【数值计算方法(黄明游)】函数插值与曲线拟合(一):Lagrange插值【理论到程序】

本文主要是介绍【数值计算方法(黄明游)】函数插值与曲线拟合(一):Lagrange插值【理论到程序】,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!


文章目录

  • 一、近似表达方式
    • 1. 插值(Interpolation)
    • 2. 拟合(Fitting)
    • 3. 投影(Projection)
  • 二、Lagrange插值
    • 1. 天书
    • 2. 人话
      • 拉格朗日插值方法
      • a. 线性插值(n=1)
        • 基本思想
        • 线性插值与线性方程组
      • b. 抛物插值(n=2)
        • 基本思想
        • 优点和局限性
        • 应用场景
      • c. n次插值
        • 基本思想
        • 插值基函数的选择
        • 优点和和局限性
    • 3. python实现
    • 4. C语言实现

一、近似表达方式

  插值、拟合和投影都是常用的近似表达方式,用于对数据或函数进行估计、预测或表示。

1. 插值(Interpolation)

  指通过已知数据点之间的插值方法,来估计或推算出在这些数据点之间的数值。插值可以用于构建平滑的曲线或曲面,以便在数据点之间进行预测或补充缺失的数据。
在这里插入图片描述

2. 拟合(Fitting)

  指通过选择合适的函数形式和参数,将一个数学模型与已知数据点拟合得最好的过程。拟合的目标是找到一个函数,使其在数据点附近的值与实际观测值尽可能接近。拟合可以用于数据分析、曲线拟合、回归分析等领域。

3. 投影(Projection)

  指将一个向量或一组向量映射到另一个向量空间或子空间上的过程。在线性代数中,投影可以用来找到一个向量在另一个向量或向量空间上的投影或投影分量。投影可以用于降维、数据压缩、特征提取等领域,以及计算机图形学中的投影变换。

二、Lagrange插值

1. 天书

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

2. 人话

   Lagrange插值是一种用于通过已知数据点构造一个多项式函数的方法,基于拉格朗日插值多项式的原理(该多项式通过每个数据点并满足相应的条件),拉格朗日插值可用于估计数据点之间的值,而不仅仅是在给定数据点上进行插值。

拉格朗日插值方法

  1. 拉格朗日基函数: 对于给定的插值节点 x 0 , x 1 , … , x n x_0, x_1, \ldots, x_n x0,x1,,xn,拉格朗日插值使用如下的拉格朗日基函数:

    L i ( x ) = ∏ j = 0 , j ≠ i n x − x j x i − x j L_i(x) = \prod_{j=0, j\neq i}^{n} \frac{x - x_j}{x_i - x_j} Li(x)=j=0,j=inxixjxxj

  2. 插值条件: 拉格朗日插值要求插值多项式满足插值条件:对所有 i i i P ( x i ) = y i P(x_i) = y_i P(xi)=yi

  3. 插值多项式: 构造插值多项式为: P ( x ) = ∑ i = 0 n y i L i ( x ) P(x) = \sum_{i=0}^{n} y_i L_i(x) P(x)=i=0nyiLi(x)

  通过这种方法,可以在给定的数据点上获得一个平滑的插值函数,使得在这些数据点之间的任何位置上都可以估计函数的值。Lagrange插值在数据点较少或数据点之间存在较大间隔时可能会出现一些问题,例如插值多项式可能会产生振荡现象,这被称为Runge现象

a. 线性插值(n=1)

基本思想
  1. 插值基函数: 在线性插值中,通常使用线性插值基函数。这些基函数是线性的,通常是一次多项式。在一维线性插值中,最简单的基函数是 1 1 1 x x x

  2. 插值条件: 对于给定的插值节点 x 0 , x 1 x_0, x_1 x0,x1 和对应的函数值 y 0 , y 1 y_0, y_1 y0,y1,线性插值要求插值多项式满足插值条件: P ( x 0 ) = y 0 P(x_0) = y_0 P(x0)=y0 P ( x 1 ) = y 1 P(x_1) = y_1 P(x1)=y1

  3. 构造插值多项式: 构造线性插值多项式为:

