插值余项 + 高次插值的Runge现象 | Lagrange拉格朗日插值(二)

2023-10-30 20:32

本文主要是介绍插值余项 + 高次插值的Runge现象 | Lagrange拉格朗日插值(二),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

1. 插值余项

用Lagrange插值公式计算除插值节点以外的某一插值点x处的值,其插值误差为:
R n ( x ) = f ( x ) − p n ( x ) R_n(x)=f(x)-p_n(x) Rn(x)=f(x)pn(x)
该误差实际上就是截断误差,称 R n ( x ) R_n(x) Rn(x)为Lagrange插值的插值余项。

定理2:设 x 0 , x 1 , ⋯ , x n x_0,x_1,\cdots,x_n x0,x1,,xn为区间 [ a , b ] [a,b] [a,b]内的n+1个插值节点,而函数 f ( x ) f(x) f(x) [ a , b ] [a,b] [a,b]内有一阶至n+1阶导数,且已给定 y i = f ( x i ) ( i = 0 , 1 , 2 , ⋯ , n ) y_i=f(x_i)(i=0,1,2,\cdots,n) yi=f(xi)(i=0,1,2,,n),则当 x ∈ [ a , b ] x\in[a,b] x[a,b]时,由Lagrange插值公式(8)计算的 p n ( x ) p_n(x) pn(x) f ( x ) f(x) f(x)的误差为:
R n ( x ) = f ( x ) − p n ( x ) = f ( n + 1 ) ( φ ) ( n + 1 ) ! ∏ i = 0 n ( x − x i ) (9) R_n(x)=f(x)-p_n(x)=\frac{f^{(n+1)}(\varphi)}{(n+1)!}\prod_{i=0}^n(x-x_i) \tag{9} Rn(x)=f(x)pn(x)=(n+1)!f(n+1)(φ)i=0n(xxi)(9)
式中 φ \varphi φ是依赖x的,它包含在由插值节点 x 0 , x 1 , ⋯ , x n x_0,x_1,\cdots,x_n x0,x1,,xn和x所界定的 ( a , b ) (a,b) (a,b)范围内。

插值余项公式(9)给出了用 p n ( x ) p_n(x) pn(x)来近似代替 f ( x ) f(x) f(x)的截断误差 R n ( x ) R_n(x) Rn(x)。在实际应用中,对于制定的精度 ϵ \epsilon ϵ,要求插值的 R n ( x ) ≤ ϵ R_n(x)\leq \epsilon Rn(x)ϵ

根据(9)式计算插值余项,前提条件是必须已知函数 f ( x ) f(x) f(x) [ a , b ] [a,b] [a,b]内的n+1阶导数。而实际情况却恰恰相反,根本不能确定函数 f ( x ) f(x) f(x)及其n+1阶导数,仅仅知道离散的插值节点和对应的函数值,即 ( x i , y i ) ( i = 0 , 1 , 2 , ⋯ , n ) (x_i,y_i)(i=0,1,2,\cdots,n) (xi,yi)(i=0,1,2,,n)。那么,可采用下面的方法保证插值的计算精度。

L n ( x ) L_n(x) Ln(x) f ( x ) f(x) f(x)关于n个插值节点 ( x 0 , x 1 , ⋯ , x n ) (x_0,x_1,\cdots,x_n) (x0,x1,,xn)的插值多项式,为了估计误差 f ( x ) − L n ( x ) f(x)-L_n(x) f(x)Ln(x),另取一个插值节点 x n + 1 x_{n+1} xn+1,设 L ‾ n ( x ) \overline L_n(x) Ln(x) f ( x ) f(x) f(x)关于n个插值节点 ( x 1 , ⋯ , x n , x n + 1 ) (x_1,\cdots,x_n,x_{n+1}) (x1,,xn,xn+1)的插值多项式。根据插值余项定理,有:
f ( x ) − L n ( x ) = f ( n + 1 ) ( ξ ) ( n + 1 ) ! ∏ i = 0 n ( x − x i ) f(x)-L_n(x)=\frac{f^{(n+1)}(\xi)}{(n+1)!}\prod_{i=0}^n(x-x_i) f(x)Ln(x)=(n+1)!f(n+1)(ξ)i=0n(xxi)

f ( x ) − L ‾ n ( x ) = f ( n + 1 ) ( η ) ( n + 1 ) ! ∏ i = 1 n + 1 ( x − x i ) f(x)-\overline L_n(x)=\frac{f^{(n+1)}(\eta)}{(n+1)!}\prod_{i=1}^{n+1}(x-x_i) f(x)Ln(x)=(n+1)!f(n+1)(η)i=1n+1(xxi)


