数值分析(5)-分段低次插值和样条插值
整理一下数值分析的笔记~
目录:1. 误差
2. 多项式插值与样条插值(THIS)
3. 函数逼近
4. 数值积分与数值微分
5. 线性方程组的直接解法
6. 线性方程组的迭代解法
7. 非线性方程求根
8. 特征值和特征向量的计算
9. 常微分方程初值问题的数值解
1. 分段低次插值
1.1 高次插值的龙格现象
龙格现象就是插值多项式不收敛现象,节点(插值多项式的次数)增加不会带来精度的改善,甚至可能增加误差。
1.2 分段低次插值
插值时先把整个区间分成若干个小区间,每个区间上作低次插值,拼一个分段函数作插值函数。优点诸多但是缺点时节点处导数值不连续,这就产生了样条插值。
2. 三次样条插值
2.1 样条曲线的特点
点点通过 →\rarr→ 插值
光顺
计算简单
(对于低阶样条)保凸
2.2 三次样条
定义:设a=x0<x1<...<xn=ba=x_0 < x_1<...<x_n=ba=x0<x1<...<xn=b,函数S(x)∈C2[a,b]S(x) \in C^2[a,b]S(x)∈C2[a,b],且在每个[xi,xi+1][x_i,x_{i+1}][xi,xi+1]上为三次多项式,同时满足S(xi)=f(xi),(i=0,1,...,n)S(x_i)=f(x_i),(i=0,1,...,n)S(xi)=f(xi),(i=0,1,...,n),则称f为三次样条插值函数。
{三次样条与分段Hermite插值的根本区别在于其自身光滑除了端点外不需要知道f的导数值}
若S为f的三次样条插值函数:
S(x)={S1(x),x∈[x0,x1]S2(x),x∈[x1,x2]...Sn(x),x∈[xn−1,xn]S(x)=\begin{cases} S_1(x),&x \in [x_0,x_1]\\ S_2(x),&x \in [x_1,x_2] \\ ...\\ S_n(x), &x \in [x_{n-1},x_n] \end{cases} S(x)=⎩⎪⎪⎪⎨⎪⎪⎪⎧S1(x),S2(x),...Sn(x),x∈[x0,x1]x∈[x1,x2]x∈[xn−1,xn]
则Si(x)=ai0+ai1x+ai2x2+ai3x3,i=1,2,...,nS_i(x)=a_{i0}+a_{i1}x+a_{i2}x^2+a_{i3}x^3,i=1,2,...,nSi(x)=ai0+ai1x+ai2x2+ai3x3,i=1,2,...,n,也就是共有4n个待定系数,而已知条件只有4n-2个,即:
i=0,1,2,...,n时,S(xi)=f(xi)i=1,2,...,n−1时,S(xi−)=S(xi+),S′(xi−)=S′(xi+),S′′(xi−)=S′′(xi+)i=0,1,2,...,n时,S(x_i)=f(x_i)\\ i=1,2,...,n-1时,S(x_i^-)=S(x_i^+),\\S'(x_i^-)=S'(x_i^+),\\S''(x_i^-)=S''(x_i^+) i=0,1,2,...,n时,S(xi)=f(xi)i=1,2,...,n−1时,S(xi−)=S(xi+),S′(xi−)=S′(xi+),S′′(xi−)=S′′(xi+)
还需要两个才能确定最终的系数,通常是在区间端点a,b上各加一个条件即边界条件,由实际问题给出,常用的有三种类型:
给定两端点f(x)的一阶导数值S′(x0)=f′(x0),S′(xn)=f′(xn)S'(x_0)=f'(x_0),S'(x_n)=f'(x_n)S′(x0)=f′(x0),S′(xn)=f′(xn)
给定两端点f(x)的二阶导数值S′′(x0)=f′′(x0),S′′(xn)=f′′(xn)S''(x_0)=f''(x_0),S''(x_n)=f''(x_n)S′′(x0)=f′′(x0),S′′(xn)=f′′(xn)
f具有周期性,即:S(x0+)=S(xn−),S′(x0+)=S′(xn−),S′′(x0+)=S′′(xn−)S(x_0^+)=S(x_n^-),S'(x_0^+)=S'(x_n^-),S''(x_0^+)=S''(x_n^-)S(x0+)=S(xn−),S′(x0+)=S′(xn−),S′′(x0+)=S′′(xn−)
