worldmodel/research/math/hermite_interpolation.md

title, date, draft, tags, categories, description

title	date	draft	tags	categories	description
Hermite 插值详解	2026-06-02	false	数值分析 插值 Hermite插值 多项式逼近	research math	从切触条件、构造方法到误差分析，系统讲解 Hermite 插值的理论与应用。

Hermite 插值详解

本文系统讲解数值分析中的 Hermite 插值（Hermite Interpolation，埃尔米特插值）。它是 Lagrange 插值的自然推广：不仅要求插值多项式在节点处与被插函数取相同的函数值，还要求取相同的导数值（一阶乃至更高阶）。这使得插值曲线在节点处不仅"经过"数据点，还与原曲线"相切"，从而得到更光滑、更逼真的逼近。

---

一、引入与动机

1.1 从 Lagrange 插值说起

给定 n+1 个互异节点 x_0, x_1, \dots, x_n 及对应函数值 $f(x_i)$，Lagrange 插值给出唯一的次数 \le n 多项式 $L_n(x)$，使得

L_n(x_i) = f(x_i), \qquad i = 0, 1, \dots, n.

它只匹配函数值。然而在很多实际问题中，我们对曲线"形状"的要求更高，仅匹配函数值是不够的：

• 光滑性不足：Lagrange 插值在节点处的切线方向完全由全局多项式自动决定，可能与真实曲线的斜率相去甚远，导致曲线在节点附近"扭动"。
• 物理意义缺失：若数据点代表某质点的位置，那么我们往往同时知道该点的速度（即一阶导数）。只匹配位置而丢弃速度信息，是对已知信息的浪费。
• 拼接不连续：在分段插值中，若相邻段只匹配端点函数值而不匹配导数，则拼接处会出现折角（导数不连续）。

1.2 Hermite 插值的核心思想

Hermite 插值的思想是：在节点处同时匹配函数值与若干阶导数值。最常见的是同时匹配函数值与一阶导数值：

H(x_i) = f(x_i), \qquad H'(x_i) = f'(x_i), \qquad i = 0, 1, \dots, n.

1.3 几何直观：节点处"相切"

考虑两条曲线 y = f(x) 与 $y = H(x)$。如果它们在某点 x_i 满足

H(x_i) = f(x_i) \quad (\text{过同一点}), \qquad H'(x_i) = f'(x_i) \quad (\text{斜率相同}),

那么这两条曲线在 x_i 处相切（一阶切触，order-1 contact）。如果进一步匹配到二阶导数 $H''(x_i)=f''(x_i)$，则它们在该点的曲率也一致（更高阶的切触）。

一句话概括：Lagrange 插值让曲线"穿过"数据点；Hermite 插值让曲线"贴着"数据点走。

---

二、问题定义

2.1 一般 Hermite 插值问题

给定 n+1 个互异节点 $x_0, x_1, \dots, x_n$。在每个节点 x_i 处，给定函数值及从一阶到 m_i 阶的导数值：

f(x_i),\ f'(x_i),\ f''(x_i),\ \dots,\ f^{(m_i)}(x_i).

也就是说，节点 x_i 处提供了 m_i + 1 个约束条件（称该节点的重数（multiplicity）为 $m_i + 1$）。我们称整数 m_i 为节点 x_i 的切触阶（order of contact）。

记总约束数（总自由度）为

N = \sum_{i=0}^{n} (m_i + 1).

目标：求一个次数 \le N-1 的多项式 $H(x)$，满足全部切触条件

H^{(k)}(x_i) = f^{(k)}(x_i), \qquad k = 0, 1, \dots, m_i, \quad i = 0, 1, \dots, n.

2.2 存在唯一性定理

定理（Hermite 插值的存在唯一性） 设节点 x_0, \dots, x_n 互异，切触阶分别为 $m_0, \dots, m_n$，记 $N = \sum_{i=0}^{n}(m_i+1)$。则在给定上述 N 个切触条件下，存在且唯一一个次数 \le N-1 的多项式 H(x) 满足所有条件。

证明（唯一性，反证法）： 次数 \le N-1 的多项式构成一个 N 维线性空间（基为 $1, x, \dots, x^{N-1}$），共有 N 个待定系数。切触条件给出 N 个线性方程，于是问题等价于一个 N \times N 的线性方程组。要证明解存在且唯一，只需证明对应齐次问题只有零解。

设 P(x) 是次数 \le N-1 的多项式，且满足全部齐次条件

P^{(k)}(x_i) = 0, \qquad k = 0, 1, \dots, m_i, \quad i = 0, 1, \dots, n.

