下载文档原格式
最佳平方逼近原理最佳平方逼近原理是数值分析中的一个经典原理，用于寻找函数在给定定义域上的最佳平方逼近曲线。
在实际应用中，我们经常需要通过已知的离散数据点来近似拟合一个函数，最佳平方逼近原理就是为了解决这个问题而提出的。
最佳平方逼近原理的核心思想是，通过最小化残差平方和来选择最佳的曲线拟合函数。
残差平方和是指每个数据点与拟合曲线之间的差值的平方和，通过最小化残差平方和，我们可以找到能够最好地拟合数据点的曲线。
为了更好地理解最佳平方逼近原理，我们可以通过一个简单的例子来说明。
假设我们有一组包含有N个点的数据集{(x1,y1),(x2,y2),...,(xn,yn)}，我们需要找到一条曲线y=f(x)来拟合这些数据点。
首先，我们可以假设拟合曲线为一条直线y=ax+b，其中a为斜率，b为截距。
我们的目标是找到最佳的斜率a和截距b，使得拟合曲线能够最好地拟合数据点。
为了评估拟合曲线的好坏，我们可以定义残差ei为数据点yi与拟合曲线f(xi)之间的差值，即ei=yi-f(xi)。
然后，可以定义残差平方和E为所有残差的平方和，即E=∑(yi-f(xi))^2。
根据最佳平方逼近原理，我们需要选择最优的斜率a和截距b，使得E达到最小值。
这可以通过对E分别对a和b求偏导数，并令偏导数等于零来实现。
∂E/∂a=0和∂E/∂b=0的解可以分别表示为a=(N∑(xiyi)-∑xi∑yi)/(N∑(xi^2)-(∑xi)^2)和b=(∑yi-∑(xi/n)a))/N 通过求解这两个方程，我们可以得到最佳的斜率a和截距b，从而得到最佳的拟合曲线。
上述例子只是最佳平方逼近原理的一个简单应用，实际上，最佳平方逼近原理可以应用于更复杂的拟合曲线，如多项式拟合、指数拟合等。
在实际应用中，最佳平方逼近原理广泛应用于数据分析、信号处理、图像处理等领域。
通过最佳平方逼近原理，我们可以从大量的离散数据中提取有效的信息，利用拟合曲线来进行预测、分类、回归等操作。
2013-2014（1）专业课程实践论文题目：函数的最佳平方逼近一、算法理论下面研究在区间[],a b 上一般的最佳平方逼近问题。
对于给定的函数()[,]f x C a b ∈，如果存在*01(){(),(),,()}n S x Span x x x ϕϕϕ∈使得[]22*()()()min ()()()bb a a a x b x f x S x dx x f x s x dx ρρ≤≤⎡⎤-=-⎣⎦⎰⎰则称*()s x 是()f x 在集合01{(),(),,()}n Span x x x ϕϕϕ 中的最佳平方逼近函数。
为了求*()s x ，由式可知，该为题等价于求多元函数。
若用H 表示行列式2(1,,,....,)n Gn G x x x =对应的矩阵，则*()s x ， H 称为Hilbert 矩阵。
记01(,,....,)T n a a a a =，01(,,....,)T n d d d d =其中 (,)(0,1,.....,)k k d f x k n ==则方程 Ha d =的解*(0,1,.....)k k a a k n ==即为所求。
二、算法框图三、算法程序#include<stdio.h>#include<math.h>double function1(double x){ double s1;s1=1/sqrt(4+x*x);//替换函数return s1;}double function2(double x){ double s2;s2=x/sqrt(4+x*x);//替换函数return s2;}double ReiterationOfSimpson(double a,double b,double n,double f(double x)){ double h,fa,fb,xk,xj;h=(b-a)/n;fa=f(a);fb=f(b);double s1=0.0;double s2=0.0;for(int k=1;k<n;k++){ xk=a+k*h;s1=s1+f(xk);}for(int j=0;j<n;j++){ xj=a+(j+0.5)*h;s2=s2+f(xj);}double sn;sn=h/6*(fa+fb+2*s1+4*s2);return sn;}int main(){ double a=0.0,b=1.0,Result[2];int n=5;Result[0]=ReiterationOfSimpson(a,b,n,function1);Result[1]=ReiterationOfSimpson(a,b,n,function2);printf("d0=%f,d1=%f\n\n",Result[0],Result[1]);double x[2]={Result[0],Result[1]};double a0,a1;a0=4*Result[0]-6*Result[1];a1=12*Result[1]-4*Result[0];printf("a0=%5.7f,a1=%5.7f\n\n",a0,a1);}四、算法实现例1. 求()f x x =在[1,1]-上的一次最佳平方逼近解：运行程序，把替换函数分别改成s1=abs(x)，s2=x*abs(x)， 上机运行截图例2. 设()1/0,1上的一次最佳平方逼近多项式。
§3 最佳平方逼近摘要：介绍内积赋范线性空间中的最佳平方逼近的特征，最佳逼近元存在唯一性及求解；2,L a b ρ⎡⎤⎣⎦中的最佳平方逼近问题的讨论。
一、赋范线性空间定义1 线性空间X 称为赋范线性空间，如果其上赋予一个满足如下3条性质的函数：（1）0,00,;x x x x X ≥=⇔=∈ （2）,,;α=∈∈ax a x x X（3）,,.x y x y x y X +≤+∈ 则称是线性空间X 的范数。
例1 欧氏空间(欧几里德空间（Euclid ）)n:12221,,=⎛⎫=∈⎪⎝⎭∑nnk k x x x范数称为欧氏范数或2-范数。
例2 1-范数赋范线性空间n：11,,==∈∑nnk k x x x称为1-范数。
定义2 赋范线性空间中的最佳逼近：若Y 是赋范线性空间X 的一个线性子空间，x X ∈，则称量(),inf y Yx Y x y∈∆=-为子空间Y 对元素x 的最佳逼近，而使上式成立的元素*y 称为最佳逼近元，且Y 称为逼近子空间。
二、内积空间定义3 假设X 是一线性空间，如果其上赋予一个满足如下4条性质的二元函数(),：()()(1)(,)(,),,;(2)(,)(,),,,;(3)(,)(,)(,),,,;(4),0,;,00,ααα=∀∈=∀∈∈+=+∀∈≥∀∈=⇔=x y y x x y X x y x y x y X x y z x z y z x y z X x x x X x x x则称X 为内积空间。
例3 欧几里得空间n： (),,,=∈Tnx y x y x y内积→范数：2x ，2x 满足范数的3条性质。
内积空间→赋范线性空间定义4 内积空间中的最佳逼近：假设(1,2,,)ϕ=i i n 是内积空间X 中的n 个线性无关的元素，f X ∈，则子集{}12,,,ϕϕϕΦ=n n span对f 的最佳平方逼近定义为()2,min ϕϕ∈Φ∆Φ=-nn f f . （1） 使（1）成立的那个元素称为最佳逼近元素。
最佳三角多项式平方逼近最佳三角多项式平方逼近是一种数学方法，用于找到最接近给定数据集的三角多项式。
这种方法可以在各种领域中找到广泛的应用，包括信号处理、数据分析和图像处理。
下面将通过一个具体的例子来说明最佳三角多项式平方逼近的原理和应用。
假设我们有一组离散的数据点，表示某个周期性现象的变化趋势。
我们的目标是找到一个三角多项式，使得该多项式的平方与数据点的误差最小。
简单来说，我们希望找到一个函数，尽可能地逼近这些数据点，并且在逼近过程中最小化误差。
为了实现这个目标，我们可以使用最小二乘法。
最小二乘法是一种常见的数学方法，用于拟合数据和模型之间的关系。
它通过最小化残差平方和来找到最佳的拟合曲线。