但是通过4n个方程得到4n个待定参数也只是理论上可行,实际计算量太大,由此提出两种简单的构造方法:
2.3 三转角法(从样条函数的一阶导数出发)
假定S′(xj)=mj(j=0,...,n)S'(x_j)=m_j(j=0,...,n)S′(xj)=mj(j=0,...,n),根据分段三次埃尔米特插值多项式:
S(x)=∑j=0n[fjαj(x)+mjβj(x)],其中αj(x)和βj(x)为三次埃尔米塔插值基函数S(x)=\sum_{j=0}^n[f_j\alpha_j(x)+m_j\beta_j(x)],\\ 其中\alpha_j(x)和\beta_j(x)为三次埃尔米塔插值基函数 S(x)=j=0∑n[fjαj(x)+mjβj(x)],其中αj(x)和βj(x)为三次埃尔米塔插值基函数
由插值条件,连续性条件和边界条件可得关于mjm_jmj的三对角方程组,求出mjm_jmj,得到三次样条插值函数。
2.4 三弯矩法(从样条函数的二阶导数出发)
S在[xi−1,xi][x_{i-1},x_i][xi−1,xi]上为三次多项式,所以其二阶导数必为一次式。
设S(x)在节点xix_ixi处的二阶导数为:S′′(xi)=Mi(i=0,1,...,n)S''(x_i)=M_i(i=0,1,...,n)S′′(xi)=Mi(i=0,1,...,n),则s′′(x)s''(x)s′′(x)在此小区间上是x的线性函数,且因为S′′(xi−1)=Mi−1,S′′(xi)=MiS''(x_{i-1})=M_{i-1},S''(x_{i})=M_{i}S′′(xi−1)=Mi−1,S′′(xi)=Mi,用线性插值可得:
Si′′(x)=Mi−1x−xixi−1−xi+Mix−xi−1xi−xi−1,x∈[xi−1,xi]记hi=xi−xi−1,有S′′(x)=Mi−1xi−xhi+Mix−xi−1hi连续两次积分得Si(x)=Mi−1(xi−x)36hi+Mi(x−xi−1)36hi+Ai(xi−x)+Bi(x−xi−1)由于Si(xi−1)=f(xi−1)=yi−1且Si(xi)=f(xi)=yi得:Si(xi−1)=16Mi−1hi2+Aihi=yi−1Si(xi)=16Mihi2+Bihi=yi得:Ai=1hi(yi−1+16Mi−1hi2)Bi=1hi(yi+16Mihi2)代入得:Si(x)=Mi−1(xi−x)36hi+Mi(x−xi−1)36hi+1hi(yi−1+16Mi−1hi2)(xi−x)+1hi(yi+16Mihi2)(x−xi−1),x∈[xi−1,xi]其中M0,M−1,...,Mn是待求的常数,可利用S′(xi−0)=S′(xi+0)求出MiS_i''(x)=M_{i-1}\frac{x-x_i}{x_{i-1}-x_i}+\\ M_i\frac{x-x_{i-1}}{x_i-x_{i-1}},x \in [x_{i-1},x_i]\\ 记h_i=x_i-x_{i-1},有\\ S''(x)=M_{i-1}\frac{x_i-x}{h_i}+M_i\frac{x-x_{i-1}}{h_i}\\ 连续两次积分得\\ S_i(x)=M_{i-1}\frac{(x_i-x)^3}{6h_i}+M_i\frac{(x-x_{i-1})^3}{6h_i}+\\A_i(x_i-x)+B_i(x-x_{i-1})\\ 由于S_i(x_{i-1})=f(x_{i-1})=y_{i-1}且\\S_i(x_i)=f(x_i)=y_i\\ 得:S_i(x_{i-1})=\frac{1}{6}M_{i-1}h^2_i+A_ih_i=y_{i-1}\\S_i(x_i)=\frac{1}{6}M_ih_i^2+B_ih_i=y_i\\ 得:A_i=\frac{1}{h_i}\left(y_{i-1}+\frac{1}{6}M_{i-1}h_i^2\right)\\ B_i=\frac{1}{h_i}\left(y_{i}+\frac{1}{6}M_{i}h_i^2\right)\\ 代入得:\\ S_i(x)=M_{i-1}\frac{(x_i-x)^3}{6h_i}+M_i\frac{(x-x_{i-1})^3}{6h_i}+\\\frac{1}{h_i}\left(y_{i-1}+\frac{1}{6}M_{i-1}h_i^2\right)(x_i-x)+\\\frac{1}{h_i}\left(y_{i}+\frac{1}{6}M_{i}h_i^2\right)(x-x_{i-1}),x\in[x_{i-1},x_i]\\ 