拉格朗日插值法的推导

news2024/11/13 3:43:39

1、插值的基本定义
  设函数 y = f ( x ) y=f(x) y=f(x)在区间 [ a , b ] [a,b] [a,b]上有定义,且已知它在 n + 1 n+1 n+1个互异点 a ≤ x 0 < x 1 < . . . < x n ≤ b a\leq x_0<x_1<...<x_n\leq b ax0<x1<...<xnb上的函数值 y 0 , y 1 , . . . , y n y_0,y_1,...,y_n y0,y1,...,yn,若存在一个简单函数 p ( x ) p(x) p(x),使得
p ( x i ) = y i , i = 0 , 1 , 2 , . . , n p(x_i)=y_i,i=0,1,2,..,n p(xi)=yi,i=0,1,2,..,n
  成立,则称 p ( x ) p(x) p(x) f ( x ) f(x) f(x)插值函数。显然,除上述已知 n + 1 n+1 n+1个互异点外,在其他位置上,插值函数 p ( x ) p(x) p(x)和原函数 f ( x ) f(x) f(x)之间并没有明确关系,所以插值总是有误差的。不过,若对原函数和插值函数增加一定的约束,则可能使两者保持一致。下面讨论代数插值情况。
  设 p ( x ) p(x) p(x)是次数不超过 n n n的代数多项式,即
p ( x ) = a n x n + a n − 1 x n − 1 + . . . + a 1 x + a 0 (1) p(x)=a_n x^n+a_{n-1}x^{n-1}+...+a_1 x+a_0 \tag{1} p(x)=anxn+an1xn1+...+a1x+a0(1)
该函数满足 p ( x i ) = y i p(x_i)=y_i p(xi)=yi,则称 p ( x ) p(x) p(x)为原函数 f ( x ) f(x) f(x) n n n次代数插值多项式。该种插值称为代数插值,代数插值的几何意义,其实就是找一条过上述 n + 1 n+1 n+1个互异点的 n n n次代数曲线来近似表示曲线 f ( x ) f(x) f(x)
  可以证明,上述 n n n次插值函数有且只有一个。显然,将 p ( x i ) = y i p(x_i)=y_i p(xi)=yi的条件代入(1)式,得到下面的 n + 1 n+1 n+1阶线性方程组
{ a 0 + a 1 x 0 + a 2 x 0 2 + . . . + a n x 0 n = y 0 a 0 + a 1 x 1 + a 2 x 1 2 + . . . + a n x 1 n = y 1 ⋮ a 0 + a 1 x n + a 2 x n 2 + . . . + a n x n n = y n → [ 1 x 0 . . . x 0 n 1 x 1 . . . x 1 n ⋮ ⋮ . . . ⋮ 1 x n . . . x n n ] [ a 0 a 1 ⋮ a n ] = [ y 0 y 1 ⋮ y n ] \left\{\begin{matrix} a_0+a_1 x_0+a_2 x_0^2+...+a_nx_0^n=y_0 \\ a_0+a_1 x_1+a_2 x_1^2+...+a_nx_1^n=y_1 \\ \vdots \\ a_0+a_1 x_n+a_2 x_n^2+...+a_nx_n^n=y_n \\ \end{matrix}\right. \rightarrow \left[ \begin{matrix} 1 & x_0 & ... & x_0^n \\ 1 & x_1 & ... & x_1^n \\ \vdots & \vdots & ... & \vdots \\ 1 & x_n & ... & x_n^n \\ \end{matrix}\right] \left[ \begin{matrix} a_0 \\ a_1 \\ \vdots \\ a^n \\ \end{matrix}\right] = \left[ \begin{matrix} y_0 \\ y_1 \\ \vdots \\ y^n \\ \end{matrix}\right] a0+a1x0+a2x02+...+anx0n=y0a0+a1x1+a2x12+...+anx1n=y1a0+a1xn+a2xn2+...+anxnn=yn 111x0x1xn............x0nx1nxnn a0a1an = y0y1yn
  显然,该线性方程组的行列式为
∣ 1 x 0 . . . x 0 n 1 x 1 . . . x 1 n ⋮ ⋮ . . . ⋮ 1 x n . . . x n n ∣ = ∏ i = 1 n ∏ j = 0 i − 1 ( x i − x j ) \begin{vmatrix} 1 & x_0 & ... & x_0^n \\ 1 & x_1 & ... & x_1^n \\ \vdots & \vdots & ... & \vdots \\ 1 & x_n & ... & x_n^n \\ \end{vmatrix} = \prod_{i=1}^n \prod_{j=0}^{i-1}(x_i-x_j) 111x0x1xn............x0nx1nxnn =i=1nj=0i1(xixj)
 显然,由于 x i x_i xi互不相同,所以上式不为0,所以方程系数 a 0 , . . . , a n a_0,...,a_n a0,...,an可被唯一确,即该插值多项式有且只有一个。
  插值问题的关键是求解插值多项式,显然利用上述线性方程组,可直接求得多项式系数的最小二乘解。但计算过程涉及矩阵求逆,计算量较大,后面将探究新的计算方法。

