余弦多项式拟合_正交多项式简介及其应用
天空一片蔚蓝, 清风添上了浪漫
心里那份柔情蜜意, 似海无限
———《最爱》李克勤
1 正交多项式的定义
1.1 正交多项式定义
定义:一个多项式序列 ,其阶数为 ,对于每一个 ,这个多项式序列在开区间 上关于权函数 正交,如果:
这里
,且 为常数。
这里的权函数 在区间 是连续且正的以使得下式存在:
则多项式 和多项式 的内积定义为:
区间 称为正交区间,正交区间未必是有限区间。
例: 三角函数的正交性
对于三角函数序列 ,,他们在区间 的正交性为:
图1展现了 和 在区间 上的正交性,图中蓝线为 的值,对其积分就相当于求图中阴影部分的面积,很明显,阴影部分的面积加上符号后求和为0。
图1 三角函数的正交性
1.2 施密特正交化(Schmidt orthogonalization)
施密特正交化方法是将一组线性无关的向量组正交化的方法,对正交化后的向量组进行标准化处理,可进一步得到一组标准正交基。施密特正交化的处理步骤如下:
例子:将三维空间中的一组线性无关向量 用施密特正交化方法处理得到正交向量组 。
步骤如下:
三维空间中施密特正交化方法的几何描述如图2所示。
图2 施密特正交化几何示意图
2 经典正交多项式
经典的正交多项式有雅克比多项式,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。
2.1 雅克比多项式
雅克比多项式是定义在 上,关于权函数 正交的多项式,其中
雅克比多项式的表达式为:
其中 为伽马函数(gamma function)。
雅克比多项式的递推公式为:
雅克比多项式的正交性:
2.2 勒让德多项式
勒让德多项式是定义在区间 上关于权函数1正交的多项式。勒让德多项式实际上是雅克比多项式在 时的特殊情况。
勒让德多项式的表达式为:
勒让德多项式的递推公式为:
勒让德多项式的正交性:
前6阶勒让德多项式:
前6阶多项式图像:
图3 前6项勒让德多项式
2.3 切比雪夫多项式
切比雪夫多项式是定义在区间 上关于权函数 正交的多项式。
2.3.1 第一类切比雪夫多项式
第一类切比雪夫多项式的表达式为:
令 ,则 , 第一类切比雪夫多项式的正交性为:
第一类切比雪夫多项式的递推公式:
第一类切比雪夫多项式的前6项:
第一类切比雪夫多项式的图像:
图4 第一类切比雪夫多项式前6项
2.3.2 第二类切比雪夫多项式
第二类切比雪夫多项式的表达式为:
第二类切比雪夫多项式的正交性为:
第二类切比雪夫多项式的递推公式:
第二类切比雪夫多项式的前6项:
2.4 拉盖尔多项式(Laguerre Polynomial)
拉盖尔多项式是定义在区间 上关于权函数 正交的多项式,
拉盖尔多项式的正交关系:
拉盖尔多项式的递推关系():
前6项拉盖尔多项式():
前6项拉盖尔多项式的图像:
图5 拉盖尔多项式前6项
2.5 埃尔米特多项式
埃尔米特多项式是定义在区间 上关于权函数 正交的多项式。
埃尔米特多项式分为概率论中的埃尔米特多项式和物理中的埃尔米特多项式,这里只介绍物理学中使用的埃尔米特多项式。
埃尔米特多项式的表达式为:
埃尔米特多项式的正交性:
埃尔米特多项式的递推公式:
前6项埃尔米特多项式为:
前6项埃尔米特多项式图像:
图6 埃尔米特多项式前6项
3 正交多项式的应用
正交多项式的应用甚广,包括但不限于数值分析,逼近理论,积分,微分方程,复变函数,随机矩阵理论,编码理论等。
这里仅以一个小的例子来说明正交多项式在函数拟合中的应用。
实验中使用的测试函数为 ,定义区间为 ,实验比较了多项式展开3项时不同多项式的拟合均方误差(MSE),归一化均方误差(NMSE)。
图7 不同多项式拟合函数y的结果(M=3)
从拟合结果来看,在展开3项时,埃尔米特多项式的拟合误差较小,其他的多项式拟合误差相当。
测试程序如下:
% 正交多项式测试clearclc% 采样点数N = 1000 ; % 正交多项式阶数M = 3 ; % 拟合函数区间为(-2,2)x = linspace(-2,2,N)' ; % 生成被拟合的函数,包括指数函数,余弦函数,幂函数成分y = 4*x + 3*x.