Professional Documents
Culture Documents
n!
当 |x-x0| 较大时,逼近误差很大。光滑性好,但需知道导数
值,且收敛范围有限,收敛速度很慢。
寻找一种新的逼近函数,简单、光滑性好,例如多项式,且
能“均匀的”逼近 f(x).
approximation_introduction
则
2 类似地,
.
§2 最佳一致逼近多项式
一、问题描述:切比雪夫 ( 俄 ) 从另一观点研究一致
逼近问题,不是让多项式次数 n, 而是固定 n.
Hn={ 次数不超过 (≤)n 的代数多项式 }C[a, b],
{1, x, …, xn} 构成它的一组基, Hn =span{1, x, …, xn}.
Pn ( x) H n , Pn ( x) a0 a1 x an x n , ai R
最佳一致逼近或切比雪夫逼近问题
( f , Pn ) 0 偏差有下界
Def1 偏差和最小偏差 0
Pn ( x) H n , ( f , Pn ) f Pn
max a x b f ( x) Pn ( x)
Pn ( x)
称为 f(x) 与 在 [a,b]
上的偏差。
En inf Pn H n ( f , Pn ) inf Pn H n max a x b f ( x) Pn ( x)
Pn* ( x) h f ( x) En h
Pn* ( x) h 与f ( x)的偏差小于En,与En是最小偏差矛盾
同理可证只有负偏差没有正偏差也是不成立的
几何
解释
(反证)设Pn*不是最佳逼近多项式,则有Pn* ( x) Q( x) H n , s.t.
max a xb Q( x) f ( x) max a xb Pn* ( x) f ( x)
Pn* ( x) Q( x) Pn* ( x) f ( x) Q ( x) f ( x)
在点x1 x2 x n 2 上的符号与Pn* ( x) f ( x )一致
Pn* ( x) Q( x)也在点x1 x2 x n 2 上轮流取, -
Pn* ( x) Q( x)有n 1个零点
n ( x ) Q ( x ) 0是不超过n次的多项式,其零点个数不超过
*
P
必要性证明见北大、吉大、南大合编的 “计算方法” P.67 n. 矛盾
说明: 1. 1的取法:若P* ( x ) f ( x ) 0, 1; 否则 1;
n 1 1
3 个重要推论
推论 1 最佳逼近多项式唯一
设f ( x)有两个最佳逼近多项式P ( x ), Q ( x), 则x [a, b]
证
- En P ( x ) f ( x ) En , - En Q ( x) f ( x) En ,
P ( x) Q( x)
- En f ( x ) En
2
P( x) Q( x)
R( x) 也是f ( x )的最佳逼近多项式,
2
且R ( x ) f ( x )的n 2个交错点组x1 x2 x n 2 满足
R ( xk ) f ( xk ) 1 En
k
P( xk ) f ( xk ) Q( xk ) f ( xk )
En R( xk ) f ( xk ) (*)
2 2
P( xk ) f ( xk ) En Q( xk ) f ( xk ) En
而 ,
2 2 2 2
P( xk ) f ( xk ) Q( xk ) f ( xk ) En
当且仅当 时(*)成立
2 2 2
P( xk ) Q( xk )
P( x) Q( x)有n 2个根,而P( x) Q( x)是不超过n次的多项式。矛盾
推论 2 Pn* ( x) H n , 是f ( x)的最佳逼近多项式
a1 2 -1 0.414
x2 2 1
f ( x2 ) a1 x2 0.4551
1 x22 2
f ( x2 ) 1 x22 1.0986
1 1 x22 x
a0 - a1 2 0.955
2 2
P1 ( x) 0.955 0.414 x 1 x 2
max 0 x 1
误差限: 1 x 2 P1 ( x ) 0.045
b
x 1 a 2 b 2 0.955a 0.414b
a
零次最佳逼近多项式
f ( x) C[a, b], M max a xb f ( x) f ( x0 ), m min a x b f ( x) f ( x1 ),
M m
令 P ( x)
0
*
,
2
M m M m
P0* ( x) f ( x)
2 2
M m
P0* ( x0 ) f ( x0 )
2
M m
P0 ( x1 ) f ( x1 )
*
2
M m
x0 , x1是切比雪夫交错点组,P ( x) *
是零次最佳逼近。
0
2
Th4 给出了求最佳逼近多项式的充要条件,在某些简单情况 (n
=0,1) 下 , 根据 Th4 可求出最佳逼近多项式,但对一般情形, n
2 时,求最佳逼近多项式极其困难,至今尚未完全解决。困难
在于:
1. 如何寻找 n+2 个交错点组 a x1 x2 x n 2 b
a0 a1 x1 an x1n f ( x1 ) d
a 0 a x
1 2 a n 2 f ( x2 ) d
x n
d En
a0 a1 xn 2 an xn 2 f ( xn 2 ) 1 d
n n 2
共 n+2 个方程,可解出
a0 , a1 , , an , d 共 n+2
个未知数
实际上是两组非线性方程 (2n+4 个 ) 联立求出 2n+4 个未知
数 , 非线性方程很难求解,因此常求近似最佳逼近多项式。