2、拉格朗日插值法

2.1、线性插值情况
  我们从一次多项式开始逐步推导。此时有 p ( x i ) = y i , ( i = 0 , 1 ) p(x_i)=y_i,(i=0,1) p(xi)=yi,(i=0,1),显然,可过这两个点作一条直线,目的是用直线 p ( x ) p(x) p(x)来近似表示原函数 f ( x ) f(x) f(x),这种插值称为线性插值。该直线的两点式方程可表示为
p ( x ) = y 0 x − x 1 x 0 − x 1 + y 1 x − x 0 x 1 − x 0 = l 0 ( x ) y 0 + l 1 ( x ) y 1 = ∑ k = 0 1 l k ( x ) y k p(x)=y_0 \frac{x-x_1}{x_0-x_1}+y_1 \frac{x-x_0}{x_1-x_0}=l_0(x)y_0+l_1(x)y_1=\sum_{k=0}^1 l_k(x)y_k p(x)=y0x0x1xx1+y1x1x0xx0=l0(x)y0+l1(x)y1=k=01lk(x)yk
  其中, l 0 ( x ) = x − x 1 x 0 − x 1 l_0(x)=\frac{x-x_1}{x_0-x_1} l0(x)=x0x1xx1称为点 x 0 x_0 x0的一次插值基函数, l 1 ( x ) = x − x 0 x 1 − x 0 l_1(x)=\frac{x-x_0}{x_1-x_0} l1(x)=x1x0xx0称为点 x 1 x_1 x1的一次插值基函数, 显然 p ( x ) p(x) p(x) l 0 ( x ) l_0(x) l0(x) l 1 ( x ) l_1(x) l1(x)的线性组合。另外,上述插值基函数满足
l j ( x i ) = δ i j = { 1 , i = j 0 , i ≠ j (2) l_j(x_i)=\delta_{ij}=\left\{\begin{matrix} 1,i=j \\ 0,i\neq j \end{matrix}\right. \tag{2} lj(xi)=δij={1,i=j0,i=j(2)
在这里插入图片描述

图1. 线性插值示意图

2.2、二次插值情况
  此时已知 f ( x ) f(x) f(x)上面三个互异点 ( x i , y i ) , i = 0 , 1 , 2 (x_i,y_i),i=0,1,2 (xi,yi),i=0,1,2,要求构造一个不超过2次的代数多项式 p ( x ) = a x 2 + b x + c p(x)=ax^2+bx+c p(x)=ax2+bx+c,满足 p ( x i ) = y i , ( i = 0 , 1 , 2 ) p(x_i)=y_i,(i=0,1,2) p(xi)=yi,(i=0,1,2)。为便于求解,我们可将 p ( x ) p(x) p(x)重新整理为 p ( x ) = A ( x − x 1 ) ( x − x 2 ) + B ( x − x 0 ) ( x − x 2 ) + C ( x − x 0 ) ( x − x 1 ) p(x)=A(x-x_1)(x-x_2)+B(x-x_0)(x-x_2)+C(x-x_0)(x-x_1) p(x)=A(xx1)(xx2)+B(xx0)(xx2)+C(xx0)(xx1),将三个已知点坐标代入,可求得
A = y 0 ( x 0 − x 1 ) ( x 0 − x 2 ) B = y 1 ( x 1 − x 0 ) ( x 1 − x 2 ) C = y 2 ( x 2 − x 0 ) ( x 2 − x 1 ) A=\frac{y_0}{(x_0-x_1)(x_0-x_2)}\\ B=\frac{y_1}{(x_1-x_0)(x_1-x_2)}\\ C=\frac{y_2}{(x_2-x_0)(x_2-x_1)} A=(x0x1)(x0x2)y0B=(x1x0)(x1x2)y1C=(x2x0)(x2x1)y2
此时可得到插值函数为
p ( x ) = ( x − x 1 ) ( x − x 2 ) ( x 0 − x 1 ) ( x 0 − x 2 ) y 0 + ( x − x 0 ) ( x − x 2 ) ( x 1 − x 0 ) ( x 1 − x 2 ) y 1 + ( x − x 0 ) ( x − x 1 ) ( x 2 − x 0 ) ( x 2 − x 1 ) y 2 = l 0 ( x ) y 0 + l 1 ( x ) y 1 + l 2 ( x ) y 2 = ∑ j = 0 2 l j ( x ) y j p(x)=\frac{(x-x_1)(x-x_2)}{(x_0-x_1)(x_0-x_2)}y_0+\frac{(x-x_0)(x-x_2)}{(x_1-x_0)(x_1-x_2)}y_1+\frac{(x-x_0)(x-x_1)}{(x_2-x_0)(x_2-x_1)}y_2\\ =l_0(x)y_0+l_1(x)y_1+l_2(x)y_2=\sum_{j=0}^2 l_j(x)y_j p(x)=(x0x1)(x0x2)(xx1)(xx2)y0+(x1x0)(x1x2)(xx0)(xx2)y1+(x2x0)(x2x1)(xx0)(xx1)y2=l0(x)y0+l1(x)y1+l2(x)y2=j=02lj(x)yj
其中, l j ( x ) = ∏ i = 0 , i ≠ j 2 x − x i x j − x i l_j(x)=\prod_{i=0,i\neq j}^2 \frac{x-x_i}{x_j-x_i} lj(x)=i=0,i=j2xjxixxi,显然 l j ( x ) l_j(x) lj(x)同样具有(2)式所示的性质。该插值称为二次插值或抛物线插值。

