В предыдущей главе подробно рассмотрен один из самых распространенных способов приближения функций – интерполирование. Но этот способ не единственный. При решении разнообразных прикладных задач и построении вычислительных схем нередко используют и другие способы. В этой главе мы рассмотрим способы получения среднеквадратических приближений. Название приближений связано с метрическими пространствами, в которых рассматривается задача приближения функции. В главе 1 мы ввели понятия «метрическое линейное нормированное пространство» и «метрическое евклидово пространство» и увидели, что погрешность приближения определяется метрикой пространства, в котором рассматривается задача приближения. В разных пространствах понятие погрешности имеет разный смысл. Рассматривая погрешность интерполяции, мы не акцентировали на этом внимание. А в этой главе нам придется этим вопросом заняться более подробно.
5.1. Приближения тригонометрическими многочленами и многочленами Лежандра Пространство l2
Рассмотрим
множество функций
,
интегрируемых с квадратом по Лебегу на
отрезке,
то есть таких, что должен существовать
интеграл
.
Поскольку
выполняется очевидное неравенство
,
из интегрируемости с квадратом функцийи
должна
следовать и интегрируемость с квадратом
любой их линейной комбинации
,
(где
и
любые вещественные числа), а также
интегрируемость произведения
.
Введем
на множестве функций, интегрируемых с
квадратом по Лебегу на отрезке
,
операцию скалярного произведения
.
(5.1.1)
Из свойств интеграла следует, что введенная операция скалярного произведения обладает почти всеми свойствами скалярного произведения в евклидовом пространстве (см. параграф 1.10, с. 57):
![](https://i0.wp.com/studfiles.net/html/2706/464/html_ktm9Vf8oi5.wVRT/img-yW59Of.png)
Только первое свойство выполняется не до конца, то есть не будет выполнено условие.
В
самом деле, если
,
то отсюда не следует, что
на отрезке
.
Для того чтобы введенная операция
обладала этим свойством, в дальнейшем
договоримся не различать (считать
эквивалентными) функции
и
,
для которых
.
С
учетом последнего замечания, мы
убедились, что множество интегрируемых
с квадратом по Лебегу функций (точнее
множество классов эквивалентных функций)
образует евклидово пространство, в
котором определена операция скалярного
произведения по формуле (5.1.1). Это
пространство называют пространством
Лебега и обозначают
или короче
.
Поскольку
всякое евклидово пространство
автоматически является и нормированным
и метрическим, пространство
также является
нормированным, и метрическим пространством.
Норма (величина элемента) и метрика
(расстояние между элементами) в нем
обычно вводятся стандартным способом:
(5.1.2)
(5.1.3)
Свойства (аксиомы)
нормы и метрики приведены в параграфе
1.10. Элементами пространства
являются не
функции, а классы эквивалентных функций.
Функции, принадлежащие одному классу,
могут иметь разные значения на любом
конечном или даже счетном подмножестве
.
Поэтому приближения в пространстве
определяются неоднозначно. Эта неприятная
особенность пространства
окупается удобствами использования
скалярного произведения.
Возьмем полуквадратичную систему координат. Это такая система координат, у которой по оси абсцисс шкала квадратичная, т. е. значения делений откладываются согласно выражению , здесь m – масштаб в каких-либо единицах длины, например, в см.
По оси ординат откладывается линейная шкала в соответствии с выражением
Нанесем на эту систему координат опытные точки. Если точки этого графика располагаются приблизительно по прямой, то это подтверждает наше предположение, что зависимость y от x хорошо выражается функцией вида (4.4). Для отыскания коэффициентов a и b можно теперь применить один из рассмотренных выше способов: способ натянутой нити, способ выбранных точек или способ средней.
Способ натянутой нити применяется также, как и для линейной функции.
Способ выбранных точек можем применить так. На прямолинейном графике возьмем две точки (далекие друг от друга). Координаты этих точек обозначим и (x, y ). Тогда можем записать
Из приведенной системы двух уравнений найдем a и b и подставим их в формулу (4.4) и получим окончательный вид эмпирической формулы.