Remes 近似算法:
1. 在 [a, b] 中选 n+2 个点作为近似的切比雪夫交错点
组: a x1(0) x2(0) xn(0) 2 b
2. 解下面线性方程组求 a0 , a1 , , an , En
Pn ( xk(0) ) 1 En f ( xk(0) ),k 1, 2, , n 2
k
(0) (0) n
a0 a1 x1 an x1 En f ( x1(0) )
(0) (0) n
a0 a1 x2 an x2 En f ( x2(0) )
a0 a1 xn+2
(0)
an xn+2 1 En f ( xn+2
(0) n n 2 (0)
)
得到初始逼近多项式 Pn ( x) a0 a1 x an x 及En
n
3. 求出的Pn ( x) f ( x) 极值点或近似极值点,记作xˆ
用它代替 xk(0) 中的某一个,得到 xk(1) ( 具体代
替哪一个,参见李岳生《数值逼近》 ) 。
4. x
(1)
k 代替 xk
(0)
,转
2.
重复上面计算直到两组系数 a0 , a1 , , an 得到的解误差在精
度
要求内为止。可证,
*
ak ak , k
§3 最佳平方逼近
最佳平方逼近多项
f ( x) C[ a, b], 求Pn* ( x) H n , s.t. 式
1
f ( x) P ( x)
b 2 2
a
f ( x) P ( x) min Pn H n f ( x) Pn ( x) min Pn Hn
n
*
n
2 2
最佳平方逼近问题 ( 存在性、唯一性、若存在,如何计
算 ) ,在实验数据处理中有广泛应用。
预备知识
函数的最佳平方逼近
一般最佳平方逼近
f ( x) C[a, b], span 0 ( x), 1 ( x), , n ( x) C[a, b], 若s * ( x) , s.t.
a a
i 0
最佳平方逼近问题 I
0, i 0,1,, n
等价于求多元函数 ai
I a0 , a1 , , an
I n
2 ( x) a j j ( x) f ( x) i ( x)dx
b
ai a
j 0
的极小值。由多元 n
函数极值条件,有 2 a j j ( x), i ( x) f ( x), i ( x) 0
j 0
n
a j j ( x), i ( x) f ( x), i ( x) , i 0,1, , n
j 0
0 , 0 0 , 1 0 , n a0 f , 0
1 , 0 1 , 1 1 , n a1 f , 1
即 (*)
n , 0 n , 1 n , n an f , n
关于 a0 , a1 , , an
最佳平方逼近函数的存在性 ?
的线性方
由于 0 ( x), 1 ( x),, n ( x) 程组,称为法方 线性无关,由 T
Gn 0
h6 知法方程组的系数行列式 a* ,程
,因此
0 a* ,
1 , a*存在唯一解
(*) n
n,令
s* ( x) ai*i ( x)
i 0
a0* , a1* , , an* 只是极值点,不一定是极小值点,因此
需证 s* ( x) 是最佳平方逼近
s ( x) , 有:即
2 2
f ( x) s ( x) f ( x) s( x) 2 ,即
*
2
( x) f ( x) s ( x) dx ( x) f ( x) s( x) dx
b 2 b
* 2
a a
令 D ( x) f ( x) s( x) dx ( x) f ( x) s ( x) dx
b 2 b 2
*
a a
b 2 b
( x) s( x) s ( x) dx 2 ( x) s* ( x) s( x) f ( x) s* ( x) dx
*
a a
n *
( x) s( x) s ( x) dx 2 ( x) f ( x) s ( x) a j a j j ( x) dx
b 2 b
* *
a a
j 0
n
( x) s( x) s ( x) dx 2 a a j ( x) f ( x) s* ( x) j ( x) dx
b 2 b
* *
a a j
j 0
*
由于 s ( x) 的系数是方程 (*) 之
解,
b 故
( x) f ( x) s* ( x) ( x)dx 0, j 0,1, , n
a j
b 2
因此 D ( x) s ( x) s ( x) dx 0 *
a
n
s* ( x) ai*i ( x)为f ( x)在子集中的最佳平方逼近
i 0
误差分析
令误差函数 ( x) f ( x) s* ( x),
平方误差: b
2 f s , s ( x) f ( x) s* ( x) s* ( x)dx
* *
( x) 2 f ( x) s ( x), f ( x) s ( x)
* *
a
n
a
b
f , f s , f f ,s s ,s ( x) f ( x) s* ( x) i ( x)dx
* * * * *
i a
i 0
f , f s* , f f s * , s * 0
n
f , f s , f f 2 ai* i , f
* 2
i 0
在 Hn 中求最佳平方逼近
= Hn =span{1, x, …, xn}C[a, b], (x) 1, [a, b]=[0,1]
n
在 Hn 中求 n 次最佳平方逼近多项式: s ( x) ai* xi *
i0
设* * *
a0 , a1 , , an 是下面法方称组之唯一解
.
