КАТЕГОРИИ: Архитектура-(3434)Астрономия-(809)Биология-(7483)Биотехнологии-(1457)Военное дело-(14632)Высокие технологии-(1363)География-(913)Геология-(1438)Государство-(451)Демография-(1065)Дом-(47672)Журналистика и СМИ-(912)Изобретательство-(14524)Иностранные языки-(4268)Информатика-(17799)Искусство-(1338)История-(13644)Компьютеры-(11121)Косметика-(55)Кулинария-(373)Культура-(8427)Лингвистика-(374)Литература-(1642)Маркетинг-(23702)Математика-(16968)Машиностроение-(1700)Медицина-(12668)Менеджмент-(24684)Механика-(15423)Науковедение-(506)Образование-(11852)Охрана труда-(3308)Педагогика-(5571)Полиграфия-(1312)Политика-(7869)Право-(5454)Приборостроение-(1369)Программирование-(2801)Производство-(97182)Промышленность-(8706)Психология-(18388)Религия-(3217)Связь-(10668)Сельское хозяйство-(299)Социология-(6455)Спорт-(42831)Строительство-(4793)Торговля-(5050)Транспорт-(2929)Туризм-(1568)Физика-(3942)Философия-(17015)Финансы-(26596)Химия-(22929)Экология-(12095)Экономика-(9961)Электроника-(8441)Электротехника-(4623)Энергетика-(12629)Юриспруденция-(1492)Ядерная техника-(1748) |
Аппроксимация функций методом наименьших квадратовПостановка задачи аппроксимации по МНК. Условия наилучшего приближения. Если набор экспериментальных данных получен со значительной погрешностью, то интерполяция не только не требуется, но и нежелательна! Здесь требуется построить кривую, которая воспроизводила бы график исходной экспериментальной закономерности, т.е. была бы максимально близка к экспериментальным точкам, но в то же время была бы нечувствительна к случайным отклонениям измеряемой величины. Введем непрерывную функцию φ (x) для аппроксимации дискретной зависимости f (x i), i = 0… n. Будем считать, что φ (x) построена по условию наилучшего квадратичного приближения, если . (1) Весу ρ для i -й точки придают смысл точности измерения данного значения: чем больше ρ, тем ближе аппроксимирующая кривая «притягивается» к данной точке. В дальнейшем будем по умолчанию полагать ρ = 1 для всех точек. Рассмотрим случай линейной аппроксимации: φ (x) = c 0 φ 0(x) + c 1 φ 1(x) + … + c m φ m(x), (2) где φ 0… φ m – произвольные базисные функции, c 0… c m – неизвестные коэффициенты, m < n. Если число коэффициентов аппроксимации взять равным числу узлов, то среднеквадратичная аппроксимация совпадет с интерполяцией Лагранжа, при этом, если не учитывать вычислительную погрешность, Q = 0. Если известна экспериментальная (исходная) погрешность данных ξ, то выбор числа коэффициентов, то есть величины m, определяется условием: . (3) Иными словами, если , число коэффициентов аппроксимации недостаточно для правильного воспроизведения графика экспериментальной зависимости. Если , многие коэффициенты в (2) не будут иметь физического смысла. Для решения задачи линейной аппроксимации в общем случае следует найти условия минимума суммы квадратов отклонений для (2). Задачу на поиск минимума можно свести к задаче поиска корня системы уравнений , k = 0… m. (4). Подстановка (2) в (1), а затем расчет (4) приведет в итоге к следующей системе линейных алгебраических уравнений: Далее следует решить полученную СЛАУ относительно коэффициентов c 0… c m. Для решения СЛАУ обычно составляется расширенная матрица коэффициентов, которую называют матрицей Грама, элементами которой являются скалярные произведения базисных функций и столбец свободных коэффициентов: , где , , j = 0… m, k = 0… m. После того как с помощью, например, метода Гаусса найдены коэффициенты c 0… c m, можно построить аппроксимирующую кривую или вычислить координаты заданной точки. Таким образом, задача аппроксимации решена.
Аппроксимация каноническим полиномом. Выберем базисные функции в виде последовательности степеней аргумента x: φ 0(x) = x 0 = 1; φ 1(x) = x 1 = x; φ m(x) = x m, m < n. Расширенная матрица Грама для степенного базиса будет выглядеть следующим образом: . Особенность вычислений такой матрицы (для уменьшения количества выполняемых действий) состоит в том, что необходимо сосчитать только элементы первой строки и двух последних столбцов: остальные элементы заполняются сдвигом предшествующей строки (за исключением двух последних столбцов) на одну позицию влево. В некоторых языках программирования, где отсутствует быстрая процедура возведения в степень, пригодится алгоритм расчета матрицы Грама, представленный далее. Выбор базисных функций в виде степеней x не является оптимальным с точки зрения достижения наименьшей погрешности. Это является следствием неортогональности выбранных базисных функций. Свойство ортогональности заключается в том, что для каждого типа полинома существует отрезок [ x 0, x n], на котором обращаются в нуль скалярные произведения полиномов разного порядка: , j ≠ k, ρ – некоторая весовая функция. Если бы базисные функции были ортогональны, то все недиагональные элементы матрицы Грама были бы близки к нулю, что увеличило бы точность вычислений, в противном случае при определитель матрицы Грама очень быстро стремится к нулю, т.е. система становится плохо обусловленной.
Блок-схема алгоритма формирования матрицы Грама и аппроксимации полиномом. Аппроксимация ортогональными классическими полиномами. Представленные ниже полиномы, относящиеся ко многочленам Якоби, обладают свойством ортогональности в изложенном выше смысле. То есть, для достижения высокой точности вычислений рекомендуется выбирать базисные функции для аппроксимации в виде этих полиномов. 1) Полиномы Чебышева. Определены и ортогональны на [–1, 1] с весом . В интервал ортогональности всегда можно вписать область определения исходной функции с помощью линейных преобразований. Строятся следующим образом (рекуррентная формула): T 0(x) = 1; T 1(x) = x; T k+1(x) = 2 xT k(x) – T k–1(x).
2) Полиномы Лежандра. Определены и ортогональны на [–1, 1] с весом . Строятся следующим образом (рекуррентная формула): L 0(x) = 1; L 1(x) = x; .
Сглаживание и линейная регрессия. Рассмотрим несколько наиболее простых с точки зрения программной реализации случаев аппроксимации (сглаживания). 1) Линейная регрессия. В случае линейного варианта МНК (линейная регрессия) φ (x) = a + bx можно сразу получить значения коэффициентов a и b по следующим формулам: , , где , . 2) Линейное сглаживание по трём точкам.
3) Линейное сглаживание по пяти точкам.
Дата добавления: 2014-01-07; Просмотров: 2082; Нарушение авторских прав?; Мы поможем в написании вашей работы! Нам важно ваше мнение! Был ли полезен опубликованный материал? Да | Нет |