    P ( x ) = y 0 ( x − x 1 ) ( x 0 − x 1 ) + y 1 ( x − x 0 ) ( x 1 − x 0 ) P(x) = y_0 \frac{(x - x_1)}{(x_0 - x_1)} + y_1 \frac{(x - x_0)}{(x_1 - x_0)} P(x)=y0(x0x1)(xx1)+y1(x1x0)(xx0)

线性插值与线性方程组

  线性插值的理论基础是线性方程组:通过对插值条件的线性化,我们可以得到一个线性方程组,解这个方程组即可得到插值多项式的系数,进而构造出插值多项式。

b. 抛物插值(n=2)

  抛物插值是一种二次插值方法,它使用二次插值基函数构造插值多项式。抛物插值的基本思想是使用二次多项式来逼近一组给定的插值点。

基本思想
  1. 插值基函数: 插值基函数是二次多项式,即 ( x − x 0 ) ( x − x 1 ) (x - x_0)(x - x_1) (xx0)(xx1) ( x − x 1 ) ( x − x 2 ) (x - x_1)(x - x_2) (xx1)(xx2) ( x − x 2 ) ( x − x 0 ) (x - x_2)(x - x_0) (xx2)(xx0) 这样的形式。

  2. 插值条件: 对于给定的插值节点 x 0 , x 1 , x 2 x_0, x_1, x_2 x0,x1,x2 和对应的函数值 y 0 , y 1 , y 2 y_0, y_1, y_2 y0,y1,y2,抛物插值要求插值多项式满足插值条件: P ( x 0 ) = y 0 P(x_0) = y_0 P(x0)=y0 P ( x 1 ) = y 1 P(x_1) = y_1 P(x1)=y1 P ( x 2 ) = y 2 P(x_2) = y_2 P(x2)=y2

  3. 构造插值多项式: 构造二次插值多项式为:

    P ( x ) = y 0 ( x − x 1 ) ( x − x 2 ) ( x 0 − x 1 ) ( x 0 − x 2 ) + y 1 ( x − x 0 ) ( x − x 2 ) ( x 1 − x 0 ) ( x 1 − x 2 ) + y 2 ( x − x 0 ) ( x − x 1 ) ( x 2 − x 0 ) ( x 2 − x 1 ) P(x) = y_0 \frac{(x - x_1)(x - x_2)}{(x_0 - x_1)(x_0 - x_2)} + y_1 \frac{(x - x_0)(x - x_2)}{(x_1 - x_0)(x_1 - x_2)} + y_2 \frac{(x - x_0)(x - x_1)}{(x_2 - x_0)(x_2 - x_1)} P(x)=y0(x0x1)(x0x2)(xx1)(xx2)+y1(x1x0)(x1x2)(xx0)(xx2)+y2(x2x0)(x2x1)(xx0)(xx1)

优点和局限性
  • 优点:

    • 相对于线性插值,抛物插值对曲线的弯曲更为灵活,更能逼近一些非线性的数据分布。
    • 二次插值基函数相对简单,计算相对容易。
  • 局限性:

    • 抛物插值要求插值节点的个数是三个,因此只能处理有三个插值点的情况。
    • 对于一些数据分布不规则或存在噪声的情况,抛物插值可能会过度拟合数据,导致插值结果不稳定。
应用场景

  抛物插值通常适用于对于较小区间内的数据进行插值的情况,例如在某一局部区域内,数据点趋势呈现抛物线状。在这种情况下,抛物插值可以提供较好的拟合效果。然而,在数据分布较为复杂或需要考虑更多插值点的情况下,可能需要考虑更高次数的插值方法或其他插值技术。

c. n次插值

   n n n 次插值是一种一般化的插值方法,它使用 n n n 次多项式来逼近给定的插值点。在 n n n 次插值中,插值多项式的次数是 n n n,这意味着需要 n + 1 n+1 n+1 个互异的插值点来确定插值多项式。以下是关于 n n n 次插值的一些基本概念:

基本思想
  1. 插值基函数: n n n 次插值中,通常使用 n + 1 n+1 n+1 个插值基函数。这些基函数是 n n n 次多项式,可以选择为拉格朗日基函数或其他基函数形式。

