使用NumPy构造多项式近似中适配切比雪夫节点的N×N单项式基矩阵
NumPy 构造多项式近似所需的单项式范德蒙德矩阵B
矩阵B本质是切比雪夫采样点上的多项式插值范德蒙德矩阵,维度为(n+1)×(n+1),每一行对应一个采样点的单项式取值,列顺序严格匹配基函数1, x, x², ..., xⁿ,满足线性关系B @ c = f_a(x_j),求解该方程即可得到对应的系数集合。
实现步骤
- 生成切比雪夫采样点
按照给定公式x_j = 0.5*5 - 0.5*3*cos(j*pi/n)计算采样点时,下标j需要覆盖0到n的范围(共n+1个点),和n次多项式的n+1个未知系数数量匹配,直接用NumPy向量化运算即可,无需逐点循环。 - 生成对应矩阵
无需手写嵌套循环逐列计算采样点的各次幂,直接调用NumPy内置的范德蒙德构造函数,调整参数匹配基函数顺序即可。
完整可运行代码
import numpy as np # 遍历所有目标多项式次数 target_n = [3, 10, 20, 50] # 存储每个n值对应的矩阵B B_result = {} for n in target_n: # 生成下标序列 j = np.arange(n + 1) # 计算切比雪夫分布采样点 xj = 0.5 * 5 - 0.5 * 3 * np.cos(j * np.pi / n) # 构造矩阵B,increasing=True保证列顺序为x^0, x^1 ... x^n B = np.vander(xj, N=n+1, increasing=True) B_result[n] = B
常见踩坑点
- 不要将j的取值范围设为1到n,否则采样点总数会比系数数量少1,导致方程秩亏,出现奇异矩阵无法求解的问题。
np.vander默认输出降幂排列的矩阵(第一列为最高次xⁿ,最后一列为常数项1),必须设置increasing=True参数,否则列顺序和单项式基错位,求解得到的系数顺序完全颠倒。- 如果需要深入理解构造逻辑,也可以通过NumPy广播机制实现等价效果,运行效率和内置函数完全一致:
# 手动广播构造的等价实现 power_col = np.arange(n+1).reshape(1, -1) # 幂次行向量 [0,1,2...n] xj_vec = xj.reshape(-1, 1) # 采样点列向量 B_manual = xj_vec ** power_col
内容的提问来源于stack exchange,提问作者Arnold Schwarzenegger
相关产品推荐
相关产品推荐