Можно и не строить прямолинейного графика, а взять числа , (x,y ) прямо из таблицы. Однако полученная при таком выборе точек формула будет менее точна.
Процесс преобразования криволинейного графика в прямолинейный называется выравниванием.
Способ средней . Он применяется аналогично как в случае с линейной зависимостью. Разбиваем опытные точки на две группы с одинаковым (или почти одинаковым) числом точек в каждой группе. Равенство (4.4) перепишем так
Находим сумму невязок для точек первой группы и приравниваем нулю. То же делаем для точек второй группы. Получим два уравнения с неизвестными a и b . Решая систему уравнений, найдем a и b .
Заметим, что при применении этого способа не требуется строить приближающую прямую. Точечный график в полуквадратичной системе координат нужен только для проверки того, что функция вида (4.4) подходит для эмпирической формулы.
Пример. При исследовании влияния температуры на ход хронометра получены следующие результаты:
z | -20 | -15,4 | -9,0 | -5,4 | -0,6 | +4,8 | +9,4 |
2,6 | 2,01 | 1,34 | 1,08 | 0,94 | 1,06 | 1,25 |
При этом нас интересует не сама температура, а ее отклонение от . Поэтому за аргумент примем , где t – температура в градусах Цельсия обычной шкалы.
Нанеся на декартову систему координат соответствующие точки, замечаем, что за приближающую кривую можно принять параболу с осью, параллельной оси ординат (рис.4). Возьмем полуквадратичную систему координат и нанесем на нее опытные точки. Видим, что эти точки достаточно хорошо укладываются на прямой. Значит, эмпирическую формулу
можно искать в виде (4.4).
Определим коэффициенты a и b по методу средней. Для этого разобьем опытные точки на две группы: в первой группе – первые три точки, во второй – остальные четыре точки. Используя равенство (4.5) находим сумму невязок по каждой группе и приравниваем каждую сумму нулю.
Пусть в таблице заданы значения функции, полученные, например, из эксперимента, т. е. измеренные с погрешностью. Тогда приближение с использованием аппарата интерполяции , в основе которого приравнивание значений многочлена в узлах интерполяции табличным значениям, нецелесообразно.
При такой постановке задачи следует выполнить приближение в среднем, т. е. описать таблично заданную функцию некоторой достаточно простой аналитической зависимостью, имеющей небольшое количество параметров. Оптимальный выбор этих параметров и позволит выполнить среднеквадратичное приближение функции, заданной таблицей.
Выбор типа аналитической зависимости следует начинать с нанесения табличных данных на координатную плоскость - так будет сформировано поле экспериментальных точек. Сквозь поле этих точек проводится плавная кривая так, чтобы часть точек легли на эту кривую, часть точек были выше, а часть точек оказались ниже проведённой кривой. По виду этой кривой и следует определить тип аналитической зависимости – линейная ли она, степенная, гиперболическая или какая- либо иная.
Однако по графику на глаз весьма трудно выбрать тип аналитической зависимости. Поэтому был предложен способ ориентировочной оценки и выбора типа аналитической зависимости. Этот способ действительно приблизительный и неточный, так как и кривую можно провести по-разному сквозь поле экспериментальных точек, и в таблице взять разные опорные точки для расчёта да и неизвестна точность предлагаемой методики. Вместе с тем в качестве ориентировочного способа выбора типа зависимости его можно рассмотреть.
Предлагается следующий алгоритм действий.
1. В исходной таблице выбрать две далеко отстоящие друг от друга точки с координатами (x 1 ,y 1) и (x n ,y n) - опорные точки, и для каждой пары координат вычислить среднее арифметическое, среднее геометрическое и среднее гармоническое.
2. На кривой, проведённой через поле экспериментальных точек, найти три ординаты, соответствующие найденным абсциссам x ар,x геом,x гарм:
3.