0 , 0 0 , 1 0 , n a0 f , 0
系数矩
1 , 0 1 , 1 1 , n a1 f , 1 阵 Hilbe
rt 阵
n , 0 n , 1 n , n an f , n
1 1
1 2
n 1
1 1
i , j
xi j dx
0 i j 1 1 1
1
G 2 3 n2
1
f , j
f ( x) x j dx d j
0
1 1 1
n 1 n2 2n 1
e.g. 求f ( x) 1 x 2 在[0,1]上的一次最佳平方逼近多项式
1 ln(1 2) 2
解:d 0 f , 0 1 x 2 dx 1.147
0 2 2
3 1
1 2 2 -1
1 x2
1
d1 f , 1 x 1 x 2 dx 2 0.609
0 3 0
3
1
1
2 a0 1.147
a0 0.934, a1 0.426
1 1 a1 0.609
2 3
s* ( x) 0.934 0.426 x
平方误
2 差
( x) 2 f , f s* , f 0.0026
最大误
差
( x) max 0 x1 1 x 2 s* ( x) 0.066
注:当 n 较大时, Hilbert 矩阵严重病态,数值求解方程组 Ga=
d 不稳定,因此用 {1, x, …, xn} 作基是不理想的。若能选择一
组正交函数作为基,则系数矩阵变为对角阵,法方称组易于求
解。
用正交函数族作基的最佳平方逼近
0 ( x), 1 ( x), , n ( x)正交, span 0 ( x), 1 ( x),, n ( x) C[a, b],
n
f ( x) C[a, b], 设最佳平方逼近为 s ( x) ai*i ( x ) *
i 0
0 , 0 a0 f , 0 f , i
a
*
i , i
i
1 , 1 a1 f , 1
n
f , i
n , n an f , n s ( x)
*
i ( x )
i 0 i , i
f , i
说明:若取无穷多个正交函数作基,系数按 a
*
i , i
i
计算,则得级数
n
f ,
f ( x) i
i ( x )
i 0 i , i
广义付氏系
广义付氏级 数
数
广义付氏级数是付氏级数的推广,有关付氏级数的结论
对广义付氏级数都成立。
如何求正交函数族?
从一组线性无关函数族出发 , 用 Schmidt 正交化方法
将其规范正交化成一组规范正交函数族。
多项式正交函数族:切比雪夫多项式、勒让德多项式
、拉盖尔多项式、埃尔米特多项式等
§4 Legendre 多项式与最佳平方逼近
Legendre polynomials:
(x) 1, [a, b]=[-1,1], {1, x, …, xn,…}, 经 Schmidt 正交化
,
即得 Legendre 多项式 (Legendre, 1785 年定义 )
1814 年, Rodrigul (罗德里克)提出一种简便形式:
proof :
设Pn ( x)在[ 11]
,上不变号,比如恒大于0,由
1 1
1
Pn ( x)dx Pn ( x )P0 ( x)dx 0, 矛盾,因此至少有某一点x1 , s.t.Pn ( x1 ) 0
1
Pn ( x)
假定x1是重根,则 为n 2次多项式,由
x x1
2
2
1 Pn ( x) Pn ( x)
1
0 Pn ( x) dx dx 0, 矛盾, x1是单根
x x1 1 x x
1 2
1
故Pn ( x)至少有n个单根,而它又是n次多项式,故只有n个单根。
Legendre 多项式作最佳平方逼近
Legendre 多项式正交,且在 [-1,1] 上与零的平方误差最
小,因此当 f(x)C[-1,1] 时,用 Legendre 多项式作为 Hn
的基求最佳平方逼近多项式是最合适的
n
设最佳平方逼近为 s ( x) ai Pi ( x)
* *
i 0
2i 1 1
f , Pi
a
*
i f ( x) Pi ( x )dx
Pi , Pi 2 1
平方误差:
n
f 2 ( x)dx ai* f ( x ), Pi ( x )
2 1
n 2 1
i 0
n
2
f ( x) dx ai
1
* 2
= 2
i 0 2i 1
1
例:求f ( x ) e x 在[ 11]
,上的三次最佳平方逼近多项式
解: s3* ( x ) a0* P0 ( x ) a1* P1 ( x ) a2* P2 ( x ) a3* P3 ( x )
1
f , P0 e x dx e e 1 2.3504
1
1
f , P1 xe x dx 0.7358
1
3x 2 1 x
1
f , P2 e dx 0.1431
1
2
1 5 x 3x
3
f , P3 e x dx 0.02013
1
2
1 3
