年举行一次,使其成......
  • buuoj-2023六月挑战赛|二进制专项-a dream
    buuoj-2023六月挑战赛|二进制专项-Adream总结练习了一下做题手感题目分析沙盒lineCODEJTJFK=================================0000:0x200x000x000x00000004A=arch0001:0x150x000x080xc000003eif(A!=ARCH_X86_64)goto00100002:0x......
  • 【2023-06-02】连岳摘抄
    23:59安慰,是在现实无法改变时,我们所希望拥有的或能提供的。它将我们扶起,令我们暂时不那么失望和灰心,慢慢地将生命的乐趣带回我们身上。                                            ......
  • (贪心+搜索+剪枝)P8801 [蓝桥杯 2022 国 B] 最大数字
    题目描述给定一个正整数 N。你可以对 N 的任意一位数字执行任意次以下2种操作:将该位数字加 1。如果该位数字已经是 9,加 1 之后变成 0。将该位数字减 1。如果该位数字已经是 0,减 1 之后变成 9。你现在总共可以执行 1 号操作不超过 A 次,2 号操作不......
  • Java体系面试题(2022)(一)
    全部试题及答案下载基础篇1、Java语言有哪些特点1、简单易学、有丰富的类库2、面向对象(Java最重要的特性,让程序耦合度更低,内聚性更高)3、与平台无关性(JVM是Java跨平台使用的根本)4、可靠安全5、支持多线程2、面向对象和面向过程的区别面向过程:是分析解决问题的步骤,然后用......
  • Java体系面试题(2022)(二)
    全部试题及答案下载JVM篇1、知识点汇总JVM是Java运行基础,面试时一定会遇到JVM的有关问题,内容相对集中,但对只是深度要求较高.其中内存模型,类加载机制,GC是重点方面.性能调优部分更偏向应用,重点突出实践能力.编译器优化和执行模式部分偏向于理论基础,重点掌握知识点.需了......
  • 【2023华为云CodeArts Build 实战训练营】云端实战-玩转编译构建
    2023HDC华为开发者大会即将到来,一起跟小智提前体验华为云CodeArtsBuild请注册华为云账号并完成实名认证,实验过程中请使用Chrome浏览器完成相关操作。华为云账号注册步骤请参考:https://support.huaweicloud.com/usermanual-account/zh-cn_topic_0069252244.html实名认证操作步骤请......
  • 2023最新IntellJ IDEA诺依SpringCloud开发部署文档(保姆级别)
    目录若依RuoYiv3.6.2部署文档一、环境构建二、模块描述三、部署后端1、下载到本地。2、MySQL导入数据。3、Nacos修改(1)保证本地Nacos下载安装成功,修改本地Nacos的application.properties。(2)启动本地的Nacos.4、启动本地的Redis5、启动如下模块四、部署前端1、保证Node安装没有......
  • SSO2.0 13-20230604
           ......