则在每个节点 x_i 处，P 及其直到 m_i 阶导数都为零，意味着 x_i 是 P 的至少 m_i + 1 重根。因此 P 的根（计重数）总数至少为

\sum_{i=0}^{n}(m_i + 1) = N.

但 P 的次数 $\le N-1$，一个非零的 N-1 次多项式至多有 N-1 个根（计重数）。矛盾。故 $P \equiv 0$。这证明齐次问题只有零解，从而线性方程组的系数矩阵非奇异，原问题存在唯一解。\blacksquare

特例：当所有 m_i = 0 时，$N = n+1$，Hermite 插值退化为 Lagrange 插值；当 n+1 个节点每个都匹配函数值与一阶导数（$m_i = 1$）时，$N = 2(n+1) = 2n+2$，称为标准 Hermite 插值，其多项式次数 $\le 2n+1$。

---

三、两点三次 Hermite 插值（重点）

这是工程与图形学中最常用的 Hermite 插值形式，必须重点掌握。

3.1 问题设定

取两个节点 $x_0, x_1$，每个节点匹配函数值与一阶导数：

H(x_0) = f(x_0),\quad H'(x_0) = f'(x_0),\quad H(x_1) = f(x_1),\quad H'(x_1) = f'(x_1).

共 N = 4 个条件，故 H(x) 是唯一的次数 \le 3 的多项式（三次多项式）。

3.2 标准区间 [0,1] 上的四个基函数

为简化推导，先把区间映射到 $[0,1]$。令

t = \frac{x - x_0}{x_1 - x_0} \in [0, 1], \qquad h = x_1 - x_0.

我们寻找一组三次基函数 $H_{00}(t), H_{10}(t), H_{01}(t), H_{11}(t)$，使得

H(t) = H_{00}(t)\, p_0 + H_{10}(t)\, m_0 + H_{01}(t)\, p_1 + H_{11}(t)\, m_1,

其中 $p_0 = f(x_0)$，p_1 = f(x_1) 是端点值，$m_0 = h f'(x_0)$，m_1 = h f'(x_1) 是按区间长度缩放后的端点导数（因为对 t 求导带来因子 $h$，详见 3.4 节）。

每个基函数在 t=0,1 两端的"值/导数"特征如下表（这正是它们的定义性质）：

基函数	值(0)	导数(0)	值(1)	导数(1)	作用
H_{00}	1	0	0	0	携带左端点值 p_0
H_{10}	0	1	0	0	携带左端点切线 m_0
H_{01}	0	0	1	0	携带右端点值 p_1
H_{11}	0	0	0	1	携带右端点切线 m_1

3.3 基函数的推导

每个基函数是 t 的三次多项式，写作 $H(t) = a t^3 + b t^2 + c t + d$，由上表的 4 个条件唯一确定。注意 $H'(t) = 3a t^2 + 2b t + c$。

推导 $H_{00}$：要求 $H_{00}(0)=1, H_{00}'(0)=0, H_{00}(1)=0, H_{00}'(1)=0$。

• $H_{00}(0)=d=1$。
• $H_{00}'(0)=c=0$。
• $H_{00}(1)=a+b+c+d=a+b+1=0 \Rightarrow a+b=-1$。
• $H_{00}'(1)=3a+2b+c=3a+2b=0 \Rightarrow b=-\tfrac{3}{2}a$。
• 代入 $a+b=-1$：$a-\tfrac{3}{2}a=-1 \Rightarrow -\tfrac{1}{2}a=-1 \Rightarrow a=2$，于是 $b=-3$。

\boxed{H_{00}(t) = 2t^3 - 3t^2 + 1.}

推导 $H_{10}$：要求 $H_{10}(0)=0, H_{10}'(0)=1, H_{10}(1)=0, H_{10}'(1)=0$。

• $d=0$；$c=1$。
• $a+b+c+d=a+b+1=0 \Rightarrow a+b=-1$。
• $3a+2b+c=3a+2b+1=0 \Rightarrow 3a+2b=-1$。
• 由 a+b=-1 得 $b=-1-a$，代入：$3a+2(-1-a)=-1 \Rightarrow a-2=-1 \Rightarrow a=1$，$b=-2$。