2.3、n次插值情况
  此时,仿照二次插值的构造方法,令
p ( x ) = l 0 ( x ) y 0 + . . . + l n ( x ) y n = ∑ j = 0 n l j ( x ) y j p(x)=l_0(x)y_0+...+l_n(x)y_n=\sum_{j=0}^n l_j(x)y_j p(x)=l0(x)y0+...+ln(x)yn=j=0nlj(x)yj
其中, l j ( x ) l_j(x) lj(x) n n n次多项式,称为插值基函数,它满足条件
l j ( x i ) = δ i j = { 1 , i = j 0 , i ≠ j , ( i , j = 0 , 1 , . . . , n ) (2) l_j(x_i)=\delta_{ij}=\left\{\begin{matrix} 1,i=j \\ 0,i\neq j \end{matrix}\right. ,(i,j=0,1,...,n) \tag{2} lj(xi)=δij={1,i=j0,i=j(i,j=0,1,...,n)(2)
  显然,此时问题归结为构造满足条件的 n n n次多项式 l j ( x ) l_j(x) lj(x)。事实上,由 l j ( x ) = 0 , i ≠ j l_j(x)=0,i\neq j lj(x)=0,i=j,知道 x 0 , x 1 , . . . , x j − 1 , x j + 1 , . . . , x n x_0,x_1,...,x_{j-1},x_{j+1},...,x_n x0,x1,...,xj1,xj+1,...,xn都是 l j ( x ) l_j(x) lj(x)的零点,所以可设 l j ( x ) = A ( x − x 0 ) ( x − x 1 ) . . . . ( x − x j − 1 ) ( x − x j + 1 ) . . . ( x − x n ) l_j(x)=A(x-x_0)(x-x_1)....(x-x_{j-1})(x-x_{j+1})...(x-x_n) lj(x)=A(xx0)(xx1)....(xxj1)(xxj+1)...(xxn)。其中, A A A为待定系数,由条件 l j ( x j ) = 1 l_j(x_j)=1 lj(xj)=1,可确定 A = 1 ( x j − x 0 ) ( x j − x 1 ) . . . ( x j − x j − 1 ) ( x j − x j + 1 ) . . . ( x j − x n ) A=\frac{1}{(x_j-x_0)(x_j-x_1)...(x_j-x_{j-1})(x_j-x_{j+1})...(x_j-x_n)} A=(xjx0)(xjx1)...(xjxj1)(xjxj+1)...(xjxn)1,所以
l j ( x ) = ( x − x 0 ) . . . ( x − x j − 1 ) ( x − x j + 1 ) . . . ( x − x n ) ( x j − x 0 ) . . . ( x j − x j − 1 ) ( x j − x j + 1 ) . . . ( x j − x n ) = ∏ i = 0 , i ≠ j n x − x i x j − x i l_j(x)=\frac{(x-x_0)...(x-x_{j-1})(x-x_{j+1})...(x-x_n)}{(x_j-x_0)...(x_j-x_{j-1})(x_j-x_{j+1})...(x_j-x_n)}=\prod_{i=0,i\neq j}^n \frac{x-x_i}{x_j-x_i} lj(x)=(xjx0)...(xjxj1)(xjxj+1)...(xjxn)(xx0)...(xxj1)(xxj+1)...(xxn)=i=0,i=jnxjxixxi
  由此可得
p ( x ) = ∑ j = 0 n l j ( x ) y j = ∑ j = 0 n y j ( ∏ i = 0 , i ≠ j n x − x i x j − x i ) (3) p(x)=\sum_{j=0}^n l_j(x)y_j=\sum_{j=0}^n y_j(\prod_{i=0,i\neq j}^n \frac{x-x_i}{x_j-x_i})\tag{3} p(x)=j=0nlj(x)yj=j=0nyj(i=0,i=jnxjxixxi)(3)
我们称形如(3)式的插值公式为拉格朗日插值。

