Аппроксимация: понятие и методы¶

Аппроксимация (от лат. approximare — «приближаться») — математическая операция, заключающаяся в замене исходного объекта (функции, процесса, множества точек) другим объектом той же или более простой природы, который в определённом смысле близок к исходному, но удобнее для анализа, вычислений или хранения. Результат аппроксимации называется приближением. В отличие от интерполяции, требующей точного совпадения значений в узловых точках, аппроксимация допускает отклонения, минимизируя их по выбранному критерию.

¶Основные понятия и критерии

Аппроксимация применяется, когда точное описание зависимости неизвестно, слишком сложно или требует чрезмерных вычислительных ресурсов. Исходными данными обычно служат результаты измерений, экспериментальные таблицы, численные решения дифференциальных уравнений или сложные аналитические формулы.

Ключевым элементом задачи является выбор класса приближающих функций (аппроксимирующего семейства). Это могут быть многочлены, тригонометрические полиномы, рациональные дроби, сплайны, экспоненциальные или логарифмические комбинации. Класс задаёт структуру приближения, а конкретные параметры подбираются по критерию близости.

Основные критерии близости:

Метод наименьших квадратов (МНК) — минимизация суммы квадратов отклонений приближающей функции от исходных данных в заданных точках. Наиболее распространён благодаря простоте вычислений и устойчивости к случайным ошибкам измерений.
Равномерное (чебышёвское) приближение — минимизация максимального абсолютного отклонения на рассматриваемом промежутке. Используется, когда важно гарантировать предельную погрешность во всей области.
Среднеквадратичное приближение — минимизация интеграла от квадрата разности функций на непрерывном промежутке (в гильбертовом пространстве).

Выбор критерия зависит от природы задачи: МНК сглаживает случайные шумы, а равномерное приближение обеспечивает контроль над худшим случаем.

¶Виды аппроксимации

По характеру исходных данных и цели различают несколько основных видов.

¶Точечная аппроксимация

Исходная информация задана таблицей значений (xi, yi), i = 1…n. Приближающая функция строится так, чтобы пройти вблизи этих точек, но не обязательно через них. Частным случаем является интерполяция, где функция обязана проходить точно через все узлы. Аппроксимация предпочтительнее интерполяции, если данные содержат погрешности измерений, так как интерполяционная кривая будет воспроизводить и ошибки.

¶Непрерывная аппроксимация

Исходная функция f(x) задана аналитически на отрезке [a, b], но является громоздкой или неудобной (например, содержит специальные функции). Требуется заменить её более простой функцией g(x) с контролируемой погрешностью. Часто применяется при построении приближённых формул для интегралов, производных или при решении дифференциальных уравнений.

¶Аппроксимация характеристик

В инженерной практике (радиотехника, теплотехника, механика) часто приходится заменять сложные экспериментальные кривые (например, вольт-амперные характеристики транзисторов, кривые намагничивания) кусочно-линейными или кусочно-полиномиальными зависимостями. Это позволяет перейти к аналитическому расчёту схем и систем.

¶Основные методы

¶Полиномиальная аппроксимация

Многочлены степени m < n−1 используются для сглаживания. Коэффициенты находятся из условия минимума суммы квадратов невязок, что приводит к системе линейных алгебраических уравнений (нормальным уравнениям). При больших степенях система становится плохо обусловленной, поэтому на практике применяют ортогональные полиномы (Чебышёва, Лежандра) или переходят к другим классам функций.

¶Сплайн-аппроксимация

Область определения разбивается на отрезки, на каждом из которых функция задаётся полиномом невысокой степени (чаще кубическим). В точках стыка обеспечивается непрерывность самой функции и её производных до определённого порядка. Сплайны сочетают гладкость с локальностью: изменение одного узла влияет лишь на соседние сегменты, что удобно при обработке больших массивов данных.

¶Рациональная аппроксимация

Приближение отношением двух многочленов P(x)/Q(x). Эффективно для функций с особенностями (полюсами) или асимптотическим поведением, которые плохо описываются полиномами. Паде-аппроксимация — классический пример, дающий хорошие результаты для функций, представимых степенными рядами.

¶Тригонометрическая аппроксимация

Используется для периодических функций. Ряды Фурье с конечным числом гармоник дают наилучшее среднеквадратичное приближение среди всех тригонометрических полиномов той же степени. Применяется в обработке сигналов, спектральном анализе, геодезии.

¶Приближение экспонентами и суммами экспонент

Удобно для описания затухающих процессов (релаксация, радиоактивный распад, переходные процессы в электрических цепях). Параметры находятся методами нелинейной оптимизации или сведением к линейной задаче через логарифмирование (для одной экспоненты).

¶Оценка погрешности

Для практического использования важно знать величину отклонения приближающей функции от исходной. Различают:

Абсолютную погрешность — |f(x) − g(x)| в точке или максимум на отрезке.
Относительную погрешность — отношение абсолютной погрешности к значению функции.
Среднеквадратичную погрешность — корень из среднего квадрата отклонений по всем точкам.

Априорные оценки погрешности существуют для интерполяционных полиномов и рядов Фурье (например, неравенство Лебега, оценки через модуль непрерывности). Для МНК обычно используют апостериорные оценки — по остаточной сумме квадратов и статистическим характеристикам шума. Теорема Вейерштрасса гарантирует, что любую непрерывную на отрезке функцию можно равномерно приблизить многочленом с любой наперёд заданной точностью, однако практическое построение такого многочлена может быть затруднено.

¶Применение

Аппроксимация пронизывает практически все области науки и техники:

Численные методы — замена сложных функций при вычислении интегралов (квадратурные формулы), производных, при решении дифференциальных и интегральных уравнений (метод Галёркина, метод конечных элементов).
Обработка экспериментальных данных — сглаживание результатов измерений, подбор эмпирических формул в физике, химии, биологии, экономике (регрессионный анализ).
Цифровая обработка сигналов — восстановление сигналов по дискретным отсчётам (теорема Котельникова), аппроксимация частотных характеристик фильтров.
Машинное обучение — аппроксимация неизвестной зависимости «вход-выход» нейронными сетями, деревьями решений, методами опорных векторов.
Инженерное проектирование — замена табличных характеристик деталей и материалов аналитическими зависимостями для автоматизированного расчёта (САПР).
Картография и геодезия — аппроксимация поверхности Земли математическими моделями (эллипсоид, геоид), сглаживание результатов топографической съёмки.
Компьютерная графика — представление сложных кривых и поверхностей сплайнами (кривые Безье, B-сплайны) для рендеринга.

¶Связь с другими понятиями

Аппроксимацию следует отличать от интерполяции (точное прохождение через узлы), экстраполяции (предсказание за пределами известного диапазона) и регрессии (статистический метод подбора параметров модели, частный случай аппроксимации по МНК). В функциональном анализе аппроксимация рассматривается как задача о наилучшем приближении элемента метрического пространства элементами заданного подпространства. Теория приближений изучает вопросы существования, единственности и устойчивости решений таких задач, а также скорость сходимости приближающих конструкций при увеличении числа параметров.

Источники:

Демидович Б. П., Марон И. А. Основы вычислительной математики.
Бахвалов Н. С., Жидков Н. П., Кобельков Г. М. Численные методы.
Верхбицкий В. М. Основы численных методов.
Корн Г., Корн Т. Справочник по математике для научных работников и инженеров.