^2 + cos(x) + exp(x) + sin(2*x);% 生成幂级数组成的基矩阵P1 = power_p(x,M) ;% 生成勒让德多项式组成的基矩阵P2 = legendre_p(N,M) ;% 生成切比雪夫多项式组成的基矩阵P3 = chebyshev_p(N,M) ;% 生成拉盖尔多项式组成的基矩阵P4 = laguerre_p(N,M) ;% 生成诶尔米特多项式组成的基矩阵P5 = hermite_p(N,M) ;%% 用最小二乘拟合y% c1对应幂级数系数c1 = P1\y ;% c2对应勒让德系数c2 = P2\y ;% c3对应切比雪夫系数c3 = P3\y ;% c4对应拉盖尔系数c4 = P4\y ;% c5对应埃尔米特系数c5 = P5\y ;%% 求MSE和NMSEMSE_power = norm(y-P1*c1)/N NMSE_power = norm(y-P1*c1)/norm(y) MSE_legendre = norm(y-P2*c2)/N NMSE_legendre = norm(y-P2*c2)/norm(y) MSE_chebyshev = norm(y-P3*c3)/N NMSE_chebyshev = norm(y-P3*c3)/norm(y) MSE_laguerre = norm(y-P4*c4)/N NMSE_laguerre = norm(y-P4*c4)/norm(y) MSE_hermite = norm(y-P5*c5)/N NMSE_hermite = norm(y-P5*c5)/norm(y) figure(1)plot(x,y,'r-',x,P1*c1,'b-',x,P2*c2,'k-',x,P3*c3,'y-',x,P4*c4,'g-',x,P5*c5,'m-')legend('original','power','legendre','chebyshev','laguerre','hermite')function [P] = power_p(x,M)for m = 1:M P(:,m) = x.^(m-1) ;endendfunction [P] = legendre_p(N,NN)% 本函数生成N*M的勒让德基矩阵s = linspace(-1,1,N)' ;P = zeros(N,NN) ;P(:,1) = ones(N,1) ;P(:,2) = s ;for n = 3 : NN P(:,n) = ((2 * n - 3) * s .* P(:,n - 1) - (n - 2) * P(:,n - 2)) / ( n -1 ) ;endendfunction [P] = chebyshev_p(N,M)% 本函数生成N*M的切比雪夫基矩阵x = linspace(-1,1,N)' ;P = zeros(N,M) ;P(:,1) = ones(N,1) ;P(:,2) = x ;for k = 3:M P(:,k) = 2*x.*P(:,k-1) - P(:,k-2) ;endendfunction [P] = laguerre_p(N,M)% 本函数生成N*M的拉盖尔基矩阵x = linspace(-2,2,N)' ;P = zeros(N,M) ;P(:,1) = ones(N,1) ;P(:,2) = -x + ones(N,1) ;for m = 3:M P(:,m) = ((2*(m-2)+1-x).*P(:,m-1)-(m-2)*P(:,m-2))./(m-1) ;endendfunction [P] = hermite_p(N,M) % 本函数生成N*M的埃尔米特基矩阵x = linspace(-2,2,N)' ;P = zeros(N,M) ;P(:,1) = ones(N,1) ;P(:,2) = 2*x ;for m = 2:M P(:,m+1) = 2*x.*P(:,m) - 2*(m-1)*P(:,m-1) ;endend
更多精彩内容请关注订阅号优化与算法和加入QQ讨论群1032493483获取资料
卡尔曼滤波器
经典凸优化高清电子书资料下载
新基建,新机遇——100页PPT
线性降维:主成分分析原理与仿真
3D点云配准算法简述
有哪些以动物命名的算法?
一份超全面的机器学习数据集!
低秩矩阵填充|奇异值阈值算法
软阈值迭代算法(ISTA)&快速软阈值迭代算法(FISTA)
压缩感知:一种新型亚采样技术
点击留言
余弦多项式拟合_正交多项式简介及其应用相关推荐
- python多项式拟合_最小二乘法—多项式拟合非线性函数
本章涉及到的知识点清单: 1.函数的近似表示-高次多项式 2.误差函数-最小二乘法 3.引出案例函数曲线 4.目标函数 5.优化目标函数 6.优化目标函数-梯度下降法 7.优化目标函数-求解线性方程组 ...
- python 非线性多项式拟合_用python进行非线性回归-有什么简单的方法可以更好地拟合这些数据?...
此示例代码使用具有两个形状参数(a和b)和偏移项(不影响曲率)的表达式.方程为"y=1.0/(1.0+exp(-a(x-b)))+Offset",参数值a=2.1540318329 ...
