数值分析笔记(三)函数逼近

最佳平方逼近

函数逼近是使用一种简单易算的函数来近似表示一个复杂函数。

在这里插入图片描述

该问题可转化为求解线性方程组

G n C = F n ​ G_{n}C=F_{n}​ GnC=Fn

其中,系数 C = ( c 0 , c 1 , ⋯ , c n ) T , F n = ( ( f , φ 0 ) , ( f , φ 1 ) , ⋯ , ( f , φ n ) ) T C=(c_{0},c_{1},\cdots,c_{n})^{\mathrm{T}},F_{n}=((f,\varphi_{0}),(f,\varphi_{1}),\cdots,(f,\varphi_{n}))^{\mathrm{T}} C=(c0,c1,,cn)T,Fn=((f,φ0),(f,φ1),,(f,φn))T

G n G_n Gn是格拉姆矩阵。称该线性方程组为法方程组或正规方程组。

最佳平方逼近的解函数为 φ ∗ = ∑ i = 0 n c i ∗ φ i \varphi^*=\sum_{i=0}^nc_i^*\varphi_i φ=i=0nciφi

最佳平方逼近函数,继承内积,即 ( φ ∗ , φ ∗ ) = ( φ ∗ , f ) (\varphi^*,\varphi^*)=(\varphi^*,f) (φ,φ)=(φ,f)

取逼近区间[a,b]为[0,1]时,其平方误差为:
∥ φ ∗ − f ∥ 2 2 = ( f , f ) − F n T C ∗ = ∫ 0 1 f 2 ( x ) d x − F n T C ∗ . \parallel\varphi^*-f\parallel_2^2=(f,f)-F_n^\mathrm{T}C^*=\int_0^1f^2(x) \mathrm{d}x-F_n^\mathrm{T} C^* . φf22=(f,f)FnTC=01f2(x)dxFnTC.
在这里插入图片描述

正交系

内积空间 V V V上的两个元素 f f f g g g,如果有内积 ( f , g ) = 0 (f,g)=0 (f,g)=0,则称 f f f g g g关于内积 ( ⋅ , ⋅ ) (\cdot,\cdot) (,)正交。若内积空间上的元素系 { f i } \{f_{i}\} {fi}满足两两正交
{ ( f i , f j ) = 0 ( i ≠ j ) , ( f i , f i ) = γ i > 0 , \begin{cases}(f_i,f_j)=0\quad(i\neq j) ,\\(f_i,f_i)=\gamma_i>0 ,\end{cases} {(fi,fj)=0(i=j),(fi,fi)=γi>0,
则称 { f i } \{f_{i}\} {fi}为正交系,若有 ( f i , f i ) = 1 ( i = 0 , 1 , 2 , 3... ) (f_i,f_i)=1(i=0,1,2,3...) (fi,fi)=1(i=0,1,2,3...),则称 { f i } \{f_{i}\} {fi}为标准正交系。

给定一组正交基,法方程组系数矩阵 G n G_n Gn为对角矩阵,其解向量为:
C ∗ = ( ( φ 0 , f ) ( φ 0 , φ 0 ) , ( φ 1 , f ) ( φ 1 , φ 1 ) , ⋯ , ( φ n , f ) ( φ n , φ n ) ) T . C^* = \left(\frac{(\varphi_0,f)}{(\varphi_0,\varphi_0)},\frac{(\varphi_1,f)}{(\varphi_1,\varphi_1)},\cdots,\frac{(\varphi_n,f)}{(\varphi_n,\varphi_n)}\right)^\mathrm{T}. C=((φ0,φ0)(φ0,f),(φ1,φ1)(φ1,f),,(φn,φn)(φn,f))T.
函数 f ( x ) f(x) f(x)的最佳平方逼近函数为
φ ∗ = ( φ 0 , f ) ( φ 0 , φ 0 ) φ 0 + ( φ 1 , f ) ( φ 1 , φ 1 ) φ 1 + ⋯ + ( φ n , f ) ( φ n , φ n ) φ n . \varphi^*=\frac{(\varphi_0,f)}{(\varphi_0,\varphi_0)}\varphi_0+\frac{(\varphi_1,f)}{(\varphi_1,\varphi_1)}\varphi_1+\cdots+\frac{(\varphi_n,f)}{(\varphi_n,\varphi_n)}\varphi_n. φ=(φ0,φ0)(φ0,f)φ0+(φ1,φ1)(φ1,f)φ1++(φn,φn)(φn,f)φn.
平方误差为
∥ f − φ ∗ ∥ 2 2 = ( f , f ) − ∑ i = 0 n ( f , φ i ) 2 ( φ i , φ i ) . \parallel f-\varphi^*\parallel_2^2=(f,f)-\sum_{i=0}^n\frac{(f,\varphi_i)^2}{(\varphi_i,\varphi_i)}. fφ22=(f,f)i=0n(φi,φi)(f,φi)2.

