最佳平方逼近

最佳平方逼近的误差
最佳平方逼近是一种数学方法，用于逼近一个函数或数据集。

这种方法通过选择一个简单的函数（如多项式）来逼近目标函数或数据集，使得逼近误差的平方和最小。

最佳平方逼近的误差是指逼近函数与目标函数之间的误差。

这个误差可以通过最小化逼近误差的平方和来获得。

具体来说，对于一个给定的数据集，我们可以选择一个多项式函数来逼近它。

然后，我们可以通过最小化逼近函数与数据集之间的平方误差来找到最佳的逼近多项式。

最佳平方逼近的误差可以通过以下步骤计算：
确定逼近函数的形式，例如多项式函数。

确定逼近函数的系数，使得逼近函数能够最佳地逼近目标函数或数据集。

计算逼近函数与目标函数或数据集之间的平方误差。

最小化平方误差，以获得最佳的逼近效果。

最佳平方逼近的误差通常是一个衡量逼近效果好坏的指标。

如果误差较小，则说明逼近效果较好；如果误差较大，则说明逼近效果较差。

在实际应用中，我们通常会选择一个合适的逼近函数和系数，以使得逼近误差最小化。

第二章 最佳平方逼近为了便于计算和分析，常常需要用一个简单的函数()x ϕ来近似代替给定的函数()f x ，这类问题称为函数逼近问题。

插值问题以及Taylor 展开问题都属于这类问题。

本章介绍另一种函数逼近问题，即最佳平方逼近。

最佳平方逼近问题的提法是：设()f x 是[],a b 上的连续函数，n H 是所有次数不超过n 的多项式的集合，在n H 中求()n P x *逼近()f x ，使()()()()()1/2222infnb n naP x H f Px f x P x dx f Pρ**∈⎡⎤-=-=-⎣⎦⎰此时称()n P x *为()f x 在[],a b 上的最佳平方逼近多项式。

我们将要研究()n P x *是否存在？是否唯一？如何求得()n P x *？首先介绍正交多项式及其性质。

§1、正交多项式正交多项式是函数逼近的重要工具，在数值积分中也有广泛的应用。

1.1正交函数系的概念定义1 设()x ρ定义在[],a b 上（有限或无限），如果满足条件：（1）()[]0,,x x a b ρ≥∈； （2）()()0,1,bnax x dx n ρ=⎰存在；（3）对非负连续函数()f x ，若()()0ba f x x dx ρ=⎰，则在[],a b 上一定有()0f x ≡那么称()x ρ是区间[],a b 上的权函数。

简称为权函数。

权函数()x ρ的一种解释是物理上的密度函数，相应的()bax dx ρ⎰表示总质量。

当()x ρ=常数时，表示质量分布是均匀的。

下面引进内积定义。

定义2 给定()[]()(),,,,f x g x C a b x ρ∈是[],a b 上的权函数，称 ()()(),()ba f g x f x g x dx ρ=⎰ ()1.1为函数()f x 与()g x 在[],a b 上的内积。

内积具有下列简单性质： ()f g g f （1）、（，）=，；()()()1212,)(,00.f g f g R f f g f g f g f f f ααα∈++≠>（2）、（，）=，；（3）、 （，）=（4）、 当时，， 此外，还有如下Cauchy-Schwarz 不等式()()()2,,,.f g f f g g ≤⋅ ()1.2我们知道，一个向量的长度的几何概念，对于函数空间及逼近有许多自然的应用。

最佳平方逼近原理
最佳平方逼近原理（Least Squares Principle）是一种常用的数学方法，用于从一组数据中找到最佳的拟合曲线或函数。

该方法的基本思想是，通过最小化数据点到拟合曲线的垂直距离平方和来确定最佳的拟合曲线。

这种距离的平方和被称为残差平方和（residual sum of squares）。

在统计学和数学建模中，最佳平方逼近原理被广泛应用。

它可以用于拟合线性回归模型、多项式拟合、曲线拟合等问题。

通过使用最小二乘法（least squares method），可以计算出最佳拟合曲线或函数的参数，并对其进行优化。

最佳平方逼近原理的优点在于它能够提供一个简单而有效的方法来处理数据拟合问题。

它能够使我们得到一个与数据拟合最好的函数或曲线，并且具有较高的精度和可靠性。

然而，它也有一些限制，例如对于非线性问题，它可能无法提供最优解，需要使用其他方法来解决。

§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。

最佳平方逼近与最小二乘拟合——两者的区别与联系 函数逼近是用一个多项式无限接近原函数，而拟合是将函数中的元素联系起来。

也就是说，最佳平方逼近是针对函数，最小二乘法是针对离散的点，二者在形式上基本一致。

另外，最小二乘拟合也称为离散型最佳平方逼近，两者的解法有很多相似之处。

一、 函数的最佳平方逼近 （一）最佳平方逼近函数的概念对[]b a C x f ,)(∈及[]b a C ,中的一个子集{}n span ϕϕϕφ,,,10⋯=，若存在φ∈)(*x S，使[]dx x S x f x S f Sf baS S ⎰-=-=-∈∈22222*)()()(infinf ρϕϕ，则称)(*x S 是)(x f 在子集[]b a C ,⊆φ中的最佳平方逼近函数。

（二）最佳平方逼近函数的解法为了求)(*x S ，由[]dxx S x f x S f Sf baS S ⎰-=-=-∈∈22222*)()()(infinf ρϕϕ可知，一般的最佳平方逼近问题等价于求多元函数dxx f x a x a a a I banj j j n 2010)()()(),,,(⎰∑⎥⎦⎤⎢⎣⎡-=⋯=ϕρ的最小值问题。

由于),,,(10n a a a I ⋯是关于n a a a ,,,10⋯的二次函数，利用多元函数极值的必要条件),,1,0(0n k a Ik⋯==∂∂，即),,,,1(2nn x x x G G =n),,1,0(0)()()()(20⋯==⎥⎦⎤⎢⎣⎡-=∂∂⎰∑=k dx x x f x a x a Ik b a n j j j kϕϕρ，于是有()()),,1,0(,,0n k f a k j nj j k ⋯==∑=ϕϕϕ。

()()),,1,0(,,0n k f a k j nj j k⋯==∑=ϕϕϕ是关于n 10,,,a a a ⋯的线性方程组，称其为法方程。

由于n ϕϕϕ,,,10⋯线性无关，故系数行列式()0,,,10≠⋯n G ϕϕϕ，于是方程组()()),,1,0(,,0n k f a k j nj j k⋯==∑=ϕϕϕ有唯一解),,1,0(*n k a a k k ⋯==，从而得到)()()(*0*0*x a x a x S n n ϕϕ+⋯+=。