Khi nào nội suy spline khối tốt hơn một đa thức nội suy?


9

Cốt truyện sau đây là một biến thể nhỏ của một ví dụ trong sách giáo khoa. Tác giả đã sử dụng ví dụ này để minh họa rằng một đa thức nội suy trên các mẫu có khoảng cách đều nhau có dao động lớn ở gần cuối của khoảng nội suy. Tất nhiên nội suy spline khối cho một xấp xỉ tốt trong toàn bộ khoảng. Trong nhiều năm, tôi nghĩ nên tránh nội suy đa thức bậc cao đối với các mẫu có khoảng cách đều nhau vì lý do được minh họa ở đây.

nhập mô tả hình ảnh ở đây

Tuy nhiên, gần đây tôi đã tìm thấy nhiều ví dụ về các tín hiệu được phân tách bằng băng trong đó một đa thức nội suy bậc cao cho ít sai số gần đúng hơn so với phép nội suy bậc ba. Thông thường, một đa thức nội suy chính xác hơn trên toàn bộ khoảng thời gian nội suy khi tốc độ mẫu đủ cao. Điều này dường như được giữ khi các mẫu được đặt cách đều nhau với tốc độ mẫu lớn hơn ít nhất 3 lần so với tần số Nyquist của tín hiệu. Hơn nữa, lợi thế so với phép nội suy spline khối cải thiện khi (tốc độ mẫu) / (tần số Nyquist) tăng.

Ví dụ, tôi so sánh phép nội suy bậc ba với một đa thức nội suy cho sóng hình sin có tần số Nyquist là 2 Hz và tốc độ mẫu là 6,5 Hz. Giữa các điểm mẫu, đa thức nội suy trông giống hệt như tín hiệu thực tế. nhập mô tả hình ảnh ở đây


Dưới đây tôi so sánh lỗi trong hai xấp xỉ. Như với ví dụ đầu tiên, phép nội suy đa thức làm điều tồi tệ nhất ở gần đầu và cuối của khoảng mẫu. Tuy nhiên, đa thức nội suy có ít lỗi hơn một spline hình khối trên toàn bộ khoảng thời gian mẫu. Đa thức nội suy cũng có ít lỗi hơn khi ngoại suy trong một khoảng nhỏ. Tôi đã khám phá ra một thực tế nổi tiếng? Nếu vậy, tôi có thể đọc về nó ở đâu?

nhập mô tả hình ảnh ở đây


Bạn đang xấp xỉ một công thức hoặc dữ liệu? Đưa ra một công thức, giống như bạn có, bạn luôn có thể sử dụng các spline nâng cao hơn trong đó các đạo hàm bậc cao hơn cũng được tính đến. Bạn cũng nên kiểm tra thực tế rằng spline hình khối giảm thiểu một chức năng "năng lượng" nhất định. Nhìn vào wikipedia en.wikipedia.org/wiki/Spline_interpolation . Vì vậy, theo một nghĩa nào đó, giảm thiểu độ cong, bạn không thể làm gì tốt hơn. Một cách giải thích khác là các khối vuông đã / được sử dụng để lắp; không gần đúng. "Lắp" ngụ ý một số liệu nhất định được tối ưu hóa.
kẻ cưỡng hiếp

@rrogers, tôi đã nghĩ rằng một đa thức nội suy sẽ là một cách tiếp cận tốt hơn khi người ta muốn ước tính hàm từ các mẫu được đo và băng thông của tín hiệu được biết là nhỏ hơn 1/6 tốc độ mẫu. Nó
Ted Ersek

@TedErsek: Một xem xét định tính: về bản chất, các hàm đa thức phân kỳ thành dưới dạng biến abscissa . Hiệu ứng này càng trầm trọng hơn khi thứ tự đa thức tăng lên. Lưu ý rằng trong ví dụ đầu tiên của bạn, tín hiệu gần đúng đang phân rã thành 0 gần cuối khoảng nội suy; điều này không tương thích với hành vi tiệm cận của nội suy. Biểu đồ thứ hai có độ dốc lớn và các giá trị khác 0 gần các cạnh của khoảng, do đó bạn có được xấp xỉ tốt hơn. Không lý thuyết lắm ở đây, chỉ là một quan sát. ±
Jason R

@TedErsek Là một bên thực tế giải quyết bình luận của Ted Ersek; bạn đã thử xấp xỉ đa thức hợp lý. BTW: Tôi có bản sao miễn phí của chương trình ước tính công thức đường cong từ một năm trước, điều đó thực sự rất tốt. Chương trình đã chuyển từ beta sang thanh toán nên tôi không có phiên bản hiện tại.
kẻ cưỡng hiếp

@JasonR Tôi có ý định gửi bình luận cuối cùng của tôi cho bạn. Quay lại chủ đề, trong mọi trường hợp, có en.wikipedia.org/wiki/Chithershev_polynomials cung cấp các phép tính sai số đồng nhất (tối thiểu / tối đa) trong đa thức nếu bạn biết hàm. Nhưng nếu bạn biết chức năng, bạn luôn có thể tổng hợp một "bộ lọc phù hợp".
kẻ cưỡng hiếp

Câu trả lời:


4

Hiện tượng đang được thảo luận là hiện tượng của Runge .

nsin(ωt)ωn 125t2+1n5nn!,n!nn

Nếu một hàm chỉ có các đạo hàm liên tục, thì cách tiếp cận cạnh tranh, phép nội suy spline đa thức mảnh ghép luôn hội tụ nếu một số lượng nhỏ các đạo hàm ban đầu của nó bị giới hạn trong khoảng quan tâm, xem bài viết Wikipedia về phép nội suy tuyến tính làm ví dụ.

Nếu cả hai phương pháp đều hội tụ, thì phép nội suy đa thức (không piecewise) có lợi thế về mức độ đa thức cao hơn nếu nhiều mẫu được sử dụng và có thể cung cấp xấp xỉ tốt hơn, như bạn đã thấy trong ví dụ sin của bạn. Bạn cũng có thể quan tâm đến LN Trefethen, Hai kết quả về phép nội suy đa thức ở các điểm cách đều nhau , Tạp chí Lý thuyết xấp xỉ Tập 65, Số 3, Tháng 6 năm 1991, Trang 247-260. Trích dẫn:

eTôiαx(αR),0nα

Bạn có 6,5 mẫu trên mỗi bước sóng.

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.