Конкретизация задачи аппроксимации.
Для оценки близости функции g и fсоставляется вектор невязок (погрешности)
R=(g(x0)-f(x0), g(x1)- f(x1), ... , g(xn)- f(xn)).
Очевидно, что мы будем идти к тому, чтобы норма R была намного меньше, при этом можно работать либо:
1. - минимизируется максимальное отклонение.
2. - минимизируем сумму отклонений.
3. - минимизируем сумму квадратов отклонений.
Легко реализуются вычисления именно для 2ой нормы.
В качестве класса аппроксимирующей функции G, рассмотрим всевозможные линейные комбинации базисных функций g0,g1,...,gn.
базисные функции фиксированы.
П.2. Метод наименьших квадратов.
Фиксирован набор функций: g0(x),g1(x),...,gk(x) даны (x0,y0),(x1,y1),...,(xn,yn).
- линейная комбинация функции gj , yi =f(xi) 0,…,n;
фиксируем набор:
R=(y0-g(x0), ... , yn-g(x0))
Для нахождения минимума функции S от (k+1) переменной, нам необходимо все её частные производные приравнять к 0. При этом получаем систему: (k+1) уравнения для (k+1) переменной ().
(7.1)
Получили СЛАУ (7.1). Эту систему можно решить методом Гаусса – она всегда имеет единственное решение в случае, если набор базисных функций был линейно независим в узлах , то матрица СЛАУ (7.1) невырожденная, поэтому решение будет существовать и единственное.
Пример аппроксимации полиномами:
базисные функции:
для аппроксимации функциями такого вида, нам необходимо решить СЛАУ 3 на 3:
C00=
C01=
C10=
C11=
C02=
C12=
C20=
C21=
C22=
Тема 8: Нелинейная оптимизация.
Метод градиента (метод наискорейшего спуска).