  2. 插值条件: 对于给定的 n + 1 n+1 n+1 个插值节点 x 0 , x 1 , … , x n x_0, x_1, \ldots, x_n x0,x1,,xn 和对应的函数值 y 0 , y 1 , … , y n y_0, y_1, \ldots, y_n y0,y1,,yn n n n 次插值要求插值多项式满足插值条件: P ( x i ) = y i P(x_i) = y_i P(xi)=yi 对所有 i = 0 , 1 , … , n i = 0, 1, \ldots, n i=0,1,,n

  3. 构造插值多项式: 构造 n n n 次插值多项式为:

    P ( x ) = ∑ i = 0 n y i L i ( x ) P(x) = \sum_{i=0}^{n} y_i L_i(x) P(x)=i=0nyiLi(x)

    其中 L i ( x ) L_i(x) Li(x) 是插值基函数。

插值基函数的选择
  1. 拉格朗日基函数: n n n 次插值中,拉格朗日基函数是常用的一种选择。每个基函数 L i ( x ) L_i(x) Li(x) 具有以下形式:

    L i ( x ) = ∏ j = 0 , j ≠ i n x − x j x i − x j L_i(x) = \prod_{j=0, j\neq i}^{n} \frac{x - x_j}{x_i - x_j} Li(x)=j=0,j=inxixjxxj

  2. 其他基函数: 除了拉格朗日基函数外,还可以选择其他形式的插值基函数,例如牛顿基函数等。

优点和和局限性
  • 优点:
    • n n n 次插值具有很高的灵活性,可以逼近复杂的数据分布。
    • 适用于一般性的插值问题,可以处理较多的插值点。
  • 限制:
    • 随着 n n n 的增加,插值多项式的次数增加,计算和存储开销也增加。
    • 对于一些高次插值问题,可能会受到龙格现象(Runge’s phenomenon)的影响,导致插值结果不稳定。

3. python实现

import numpy as np# 定义Lagrange插值函数
def lagrange_interpolation(x, y, xi):n = len(x)yi = 0.0for i in range(n):# 计算拉格朗日插值多项式的每一项term = y[i]for j in range(n):if j != i:term *= (xi - x[j]) / (x[i] - x[j])yi += termreturn yi# 示例数据点
x = np.array([0.32, 0.34, 0.36])
y = np.array([0.314567, 0.333487, 0.352274])# 要进行插值的点
xi = 0.3367# 进行插值
yi = lagrange_interpolation(x, y, xi)print("插值结果:", yi)
print("真实结果:", np.sin(xi))

输出:

插值结果: 0.3303743620374999
真实结果: 0.330374191555628

4. C语言实现

#include <stdio.h>// 计算Lagrange插值多项式的值
double lagrange_interpolation(double x[], double y[], int n, double xi) {double yi = 0.0;for (int i = 0; i < n; i++) {double term = y[i];for (int j = 0; j < n; j++) {if (j != i) {term *= (xi - x[j]) / (x[i] - x[j]);}}yi += term;}return yi;
}int main() {// 示例数据点double x[] = {0.32, 0.34, 0.36};double y[] = {0.314567, 0.333487, 0.352274};// 要进行插值的点double xi = 0.3367;// 数据点的个数int n = sizeof(x) / sizeof(x[0]);// 进行插值double yi = lagrange_interpolation(x, y, n, xi);printf("插值结果:%f\n", yi);return 0;
}

输出:

插值结果:0.330374

这篇关于【数值计算方法(黄明游)】函数插值与曲线拟合(一):Lagrange插值【理论到程序】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/452085

相关文章

2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题

题库来源:安全生产模拟考试一点通公众号小程序 2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题是由安全生产模拟考试一点通提供,流动式起重机司机证模拟考试题库是根据流动式起重机司机最新版教材,流动式起重机司机大纲整理而成(含2024年流动式起重机司机证模拟考试题库及流动式起重机司机理论考试试题参考答案和部分工种参考解析),掌握本资料和学校方法,考试容易。流动式起重机司机考试技

hdu1171(母函数或多重背包)

题意:把物品分成两份,使得价值最接近 可以用背包,或者是母函数来解,母函数(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v)(1 + x^v+x^2v+.....+x^num*v) 其中指数为价值,每一项的数目为(该物品数+1)个 代码如下: #include<iostream>#include<algorithm>