其中M_0,M-1,...,M_n是待求的常数,\\可利用S'(x_i-0)=S'(x_i+0)求出M_i Si′′(x)=Mi−1xi−1−xix−xi+Mixi−xi−1x−xi−1,x∈[xi−1,xi]记hi=xi−xi−1,有S′′(x)=Mi−1hixi−x+Mihix−xi−1连续两次积分得Si(x)=Mi−16hi(xi−x)3+Mi6hi(x−xi−1)3+Ai(xi−x)+Bi(x−xi−1)由于Si(xi−1)=f(xi−1)=yi−1且Si(xi)=f(xi)=yi得:Si(xi−1)=61Mi−1hi2+Aihi=yi−1Si(xi)=61Mihi2+Bihi=yi得:Ai=hi1(yi−1+61Mi−1hi2)Bi=hi1(yi+61Mihi2)代入得:Si(x)=Mi−16hi(xi−x)3+Mi6hi(x−xi−1)3+hi1(yi−1+61Mi−1hi2)(xi−x)+hi1(yi+61Mihi2)(x−xi−1),x∈[xi−1,xi]其中M0,M−1,...,Mn是待求的常数,可利用S′(xi−0)=S′(xi+0)求出Mi
由于:
Si(x)=Mi−1(xi−x)36hi+Mi(x−xi−1)36hi+1hi(yi−1+16Mi−1hi2)(xi−x)+1hi(yi+16Mihi2)(x−xi−1),x∈[xi−1,xi]求导,Si′(x)=−Mi−1(xi−x)22hi+Mi(x−xi−1)22hi+(yi−yi−1)hi+hi6(Mi−Mi−1)S_i(x)=M_{i-1}\frac{(x_i-x)^3}{6h_i}+M_i\frac{(x-x_{i-1})^3}{6h_i}+\\ \frac{1}{h_i}\left(y_{i-1}+\frac{1}{6}M_{i-1}h_i^2\right)(x_i-x)+\\\frac{1}{h_i}\left(y_{i}+\frac{1}{6}M_{i}h_i^2\right)(x-x_{i-1}),x\in[x_{i-1},x_i]\\ 求导,S_i'(x)=-M_{i-1}\frac{(x_i-x)^2}{2h_i}+M_i\frac{(x-x_{i-1})^2}{2h_i}+\\\frac{(y_i-y_{i-1})}{h_i}+\frac{h_i}{6}(M_i-M_{i-1}) Si(x)=Mi−16hi(xi−x)3+Mi6hi(x−xi−1)3+hi1(yi−1+61Mi−1hi2)(xi−x)+hi1(yi+61Mihi2)(x−xi−1),x∈[xi−1,xi]求导,Si′(x)=−Mi−12hi(xi−x)2+Mi2hi(x−xi−1)2+hi(yi−yi−1)+6hi(Mi−Mi−1)
由此得:
Si′(xi−0)=hi6Mi−1+hi3Mi+yi−yi−1hiSi′(xi−1+0)=−hi3Mi−1−hi6Mi+yi−yi−1hi得Si+1′(xi+0)=−hi+13Mi−hi+16Mi+1+yi+1−yihi+1S'_i(x_i-0)=\frac{h_i}{6}M_{i-1}+\frac{h_i}{3}M_i+\frac{y_i-y_{i-1}}{h_i}\\ S'_i(x_{i-1}+0)=-\frac{h_i}{3}M_{i-1}-\frac{h_i}{6}M_i+\frac{y_i-y_{i-1}}{h_i}\\ 得S'_{i+1}(x_{i}+0)=-\frac{h_{i+1}}{3}M_{i}-\frac{h_{i+1}}{6}M_{i+1}+\frac{y_{i+1}-y_{i}}{h_{i+1}} Si′(xi−0)=6hiMi−1+3hiMi+hiyi−yi−1Si′(xi−1+0)=−3hiMi−1−6hiMi+hiyi−yi−1得Si+1′(xi+0)=−3hi+1Mi−6hi+1Mi+1+hi+1yi+1−yi
因为Si′(xi−0)=Si+1′(xi+0)S_i'(x_i-0)=S_{i+1}'(x_i+0)Si′(xi−0)=Si+1′(xi+0)可以求出参数Mi−1,Mi,Mi+1M_{i-1},M_i,M_{i+1}Mi−1,Mi,Mi+1的一个方程:
hi6Mi−1+hi+hi+13Mi+hi+16Mi+1=yi+1−yihi+1+yi−yi−1hi\frac{h_i}{6}M_{i-1}+\frac{h_i+h_{i+1}}{3}M_i+\frac{h_{i+1}}{6}M_{i+1}=\\\frac{y_{i+1}-y_i}{h_{i+1}}+\frac{y_{i}-y_{i-1}}{h_{i}} 6hiMi−1+3hi+hi+1Mi+6hi+1Mi+1=hi+1yi+1−yi+hiyi−yi−1
两边同乘6hi+hi+1\frac{6}{h_i+h_{i+1}}hi+hi+16,得方程:
hihi+hi+1Mi−1+2Mi+hi+1hi+hi+1Mi+1=6hi+hi+1(f[xi,xi+1]−f[xi−1,xi])\frac{h_i}{h_i+h_{i+1}}M_{i-1}+2M_i+\frac{h_{i+1}}{h_i+h_{i+1}}M_{i+1}=\\\frac{6}{h_i+h_{i+1}}\left(f[x_i,x_{i+1}]-f[x_{i-1},x_i]\right) hi+hi+1hiMi−1+2Mi+hi+hi+1hi+1Mi+1=hi+hi+16(f[xi,xi+1]−f[xi−1,xi])
令:
μi=hihi+hi+1λi=hi+1hi+hi+1=1−μigi=6hi+hi+1(f[xi,xi+1]−f[xi−1,xi])=6f[xi−1,xi,xi+1]\mu_i=\frac{h_i}{h_i+h_{i+1}}\\ \lambda_i=\frac{h_{i+1}}{h_i+h_{i+1}}=1-\mu_i\\ g_i=\frac{6}{h_i+h_{i+1}}\left(f[x_i,x_{i+1}]-f[x_{i-1},x_i]\right)\\=6f[x_{i-1},x_i,x_{i+1}] μi=hi+hi+1hiλi=hi+hi+1hi+1=1−μigi=hi+hi+16(f[xi,xi+1]−f[xi−1,xi])=6f[xi−1,xi,xi+1]
则方程可以简写为:μiMi−1+2Mi+λiMi+1=gi,i=1,2,...,n−1\mu_iM_{i-1}+2M_i+\lambda_iM_{i+1}=g_i,i=1,2,...,n-1μiMi−1+2Mi+λiMi+1=gi,i=1,2,...,n−1,也就是共有n-1个方程,下面分三种边界条件依次讨论:
2.4.1 第一种边界条件,已知插值区间两端的一阶导数值
μi=hihi+hi+1,λi=hihi+hi+1gi=6f[xi−1,xi,xi+1],g0=6h1(f[x0,x1]−y0′),gn=6yn′−f[xn−1,xn]\mu_i=\frac{h_i}{h_i+h_{i+1}}, \lambda_i=\frac{h_i}{h_i+h_{i+1}}\\ g_i=6f[x_{i-1},x_i,x_{i+1}],\\g_0=\frac{6}{h_1}(f[x_0,x_1]-y_0'),\\g_n=\frac{6}{y'_n-f[x_{n-1},x_n]} μi=hi+hi+1hi,λi=hi+hi+1higi=6f[xi−1,xi,xi+1],g0=h16(f[x0,x1]−y0′),gn=yn′−f[xn−1,xn]6
有三弯矩方程:
[21μ12λ1...............μn−12λn−112][M0M1...Mn−1Mn]=[g0g1...gn−1gn]\left[ \begin{matrix} 2 & 1 & & & \\ \mu_1 & 2 & \lambda_1 & & \\ ...&...&...&...&...\\ & & \mu_{n-1} & 2 & \lambda_{n-1} \\ & & & 1 & 2 \end{matrix} \right] \left[ \begin{matrix} M_0 \\ M_1 \\ ... \\ M_{n-1}\\ M_n \end{matrix} \right]= \left[ \begin{matrix} g_0 \\ g_1 \\ ... \\ g_{n-1}\\ g_n \end{matrix} \right] ⎣⎢⎢⎢⎢⎡2μ1...12...λ1...μn−1...21...λn−12⎦⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎡M0M1...Mn−1Mn⎦⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎡g0g1...gn−1gn⎦⎥⎥⎥⎥⎤