\boxed{H_{10}(t) = t^3 - 2t^2 + t.}

推导 $H_{01}$：要求 $H_{01}(0)=0, H_{01}'(0)=0, H_{01}(1)=1, H_{01}'(1)=0$。

• $d=0$；$c=0$。
• $a+b=1$；$3a+2b=0 \Rightarrow b=-\tfrac{3}{2}a$。
• $a-\tfrac{3}{2}a=1 \Rightarrow -\tfrac12 a=1 \Rightarrow a=-2$，$b=3$。

\boxed{H_{01}(t) = -2t^3 + 3t^2.}

推导 $H_{11}$：要求 $H_{11}(0)=0, H_{11}'(0)=0, H_{11}(1)=0, H_{11}'(1)=1$。

• $d=0$；$c=0$。
• $a+b=0$；$3a+2b=1$。
• 由 $b=-a$：$3a-2a=1 \Rightarrow a=1$，$b=-1$。

\boxed{H_{11}(t) = t^3 - t^2.}

验证（单位分解性质）：注意 $H_{00}(t) + H_{01}(t) = (2t^3-3t^2+1) + (-2t^3+3t^2) = 1$。这保证了对常值函数 $f\equiv c$（其导数为 $0$）的插值结果恒为 $c$，符合预期。

3.4 完整公式（一般区间 $[x_0, x_1]$）

把 t = (x-x_0)/h 代回，并注意链式法则 $\frac{\mathrm d}{\mathrm dx} = \frac{1}{h}\frac{\mathrm d}{\mathrm dt}$，对 x 的导数与对 t 的导数相差因子 $1/h$。因此端点导数 f'(x_i) 与对 t 的导数关系为 $\frac{\mathrm dH}{\mathrm dt}\big|_{t=0} = h f'(x_0)$，这解释了 3.2 节中为何令 $m_0 = h f'(x_0)$、$m_1 = h f'(x_1)$。最终插值多项式为

\boxed{
H(x) = H_{00}(t)\,f(x_0) + H_{10}(t)\,h\,f'(x_0) + H_{01}(t)\,f(x_1) + H_{11}(t)\,h\,f'(x_1),
\qquad t=\frac{x-x_0}{h},\ h=x_1-x_0.
}

展开为

\begin{aligned}
H(x) ={}& (2t^3-3t^2+1)\,f(x_0) + (t^3-2t^2+t)\,h\,f'(x_0) \\
&+ (-2t^3+3t^2)\,f(x_1) + (t^3-t^2)\,h\,f'(x_1).
\end{aligned}

3.5 数值算例

设 $f(x) = \sin x$，节点 $x_0 = 0$，$x_1 = \tfrac{\pi}{2}$。则

\begin{aligned}
&f(x_0) = \sin 0 = 0, & &f'(x_0) = \cos 0 = 1, \\
&f(x_1) = \sin\tfrac{\pi}{2} = 1, & &f'(x_1) = \cos\tfrac{\pi}{2} = 0,
\end{aligned}

且 $h = \tfrac{\pi}{2} \approx 1.5708$。代入完整公式（仅 $f(x_0)=0$、f'(x_1)=0 两项消失）：

H(x) = H_{10}(t)\,h\cdot 1 + H_{01}(t)\cdot 1
= h(t^3 - 2t^2 + t) + (-2t^3 + 3t^2),

其中 $t = x / h = \dfrac{2x}{\pi}$。

在区间中点 x = \tfrac{\pi}{4} 处检验（此时 $t = 0.5$）：

\begin{aligned}
H_{10}(0.5) &= 0.125 - 0.5 + 0.5 = 0.125, \\
H_{01}(0.5) &= -0.25 + 0.75 = 0.5, \\
H(\tfrac{\pi}{4}) &= 1.5708 \times 0.125 + 1 \times 0.5 = 0.19635 + 0.5 = 0.69635.
\end{aligned}

真实值 $\sin\tfrac{\pi}{4} = \tfrac{\sqrt2}{2} \approx 0.70711$。误差约为 $0.0108$，对仅用两个节点的三次插值而言已相当精确。作为对比，仅用相同两节点的线性 Lagrange 插值在中点给出 $0.5$，误差高达 $0.207$，可见匹配导数信息带来的显著改进。

