mirror of
https://github.com/janishutz/eth-summaries.git
synced 2026-01-13 21:08:28 +00:00
67 lines
3.6 KiB
TeX
67 lines
3.6 KiB
TeX
% ┌ ┐
|
|
% │ AUTHOR: Janis Hutz<info@janishutz.com> │
|
|
% └ ┘
|
|
|
|
% Lecture: \chi here are used as RELU function!
|
|
\subsection{Stückweise Lineare Interpolation}
|
|
Globale Interpolation (also Interpolation auf dem ganzen Intervall $]-\infty, \infty[$) funktioniert nur dann gut, wenn:
|
|
\rmvspace
|
|
\begin{enumerate}[label=(\alph*), noitemsep]
|
|
\item die gegebenen Interpolationspunkte als Chebyshev-Knoten oder -Abszissen verwendet werden können
|
|
\item die Funktion glatt ist
|
|
\end{enumerate}
|
|
Es müssen beide obige Eigenschaften zutreffen.
|
|
Eine Idee um die Einschränkungen zu reduzieren oder komplett zu entfernen ist es, das Intervall zu unterteilen, oder formaler,
|
|
das Intervall $I = [a, b]$ in viele kleinere Intervalle zu zerlegen.
|
|
|
|
Wir haben dann ein Polynom vom Grad $n$ auf jedem Teilintervall mit $n + 1$ Punkten, was den Fehler verringert:
|
|
\begin{align*}
|
|
|f(x) - s(x)| < \frac{h^{n + 1}}{(n + 1)!} ||f^{(n + 1)}||_{\infty}
|
|
\end{align*}
|
|
|
|
Seien $N + 1$ Messpunkte gegeben. Wir verwenden sie als Knoten
|
|
(im Englischen \textit{breakpoints} gennant. Die Knoten sind also nicht dasselbe wie in den vorigen Kapiteln, es gibt aber keinen wirklich sinnvollen Namen im Deutschen)
|
|
diese $N + 1$ Messpunkte. Die Knoten dienen Paarweise als Abgrenzung der neuen, kleinen Intervalle, die wir erstellt haben.
|
|
Die linearen Interpolanten für jedes Intervall sind (mit $h_j = x_j - x_{j - 1}$):
|
|
\begin{align*}
|
|
s_j(x) = y_{j - 1}\frac{x_j - x}{h_j} + y_j \frac{x - x_{j - 1}}{h_j} \mediumhspace \text{für } x \in [x_{j - 1}, x_j]
|
|
\end{align*}
|
|
% NOTE: This might just be little more than a page in the script, but he talked about it for like 20 min in the lecture...
|
|
% and he even went as far as telling people to really pay attention...
|
|
% so I guess that means it is *not* important (could well not be important actually)
|
|
Wie man nun zu dieser Formel kommt:
|
|
Sei $\chi(t) = t \smallhspace \forall t \in [0, 1]$.
|
|
Die Funktion $f(t) = y_0 \chi(1 - t) + y_1 \chi(t)$ hat also die Interpolationseigenschaften $f(0) = y_0$ und $f(1) = y_1$ und ist linear in $t$.
|
|
Die Interpolation $s_j(x)$ auf $[x_{j - 1}, x_j]$ entsteht dann also aus $f$ mit Variablenwechsel $t = \frac{x - x_{j - 1}}{h_j} \in [0, 1] \leftrightarrow x = x_{j - 1} + h_j t$,
|
|
also gilt:
|
|
\begin{align*}
|
|
s_j(x) = y_{j - 1} \chi \left( \frac{x_j - x}{h_j} \right) + y_j \chi \left( \frac{x - x_{j - 1}}{h_j} \right) \mediumhspace \text{für } x \in [x_{j - 1}, x_j]
|
|
\end{align*}
|
|
Dies ist eine lokale Interpolation und $s_j$ ist $0$ ausser im definierten Intervall.
|
|
Die Idee des Variablenwechsel ist es, das Intervall, auf welchem die Funktion definiert ist von $[0, 1]$ nach $[x_{j - 1}, x_j]$ zu verschieben.
|
|
|
|
\innumpy Stückweise lineare interpolation lässt sich leicht umsetzen via numpy \verb|piecewise| Funktionen:
|
|
|
|
\begin{code}{python}
|
|
def slope(x: np.ndarray, j: int, x_data: np.ndarray, y: np.ndarray):
|
|
""" Slope on j-th sub-interval, for x falling inside that sub-interval """
|
|
h = np.abs(x_data[j] - x_data[j-1]) # size of sub-interval
|
|
return y[j-1]*(x_data[j] - x)/h + y[j]*(x - x_data[j-1])/h
|
|
|
|
|
|
def eval_linear_interp(x: np.ndarray, x_data: np.ndarray, y: np.ndarray):
|
|
""" Evaluate linear interpolation on x, using data points (x_data, y) """
|
|
n = x_data.size; m = x.size
|
|
|
|
condlist = [
|
|
(x_data[j-1] <= x) & (x <= x_data[j])
|
|
for j in range(1, n)
|
|
]
|
|
funclist = [
|
|
lambda x, ind=j: slope(x, ind, x_data, y)
|
|
for j in range(1, n)
|
|
]
|
|
|
|
return np.piecewise(x, condlist, funclist)
|
|
\end{code}
|