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.mzph.cn/news/860493.shtml

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email:809451989@qq.com,一经查实,立即删除!

相关文章

【Java】解决Java报错:IllegalMonitorStateException in Synchronization

文章目录 引言一、IllegalMonitorStateException的定义与概述1. 什么是IllegalMonitorStateException?2. IllegalMonitorStateException的常见触发场景3. 示例代码 二、解决方案1. 确保在同步代码块或方法中调用wait()、notify()和notifyAll()2. 使用同步方法3. 使用…

Linux系统学习——指令三

Linux系统学习——指令三 Linux系统学习——指令三chmod — 文件执行权限添加文件执行权限去除文件执行权限 查找文件中特定关键字使用vi编辑文件并查找特定关键字文本文件查找特定关键字1: 使用 grep 命令2: 使用 find 命令3: 使用 awk 命令4: 使用 sed 命令5: 使用 ag 命令&a…

非强化学习的对齐方法

在文章《LLM对齐“3H原则”》和《深入理解RLHF技术》中,我们介绍了大语言模型与人类对齐的“3H原则”,以及基于人类反馈的强化学习方法(RLHF),本文将继续介绍另外一种非强化学习的对齐方法:直接偏好优化&am…

Vulnhub靶场DC-4练习

目录 0x00 准备0x01 主机信息收集0x02 站点信息收集0x03 漏洞查找与利用1. 爆破登录2. 命令执行3. 反弹shell4. hydra爆破ssh5. 提权 0x04 总结 0x00 准备 下载链接:https://download.vulnhub.com/dc/DC-4.zip 介绍: DC-4 is another purposely built …

交通信号灯控制系统的设计(仿真,汇编语言实现)——微机课设

计算机科学与技术 专业课程设计任务书 学生姓名 专业班级 学号 题 目 交通信号灯控制系统的设计 课题性质 A.工程设计 课题来源 自拟课题 指导教师 同组姓名 主要内容 初始状态用K1键控制,为两个黄灯闪烁; K2键控制红、黄、绿灯接…

Diffusion Mamba:用于CT到MRI转换的Mamba扩散模型

Diffusion Mamba:用于CT到MRI转换的Mamba扩散模型 提出背景拆解左侧:整体框架中间:Mamba块的细节右侧:螺旋扫描的细节 提出背景 论文:https://arxiv.org/pdf/2406.15910 代码:https://github.com/wongzbb…

【HarmonyOS4学习笔记】《HarmonyOS4+NEXT星河版入门到企业级实战教程》课程学习笔记(十七)

课程地址: 黑马程序员HarmonyOS4NEXT星河版入门到企业级实战教程,一套精通鸿蒙应用开发 (本篇笔记对应课程第 27节) P27《26.Stage模型-UIAbility的启动模式》 本节讲解 UIAbility的启动模式:Stage模型的应用&#x…

策略模式-通过枚举newInstance替代工厂

策略模式-使用枚举newInstance 前言一、枚举类:MarkCheckDataTypeEnum二、抽象类:AbstractMarkChecker三、检查类:MarkPeopleChecker四、demo演示总结 前言 很久没写文章了~~ 吐槽下:入职新公司后,基本在搬砖&#xf…

这几个PR小技巧你Get到了吗?