---

四、一般 Hermite 插值的构造方法

4.1 方法一：基函数法（广义 Lagrange 基）

对标准 Hermite 插值（每个节点匹配 f(x_i) 与 $f'(x_i)$，$i=0,\dots,n$），插值多项式次数 $\le 2n+1$，可写成

H_{2n+1}(x) = \sum_{i=0}^{n} f(x_i)\, h_i(x) + \sum_{i=0}^{n} f'(x_i)\, \hat h_i(x),

其中 h_i(x) 与 \hat h_i(x) 是满足下列"选择性"条件的基函数（\delta_{ij} 为 Kronecker 符号）：

\begin{aligned}
h_i(x_j) = \delta_{ij}, &\qquad h_i'(x_j) = 0, \\
\hat h_i(x_j) = 0, &\qquad \hat h_i'(x_j) = \delta_{ij}.
\end{aligned}

构造公式：借助 Lagrange 基函数

\ell_i(x) = \prod_{\substack{j=0 \\ j\ne i}}^{n} \frac{x - x_j}{x_i - x_j},

可以证明

\boxed{
\begin{aligned}
h_i(x) &= \big[\,1 - 2(x - x_i)\,\ell_i'(x_i)\,\big]\,\ell_i^2(x), \\
\hat h_i(x) &= (x - x_i)\,\ell_i^2(x).
\end{aligned}
}

验证思路：因 $\ell_i(x_j) = \delta_{ij}$，故 $\ell_i^2(x_j) = \delta_{ij}$，于是 \hat h_i(x_j) = (x_j-x_i)\delta_{ij} = 0 对一切 j 成立；又 $\hat h_i'(x) = \ell_i^2(x) + (x-x_i)\cdot 2\ell_i\ell_i'$，在 x=x_j 处当 j\ne i 时 \ell_i(x_j)=0 使两项皆为 $0$，当 j=i 时第一项 $\ell_i^2(x_i)=1$、第二项含因子 $(x_i-x_i)=0$，故 $\hat h_i'(x_j)=\delta_{ij}$。h_i 中的线性因子 [1 - 2(x-x_i)\ell_i'(x_i)] 正是为抵消 \ell_i^2 在 x_i 处的导数而精心设计的。

基函数法概念清晰、利于理论分析，但当节点数较多或含高阶切触时，公式变得繁琐，实际计算更推荐下面的差商法。

4.2 方法二：重节点的差商法（Newton 形式，推荐）

Newton 均差（divided differences，差商）插值可以自然地推广到 Hermite 情形：把每个节点按其重数 m_i+1 重复列出，对于重复的节点，差商表中无法用普通差商公式（会出现 $0/0$）的位置，用导数值填充。

4.2.1 重节点差商的定义

普通差商递归定义为

f[x_i] = f(x_i), \qquad
f[x_i, \dots, x_{i+k}] = \frac{f[x_{i+1},\dots,x_{i+k}] - f[x_i,\dots,x_{i+k-1}]}{x_{i+k} - x_i}.

当节点重合（$x_{i+k} \to x_i$）时，分母为零。此时由微分中值定理的极限给出重节点差商：

\boxed{\,\underbrace{f[x_i, x_i, \dots, x_i]}_{k+1 \text{ 个}} = \frac{f^{(k)}(x_i)}{k!}.\,}

特别地：

f[x_i, x_i] = f'(x_i), \qquad f[x_i, x_i, x_i] = \frac{f''(x_i)}{2}.

4.2.2 构造步骤

1. 建立重复节点序列 $z_0, z_1, \dots, z_{N-1}$：把 x_i 重复 m_i+1 次依次排列。
2. 建立差商表。**对角线（最高阶差商）**逐列计算：
   • 若相邻两个 z 不相等，用普通差商公式；
   • 若相邻两个 z 相等（对应同一节点），用上面的导数公式填充。
3. 取表的顶部对角线元素作为 Newton 系数，写出多项式：

\boxed{
H(x) = \sum_{k=0}^{N-1} f[z_0, z_1, \dots, z_k] \prod_{j=0}^{k-1}(x - z_j).
}

4.2.3 算例：带重节点的差商表

求满足下列条件的多项式（即两点三次 Hermite，与第三节呼应，便于互相验证）：

f(0) = 1,\quad f'(0) = 0,\quad f(1) = 0,\quad f'(1) = -1.

