Лекция 5. Аппроксимация функций.

Если набор экспериментальных данных получен со значительной погрешностью, то не имеет смысла использовать интерполяцию Лагранжа полиномами и сплайнами для обработки результатов. В этом случае необходимо провести аппроксимирующую кривую, которая не проходит через экспериментальные точки, но в то же время отражает исследуемую зависимость, сглаживает возможные выбросы за счет погрешности эксперимента.

Аппроксимирующая кривая может не проходить и через одну из экспериментальных точек, но в целом в некотором смысле наилучшим образом совпадает со всем множеством экспериментальных данных.

Обозначим узлы исходной таблицы данных через х_j, где 0 < j< n - номер узла. Считаем известными значения экспериментальных данных в узловых точках f(х_j) = f_j.Введем непрерывную функцию φ (x) для аппроксимации дискретной зависимости f(х_j). В узлах функции φ (х) и f(x) будут отличаться на величину ε _j = φ (х_j) - f(х_j). Отклонения ε _jмогут принимать положительные и отрицательные значения. Чтобы не учитывать знаки, возведем каждое отклонение в квадрат и просуммируем квадраты отклонений пo всем узлам

(5.1)

Метод построения аппроксимирующей функции φ (х) из условия минимума величины Q называется методом наименьших квадратов (МНК).

Наиболее распространен способ выбора функции φ (х) в виде линейной комбинации.

(5.2)

φ ₀(х), φ ₁(х),..., φ _n(х) - базисные функции; m< n; с₀, с₁,..., с_n - коэффициенты, определяемые при минимизации величины Q.

Математически условия минимума суммы квадратов отклонений Q запишем, приравнивая нулю частные производные от Q по коэффициентам c_k, 0 < k< m:

(5.3)

Из системы линейных алгебраических уравнений (4.3) определяются все коэффициенты с_k. Система (5.3) называется системой нормальных уравнений. Матрица этой системы имеет следующий вид:

и называется матрицей Грама. Элементы матрицы Грама являются скалярными произведениями базисных функций

Расширенная матрица системы уравнений (5.3) получится добавлением справа к матрице Грама столбца свободных членов

Отметим основные свойства матрицы Грама, полезные при программировании:

1) матрица симметрична, т.е. a_ij = a_ji, что позволяет сократить объем вычислений при заполнении матрицы;

2) матрица является положительно определенной, следовательно, при решении системы нормальных уравнений методом исключения Гаусса можно отказаться от процедуры выбора главного элемента;

3) определитель матрицы будет отличен от нуля, если в качестве базиса выбраны линейно независимые функции φ _k(х), при этом система (5.3) имеет единственное решение.

При обработке экспериментальных данных, определенных с погрешностью е в каждой узловой точке, обычно начинают с аппроксимации функцией φ (х), представимой одной-двумя базисными функциями. После определения коэффициентов с_k вычисляют величину Q по формуле (5.1). Если получится, что , то необходимо расширить базис добавлением новыхфункций φ _k(х). Расширение базиса необходимо осуществлять до тех пор, пока не выполнится условие .

Выбор конкретных базисных функций зависит от свойств аппроксимируемой функции f(x), таких, как периодичность, экспоненциальный или логарифмический характер, свойства симметрии, наличие асимптотики и т.д.