gaojie
612 lines
27 KiB
Markdown
612 lines
27 KiB
Markdown
---
|
||
title: "Hermite 插值详解"
|
||
date: 2026-06-02
|
||
draft: false
|
||
tags: ["数值分析", "插值", "Hermite插值", "多项式逼近"]
|
||
categories: ["research", "math"]
|
||
description: "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。
|
||
|
||
```python
|
||
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`](https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.CubicHermiteSpline.html)、[`PchipInterpolator`](https://docs.scipy.org/doc/scipy/reference/generated/scipy.interpolate.PchipInterpolator.html)、`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**。 |