|
Приближение функций Пусть на
некотором множестве задана система функций φ0(x), φ1(x),…, φm(x), которые в дальнейшем будем
считать достаточно гладкими (например, непрерывно дифференцируемыми)
функциями. Назовем эту систему основной. Функция вида Qm(x)=c0φ0(x)+
c1φ1(x)+…+ cmφm(x), где c0, c1,…,cm - постоянные коэффициенты,
называются обобщенными
полиномами (обобщенными многочленами) порядка m. В частности,
если основная система состоит из целых неотрицательных степеней переменной x, т.е. φ0(x)= φ1(x)=x,…,φm(x=xm),…, то Qm(x)=c0+ c1x+…+
cmxm, есть обычный
полином степени m. φ0(x)=1,φ1(x)=cos x,φ2(x)=sin x,…, φ2m-1(x)=cos mx, φ2m(x)=sin mx,…, Если то Qm(x)=a0+ a1 cos
x+b1 sin x+…+ am cos mx + bm sin mx называется тригонометрическим полиномом (или тригонометрическим многочленом) порядка m. Задача о
приближении функции ставится следующим образом: данную функцию f(x) требуется
заменить обобщенным полиномом Qm(x) заданного порядка m так, чтобы
отклонение (в известном смысле) функции f(x) от обобщенного полинома Qm(x) на указанном множестве X={x}было наименьшим. При этом
полином Qm(x) в общем случае называется аппроксимирующим. Если множество X состоит из
отдельных точек x0, x1,…, xn, то
приближение называется точечным.
Если
же X есть отрезок a≤x≤b, то приближение называется интегральным. Для практики
весьма важным является приближение функций обычными и тригонометрическими
полиномами. Что касается термина отклонение двух функций, то он в зависимости от обстоятельств понимается по-разному. При этом мы получаем различные типы задач теории приближений: интерполирование, среднеквадратичное приближение, равномерное приближение и т.п.
Метод
наименьших квадратов
Метод базируется на применении в качестве критерия близости суммы квадратов отклонений заданных и расчетных значений. При заданной структуре аппроксимирующей функции yiрасчет(x) необходимо таким образом подобрать параметры этой функции, чтобы получить наименьшее значение критерия близости, т.е. наилучшую аппроксимацию. Рассмотрим путь нахождения этих параметров на примере полиномиальной функции одной переменной: yiрасчет(x)=akxk+
ak-1xk-1+…+a0=∑kj=1ajxj.
Запишем выражение критерия аппроксимации при βi (i=1,2,…,n) для полиномиального yiрасчет(x):
Искомые переменные aj можно найти из необходимого условия минимума R по этим переменным, т.е. dR/dap=0 (для р = 0, 1,2, ..., n). Продифференцируем ap (р — текущий индекс):
Значения индексов суммирования для простоты опущены. После очевидных преобразований (сокращение на два, раскрытие скобок, изменение порядка суммирования) получим
p=0,1,2,…,k.
Перепишем последние
равенства
Получилась система n+1 уравнений с таким же количеством неизвестных aj , причем линейная относительно этих переменных. Эта система называется системой нормальных уравнений. Из ее решения находятся параметры aj аппроксимирующей функции, обеспечивающие minR, т.е. наилучшее возможное квадратичное приближение. Зная коэффициенты, можно (если нужно) вычислить и величину R (например, для сравнения различных аппроксимирующих функций). Следует помнить, что при изменении даже одного значения исходных данных (или пары значений xi, yj или одного из них) все коэффициенты изменят в общем случае свои значения, так как они полностью определяются исходными данными. Поэтому при повторении аппроксимации с несколько изменившимися данными (например, вследствие погрешностей измерения, помех, влияния неучтенных факторов и т.п.) получится другая аппроксимирующая функция, отличающаяся коэффициентами. Обратим внимание на то, что коэффициенты aj полинома находятся из решения системы уравнений, т.е. они связаны между собой. Это приводит к тому, что если какой-то коэффициент вследствие его малости захочется отбросить, придется пересчитывать заново оставшиеся. Можно рассчитать количественные оценки тесноты связи коэффициентов. Существует специальная теория планирования экспериментов, которая позволяет обосновать и рассчитать значения xj, , используемые для аппроксимации, чтобы получить заданные свойства коэффициентов (несвязанность, минимальная дисперсия коэффициентов и т.д.) или аппроксимирующей функции (равная точность описания реальной зависимости в различных направлениях, минимальная дисперсия предсказания значения функции и т.д.). В случае постановки другой задачи — найти аппроксимирующую функцию, обеспечивающую погрешность не хуже заданной, — необходимо подбирать и структуру этой функции. Эта задача значительно сложнее предыдущей (найти параметры аппроксимирующей функции заданной структуры, обеспечивающей наилучшую возможную погрешность) и решается в основном путем перебора различных функций и сравнения получающихся мер близости. Для примера на рис. 3.1 приведены для визуального сравнения исходная и аппроксимирующие функции с различной степенью полинома, т.е. функции с различной структурой. Не следует забывать, что с повышением точности аппроксимации растет и сложность функции (при полиномиальных аппроксимирующих функциях), что делает ее менее удобной при использовании.
Пример. Необходимо найти аппроксимирующую функцию в виде линейного полинома у=а0+агх по имеющимся экспериментальным данным
Система нормальных уравнений будет выглядеть следующим образом:
Используя имеющиеся данные, получим
n=9, Решим полученную систему линейных уравнений относительно а0 и а1 получим а0 =90,1, а1 =0,87.
а
б
в Влияние степени аппроксимирующего полинома М на точность аппроксимации: а — М=2, б—М = 3,в— М=5.
Аппроксимирующая функция имеет вид
Приведем расчетные значения функции:
|