Выполнить сравнение найденных на кривой с вычисленными путём вычисления следующих модулей разностей:
4. Из найденных значений выбирается минимальное:
5. Выводы: если минимальным оказалось
Зависимость линейная
Зависимость показательная
Зависимость дробно-линейная
Зависимость логарифмическая
Зависимость степенная
Зависимость гиперболическая
Зависимость дробно-рациональная
Любую из этих зависимостей можно свести к линейной, выполнив преобразование координат или так называемое выравнивание данных.
Таким образом, первый этап завершается выбором вида аналитической зависимости, параметры которой не определены.
Второй этап состоит в определении наилучших значений коэффициентов выбранной аналитической зависимости. Для этого применяют математический метод наименьших квадратов.
В основе метода – минимизация суммы квадратов отклонений заданных табличных значений () от вычисленных по теоретической зависимости (): .
Пусть выбранная зависимость – прямая линия:
. Подставим в функционал : . Тогда минимизируется функционал:
Для нахождения наилучших значений коэффициентов и надо найти частные производные от по и и приравнять их нулю:
После преобразований система уравнений приобретает вид:
Решение этой системы линейных уравнений позволяет найти наилучшие значения коэффициентов и линейной зависимости.
Если выбранной зависимостью является квадратичная парабола:
то минимизируется функционал: .
Парабола имеет три варьируемых коэффициента - , наилучшие значения которых следует найти, приравняв нулю частные производные от минимизируемого функционала по искомым коэффициентам . Это позволяет получить следующую систему трёх линейных уравнений для нахождения коэффициентов :
Пример 1. Определить вид зависимости, заданной следующей таблицей.
X | ||||||||
Y | 0,55 | 0,64 | 0,78 | 0,85 | 0,95 | 0,98 | 1,06 | 1,11 |
Решение.
На координатную плоскость следует нанести заданные в таблице точки – образуется поле экспериментальных данных. Сквозь это поле проводится гладкая кривая.
По таблице выбираются две опорных точки с координатами (3;0,55) и (10;1,11) и для каждой пары абсцисс и ординат вычисляются среднее арифметическое, геометрическое и гармоническое:
Для трёх вычисленных абсцисс по кривой, проведённой через поле экспериментальных точек, определяются три соответствующих ординаты:
Обратить внимание на ориентировочность проводимых вычислений. Далее определяются семь модулей разности:
Получены три минимальных, близких друг к другу значения
На втором этапе следует для каждой из этих зависимостей определить наилучшие значения коэффициентов, применив метод наименьших квадратов, а затем вычислить среднее квадратичное отклонение от заданных табличных значений.
Окончательный выбор аналитической зависимости выполняют по минимальной величине среднего квадратичного отклонения.
Пример 2. В таблице приведены результаты экспериментальных исследований, которые можно аппроксимировать прямой линией. Найти наилучшие значения коэффициентов прямой, применив метод наименьших квадратов.
Решение.
k | X k | Y k | X k Y k | X k 2 | Y k теор | Y k -Y k теор | (Y k -Y k теор) 2 |
66,7 | 67,50 | 0,20 | 0,0400 | ||||
71,0 | 284,0 | 70,98 | 0,02 | 0,0004 | |||
76,3 | 763,0 | 76,20 | 0,10 | 0,0100 | |||
80,6 | 1209,0 | 80,55 | 0,05 | 0,0025 | |||
85,7 | 1799,7 | 85,77 | - 0,07 | 0,0049 | |||
92,9 | 2694,1 | 92,73 | 0,17 | 0,0289 | |||
99,4 | 3578,4 | 98,82 | 0,58 | 0,3364 | |||
113,6 | 5793,6 | 111,87 | 1,73 | 2,9929 | |||
125,1 | 8506,8 | 126,66 | - 1,56 | 2,4336 | |||
суммы | 811,3 | 24628,6 | 5,8496 |
Общее уравнение прямой: .