- java正交多项式拟合_正交多项式拟合-matlab
任务概述 给定函数f(x)在m个采样点处的值f(xi)以及每个点的权重wi,求曲线拟合的正交多项式Pn(x)满足最小二乘误差||err||2=∑mi=1wi[f(xi)−Pn(xi)]2<TOL ...
- matlab多项式拟合要求系数项大于零,matlab多项式系数
要求一高阶多项式的根往 往须借助数值方法,所 幸MATLAB已将这些数值方法写成一函数 roots(p),我们只要输入多项式的各阶系数 (以 p 代表)即可求解到对应的根 >...... 2. ...
- 多项式拟合缺点_多项式拟合
在网上看别人的心得 一 最小二乘法的基本原理 从整体上考虑近似函数同所给数据点(i=0,1,-,m)误差(i=0,1,-,m)的大小,常用的方法有以下三种:一是误差(i=0,1,-,m)绝对值的最 ...
- 多项式拟合中构造正交多项式函数族
多项式拟合中构造正交多项式函数族 从P0开始构造正交多项式函数族 P1到PN满足地推多项式: 2.其中αk和βk\alpha_{k}和\beta_{k}αk和βk的递推公式分别为 86449461 ...
- java 多项式拟合最多的项数_牛顿插值法、曲线拟合、多项式拟合
2020年10月4日研究了一下牛顿插值法,其用途是使用x.y两组数值,根据新的x值返回对应的y值,与TREND.FORECAST函数不同,这种方法可应对非线性数据.其作用类似于图表中的曲线拟合或LIN ...
- java 多项式拟合最多的项数_机器学习(1)--线性回归和多项式拟合
机器学习(1)--线性回归和多项式拟合 机器学习(2)逻辑回归 (数学推导及代码实现) 机器学习(3)softmax实现Fashion-MNIST分类 一 线性回归 线性回归,顾名思义是利用线性模型对 ...
- 多项式拟合缺点_曲线拟合方法的选择
曲线拟合方法的选择 目 录 摘要 1 前言 2 1 问题提出 3 2 插值介绍 4 2.1拉格朗日公式求解 4 2.1.1 算法分析 5 2.1.2 程序设计 5 2.1.3 计算结果 8 2. ...
最新文章
- 预测 “疯狂三月” 冠军的办法,我只告诉你!
- signal(SIGHUP, SIG_IGN);
- 6-4 二叉树的非递归遍历 (25分)_本周小结!(二叉树)
- 飞鸽传书最新源码类都要复杂的多
- 20190906:(leetcode习题)Shuffle an Array
- 虚拟系统管理VSM提高服务器整合率
- Computex电脑展:AMD表现抢眼,融合将成市场主流
- 删除文件批处理delete file.bat
- r语言plotmds_利用R语言进行数据分析
- 【图像去噪】基于高斯滤波、均值滤波、中值滤波、双边滤波四种滤波实现椒盐噪声图像去噪附matlab代码
- 20170105资金净流入排行榜
- 如何将iPhone微信资料显示地区修改为“中国”
- JavaScript如何输入输出之如何使用JavaScript优雅编程
- Ubuntu安装autoconf
- javax crypto IllegalBlockSizeException last block incomplet
- linux 安装mcrypt,linux下安装php的mcrypt拓展
- iBackup Viewer for mac(iPhone备份提取工具)
- html字体自动换颜色代码,css怎么给字体换颜色?
- 计算机 独立学院,[关于独立学院计算机教学方法的探讨] 计算机最好的独立学院...
- 电脑显示问题:问题描述:1、显卡风扇声音大2、显示器显示模糊3、显示器自动息屏4、双屏设置问题
热门文章
- 苹果欲让 Mac 变成「游戏机」,发布移植工具,几秒就能玩上 Windows 游戏!
- org.apache.jasper.JasperException: 未能加载或实例化TagLibraryValidator类
- MYSQL千万级别数据量迁移Elasticsearch5.6.1实战
- 基于IOU的损失函数合集, IoU, GIoU, DIoU,CIoU, EIoU
- 把个人Blog作成一个成功品牌的10个策略步骤
- 皇宫看守【SGOI-2】
- 获取最新2020全国行政区划及经纬度
- Directsound(微软),Waveout、openAL和前端的AudioContext
- 计算机右键管理提示没有关联应用,解决”我的电脑”右键管理打不开 提示”该文件没有与之关联的程序来执行操作…” - 雅兮网...
- 企业怎样才能有效开展网络推广?