f ( x ) − L n ( x ) f ( x ) − L ‾ n ( x ) = f ( n + 1 ) ( ξ ) f ( n + 1 ) ( η ) ⋅ x − x 0 x − x n + 1 \frac{f(x)-L_n(x)}{f(x)-\overline L_n(x)}=\frac{f^{(n+1)}(\xi)}{f^{(n+1)}(\eta)}·\frac{x-x_0}{x-x_{n+1}} f(x)Ln(x)f(x)Ln(x)=f(n+1)(η)f(n+1)(ξ)xxn+1xx0
f ( n + 1 ) ( x ) f^{(n+1)}(x) f(n+1)(x)在插值区间上变化不大,则 f ( n + 1 ) ( ξ ) ≈ f ( n + 1 ) ( η ) f^{(n+1)}(\xi)\approx f^{(n+1)}(\eta) f(n+1)(ξ)f(n+1)(η),有:
f ( x ) − L n ( x ) ≈ x − x 0 x 0 − x n + 1 ( L n ( x ) − L ‾ n ( x ) ) f(x)-L_n(x)\approx \frac{x-x_0}{x_0-x_{n+1}}(L_n(x)-\overline L_n(x)) f(x)Ln(x)x0xn+1xx0(Ln(x)Ln(x))
只要 L n ( x ) − L ‾ n ( x ) L_n(x)-\overline L_n(x) Ln(x)Ln(x)足够小,就能保证 f ( x ) − L n ( x ) < ϵ f(x)-L_n(x) < \epsilon f(x)Ln(x)<ϵ。这种利用相关两次的插值计算结果来估计误差大小的方法,称为事后误差估计方法。

2. 高次插值的Runge(龙格)现象

在区间 [ a , b ] [a,b] [a,b]上,运用Lagrange插值公式进行插值,插值节点数越多,插值多项式的次数越高,插值函数和被插值函数重合的点(在插值节点上)也越多,插值计算结果的精度是否也越高呢?

定义2:设有 n + 1 n+1 n+1个插值节点的插值多项式为 p n ( x ) p_n(x) pn(x),如果对于任意的 ϵ > 0 \epsilon>0 ϵ>0,存在正整数N,当 n > N n>N n>N时,对被插值的函数 f ( x ) f(x) f(x)及所有 x ∈ [ a , b ] x\in [a,b] x[a,b],有
f ( x ) − p n ( x ) < ϵ f(x)-p_n(x)<\epsilon f(x)pn(x)<ϵ
成立,则称 p n ( x ) p_n(x) pn(x)一致收敛于 f ( x ) f(x) f(x)

考察 [ − 1 , 1 ] [-1,1] [1,1]区间内等节距点的 f ( x ) f(x) f(x)的Lagrange插值。对于像 s i n x sin\,x sinx e x e^x ex这样性态较好的函数,其所有导数有同样的常数界M,误差 R n ( x ) = f ( x ) − p n ( x ) R_n(x)=f(x)-p_n(x) Rn(x)=f(x)pn(x)随着n的增加而趋向零,因此增加插值节点数有利于提高插值结果的精度。但在一般情况下,答案是否定的。例如,对于函数 f ( x ) = 1 1 + x 2 f(x)=\frac{1}{1+x^2} f(x)=1+x21,当 n → ∞ n\to \infty n时, R n ( x ) R_n(x) Rn(x)是增加的。

在这里插入图片描述
在这里插入图片描述

若节点数增加,则振荡加剧,该问题是由于插值节点是等距造成的,这种对等距插值节点进行高次插值时发生的不收敛现象称为Runge现象

一般,为减小Lagrange插值的阶段误差,提高插值精度,可以采用如下措施:

(1)在插值区间内,只能在一定范围 ( n ≤ 7 ) (n\leq 7) (n7)内依靠增加插值节点的方法提高插值精度,并应该尽量避免使用高次插值,以防止出现Runge现象。

(2)修改插值条件,如要求插值函数和被插值函数在某些节点具有相同导数,则应采用Hermite(埃尔米特)插值等。

(3)减小插值区间或将插值区间分成若干小段,并在每一小段上使用低次插值,即采用分段插值和样条插值。

这篇关于插值余项 + 高次插值的Runge现象 | Lagrange拉格朗日插值(二)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/310419

相关文章

温差电现象

温差电现象练习题 1. 两种不同的金属A和B构成温差电偶,冷端温度为0℃,热端温度为T,塞贝克系数为αAB,写出热电势的表达式。 2. 什么是温差电动势?它与哪些因素有关? 3. 解释珀尔帖效应和汤姆逊效应,并说明它们之间的区别。 4. 一块长为10cm,截面积为1mm2 的铜条,两端温度差为100K,铜的电导率为5.8×107 S/m,计算通过铜条的热流密度。 5. 一个温差电偶的热电