Система линейных уравнений, из которой следует определять наилучшие значения коэффициентов и , руководствуясь методом наименьших квадратов, имеет вид:
Подставим в систему уравнений вычисленные суммы из 2-го, 3-го, 4-го и 5-го столбцов последней строки таблицы:
Откуда определены коэффициенты линейной зависимости Значит уравнение теоретической прямой имеет вид:
. (*)
В шестом столбце таблицы приведены вычисленные по теоретическому уравнению значений функции для заданных значений аргумента. В седьмом столбце таблицы приведены значения разностей между заданными значениями функции (3-ий столбец) и теоретическими значениями (6-ой столбец), вычисленными по уравнению (*).
В восьмом столбце приведены квадраты отклонений теоретических значений от экспериментальных и определена сумма квадратов отклонений. Теперь можно найти
Пример 3.
Пусть данные эксперимента, приведённые в таблице, аппроксимируются квадратичной параболой: Найти наилучшие значения коэффициентов параболы, применив метод наименьших квадратов.
Решение.
k | X k | Y k | X k 2 | X k 3 | X k 4 | X k Y k | X k 2 Y k | Y k теор | Y k -Y k теор | |
29,8 | 29,28 | 0,52 | 0,2704 | |||||||
22,9 | 45,8 | 91,6 | 22,22 | 0,68 | 0,4624 | |||||
17,1 | 68,4 | 273,6 | 17,60 | -0,50 | 0,2500 | |||||
15,1 | 75,5 | 377,5 | 15,56 | -0,46 | 0,2116 | |||||
10,7 | 85,6 | 684,8 | 11,53 | -0,83 | 0,6889 | |||||
10,1 | 101,0 | 1010,0 | 10,60 | -0,50 | 0,2500 | |||||
10,6 | 127,2 | 1526,4 | 11,06 | -0,46 | 0,2116 | |||||
15,2 | 228,0 | 3420,0 | 14,38 | 0,82 | 0,6724 | |||||
Сум | 122,5 | 731,5 | 7383,9 | 3,0173 |
Система линейных уравнений для определения коэффициентов параболы имеет вид:
Из последней строки таблицы в систему уравнений подставляют соответствующие суммы:
Решение системы уравнений позволяет определить значения коэффициентов:
Итак, заданная таблицей зависимость на отрезке аппроксимируется квадратичной параболой:
Расчёт по приведённой формуле для заданных значений аргумента позволяет сформировать девятый столбец таблицы, содержащий теоретические значения функции.
Сумма квадратов отклонений теоретических значений от экспериментальных приведена в последней строке 11-го столбца таблицы. Это позволяет определить среднее квадратичное отклонение:
ПРАКТИЧЕСКОЕ ЗАНЯТИЕ №3
Тема: Методы решения систем уравнений
Метод Гаусса - метод последовательного исключения неизвестных – относится к группе точных методов, и если бы отсутствовала погрешность вычислений, можно было бы получить точное решение.
При ручных расчётах вычисления целесообразно вести в таблице, содержащей столбец контроля. Ниже представлен общий вариант такой таблицы для решения системы линейных уравнений 4-го порядка.
Свободные члены | Столбец контроля | ||||
![]() |
|||||
![]() |
|||||
![]() |
Свободные члены | Столбец контроля | ||||
![]() |
|||||
![]() |
|||||
![]() |
|||||
![]() |
Пример 1. Методом Гаусса решить систему уравнений 4-го порядка:
Эти приближённые значения корней можно подставить в исходную систему уравнений и вычислить невязки - , являющиеся разностями между правой и левой частями каждого уравнения системы при подстановке в левую часть найденных корней. Затем подставляются в качестве свободных членов системы невязки и получают поправки
корней - :
Среднеквадратическое приближение функции.
Рассмотрим
задачу наилучшего среднеквадратичного
приближения функции
полиномом
по системе
.
Определение 1.
Обобщенным полиномом порядка m по системе { k } называется линейная комбинация
где C k – произвольные вещественные коэффициенты.
Задача.
Найти полином
,
наименее уклоняющийся от функции f
в метрике L 2 ,
т.е. удовлетворяющий условию:
Теорема 1.
Если
система
линейно независима, то задача наилучшего
среднеквадратичного приближения по
этой системе однозначно разрешима.