a0* f , P0 1.1752, a1* f , P1 1.1036,
2 2
5 7
a2* f , P2 0.3578, a3* f , P3 0.07046
2 2
s3* ( x ) 1.1752 P0 ( x) 1.1036 P1 ( x ) 0.3578 P2 ( x) 0.07046 P3 ( x)
n
2
e dx i 0.0084
1
2 * 2
3 2x
a
2 1
i 0 2i 1
3
max 1 x 1 e x s3* ( x) 0.0112
若f ( x) C[a, b], 求[a, b]上f ( x)的最佳平方逼近,先将[a, b] [-11]
,
b-a ba
作变量代换:x t , t [-11]
,
2 2
b-a ba
函数 F (t ) f t 在[-11]
,上
2 2
可用Legendre多项式作最佳平方逼近S n* (t ),
1
从而得[a, b]上的最佳平方逼近 S 2x a b
*
n
b-a
§5 Chebyshov 多项式与最佳一致逼近 构造方法参见
纳唐松《函数构造论》
Chebyshov polynomials: 1
( x )
[a, b]=[-1,1], {1, x, …, xn,…}, 1 x2
经 Schmidt 正交化,即得 Chebyshov 正交多项式 (185
7年)
Tn ( x) cos n arccos x , x 1
令 x cos , Tn ( x) cos n , 0
Chebyshov 多项式的重要性质
令 x cos , Tn ( x) cos n
Tn(x) 是 x 的 n 次多项
式
cos i sin cos i sin
in -in n n
e e
Tn ( x) cos n
2 2
x
n n
x 1 x x 1
2 2
2
设an为x n的系数,有
n n
1 1
1 1 2 1 1 2
Tn ( x) x x
an lim n lim 2n 1
x x x 2
2
证明
性质 Tn ( x) 1 Tn ( x)
n
在[0, ]上有根 : k
2k 1
, k 1, 2, , n
2n
即 xk cos k cos
2k 1
, k 1, 2, , n
2n
性质
6 T ( x)在[ 11] k
n ,上有n 1个点xk cos , k 0,1, , n
n
轮流取最大值1和最小值 -1
k
cos k 1 , k 0,1, , n
k
Tn ( xk ) cos n
n
性质 Tn(x) 对零的偏差最小
7
由 Th6 知,对 [-1,1] 上任意最高项系数为 1 的 n 次多项式 Pn
*
(x), 在 Hn-1 中的最佳一致逼近为Pn 1 ( x )
则必有 Pn ( x ) Pn*1 ( x ) n ( x )
1
P ( x ) Pn ( x ) n ( x) Pn ( x) n 1 Tn ( x )
*
n 1
2
1
n 1 n 1
2
例 求f ( x) 4 x 5 x 2 3x 1在[11]
,上次数不超过4的最佳逼近多项式
1
解:令g ( x) f ( x), 是最高次系数为1的5次多项式,
4
1 1
在[-11],上的H 4中的最佳逼近多项式为 f ( x) - 4 T5 ( x),
4 2
f ( x)在[11]
,上H 4中的最佳逼近多项式为
1 17
f ( x) - 4 4 T5 ( x) 5 x x x 1
3 2
2 4
§6 近似最佳一致逼近多项式
切比雪夫级
(6.1) 数
f ( x) M n,n-m ( x) f ( x) Pn ( x) Pn ( x) - M n,n-m ( x)
max x 1 f ( x) Pn ( x) max x 1 Pn ( x) - M n ,n -m ( x)
n bn bn -m 1
M n,n-m ( x)满足精度要求
§7 曲线拟合的最小二乘法
曲线拟合 为了应用方便
或理论分析 近似反映实际问题
一组实验数据 xi , yi i 0,1,,m
的函数关系式 y=f
曲线拟合 (x)
曲线拟合的一般方
法
观测数据往往不准确,因此不必要求曲线 y=f(x) 经过所有点
xi , yi
:
i 0,1,, m
span 0 ( x,),故插值法不合适。一般的
1 ( x), , n ( x) ,在一个简单函数
类
n 起源于以观测和测量
s ( x) aii ( x) 为基础的天文学,
中找一个函数
1, x , x 2
, , x n
, i 0
基函数 历史悠久。 1794 年,
17 岁的 Gauss 用
sin x,sin 2 x,,sin nx , 最小二乘法解决了
e1x , e2 x , , en x 常用基函数 多余观测问题。
拟合标
准
希望 s(x) 对数据组“拟合得最好”,衡量标准是什么?