2.4.2 第二种边界条件:已知插值区间两端的二阶导数值
有三弯矩矩阵:
[2λ1μ22λ2...............μn−22λn−2μn−12][M1M2...Mn−2Mn−1]=[g1−μ1y0′′g2...gn−2gn−1−λn−1yn′′]且有自然边界条件:M0=Mn=0\left[ \begin{matrix} 2 & \lambda_1 & & & \\ \mu_2 & 2 & \lambda_2 & & \\ ...&...&...&...&...\\ & & \mu_{n-2} & 2 & \lambda_{n-2} \\ & & & \mu_{n-1} & 2 \end{matrix} \right] \left[ \begin{matrix} M_1 \\ M_2 \\ ... \\ M_{n-2}\\ M_{n-1} \end{matrix} \right]= \left[ \begin{matrix} g_1-\mu_1y''_0 \\ g_2 \\ ... \\ g_{n-2}\\ g_{n-1}-\lambda_{n-1}y_n'' \end{matrix} \right]\\ 且有自然边界条件:M_0=M_n=0 ⎣⎢⎢⎢⎢⎡2μ2...λ12...λ2...μn−2...2μn−1...λn−22⎦⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎡M1M2...Mn−2Mn−1⎦⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎡g1−μ1y0′′g2...gn−2gn−1−λn−1yn′′⎦⎥⎥⎥⎥⎤且有自然边界条件:M0=Mn=0
2.4.3 第三种边界条件
有三弯矩矩阵:
[2λ1μ1μ22λ2...............μn−12λn−1λnμn2][M1M2...Mn−1Mn]=[g1g2...gn−1gn]\left[ \begin{matrix} 2 & \lambda_1 & & & \mu_1\\ \mu_2 & 2 & \lambda_2 & & \\ ...&...&...&...&...\\ & & \mu_{n-1} & 2 & \lambda_{n-1} \\ \lambda_n& & & \mu_n & 2 \end{matrix} \right] \left[ \begin{matrix} M_1 \\ M_2 \\ ... \\ M_{n-1}\\ M_n \end{matrix} \right]= \left[ \begin{matrix} g_1 \\ g_2 \\ ... \\ g_{n-1}\\ g_n \end{matrix} \right] ⎣⎢⎢⎢⎢⎡2μ2...λnλ12...λ2...μn−1...2μnμ1...λn−12⎦⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎡M1M2...Mn−1Mn⎦⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎡g1g2...gn−1gn⎦⎥⎥⎥⎥⎤
值得注意的是,上面三种条件中的线性方程组的系数矩阵都是非奇异的,因此有唯一解,三次样条函数由边界条件唯一确定。
eg.设f(0)=0,f(1)=1,f(2)=0,f(3)=1,f′′(0)=1,f′′(3=0)f(0)=0,f(1)=1,f(2)=0,f(3)=1,f''(0)=1,f''(3=0)f(0)=0,f(1)=1,f(2)=0,f(3)=1,f′′(0)=1,f′′(3=0),试求f(x)f(x)f(x)在区间[0,3]上的三次样条函数S(x).