JAVA智听未来一站式有声阅读平台听书系统小程序源码

智听未来,一站式有声阅读平台听书系统 🌟&nbsp;开篇:遇见未来,从“智听”开始 在这个快节奏的时代,你是否渴望在忙碌的间隙,找到一片属于自己的宁静角落?是否梦想着能随时随地,沉浸在知识的海洋,或是故事的奇幻世界里?今天,就让我带你一起探索“智听未来”——这一站式有声阅读平台听书系统,它正悄悄改变着我们的阅读方式,让未来触手可及! 📚&nbsp;第一站:海量资源,应有尽有 走进“智听

系统架构师考试学习笔记第三篇——架构设计高级知识(20)通信系统架构设计理论与实践

本章知识考点:         第20课时主要学习通信系统架构设计的理论和工作中的实践。根据新版考试大纲,本课时知识点会涉及案例分析题(25分),而在历年考试中,案例题对该部分内容的考查并不多,虽在综合知识选择题目中经常考查,但分值也不高。本课时内容侧重于对知识点的记忆和理解,按照以往的出题规律,通信系统架构设计基础知识点多来源于教材内的基础网络设备、网络架构和教材外最新时事热点技术。本课时知识

EMLOG程序单页友链和标签增加美化

单页友联效果图: 标签页面效果图: 源码介绍 EMLOG单页友情链接和TAG标签,友链单页文件代码main{width: 58%;是设置宽度 自己把设置成与您的网站宽度一样,如果自适应就填写100%,TAG文件不用修改 安装方法:把Links.php和tag.php上传到网站根目录即可,访问 域名/Links.php、域名/tag.php 所有模板适用,代码就不粘贴出来,已经打

跨系统环境下LabVIEW程序稳定运行

在LabVIEW开发中,不同电脑的配置和操作系统(如Win11与Win7)可能对程序的稳定运行产生影响。为了确保程序在不同平台上都能正常且稳定运行,需要从兼容性、驱动、以及性能优化等多个方面入手。本文将详细介绍如何在不同系统环境下,使LabVIEW开发的程序保持稳定运行的有效策略。 LabVIEW版本兼容性 LabVIEW各版本对不同操作系统的支持存在差异。因此,在开发程序时,尽量使用

C++操作符重载实例(独立函数)

C++操作符重载实例,我们把坐标值CVector的加法进行重载,计算c3=c1+c2时,也就是计算x3=x1+x2,y3=y1+y2,今天我们以独立函数的方式重载操作符+(加号),以下是C++代码: c1802.cpp源代码: D:\YcjWork\CppTour>vim c1802.cpp #include <iostream>using namespace std;/*** 以独立函数

CSP 2023 提高级第一轮 CSP-S 2023初试题 完善程序第二题解析 未完

一、题目阅读 (最大值之和)给定整数序列 a0,⋯,an−1,求该序列所有非空连续子序列的最大值之和。上述参数满足 1≤n≤105 和 1≤ai≤108。 一个序列的非空连续子序列可以用两个下标 ll 和 rr(其中0≤l≤r<n0≤l≤r<n)表示,对应的序列为 al,al+1,⋯,ar​。两个非空连续子序列不同,当且仅当下标不同。 例如,当原序列为 [1,2,1,2] 时,要计算子序列 [

函数式编程思想

我们经常会用到各种各样的编程思想,例如面向过程、面向对象。不过笔者在该博客简单介绍一下函数式编程思想. 如果对函数式编程思想进行概括,就是f(x) = na(x) , y=uf(x)…至于其他的编程思想,可能是y=a(x)+b(x)+c(x)…,也有可能是y=f(x)=f(x)/a + f(x)/b+f(x)/c… 面向过程的指令式编程 面向过程,简单理解就是y=a(x)+b(x)+c(x)

这些心智程序你安装了吗?

原文题目:《为什么聪明人也会做蠢事(四)》 心智程序 大脑有两个特征导致人类不够理性,一个是处理信息方面的缺陷,一个是心智程序出了问题。前者可以称为“认知吝啬鬼”,前几篇文章已经讨论了。本期主要讲心智程序这个方面。 心智程序这一概念由哈佛大学认知科学家大卫•帕金斯提出,指个体可以从记忆中提取出的规则、知识、程序和策略,以辅助我们决策判断和解决问题。如果把人脑比喻成计算机,那心智程序就是人脑的