n
s ( x) ai i ( x) , 记 i s( xi ) yi , i 0,1, , m, 0 , 1, , m
T
i 0
一般曲线拟合问题是
n 残差向量
求s* ( x) ai*i ( x) ,即求a0* , a1* , , an* , s.t.
i 0
12
n
* p min s ( x ) p
p 1, 2, x 2 xi2 x12 x22 xn2
i 1
n
x 1 xi x1 x2 xn
i 1
上述标准的缺点:所有观测点作用均等,但有时希望某些
点 ( 比如比较准确的点 ) 作用大一些,另一些作用小一些。
这时采用带权的误差标准
n
2 xi s( xi ) yi
2 2
i 0
最小二乘法
采用加权误差标准,曲线拟合问题就是最小二乘问题,描述为:
给定一组数据 xi , yi , i 0,1, , m
n
求s ( x) a*j j ( x) span 0 ( x), 1 ( x), , n ( x) ,
*
j 0
i 0 i 0 j 0
2
m m n
min s ( x ) xi s xi yi min s ( x ) xi a j j ( xi ) yi
2
i 0 i 0 j 0
如何求s* ( x) ? 关于系数的
n
设 s ( x) a j j ( x), 二次函数
j 0 2
m m n
记 I a0 , a1 , , an xi s xi yi xi a j j ( xi ) yi
2
i 0 i0 j 0
I
最小二乘 0, k 0,1, , n
ak
问题等价
于求多元 I m n
2 xi a j j ( xi ) yi k ( xi )
函数 ak i 0 j 0
I a0 , a1 , , an
n m m
2 a j xi j ( xi )k ( xi ) xi yik ( xi ) 0
j 0 i 0 i 0
n m m
a j xi j ( xi )k ( xi ) xi yik ( xi ), k 0,1, , n
j 0 i 0 i0
的极小值。
m
记 x ( x ) ( x )
i 0
i j i k i j , k
m m
x y ( x ) x f ( x ) ( x )
i 0
i i k i
i 0
i i k i f , k
上式可写为
0 , 0 0 , 1 0 , n a0 f , 0
1 , 0 1 , 1 1 , n a1 f , 1 (*)
n , 0 n , 1 n , n an f , n
Ga=d 关于 a0 , a1 , , an
的线性方
最小二乘解的存在性 ?
由于 0 ( x), 1 ( x),, n ( x) 线性无关, 法
Gn 0
方程组的系数行列式 a0* , a1* ,
,因此 *
(*), a存在唯一解
n
,令 n
s* ( x) ai*i ( x)
i 0
由上面分析看出,最小二乘法只不过是最佳平方逼近在离
散情况下的一种特殊形式,同理可证,用上法求得的
n
s* ( x) ai*i ( x)
i 0
就是最小二乘解。
同样,当基函数 0 ( x), 1 ( x),, n ( x)
关于点集 {xi} 带权函数 {(xi)} 正交时,法方程系数矩阵为
对角阵,方程组易于求解。
用正交函数族作基的最小二乘拟合
span 0 ( x), 1 ( x),, n ( x)
0 ( x), 1 ( x), , n ( x)关于点集 {xi} 带权函数 {(xi)} 正交 , 即满足
m
0, j k
j , k xi j ( xi )k ( xi )
i 0 Ak 0, j k
n
设最小二乘解为 s ( x) ai i ( x)
* *
m i 0
f , k x f x x
i i k i
ak* i 0
k , k m
i k xi
x
i 0
2
n m n
* 2
Ak a * 2
y A a * 2
2
2
f 2 k
2
i k k
k 0 i 0 k 0