Запишем квадрат расстояния между функцией и полиномом:
(1)
Очевидно,
что величина
- неотрицательно определенная квадратичная
функция переменных
,
а такая функция достигает минимального
значения. Таким образом, решение задачи
среднеквадратичного приближения
существует.
Докажем единственность решения.
Запишем необходимые условия минимума:
,
i=0,…,m
.
Вычисляя частные производные по c i выражения (1), получим линейную cистему уравнений:
(2)
Система (2) называется нормальной системой .
Выпишем определитель этой системы
(3)
Определитель
системы (3) – так называемый определитель
Грама
системы
.
Известно, что если система
-
линейно независима, то определитель
0
(легко доказывается от противного).
Согласно условию теоремы
0
и система (2) имеет единственное решение.
1.6. Классические ортогональные многочлены и их применение в задачах приближения функций.
Пусть
H-
гильбертово пространство со скалярным
произведением .
Важным примером такого пространства
является так называемое пространство
- пространство функций f(x),
для которых конечен интеграл:
(1)
Здесь h(x)- так называемая весовая функция , удовлетворяющая условиям:
![](https://i1.wp.com/studfiles.net/html/2706/262/html_If4Gfc1cnp.SecC/img-LxyV4Y.png)
Если
же =(0,+),
то должно выполняться условие:
т.е. должны существовать любые моменты весовой функции.
Определение 1.
Для
определено скалярное произведение:
(2)
и соответственно норма:
согласно условию (1).
Используя неравенство Коши – Буняковского - Шварца, получаем
Поэтому
скалярное произведение существует для
Определение 2.
Расстояние между элементами f и g определяется равенством:
.
Возникает вопрос о том, как
понимать нулевой элемент. Если норма
,
следует ли отсюда, что f=g?
Вводится терминология: f=g
почти всюду, то есть они могут отличаться
в конечном числе точек.
Определение 3.
f
и g
ортогональны
на отрезке
с весом h(x),
если ).
Если
в гильбертовом пространстве взять любую
линейно независимую систему
,
i=0,1,2,…,
то ее можно ортогонализировать.
Рассмотрим
в качестве примера систему:
При
конечный набор степенных функций линейно
независим, поэтому на базе этой системы
можно построить ортогональные полиномы.
Известна следующая рекуррентная
процедура ортогонализации (процедура
Грама - Шмидта):
(3)
Коэффициенты b k+1,j определяются из условий ортогональности:
Последовательно
умножая (3) на
получаем
(4)
Пример 1.
Пусть h(x)1, =[-1,1].
Построить первые три ортогональных полинома по процедуре (3) - (4).
Далее
имеем:
следовательно,
Для системы ортогональных многочленов на отрезке [-1,1] с весом h(x)=1 справедлива формула Родрига:
(5)
Из (5) последовательно получаем:
Получаемые
таким образом полиномы называются
полиномами Лежандра.
Замечание.
Найденные по процедуре (3) – (4) ортогональные многочлены могут лишь множителями отличаться от тех, которые строятся по явной формуле Родрига (5).
Квадрат
нормы у этих полиномов равен:
То
есть эти многочлены не нормированы, так
как
Для всех классических многочленов существует рекуррентная формула. Для полиномов Лежандра она имеет следующий вид:
Пусть
Рассмотрим среднеквадратичное
приближение:
где
-
среднеквадратичная ошибка аппроксимации,
-
отрезок ряда Фурье для функции f(x)
по системе ортогональных многочленов
{P k (x)}.
В силу ортогональности многочленов Лежандра, система нормальных уравнений (2) из §1.5 становится диагональной, и ее решение приводит к следующим выражениям для коэффициентов c k:
(7)
то есть обеспечивается минимум нормы в L 2 .
Распишем подробно ошибку аппроксимации
С другой стороны
в силу ортогональности.
Подставляя в (8), получим
.
(9)
Пример 2.
Пусть f(x)=|x|.
Аппроксимировать f(x) на [-1,1] в среднеквадратичном многочленом второй степени. Вычислить среднеквадратичную ошибку.