学习是永无止境的,需要不间断地学习,获取新知识。今天带来了5个PR小技巧,可以先收藏起来Adobe Premiere Pro 2024的获取查看Baidu Cloud 1、双倍稳定画面更舒适 一般来说大型电视剧、电影使用的拍摄设备都是非常高端的,不像我们…

【研究】国内外大模型公司进展

2022年11月,OpenAI推出基于GPT-3.5的ChatGPT后,引发全球AI大模型技术开发与投资热潮。AI大模型性能持续快速提升。以衡量LLM的常用评测标准MMLU为例,2021年底全球最先进大模型的MMLU 5-shot得分刚达到60%,2022年底超过70%&#xf…

面相对象程序设计

面相对象程序设计包含内容如下 局域网聊天程序设网页浏览器设计电子日历记事本的设计 以其中的一个的报告进行举例 1需求与总体设计 1 1.1需求分析 1 1.2总体设计方案 1 1.2.1系统功能分析以及功能表 1 1.3系统类图的关系以及表之间的联系 2 2详细设计 3 2.1 Manag…

vuex的actions返回结果类型是promise及actions方法互相调用

this.$store.dispatch(‘logout’)返回的结果是Promise类型的 调用成功的情况下,返回状态为fulfilled,值为undefined。 所以可以直接进行.then操作: this.$store.dispatch(logout).then((result) > {console.log(result); });因为 Vuex …

ARM day1练习 求1~100内的和

题目要求:用ARM汇编语言实现1~100之间之和(5050 0x13BA) .text 声明以下内容是文本段的内容 .global _start .global声明_start标签是一个全局标签_start:mov r1,#0x0 r1 summov r2,#0x1 r2 ifun: 加法函数cmp r2,#100 r2中的值和100作比较add…

理解CNN模型如何学习

深度学习模型常常被认为是不可解释的。但是人们正在探索不同的技术来解释这些模型内发生了什么。对于图像,由卷积神经网络学习的特征是可解释的。我们将探索两种流行的技术来理解卷积神经网络。 可视化中间层的输出 可视化中间层的输出将有助于我们理解输入图像如何…

JupyterLab使用指南(七):JupyterLab使用 LaTeX 生成数学公式

在 JupyterLab 中,可以使用 LaTeX 语法生成复杂的数学公式。JupyterLab 内置对 LaTeX 的支持,使得我们可以方便地在 notebook 中编写和展示数学公式。以下是详细的步骤和示例。 1. 使用 LaTeX 生成数学公式 LaTeX 是一种专门用于排版数学公式的语言。J…

Stable Diffusion 插件安装与推荐,助力你的AI绘图

在上一篇文章我们安装了Stable Diffusion ,这篇文章我们来安装Stable Diffusion的插件 Stable Diffusion的插件是绘画中重要的一环,好的插件可以让你的绘画更加得心应手 中英双语插件 为什么要安装中英双语插件呢,不能只安装中文插件吗&…

安卓应用开发学习:获取导航卫星信息

一、引言 我昨天写了《安卓应用开发学习:获取经纬度及地理位置描述信息》日志,今天再接再厉,记录一下跟着《Android App 开发进阶与项目实战》一书,实现获取导航卫星信息,并在手机上显示的功能的情况。先上实现后的在…

Redis的持久化方式和注意点

redis持久篇 两种持久化技术: AOF日志和RDB快照 Redis默认会开启RBD快照 AOF:持久化只会记录写操作命令。 是一种日志,写入到文件,有相应的格式文本 就是 Redis 里的AOF(Append Only File)持久化功能,注意只会记录写操作命令…

决定马萨诸塞州版图的关键历史事件

决定马萨诸塞州版图的关键历史事件: 1. 早期探索与*民定居:17世纪初,英国清教徒为寻求宗教自由,乘坐“五月花号”到达新大陆,并于1620年在现在的普利茅斯建立了第一个永久性英国*民地。随后,更多的英国*民…

LKD-Net: Large Kernel Convolution Network for Single Image Dehazing

LKD-Net:用于单幅图像去噪的大型核卷积网络 摘要 基于深度卷积神经网络(CNN)的单幅图像去噪方法已经取得了很大的成功。以往的方法致力于通过增加网络的深度和宽度来提高网络的性能。目前的方法侧重于增加卷积核的大小,以受益于更大的接受野来增强其性能…