重复节点序列：$z_0 = z_1 = 0$，$z_2 = z_3 = 1$。差商表如下（左列为 z 与 $f$，向右逐阶）：

\begin{array}{c|cccc}
z & f[\cdot] & f[\cdot,\cdot] & f[\cdot,\cdot,\cdot] & f[\cdot,\cdot,\cdot,\cdot] \\ \hline
0 & 1 & & & \\
  &   & \mathbf{0} & & \\
0 & 1 & & -1 & \\
  &   & -1 & & \mathbf{1} \\
1 & 0 & & 0 & \\
  &   & -1 & & \\
1 & 0 & & & \\
\end{array}

逐项说明：

• 一阶差商列：
  • $f[z_0,z_1] = f[0,0] = f'(0) = 0$（重节点，用导数）。
  • $f[z_1,z_2] = f[0,1] = \dfrac{0 - 1}{1 - 0} = -1$（普通差商）。
  • $f[z_2,z_3] = f[1,1] = f'(1) = -1$（重节点，用导数）。
• 二阶差商列：
  • $f[z_0,z_1,z_2] = \dfrac{f[z_1,z_2] - f[z_0,z_1]}{z_2 - z_0} = \dfrac{-1 - 0}{1 - 0} = -1$。
  • $f[z_1,z_2,z_3] = \dfrac{f[z_2,z_3] - f[z_1,z_2]}{z_3 - z_1} = \dfrac{-1 - (-1)}{1 - 0} = 0$。
• 三阶差商（顶部）：
  • $f[z_0,z_1,z_2,z_3] = \dfrac{f[z_1,z_2,z_3] - f[z_0,z_1,z_2]}{z_3 - z_0} = \dfrac{0 - (-1)}{1 - 0} = 1$。

于是顶部对角线系数依次为 $1,\ 0,\ -1,\ 1$，Newton 形式为

\begin{aligned}
H(x) &= 1 + 0\cdot(x-0) + (-1)(x-0)(x-0) + 1\cdot(x-0)(x-0)(x-1) \\
&= 1 - x^2 + x^2(x-1) \\
&= 1 - x^2 + x^3 - x^2 \\
&= x^3 - 2x^2 + 1.
\end{aligned}

验证：H(0)=1 ✓；$H'(x)=3x^2-4x$，H'(0)=0 ✓；H(1)=1-2+1=0 ✓；H'(1)=3-4=-1 ✓。四个切触条件全部满足，构造正确。

说明：差商法的最大优点是统一处理任意阶切触。无论某节点要匹配到几阶导数，只需把它重复相应次数、在重节点位置填入 f^{(k)}(x_i)/k! 即可，无需为每种情形单独设计基函数。这也是教科书和数值库内部最常采用的实现思路。

---

五、误差分析

5.1 误差余项公式

定理（Hermite 插值余项） 设 $f \in C^{N}[a,b]$，节点 x_0,\dots,x_n \in [a,b] 互异，切触阶为 $m_0,\dots,m_n$，$N=\sum(m_i+1)$，H(x) 为满足全部切触条件、次数 \le N-1 的 Hermite 插值多项式。则对任意 $x\in[a,b]$，存在依赖于 x 的 $\xi=\xi(x)\in(a,b)$，使得

\boxed{\,f(x) - H(x) = \frac{f^{(N)}(\xi)}{N!}\,\prod_{i=0}^{n}(x - x_i)^{m_i+1}.\,}

证明要点（Rolle 定理法）：固定 $x\ne x_i$。令节点因子 $W(t)=\prod_i (t-x_i)^{m_i+1}$（次数为 $N$），并构造辅助函数

g(t) = f(t) - H(t) - \frac{f(x)-H(x)}{W(x)}\,W(t).

则 g 在 t=x 处为零，且在每个 x_i 处有 m_i+1 重零点（因 f-H 与 W 在 x_i 处都有相应阶的零）。于是 $g$（计重数）至少有 N+1 个零点。反复使用 Rolle 定理，g^{(N)} 至少有一个零点 $\xi$。由于 H 次数 \le N-1 故 $H^{(N)}\equiv 0$，而 $W^{(N)}=N!$，代入 g^{(N)}(\xi)=0 解得

f^{(N)}(\xi) - \frac{f(x)-H(x)}{W(x)}\,N! = 0
\;\Longrightarrow\;
f(x)-H(x) = \frac{f^{(N)}(\xi)}{N!}W(x). \qquad\blacksquare

5.2 标准 Hermite（每点匹配值与一阶导）的余项

此时每个 $m_i=1$，$N=2n+2$，余项为

f(x) - H(x) = \frac{f^{(2n+2)}(\xi)}{(2n+2)!}\prod_{i=0}^{n}(x-x_i)^2.