Используем
ортогональную систему Лежандра:
Коэффициенты c k находим по формуле (7), учитывая вид полиномов Лежандра:
1.7. Некоторые общие свойства ортогональных полиномов.
Многочлен
P n (x)
ортогонален любому алгебраическому
многочлену m-ой
степени M m (x)
при m
M m (x)
можно единственным образом представить
в виде линейной комбинации многочленов
Лежандра:
Равенство (10) тождественное, поэтому коэффициенты a k единственным образом вычисляются путем приравнивания коэффициентов при старших степенях. Умножая обе части (10) на P n (x), имеем
в
силу ортогональности системы
Полином P n (x) имеет на отрезке [-1,1] ровно n действительных и различных корней.
Заметим,
что в силу теоремы Гаусса многочлен
P n (x)
не может иметь более чем n корней (вообще
говоря, комплексных). Пусть P n (x)
имеет меньше, чем n простых действительных
корней. Обозначим их
По этим точкам построим фундаментальный
многочлен
Рассмотрим
многочлен:
-
многочлен степени (k+n),
который имеет нули
четной
кратности. Значит, новый многочлен
сохраняет знак при переходе через эти
нули, т.е. сохраняет знак на [-1,1]. Отсюда
следует, что
Но
это противоречит свойству 1, так как
P n (x)
обязательно должен быть ортогонален
M k (x).
Между двумя соседними нулями многочлена P n (x) лежит ровно один нуль многочлена P n-1 (x).
Доказывается
по индукции с помощью рекуррентного
соотношения (6).
При n- четном многочлен P n (x) – четная функция от x, при n- нечетном, P n (x) – нечетная функция от x.
Наряду с многочленами Лежандра классическими ортогональными многочленами называют следующие системы многочленов (далее (a,b) – промежуток ортогональности, r(x) – весовая функция).
1)
Многочлены
Якоби
{Р
п
(l
,m) (х
)}
- при а
= -1, b
= 1 r(х
)
= (1-х
) l
(1 + x
) m ,
l
>
-1, m > -1. Специальные частные случаи
многочленов Якоби соответствуют
следующим значениям l и m: l
= m- ультрасферические
многочлены
(их
иногда называют многочленами Гегенбауэра);
l
= m = - 1 / 2 ,
т. е.
-многочлены
Чебышева
1-го рода T
n
(x
);
l
= m = 1 / 2 ,
т. е.
-
многочлены
Чебышева
2-го рода U
n
(x
);
2) Многочлены Лагерра L n (x ) - при а = 0, b = + ∞ и r(х ) = е -х (их наз. также многочленами Чебышева - Лагерра) и обобщённые многочлены Лагерра - при . 3) М ногочлены Эрмита Н n (х ) - при а = -∞, b = + ∞ и (их называют также многочленами Чебышева - Эрмита).
Часто значения интерполируемой функции у, у 2 , ..., у„ определяются из эксперимента с некоторыми ошибками, поэтому пользоваться точным приближением в узлах интерполяции неразумно. В этом случае более естественно приближать функцию не по точкам, а в среднем, т. е. в одной из норм L p .
Пространство 1 р - множество функций д(х), определенных на отрезке [а,Ь] и интегрируемых по модулю с р-й степенью, если определена норма
Сходимость в такой норме называется сходимостью в среднем. Пространство 1,2 называется гильбертовым, а сходимость в нем - среднеквадратичной.
Пусть заданы функция Дх) и множество функций ф(х) из некоторого линейного нормированного пространства. В контексте проблемы интерполирования, аппроксимации и приближения можно сформулировать следующие две задачи.
Первая задача - это аппроксимация с заданной точностью, т. е. по заданному е найти такую ф(х), чтобы выполнялось неравенство |[Дх) - ф(х)|| г..
Вторая задача - это поиск наилучшего приближения, т. е. поиск такой функции ф*(х), которая удовлетворяет соотношению:
Определим без доказательства достаточное условие существования наи- лучшего приближения. Для этого в линейном пространстве функций выберем множество, параметризованное выражением
где набор функций ф[(х), ..., ф„(х) будем считать линейно независимым.