在三角多项式平方逼近中，我们可以使用最小二乘法来找到最佳的三角多项式。
具体来说，我们可以使用三角函数的线性组合作为三角多项式的形式。
常见的三角函数包括正弦函数和余弦函数。
通过选择适当的系数，我们可以将这些三角函数进行线性组合，并得到一个逼近函数。
然后，我们可以使用最小二乘法来找到最佳的系数，使得逼近函数的平方与数据点的误差最小。
最佳三角多项式平方逼近的优点是可以适应不同类型的数据集。
它可以在周期性数据和非周期性数据中都得到良好的逼近效果。
此外，该方法还可以通过调整三角多项式的阶数来控制逼近的精度。
较高阶的三角多项式可以更精确地逼近数据，但也可能导致过拟合问题。
需要注意的是，最佳三角多项式平方逼近并不是万能的。
它的适用范围有一定限制，对于某些特殊的数据集可能效果不佳。
此外，该方法也需要一定的数学基础和计算能力才能正确应用。
总结来说，最佳三角多项式平方逼近是一种用于找到最接近给定数据集的三角多项式的数学方法。
它通过最小化平方误差来实现数据的逼近。
该方法在各种领域中都有广泛的应用，并且可以通过调整阶数来控制逼近的精度。
然而，需要注意该方法的适用范围和限制，并具备一定的数学基础和计算能力才能正确应用。
最佳平方逼近试验任 兵（200820302025）一、问题叙述求函数f(x)=exp(x)在[-1，1]上的二、三次最佳平方逼近多项式。
二、问题分析由教材定义6.5有：对于给定的函数],[)(b a C x f ∈，如果存在*01(){(),(),,()}n S x Span x x x ϕϕϕ∈L使得[]22*()()()min ()()()bba aa xb x f x S x dx x f x s x dx ρρ≤≤⎡⎤-=-⎣⎦⎰⎰ 则称S *(x )是f (x )在集合01{(),(),,()}n Span x x x ϕϕϕL 中的最佳平方逼近函数。
显然，求最佳平方逼近函数)()(0**x a x S j nj j ϕ⋅=∑=的问题可归结为求它的系数**1*0,,,n a a a Λ，使多元函数dx x a x f x a a a I j n j j ban 2010)()()(),,,(⎥⎦⎤⎢⎣⎡-=∑⎰=ϕρΛ取得极小值，也即点(**1*0,,,n a a a Λ)是I (a 0, …，a n )的极点。
由于I (a 0, a 1, …，a n )是关于a 0, a 1, …，a n 的二次函数，利用多元函数取得极值的必要条件，0=∂∂ka I(k = 0, 1, 2, …, n ) 即[]0)()()()(20=-⎥⎦⎤⎢⎣⎡-=∂∂∑⎰=dx x x a x f x a Ik j n j j b a k ϕϕρ得方程组),,2,1,0(,)()()()()()(0n k dx x x f x dxx x x a k b aj k banj j Λ==⎰⎰∑=ϕρϕϕρ如采用函数内积记号,)()()(),(,)()()(),(dx x x f x f dx x x x k qak j k baj k ϕρϕϕϕρϕϕ⎰⎰==那么，方程组可以简写为(,)(,)(0,1,2,,)nkjjk j af k n ϕϕϕ===∑L (1)这是一个包含n + 1个未知元a 0, a 1, …, a n 的n + 1阶线性代数方程组，写成矩阵形式为0001000101111101(,)(,)(,)(,)(,)(,)(,)(,)(,)(,)(,)(,)n n n n n n n n a f a f a f ϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕ⎛⎫⎛⎫⎛⎫⎪ ⎪ ⎪⎪ ⎪ ⎪=⎪ ⎪ ⎪⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭LLM M L L L L L …………（2） 此方程组叫做求a j (j = 0, 1, 2, …, n )的法方程组。