未完待续。。。。
未完待续。。。。
未完待续。。。。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/1712081.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

经典文献阅读之--SMERF(通过标清导航地图增强车道感知和拓扑理解)

Tip: 如果你在进行深度学习、自动驾驶、模型推理、微调或AI绘画出图等任务&#xff0c;并且需要GPU资源&#xff0c;可以考虑使用Compshare的GPU算力云平台。他们提供高性价比的4090 GPU&#xff0c;按时收费每卡2.6元&#xff0c;月卡只需要1.7元每小时&#xff0c;并附带200G…

【全开源】西陆家政系统源码小程序(FastAdmin+ThinkPHP+原生微信小程序)

打造高效便捷的家政服务平台 一、引言&#xff1a;家政服务的数字化转型 随着人们生活节奏的加快&#xff0c;家政服务需求日益增长。为了满足广大用户对高效、便捷的家政服务的需求&#xff0c;家政小程序系统源码应运而生。这款源码不仅能够帮助家政服务提供商快速搭建自己…

【VTKExamples::Utilities】第十六期 WindowModifiedEvent

很高兴在雪易的CSDN遇见你 VTK技术爱好者 QQ:870202403 公众号:VTK忠粉 前言 本文分享VTK样例WindowModifiedEvent,希望对各位小伙伴有所帮助! 感谢各位小伙伴的点赞+关注,小易会继续努力分享,一起进步! 你的点赞就是我的动力(^U^)ノ~YO 1. WindowModifi…

基于 RNNs 对 IMDB 电影评论进行情感分类

前言 系列专栏:【深度学习:算法项目实战】✨︎ 涉及医疗健康、财经金融、商业零售、食品饮料、运动健身、交通运输、环境科学、社交媒体以及文本和图像处理等诸多领域,讨论了各种复杂的深度神经网络思想,如卷积神经网络、循环神经网络、生成对抗网络、门控循环单元、长短期记…

Sqli-labs-master靶场1-20通关教程

目录 SQL注入基本语句 Less-1&#xff08;字符型-闭合 &#xff09; Less-2&#xff08;数字型&#xff09; Less-3&#xff08;字符型-闭合 ) &#xff09; Less-4&#xff08;字符型-闭合 ") &#xff09; Less-5&#xff08;报错注入-闭合 &#xff09; Less-…

实战教程:使用Go的net/http/fcgi包打造高性能Web应用

实战教程&#xff1a;使用Go的net/http/fcgi包打造高性能Web应用 简介理解FCGI协议FastCGI工作原理CGI与FastCGI对比其他接口对比 初步使用net/http/fcgi包设置和配置基础环境一个简单的FastCGI应用示例本地测试与调试 深入net/http/fcgi包的高级用法探索net/http/fcgi的主要功…

【贪心算法】C++ 解决算法题:买卖股票 / K次取反 / 按身高排序 / 优势洗牌

1. 前言 1.1 贪心算法介绍 贪心算法&#xff08;Greedy Algorithm&#xff09;是一种在每一步选择中都采取当前状态下最优决策的算法。贪心算法通常用来解决最优化问题&#xff0c;其核心思想是通过局部最优解逐步推导出全局最优解。 在贪心算法中&#xff0c;我们并不总是考…

探索电商ERP平台的功能架构:实现高效运营的关键

在当今数字化时代&#xff0c;电子商务已经成为了商业运营的主流模式之一。为了应对日益激烈的市场竞争&#xff0c;企业需要借助先进的技术工具来提高运营效率和管理能力。在这篇博客中&#xff0c;我们将深入探讨电商ERP平台的功能架构&#xff0c;揭示其如何成为实现高效运营…

港科夜闻|香港科大与利丰成立供应链研究院,应对多变商业环境中的挑战与机遇...

