Представление функции в виде дискретной последовательности значений аргумента (так называемых узлов) и соответствующих значений функции в узловых точках – обычное и естественное представление при обработке данных на цифровой вычислительной машине.
Например, подключенные к машине цифровые преобразователи измерительных устройств поставляют последовательность значений параметра (температуры, давления, расхода, расстояния, скорости и т.п.) в дискретные моменты времени. Мы можем использовать также и дискретные представления аналитических функций достаточно сложной структуры. Если при этом возникает потребность в выполнении таких операций, как интегрирование, дифференцирование функции или просто необходимость оценить ее значения в неузловых точках, то желание осуществить аналитическую замену дискретной последовательности тоже выглядит достаточно естественным. Для упрощения будем считать вначале, что значения функции заданы при равноотстоящих друг от друга значениях аргумента – т.е. если не оговорено альтернативное представление, будем рассматривать задачу приближения при равноотстоящих узлах; это дает возможность представить аргумент функции в виде, например, последовательности целых чисел с выбранным постоянным шагом между ними.
Постановка задачи аналитического приближения (аппроксимации) функций и методы ее решения определяются следующими основными факторами, которые необходимо проанализировать в самом начале:
1) В нашем распоряжении числовой ряд значений функции, полученный на некотором интервале значений аргумента – назовем его интервалом наблюдения. Если аналитическая замена этого ряда необходима для последующей работы внутри интервала наблюдения, то соответствующая задача называется задачей интерполяции.Может оказаться, что нас интересуют оценки значений функции правее интервала наблюдения, т.е. в той области значений аргумента, где значения функции не заданы – в этом случае говорят о задаче экстраполяции или прогнозирования. Наконец, может стоять задача получения достоверной оценки значения функции непосредственно на правой границе интервала наблюдения или в любом его узле – эта задача возникает при наличии существенных ошибок в определении значений функции (так называемых шумов в наблюдениях) и называется задачей фильтрации или сглаживания. Таким образом, задача аналитического приближения табличных функций – это комплексная задача интерполяции, экстраполяции и сглаживания. Её «направленность» в значительной мере определяет методы ее решения. Когда аргументом функции является время, можно говорить о направленности в прошлое, будущее или оценках настоящего.
2) Второй существенный аспект проблемы состоит в определении, что называть «хорошим» или «наилучшим» приближением, т.е. в выборе критерия оптимальности приближения. Классические методы приближения функций используют в качестве критерия оптимальности приближения требование точного совпадения значений приближающей функции с табличными значениями в узлах (приближения по критерию Лагранжа). Преимущество такого подхода – в простоте теории приближения и вычислительных процедур; недостаток – в игнорировании неизбежного в реальных условиях наличия шумов в наблюдениях. Общая задача интерполяции, сглаживания и экстраполяции была впервые математически сформулирована А.Н. Колмогоровым, в начале второй мировой войны ею занимался Норберт Винер в приложении к управлению зенитным огнём, связанным с необходимостью прогнозировать координаты цели на время полета снаряда. Задача слежения за целью всегда связана с ее непредвиденными маневрами и ошибками наблюдения, поэтому сглаживание и упреждение траектории цели – актуальная задача, не вписывающаяся в классическую постановку с точным отслеживанием значений в узлах. В дальнейшем необходимость в сглаживании и упреждении при различных условиях и различных требованиях к качеству и области допустимых прогнозов возникла в различных задачах экономики, метеорологии, автоматическом регулировании и пр.
При необходимости учета ошибок наблюдений чаще всего используют классический критерий минимума суммы квадратов разностей между расчетными по приближающей функции и наблюдаемыми значениями в узлах (критерий Гаусса) и его современные модификации.
Другой критерий связывают с именем Чебышева; он состоит в требовании минимизировать максимальную разность между наблюдаемыми и расчетными значениями функции в узлах – так называемый минимаксный критерий. Существуют и другие подходы к оценке качества приближения.
3) Третий ключевой момент состоит в выборе класса приближающих аналитических функций. Основное требование, которое у нас возникает к этим функциям – это независимость результатов аппроксимации от начала отсчета, т.е. от сдвига по последовательности значений аргумента. Другими словами, необходимо, чтобы конечное множество функций выбранного для аппроксимации класса переходило само в себя при замене xна x+k.Таким свойством обладают:
− линейные комбинации степенных функций 1, x, x2, …, xn;
− тригонометрические функции cos(aix), sin(aix);
− экспоненциальные функции вида , часто встречающиеся в реальных задачах.
Использование любого другого конечного множества аппроксимирующих функций (кроме трех перечисленных) подразумевает наличие естественного начала отсчета, так как выбор начала повлияет на результат - но в большинстве задач нет естественного начала и мы вынуждены выбирать из перечисленных классов функций.
В соответствии с перечисленными классами различают полиномиальную аппроксимацию, Фурье или тригонометрическую аппроксимацию и экспоненциальную аппроксимацию.
Еще одно важное свойство, которое хотелось бы придать множеству аппроксимирующих функций – это инвариантность к изменению масштаба, т.е. чтобы множество не изменялось при замене xнаkx. Из рассмотренных множеств таким свойством обладает только множество
1, x, x2, …, xn,
поэтому при отсутствии в задаче естественного масштаба мы вынуждены либо выбирать полиномы, либо воздействовать на результат волевым выбором масштаба. Правда, большинство практических задач, в частности, связанных с функциями времени, имеют естественный масштаб и преобладание полиномиальной аппроксимации над другими видами объясняется большей продвинутостью полиномиальной алгебры и простотой вычислительных процедур с полиномами.
, часто встречающиеся в реальных задачах.