解:由M0=y0′′,Mn=yn′′M_0=y''_0,M_n=y''_nM0=y0′′,Mn=yn′′知M0=f′′(0)=1,M3=f′′(3)=0M_0=f''(0)=1,M_3=f''(3)=0M0=f′′(0)=1,M3=f′′(3)=0,构造差商表:
xix_ixi | f(xi)f(x_i)f(xi) | 一阶差商 | 二阶差商 |
---|---|---|---|
0 | 0 | ||
1 | 1 | 1 | |
2 | 0 | -1 | -1 |
3 | 1 | 1 | 1 |
由:
μi=hihi+hi+1λi=hi+1hi+hi+1=1−μigi=6hi+hi+1(f[xi,xi+1]−f[xi−1,xi])=6f[xi−1,xi,xi+1]\mu_i=\frac{h_i}{h_i+h_{i+1}}\\ \lambda_i=\frac{h_{i+1}}{h_i+h_{i+1}}=1-\mu_i\\ g_i=\frac{6}{h_i+h_{i+1}}\left(f[x_i,x_{i+1}]-f[x_{i-1},x_i]\right)\\=6f[x_{i-1},x_i,x_{i+1}] μi=hi+hi+1hiλi=hi+hi+1hi+1=1−μigi=hi+hi+16(f[xi,xi+1]−f[xi−1,xi])=6f[xi−1,xi,xi+1]
得μ1=0.5,uμ2=0.5,λ1=λ2=0.5,g1=−6,g2=6\mu_1=0.5,u\mu_2=0.5,\lambda_1=\lambda_2=0.5,g_1=-6,g_2=6μ1=0.5,uμ2=0.5,λ1=λ2=0.5,g1=−6,g2=6,第二边界条件的三弯矩方程为:
[2λ1μ22λ2...............μn−22λn−2μn−12][M1M2...Mn−2Mn−1]=[g1−μ1y0′′g2...gn−2gn−1−λn−1yn′′]\left[ \begin{matrix} 2 & \lambda_1 & & & \\ \mu_2 & 2 & \lambda_2 & & \\ ...&...&...&...&...\\ & & \mu_{n-2} & 2 & \lambda_{n-2} \\ & & & \mu_{n-1} & 2 \end{matrix} \right] \left[ \begin{matrix} M_1 \\ M_2 \\ ... \\ M_{n-2}\\ M_{n-1} \end{matrix} \right]= \left[ \begin{matrix} g_1-\mu_1y''_0 \\ g_2 \\ ... \\ g_{n-2}\\ g_{n-1}-\lambda_{n-1}y_n'' \end{matrix} \right]\\ ⎣⎢⎢⎢⎢⎡2μ2...λ12...λ2...μn−2...2μn−1...λn−22⎦⎥⎥⎥⎥⎤⎣⎢⎢⎢⎢⎡M1M2...Mn−2Mn−1⎦⎥⎥⎥⎥⎤=⎣⎢⎢⎢⎢⎡g1−μ1y0′′g2...gn−2gn−1−λn−1yn′′⎦⎥⎥⎥⎥⎤
得:
[20.50.52][M1M2]=[−6−0.56]\left[ \begin{matrix} 2 & 0.5 \\ 0.5 & 2 \end{matrix} \right] \left[ \begin{matrix} M_1 \\ M_2 \end{matrix} \right]= \left[ \begin{matrix} -6-0.5\\ 6 \end{matrix} \right] [20.50.52][M1M2]=[−6−0.56]
解得M1=−6415,M2=6115M_1=\frac{-64}{15},M_2=\frac{61}{15}M1=15−64,M2=1561
因为:
Si(x)=Mi−1(xi−x)36hi+Mi(x−xi−1)36hi+1hi(yi−1+16Mi−1hi2)(xi−x)+1hi(yi+16Mihi2)(x−xi−1),x∈[xi−1,xi]S_i(x)=M_{i-1}\frac{(x_i-x)^3}{6h_i}+M_i\frac{(x-x_{i-1})^3}{6h_i}+\\\frac{1}{h_i}\left(y_{i-1}+\frac{1}{6}M_{i-1}h_i^2\right)(x_i-x)+\\\frac{1}{h_i}\left(y_{i}+\frac{1}{6}M_{i}h_i^2\right)(x-x_{i-1}),x\in[x_{i-1},x_i]\\ Si(x)=Mi−16hi(xi−x)3+Mi6hi(x−xi−1)3+hi1(yi−1+61Mi−1hi2)(xi−x)+hi1(yi+61Mihi2)(x−xi−1),x∈[xi−1,xi]
将hi=1,M0=1,M1,M2h_i=1,M_0=1,M_1,M_2hi=1,M0=1,M1,M2代入可得:
x∈[0,1],S1(x)=190(−79x2+45x3+124x)x∈[1,2],S2(x)=190(125x3−567x2+736x−204)x∈[2,3],S3(x)=190(−61x3+549x2−1496x+1284)x\in[0,1],S_1(x)=\frac{1}{90}(-79x^2+45x^3+124x)\\ x\in[1,2],S_2(x)=\frac{1}{90}(125x^3-567x^2+736x-204)\\ x\in[2,3],S_3(x)=\frac{1}{90}(-61x^3+549x^2-1496x+1284) x∈[0,1],S1(x)=901(−79x2+45x3+124x)x∈[1,2],S2(x)=901(125x3−567x2+736x−204)x∈[2,3],S3(x)=901(−61x3+549x2−1496x+1284)
{持续更新}
欢迎扫描二维码关注微信公众号 深度学习与数学 [每天获取免费的大数据、AI等相关的学习资源、经典和最新的深度学习相关的论文研读,算法和其他互联网技能的学习,概率论、线性代数等高等数学知识的回顾]
数值分析(5)-分段低次插值和样条插值相关推荐
- 数值分析——分段低次插值
分段低次插值 分段低次插值 为什么需要分段低次插值 分段线性插值 分段三次Hermite插值 三次样条插值 第一类边界条件 第二类边界条件 第三类边界条件 推导样条插值的方法 第一类边界条件解法 第二 ...
- 分段二次插值例题_分段低次插值克服了高次插值多项式可能产生震荡的不足,但分段低次插值函数在整个插值区间上不能保证...
[单选题]43. ---I heard you had left our Disneyland admission coupons at home. [多选题]下列各式中,其计算结果等于贡献边际率的有 ...
- 插值与拟合 (一) : 拉格朗日多项式插值 、Newton插值 、分段线性插值、Hermite插值 、样条插值、 B 样条函数插值、二维插值
插值:求过已知有限个数据点的近似函数. 拟合:已知有限个数据点,求近似函数,不要求过已知数据点,只要求在某种意义下它在这些点上的总偏差最小. 插值和拟合都是要根据一组数据构造一个函数作为近似,由于近似 ...
- c语言埃尔米特插值思路,【数学建模算法】(26)插值和拟合:埃尔米特(Hermite)插值和样条插值...
1.埃尔米特(Hermite)插值 1.1.Hermite插值多项式 如果对插值函数,不仅要求它在节点处与函数同值,而且要求它与函数有相同的一阶.二阶甚至更高阶的导数值,这就是 Hermite 插值问 ...