关注并星标 每周阅读港科夜闻 建立新视野 开启新思维 1、香港科大与利丰成立供应链研究院&#xff0c;应对多变商业环境中的挑战与机遇。该研究院的成立&#xff0c;旨在推动全球供应链管理的研究与创新商业模式。研究院结合香港科大卓越研究实力及利丰于供应链管理方面的深厚行…

Dify快速接入微信

一、Dify简介 项目官网&#xff1a;Dify.AI 生成式 AI 应用创新引擎 Dify 是一款开源的大语言模型(LLM) 应用开发平台。它融合了后端即服务&#xff08;Backend as Service&#xff09;和 LLMOps 的理念&#xff0c;使开发者可以快速搭建生产级的生成式 AI 应用。即使你是非…

【管理咨询宝藏116】某大型国有集团公司战略落地保障方案

本报告首发于公号“管理咨询宝藏”&#xff0c;如需阅读完整版报告内容&#xff0c;请查阅公号“管理咨询宝藏”。 【管理咨询宝藏116】某大型国有集团公司战略落地保障方案 【格式】PDF版本 【关键词】战略落地、大型国企、战略报告 【核心观点】 - 资产规模以提高资产质量、…

halcon SVM 缺陷检测分类

一、概述 训练数据 二、算子解释 compactness Halcon 算子 compactness_halcon compactness-CSDN博客 *计算输入区域的紧凑度 compactness (Region, Compactness) 原理解释 convexity 每个输入区域的凸度 Halcon 算子 convexity_halcon convexity-CSDN博客 *计算每个输…

如何关闭MySQL凌晨12点自动弹窗?

要关闭 MySQL 在凌晨 12 点自动弹窗的行为&#xff0c;首先需要确定弹窗的具体原因。 打开“任务计划程序”&#xff1a; 按 Win R&#xff0c;输入 taskschd.msc&#xff0c;然后按 Enter。 在左侧导航栏中&#xff0c;选择“任务计划程序库”。 查找与 MySQL 相关的任务&…

12-常用类

1. 包装类 针对八种基本数据类型封装的相应的引用类型。 有了类的特点&#xff0c;就可以调用类中的方法。&#xff08;为什么要封装&#xff09; 基本数据类型包装类booleanBooleanchar CharacterbyteByteshortShortintIntegerlongLongfloatFloatdoubleDouble 1.1 …

LeetCode 518.零钱兑换Ⅱ

思路&#xff1a; 这题和之前做的不大一样&#xff0c;之前的动态规划转化成背包问题一般都是求能放入的最大重量&#xff0c;这个是求组合数。 求组合数的状态转移方程之前在1和0提到过&#xff1a; dp[j]dp[j-nums[]i]; 这里重点分析一下遍历顺序&#xff1a; 这段代码里面是…

算法学习笔记(7)-贪心算法

##什么是贪心算法 一种常见的解决优化类型的问题&#xff0c;基本的思想是在问题的每个决策阶段&#xff0c;都选择当前看起来最优的选择&#xff0c;即贪心地做出局部最优解的决策&#xff0c;以期待获得全局最优解。 ##贪心算法与动态规划的区别&#xff08;二者都为解决优化…

苏洵,大器晚成的家风塑造者

&#x1f4a1; 如果想阅读最新的文章&#xff0c;或者有技术问题需要交流和沟通&#xff0c;可搜索并关注微信公众号“希望睿智”。 苏洵&#xff0c;字明允&#xff0c;号老泉&#xff0c;生于宋真宗大中祥符二年&#xff08;公元1009年&#xff09;&#xff0c;卒于宋英宗治平…

linux解压.zip文件命令详解

在Linux中解压.zip文件&#xff0c;你可以使用unzip命令。如果你的系统中没有安装unzip&#xff0c;你可以使用包管理器来安装它。 Debian的系统&#xff08;Ubuntu&#xff09;&#xff0c;安装命令&#xff1a; sudo apt-get install unzip基于Red Hat的系统&#xff08;如…

想让企业“火力全开”?找六西格玛培训公司就对了!

在如今的市场环境中&#xff0c;企业面临着不断变化的挑战和无限的可能。要在这场竞争中独领风骚&#xff0c;实现稳健的增长&#xff0c;六西格玛作为一种以数据驱动的管理理论&#xff0c;提供了实际可行的解决方案。六西格玛培训公司&#xff0c;作为这一领域的专家&#xf…

广东海上丝绸之路文化促进会正式批复荐世界酒中国菜的指导单位

广东海上丝绸之路文化促进会正式批复成为“世界酒中国菜”系列活动指导单位 近日&#xff0c;广东海上丝绸之路文化促进会近日正式批复荐酒师国际认证&#xff08;广州&#xff09;有限公司&#xff0c;成为备受瞩目的“世界酒中国菜”系列活动的指导单位。此举旨在通过双方的…