两点三次情形（$n=1$，$N=4$）：

f(x) - H_3(x) = \frac{f^{(4)}(\xi)}{4!}(x-x_0)^2(x-x_1)^2 = \frac{f^{(4)}(\xi)}{24}(x-x_0)^2(x-x_1)^2.

注意节点因子 (x-x_i)^2 \ge 0 恒非负，这与 Lagrange 情形（节点因子可正可负）不同，反映了"相切"带来的更强约束。

5.3 与 Lagrange 插值误差的对比

对比项	Lagrange 插值（n+1 点）	Hermite 插值（标准，n+1 点）
多项式次数	\le n	\le 2n+1
余项导数阶	f^{(n+1)}	f^{(2n+2)}
余项公式	\dfrac{f^{(n+1)}(\xi)}{(n+1)!}\prod (x-x_i)	\dfrac{f^{(2n+2)}(\xi)}{(2n+2)!}\prod (x-x_i)^2
节点因子符号	可正可负	恒 \ge 0
收敛阶（等距 $h$）	O(h^{n+1})	O(h^{2n+2})

关键结论：在使用相同节点数的前提下，Hermite 插值由于额外利用了导数信息，余项中出现更高阶的导数与更高次的节点因子幂，因而通常具有更高的逼近精度（更高的收敛阶）。代价是需要已知导数值，且多项式次数翻倍——次数过高时同样可能出现 Runge 现象，故实际更常用分段形式（见第六节）。

---

六、与样条的联系

6.1 分段三次 Hermite 插值

当节点很多时，直接构造高次 Hermite 多项式会引发振荡（Runge 现象）。实用做法是分段：在每个相邻区间 [x_i, x_{i+1}] 上用第三节的两点三次 Hermite 公式构造一段三次多项式，再拼接起来。

由于每段都在端点匹配函数值与一阶导数，拼接处天然满足

H(x_i^-) = H(x_i^+) = f(x_i), \qquad H'(x_i^-) = H'(x_i^+) = f'(x_i),

即整条曲线达到 C^1 连续（函数与一阶导都连续）。这正是分段三次 Hermite 插值（Piecewise Cubic Hermite Interpolation）。其前提是每个节点的导数 f'(x_i) 已知或被估计出来。

6.2 三次样条与 Hermite 形式的关系

**三次样条（cubic spline）**同样是分段三次、C^1 连续，但它额外要求

H''(x_i^-) = H''(x_i^+), \qquad i=1,\dots,n-1,

即二阶导数也连续，从而整体达到 C^2 连续，曲线更光滑（曲率不突变）。

两者的本质区别在于"导数从何而来"：

• 分段 Hermite：各节点的斜率 f'(x_i) 是给定或局部估计的（局部方法，每段相互独立），只保证 $C^1$。
• 三次样条：斜率（或二阶导）是通过求解一个全局三对角线性方程组确定的，目的是让二阶导连续，因此是全局方法，达到 $C^2$，但任一数据点的改动会影响整条曲线。

事实上，任何三次样条都可以改写成分段 Hermite 形式：只要先解出样条在各节点的导数值 $s'(x_i)$，再把这些导数当作 Hermite 的输入即可。所以"三次样条"可视为"用全局光滑性条件自动确定斜率的分段三次 Hermite 插值"。

6.3 单调性保持（PCHIP）

分段三次 Hermite 的一个重要变体是 PCHIP（Piecewise Cubic Hermite Interpolating Polynomial）。它不直接使用真实导数，而是用一套特殊规则估计每个节点的斜率 $d_i$，使得：

• 在数据单调的区间内，插值曲线保持单调，不产生过冲（overshoot）/ 振荡；
• 在局部极值点处令斜率为 $0$，避免越过数据点。

具体地，PCHIP 在内部节点用相邻区间斜率的加权调和平均来估计 $d_i$：若相邻两段割线斜率 \delta_{i-1}, \delta_i 同号，则

\frac{w_1+w_2}{d_i} = \frac{w_1}{\delta_{i-1}} + \frac{w_2}{\delta_i},
\qquad w_1 = 2h_i + h_{i-1},\ w_2 = h_i + 2h_{i-1},

