對角有理函數插值 (Rational Interpolation) 以有理函數 (多項式分數) 逼近數據點,對極點行為優於多項式插值。本文實現 rational() 函數計算對角有理插值。
給定數據點 (x_i, y_i), 建構形式為 R(x) = P(x)/Q(x) 的有理函數,其中 deg(P) = deg(Q) (對角)。使用遞推關係逐步計算,數值穩定性優於直接求解線性系統。
import numpy as np
def rational(x_data, y_data, x):
"""
對角有理函數插值
:param x_data: 自變量陣列 (長度 m)
:param y_data: 應變量陣列 (長度 m)
:param x: 欲插值點
:return: 插值結果
"""
m = len(x_data)
if m != len(y_data):
raise ValueError("x_data and y_data must have same length")
r = y_data.copy().astype(float)
r_old = np.zeros(m)
for k in range(m - 1):
for i in range(m - k - 1):
# 避免除零:x 極接近節點時直接返回對應 y
if abs(x - x_data[i + k + 1]) < 1e-12:
return y_data[i + k + 1]
c1 = r[i + 1] - r[i]
c2 = r[i + 1] - r_old[i + 1]
c3 = (x - x_data[i]) / (x - x_data[i + k + 1])
# 遞推公式
denominator = c3 * (1.0 - c1 / c2) - 1.0
if abs(denominator) < 1e-14:
return None # 數值不穩定
r[i] = r[i + 1] + c1 / denominator
r_old[i + 1] = r[i + 1]
return r[0]
import numpy as np
# 測試函數: f(x) = 1/(1+x^2) (Runge 函數,多項式插值邊界震盪嚴重)
x_data = np.linspace(-5, 5, 11)
y_data = 1 / (1 + x_data**2)
x_test = 2.5
val = rational(x_data, y_data, x_test)
exact = 1 / (1 + x_test**2)
print(f"x={x_test}: rational={val:.6f}, exact={exact:.6f}, error={abs(val-exact):.2e}")
# 繪圖比較 (需 matplotlib)
import matplotlib.pyplot as plt
x_fine = np.linspace(-5, 5, 200)
y_rational = [rational(x_data, y_data, xi) for xi in x_fine]
y_exact = 1 / (1 + x_fine**2)
plt.plot(x_fine, y_exact, 'k-', label='Exact')
plt.plot(x_fine, y_rational, 'r--', label='Rational Interp')
plt.plot(x_data, y_data, 'bo', label='Data points')
plt.legend()
plt.show()
| 優點 | 缺點 |
|---|---|
| 能處理極點/漸近線行為 | 計算複雜度 O(n^2) |
| Runge 現象較輕微 | 節點分布不均時可能不穩定 |
| 插值區間外外推較好 | 分母接近零時數值爆炸 |
scipy.interpolate.BarycentricInterpolator (重心拉格朗日,穩定高效)scipy.interpolate.Rbf (徑向基函數,多維)scipy.interpolate.Akima1DInterpolator (Akima 样條,抑制震盪)