Можно показать , что в любом нормированном пространстве при линейной аппроксимации (2.16) наилучшее приближение существует, хотя нс во всяком линейном пространстве оно единственно.
Рассмотрим гильбертово пространство ЬгСр) действительных функций, интегрируемых с квадратом с весом р(х) > 0 на [ , где скалярное произведение (g,h ) определено по
формуле:
Подставляя в условие наилучшего приближения линейную комбинацию (2.16), находим
Приравнивая к нулю производные по коэффициентам (Д, k = 1, ..., П, получим систему линейных уравнений
Определитель системы уравнений (2.17) называется определителем Гра- ма. Определитель Грама отличен от нуля, поскольку считается, что система функций ф[(х), ..., ф„(х) линейно независима.
Таким образом, наилучшее приближение существует и единственно. Для его получения необходимо решить систему уравнений (2.17). Если система функций ф1(х), ..., ф„(х) ортогонализирована, т. е. (ф/,ф,) = 5у, где 5, = 1, 8у = О, Щ, ij = 1, ..., п, то система уравнений может быть решена в виде:
Найденные согласно (2.18) коэффициенты Q, ..., й п называются коэффициентами обобщенного ряда Фурье.
Если набор функций ф t (X), ..., ф„(х),... образует полную систему, то в силу равенства Парсеваля
при П -» со норма погрешности неограниченно убывает. Это означает, что наилучшсс приближение среднеквадратично сходится к Дх) с любой заданной точностью.
Отметим, что поиск коэффициентов наилучшего приближения с помощью решения системы уравнений (2.17) практически нсреализуем, поскольку с ростом порядка матрицы Грама ее определитель быстро стремится к нулю, и матрица становится плохо обусловленной. Решение системы линейных уравнений с такой матрицей приведет к значительной потере точности. Проверим это.
Пусть в качестве системы функций ф„ i =1, ..., П, выбираются степени, т. е. ф* = X 1 ", 1 = 1, ..., п, тогда, полагая в качестве отрезка аппроксимации отрезок , находим матрицу Грама
Матрицу Грама вида (2.19) называют еще матрицей Гильберта. Это классический пример так называемой плохо обусловленной матрицы.
С помощью MATLAB рассчитаем определитель матрицы Гильберта в форме (2.19) для некоторых первых значений п. В листинге 2.5 приведен код соответствующей программы.
Листинг 23
%Вычисление определителя матриц Гильберта %очищаем рабочую область clear all;
%выберем максимальное значение порядка %матрицы Гильберта птах =6;
%строим цикл для формирования матриц %Гильберта и вычисления их определителей
for n = 1: птах d(n)=det(hi I b(п)); end
%выводим значения определителей %матриц Гильберта
f о г та t short end
После отработки кода листинга 2.5, в командном окне MATLAB должны появиться значения детерминантов матриц Гильберта для первых шести матриц. В таблице ниже приведены соответствующие численные значения порядков матриц (п) и их определителей (d). Из таблицы отчетливо видно, сколь быстро определитель матрицы Гильберта стремится к нулю при росте порядка и, уже начиная с порядков 5, 6, становится неприемлемо малым.
Таблица значений определителя матриц Гильберта
Численная ортогонализация системы функций ф, i = 1, ..., П также приводит к заметной потере точности, поэтому чтобы учитывать большое число членов в разложении (2.16), необходимо либо проводить ортогонализацию аналитически, т. е. точно, либо пользоваться уже готовой системой ортогональных функций.
Если при интерполяции обычно используют в качестве системы базисных функций степени, то при аппроксимации в среднем в качестве базисных функций выбирают многочлены, ортогональные с заданным весом. Наиболее употребительными из них являются многочлены Якоби, частным случаем которых являются многочлены Лежандра и Чебышева. Используют также полиномы Лагсрра и Эрмита. Более подробно об этих полиномах можно узнать, например, в приложении Ортогональные полиномы книги .