- 【数值分析】插值法:拉格朗日插值、牛顿插值
本科课程参见:<软件学院那些课> 拉格朗日插值法 (*以下定义选自维基百科) 算法流程图 算法代码 #include<iostream> #include<string& ...
- 数值分析——两点三次Hermite插值
Lagrange插值多项式系数满足在在给定点的值为给定的值,不在给定点的值为0,而Herimte插值法更严格,要求给定点的一阶导数也相等. 问题 已知点x0,x1=121,144,对应的值y0,y1= ...
- 数值分析拉格朗日实验题MATLAB程序,数值分析实验报告(拉格朗日插值牛顿插值最小二乘法)...
实验1 拉格朗日插值法 一.方法原理 n次拉格朗日插值多项式为:Ln(x)=y0l0(x)+y1l1(x)+y2l2(x)+-+ynln(x) n=1时,称为线性插值,L1(x)=y0(x-x1)/( ...
- 【数值分析】python实现拉格朗日插值
基于python实现拉格朗日插值,可自定义节点数量n. 一.拉格朗日插值公式 二.python代码 import matplotlib.pyplot as plt import numpy as np ...
- 【数学与算法】【分段三次Hermite插值】和【分段三次样条插值】
光滑曲线在数学上的定义是什么?? 原文链接:光滑曲线在数学上的定义是什么? 回答1: 定义:切线随切点的移动而连续转动. 若函数f(x)f(x)f(x)在区间(a,b)(a,b)(a,b)内具有一阶连 ...
- 数学建模准备 插值(拉格朗日多项式插值,牛顿多项式插值,分段线性插值,分段三次样条插值,分段三次Hermite插值)
文章目录 摘要(必看) 0 基础概念 什么是插值 插值用途 什么是拟合 插值和拟合的相同点 插值和拟合的不同点 1 常用的基本插值方法 1.1 多项式插值法 1.1.1 拉格朗日多项式插值法 多项式插 ...
最新文章
- 完成这个例子,说出java中针对异常的处理机制。
- CentOS 6.5 升级 PHP 到5.6
- vue --- 模块从子组件获取数据
- POI 导出文件以文件流形式返回
- 【Pytorch神经网络实战案例】27 MaskR-CNN内置模型实现语义分割
- 【Qt开发】Qt标准对话框之QMessageBox
- lnmp mysql 自动关闭_mysql总是自动停止 日志提示Plugin ‘FEDERATED’ is disabled的解决办法...
- ORA-01078和LRM-00109问题导致ORACLE启动失败解决方法
- Linux内核学习笔记一
- ue4蓝图运行顺序_UE4蓝图编程的第一步
- iso镜像添加软件包_ubuntu安装 win7_怎么把自己需要的程序添加到WIN7的原版ISO镜像中? - Win7之家...
- css 彩虹色渐变色,纯CSS实现颜色渐变效果(包含环形渐变、线性渐变、彩虹效果等)...
- Springboot访问静态页面
- Linux音视频学习--常见的音视频传输协议及基本概念介绍
- 蓝墨云班课计算机测试题答案,20155317 第一周蓝墨云班课考题
- centos 安装scp
- SQL Server高级教程
- Win10更新后使用相机时,提示找不到相机解决方法(方法之一)
- 微信公众平台在高校教育工作中的使用
- 程序员炒股:算法交易策略与建模思想
热门文章
- mac apache修改默认网站目录
- 在线添加索引遇到的错误:Table definition has changed, please retry transaction
- Element-ui中table使用row-class-name无效的锅
- 【已解决】Maven更改本地默认仓库时遇到的问题。 No implementation for org.apache.maven.model.path.PathTranslator was bound
- Nginx作为WebSocket代理(Handshake failed due to invalid Upgrade header: null)
- Windows下安装和配置NodeJS
- html图片透明度变化,css,_CSS3动画实现图片透明度变化在微信上无效的解决方案,css - phpStudy...
- java 日历类_java常用的类---日历类
- mfc 固定编辑框输入上限和下限_S7200smart的模拟量输入输出
- javassist组件分享利用javassist动态创建一个类