否则（异号或某段为零，即遇到局部极值）令 $d_i = 0$。这保证了形状保持性。与三次样条相比，PCHIP 牺牲了 C^2 光滑（只保 $C^1$），换来无过冲的视觉与物理可靠性，非常适合插值带有尖锐变化或单调段的数据。

---

七、应用场景

7.1 计算机图形学：三次 Hermite 曲线

第三节的四基函数 H_{00},H_{10},H_{01},H_{11} 正是图形学中**三次 Hermite 曲线（Cubic Hermite Spline）**的数学基础。给定两端点 \mathbf P_0,\mathbf P_1 与两端切向量 $\mathbf T_0,\mathbf T_1$（这里把标量推广为向量，对每个坐标分量分别插值）：

\mathbf P(t) = H_{00}(t)\mathbf P_0 + H_{10}(t)\mathbf T_0 + H_{01}(t)\mathbf P_1 + H_{11}(t)\mathbf T_1,\quad t\in[0,1].

设计师通过拖动切向量即可直观地控制曲线的"出入方向"。

Catmull-Rom 样条是其著名特例：它自动地把每个控制点的切向量取为相邻两点连线方向

\mathbf T_i = \frac{1}{2}(\mathbf P_{i+1} - \mathbf P_{i-1}),

从而只需给一串点就能生成一条经过所有控制点、C^1 连续的光滑曲线，广泛用于路径与曲线设计。

7.2 动画关键帧插值与相机路径

在动画中，美术师设置若干关键帧（keyframe）：在某些时刻指定物体的位置、旋转、缩放等属性。系统需要在关键帧之间"补间（in-between）"。使用 Hermite 插值（指定每个关键帧的属性值及其变化速率/切线）可以让运动平滑、避免在关键帧处出现速度突变（折角）。相机沿预定轨迹平移、推拉时同样依赖 Hermite/样条曲线得到流畅运镜。

7.3 数值微分方程与轨迹规划

• 常微分方程数值解：一些方法（如 Hermite–Obreschkoff、含导数信息的密集输出/dense output）利用解在网格点的函数值与导数值（导数恰由 ODE 右端 f(t,y) 直接给出）做 Hermite 插值，得到任意时刻的高精度连续解。
• 机器人/无人机轨迹规划：要求轨迹在路点（waypoint）处同时满足位置与速度（甚至加速度）约束，正是高阶 Hermite 插值的典型用武之地——它能保证速度连续，使运动平稳、可执行。

---

八、Python 代码示例

下面用 numpy 从零实现两点三次 Hermite 插值，并用 SciPy 的 CubicHermiteSpline 与 BPoly.from_derivatives 进行对照验证。代码可直接运行。

import numpy as np

# ----------------------------------------------------------------------
# 1) 基函数法：标准区间 [0,1] 上的四个三次 Hermite 基函数
# ----------------------------------------------------------------------
def hermite_basis(t):
    """返回 (H00, H10, H01, H11) 在参数 t 处的值。t 可为标量或 numpy 数组。"""
    H00 = 2 * t**3 - 3 * t**2 + 1     # 携带左端点值
    H10 = t**3 - 2 * t**2 + t         # 携带左端点切线
    H01 = -2 * t**3 + 3 * t**2        # 携带右端点值
    H11 = t**3 - t**2                 # 携带右端点切线
    return H00, H10, H01, H11


def cubic_hermite(x, x0, x1, p0, p1, m0, m1):
    """
    两点三次 Hermite 插值。
    x0, x1 : 两个节点
    p0, p1 : 端点函数值 f(x0), f(x1)
    m0, m1 : 端点一阶导数 f'(x0), f'(x1)
    返回 H(x)。
    """
    h = x1 - x0
    t = (x - x0) / h
    H00, H10, H01, H11 = hermite_basis(t)
    # 注意导数项需乘以区间长度 h（链式法则）
    return H00 * p0 + H10 * (h * m0) + H01 * p1 + H11 * (h * m1)