【银河麒麟高级服务器操作系统实例】虚拟化平台系统服务中断现象分析及处理建议

服务器环境以及配置 【机型】虚机 处理器: Kunpeng-920 内存: 40G 【内核版本】 4.19.90-23.8.v2101.ky10.aarch64 【OS镜像版本】 银河麒麟操作系统 Kylin-Server-10-SP1-Release-Build20-20210518-arm64 【第三方软件】 智能运维系统、mysql数据集群 现象描述 环境描

动画插值器Interpolation

插值器定义: 用于修改一个动画过程中的速率,可以定义各种各样的线性或非线性变化函数,比如匀速.加速.减速等。 说白了(也就是通俗的说):其实就是一个 时间的函数,用来 定义了动画的变化律 系统的插值器: 在Android中所有的插值器都是Interpolator 的子类,下面是几种插值器: AccelerateDecelerateInterolator  先加速后减速,

图像插值算法参考博客

1. 最近邻插值法(nearest_neighbor) - wancy - 博客园 (cnblogs.com)https://www.cnblogs.com/wancy/p/15068519.html 2. 双线性插值法(bilinear interpolation) - wancy - 博客园 (cnblogs.com)https://www.cnblogs.com/wancy/p/15212

图片识别 中图片压缩和放大算法,最近邻插值,双线性插值

由于在神经网络中,输入的张量大小必须相同,但是图片大小不一定相同,我们需要对图片进行压缩和放大。     图像的缩放很好理解,就是图像的放大和缩小。传统的绘画工具中,有一种叫做“放大尺”的绘画工具,画家常用它来放大图画。当然,在计算机上,我们不 再需要用放大尺去放大或缩小图像了,把这个工作交给程序来完成就可以了。下面就来讲讲计算机怎么来放大缩小图象;在本文中,我们所说的图像都是指点阵图, 也

【CFD教程】水中翼型空化现象模拟

一、案例背景 空化是液体中出现局部低压产生空泡的现象,比如螺旋桨、水泵等空化会造成金属腐蚀。通过本案例模拟,将定性地看到具有翼型截面的水泵叶片高速运动时,表面出现的低压空泡区域。 本案例需要的输入文件和参数信息如下表: 图1 网格模型 二、 网格处理 1. 新建工程 a. 启动AICFD 2024R1; 图2 AICFD窗口

最优化方法Python计算:二次规划的拉格朗日算法

目标函数为二次式,约束条件为线性式的最优化问题称为二次规划。其一般形式为 { minimize 1 2 x ⊤ H x + c ⊤ x s.t.   A e q x − b e q = o A i q x − b i q ≥ o . \begin{cases} \text{minimize}\quad \frac{1}{2}\boldsymbol{x}^\top\boldsymbol{Hx}+\

【智能制造-30】机器人飞车现象

什么是机器人飞车? 机器人飞车是指机器人在运行过程中出现失控加速的异常现象。表现形式如下: 速度异常升高 正常情况下,机器人的运动速度是由其控制系统根据预设的程序和指令进行精确控制的。但在飞车状态下,机器人的电机转速会突然大幅增加,导致整体运动速度远超正常范围。例如,一个工业机器人在执行装配任务时,原本以稳定的速度进行操作,突然之间速度急剧上升,可能对周围的设备、工件以及操作人员造成严重的安全

Unity中的曲线插值CatmullRom

链接:Unity中的曲线插值CatmullRom ps:博客从typecho换成jekyll后,文章复制到简书来因为图片链接原因变得麻烦了。- -! 正文 之前写了个插件,有个需要曲线插值的功能。给定一些点的位置,物体成一条平滑曲线依次通过这些点。 Bezier曲线是在Unity里比较常用的,但是不适合这里的需求。因为Bezier无法通过所有的点,它需要有另外的点来构造切线。如下图: 图1

Python优化算法20——精英反向学习与二次插值改进的黏菌算法(ISMA)

科研里面优化算法都用的多,尤其是各种动物园里面的智能仿生优化算法,但是目前都是MATLAB的代码多,python几乎没有什么包,这次把优化算法系列的代码都从底层手写开始。 需要看以前的优化算法文章可以参考:Python优化算法_阡之尘埃的博客-CSDN博客 算法背景 之前写过黏菌优化算法的文章,现在有很多新的黏菌优化算法,都是进行了一些改进。本次带来的是混沌精英黏菌算法,当然也会和普