# ----------------------------------------------------------------------
# 2) 算例：用 f(x)=sin(x) 在 [0, pi/2] 上做两点三次 Hermite 插值
# ----------------------------------------------------------------------
x0, x1 = 0.0, np.pi / 2
p0, p1 = np.sin(x0), np.sin(x1)      # 函数值: 0, 1
m0, m1 = np.cos(x0), np.cos(x1)      # 导数值: 1, 0

xs = np.linspace(x0, x1, 9)
H_vals = cubic_hermite(xs, x0, x1, p0, p1, m0, m1)
true_vals = np.sin(xs)

print("x        Hermite      sin(x)       误差")
for x, h, s in zip(xs, H_vals, true_vals):
    print(f"{x:.4f}   {h:.6f}   {s:.6f}   {abs(h - s):.2e}")

# 在中点 pi/4 处单独检验（对应正文 3.5 节）
xm = np.pi / 4
print(f"\n中点 H(pi/4) = {cubic_hermite(xm, x0, x1, p0, p1, m0, m1):.5f}, "
      f"真值 = {np.sin(xm):.5f}")

# ----------------------------------------------------------------------
# 3) 与 SciPy 对照（若已安装 scipy）
# ----------------------------------------------------------------------
try:
    from scipy.interpolate import CubicHermiteSpline, BPoly

    # CubicHermiteSpline 直接接受节点、函数值、导数值
    nodes = np.array([x0, x1])
    vals  = np.array([p0, p1])
    ders  = np.array([m0, m1])
    chs = CubicHermiteSpline(nodes, vals, ders)

    # BPoly.from_derivatives: 每个节点给 [值, 一阶导]
    bp = BPoly.from_derivatives(nodes, [[p0, m0], [p1, m1]])

    max_err_chs = np.max(np.abs(chs(xs) - H_vals))
    max_err_bp  = np.max(np.abs(bp(xs)  - H_vals))
    print(f"\n与 CubicHermiteSpline 的最大偏差: {max_err_chs:.2e}")
    print(f"与 BPoly.from_derivatives 的最大偏差: {max_err_bp:.2e}")
    # 两者应与自实现完全一致（偏差约为机器精度 ~1e-16）
except ImportError:
    print("\n未安装 scipy，跳过对照验证。")

预期输出（节选）：自实现结果与 SciPy 两种方法的偏差均在机器精度量级（约 $10^{-16}$），中点处 $H(\pi/4)\approx 0.69635$，与正文 3.5 节手算一致。

---

九、小结表格

下表对比三种最常用的插值方案，帮助快速选型：

对比维度	Lagrange 插值	Hermite 插值（标准）	三次样条（cubic spline）
匹配条件	仅节点函数值 f(x_i)	节点函数值 f(x_i) 与导数值 $f'(x_i)$（可含更高阶）	节点函数值；导数由全局光滑条件自动确定
多项式形态	单个次数 \le n 的多项式	单个次数 \le 2n+1 的多项式（或分段三次）	分段三次多项式
连续性	自身光滑（单个多项式），分段拼接仅 C^0	节点处达 $C^1$（分段时）；插值更"贴合"	$C^2$（二阶导连续，最光滑）
是否需导数	否	是（须已知或估计 $f'$）	否（自动求解）
误差余项	\dfrac{f^{(n+1)}(\xi)}{(n+1)!}\prod(x-x_i)	\dfrac{f^{(2n+2)}(\xi)}{(2n+2)!}\prod(x-x_i)^2	分段，O(h^4) 量级
局部/全局	全局（改一点影响整体）	局部（分段 Hermite 每段独立）	全局（解三对角方程组）
典型用途	理论分析、低阶插值、推导数值公式	图形学曲线、动画关键帧、轨迹规划、ODE 密集输出	数据光滑拟合、CAD 曲线、平滑插值
代表实现	—	CubicHermiteSpline、BPoly.from_derivatives、PCHIP	CubicSpline

---

参考与延伸

• 经典数值分析教材（如 Burden & Faires《Numerical Analysis》、李庆扬《数值分析》）中关于 Hermite 插值与差商的章节。
• SciPy 文档：CubicHermiteSpline、PchipInterpolator、BPoly.from_derivatives。
• 计算机图形学中关于 Hermite 曲线、Bézier 曲线与 Catmull-Rom 样条相互转化的资料。

一句话总结：Hermite 插值通过同时匹配函数值与导数值，让插值曲线在节点处"相切"，以更高的收敛阶和更好的光滑性逼近原函数；其两点三次形式与分段推广（含 PCHIP、Catmull-Rom）是图形学、动画与轨迹规划的基石，实际构造首选重节点差商法。