การค้นหาการประมาณพหุนามของคลื่นไซน์

ฉันต้องการประมาณค่าคลื่นไซน์ที่ได้รับจาก$\sin\left(\pi x\right)$โดยการใช้พหุนาม waveshaper กับคลื่นรูปสามเหลี่ยมอย่างง่ายที่สร้างโดยฟังก์ชัน

$$T\left(x\right)=1-4\left|\tfrac{1}{2}-\operatorname{mod}(\tfrac{1}{2}x+\tfrac{1}{4},\ 1)\right|$$

โดย$\operatorname{mod}(x, 1)$คือส่วนที่เป็นเศษส่วนของ$x$ :

$$\operatorname{mod}(x, y) \triangleq y \cdot \left( \left\lfloor \frac{x}{y}\right\rfloor - \frac{x}{y} \right)$$

ชุดเทย์เลอร์สามารถใช้เป็นวาเวชเปอร์

$$S_1\left(x\right)=\frac{\pi x}{2}-\frac{\frac{\pi x}{2}^3}{3!}+\frac{\frac{\pi x}{2}^5}{5!}-\frac{\frac{\pi x}{2}^7}{7!}$$

จากฟังก์ชั่นด้านบนจะทำให้เราได้ค่าประมาณของคลื่นไซน์ แต่เราจำเป็นต้องขึ้นสู่อันดับที่ 7 ของซีรีส์เพื่อให้ได้ผลลัพธ์ที่สมเหตุสมผลและพีคส์นั้นต่ำมากและจะไม่มีความชันเท่ากับศูนย์$S_1(T(x))$

แทนที่จะเป็นซีรีย์ของ Taylor เราสามารถใช้พหุนามพหุนามตามกฎสองสามข้อ

• ต้องผ่าน -1, -1 และ + 1, + 1
• ความชันที่ -1, -1 และ + 1, + 1 ต้องเป็นศูนย์
• ต้องสมมาตร

ฟังก์ชั่นที่เรียบง่ายตอบสนองความต้องการของเรา:

$$S_2\left(x\right)=\frac{3x}{2}-\frac{x^3}{2}$$

กราฟของและนั้นค่อนข้างใกล้เคียง แต่ไม่ใกล้เคียงกับซีรี่ส์อนุกรมของ Taylor ในระหว่างยอดเขาและศูนย์ข้ามพวกเขาเบี่ยงเบนเล็กน้อยอย่างเห็นได้ชัด ฟังก์ชั่นที่หนักและแม่นยำยิ่งขึ้นตอบสนองความต้องการของเรา:บาป( π x $S_2(T(x))$$\sin\left(\pi x\right)$

$$S_3\left(x\right)=\frac{x(x^2-5)^2}{16}$$

นี่อาจจะใกล้ถึงจุดประสงค์ของฉัน แต่ฉันก็ยังสงสัยว่ามีฟังก์ชั่นอื่นที่มีความใกล้เคียงกับคลื่นไซน์มากขึ้นอย่างใกล้ชิดและคำนวณได้ถูกกว่า ฉันมีความเข้าใจที่ดีเกี่ยวกับวิธีการค้นหาฟังก์ชั่นที่ตรงตามข้อกำหนดสามข้อข้างต้น แต่ฉันไม่แน่ใจว่าจะหาฟังก์ชั่นที่ตรงตามข้อกำหนดเหล่านั้นได้อย่างไรและตรงกับคลื่นไซน์มากที่สุด

มีวิธีการใดในการค้นหาพหุนามซึ่งเลียนแบบคลื่นไซน์ (เมื่อใช้กับคลื่นรูปสามเหลี่ยม)

---

เพื่อความกระจ่างแจ้งฉันไม่จำเป็นต้องมองหาชื่อพหุนามที่มีความสมมาตรแม้ว่าจะเป็นตัวเลือกที่ตรงไปตรงมาที่สุด

ฟังก์ชั่นต่อไปนี้สามารถตอบสนองความต้องการของฉัน:

$$S_4\left(x\right)=\frac{3x}{2}+\frac{x^2}{4}+\frac{x^4}{4}$$

สิ่งนี้ตรงตามข้อกำหนดในช่วงลบและสามารถใช้วิธีแก้ปัญหาแบบชิ้นเดียวกับช่วงบวกได้เช่นกัน ตัวอย่างเช่น

$$\frac{3x}{2}-\frac{P\left(x,2\right)}{4}-\frac{P\left(x,4\right)}{4}$$

ที่เป็นฟังก์ชั่นอำนาจลงนาม$P$

ฉันยังสนใจในการแก้ปัญหาโดยใช้ฟังก์ชั่นพาวเวอร์ที่มีเครื่องหมายเพื่อรองรับเลขชี้กำลังเศษส่วนเพราะมันทำให้ "ลูกบิดหมุน" อีกครั้งโดยไม่เพิ่มสัมประสิทธิ์อื่น

$$a_0x\ +a_1P\left(x,\ p_1\right)$$

เมื่อพิจารณาค่าคงที่ที่เหมาะสมสิ่งนี้อาจได้รับความถูกต้องที่ดีมากโดยไม่ต้องมีค่าพหุนามแบบห้าหรือเจ็ด นี่คือตัวอย่างที่ตอบสนองความต้องการที่อธิบายที่นี่โดยใช้ค่าคงที่มือหยิบบางอย่างP_1$a_0=1.\overline{666}, a_1=-0.\overline{666}, p_1=2.5$

$$\frac{5x-2P\left(x,\ \frac{5}{2}\right)}{3}$$

ในความเป็นจริงคงผู้ที่มีความใกล้ชิดกับและและอีการเสียบปลั๊กให้สิ่งที่มีลักษณะใกล้เคียงกับคลื่นไซน์มาก$\frac \pi 2$$1 - \frac \pi 2$$e$

$$\frac{\pi}{2}x\ +\left(1-\frac{\pi}{2}\right)P\left(x,e\right)$$

เมื่อต้องการกล่าวอีกวิธีหนึ่งดูใกล้กับระหว่าง 0,0 ถึงπ / 2,1 มีความคิดเกี่ยวกับความสำคัญของสิ่งนี้หรือไม่? บางทีเครื่องมืออย่าง Octave อาจช่วยค้นหาค่าคงที่ "ดีที่สุด" สำหรับวิธีนี้$x-\frac{x^e}{6}$$\sin(x)$

ประมาณสิบปีที่แล้วฉันทำสิ่งนี้กับ บริษัท ซินธิไซเซอร์เพลงที่ไม่มีชื่อซึ่งมี R&D อยู่ไม่ไกลจากคอนโดของฉันใน Waltham MA (นึกไม่ออกเลยว่าพวกเขาเป็นใคร) ฉันไม่มีสัมประสิทธิ์

แต่ลองสิ่งนี้:

$$\begin{align} f(x) &\approx \sin\left(\tfrac{\pi}{2} x \right) \qquad \qquad \text{for }-1 \le x \le +1 \\ \\ &= \tfrac{\pi}{2} x (a_0 + a_1 x^2 + a_2 x^4) \\ \end{align}$$

การค้ำประกันที่ )$f(-x) = -f(x)$

เพื่อรับประกันว่าแล้ว$f'(x) \Big|_{x=\pm1} =0$

$$f'(x) = \tfrac{\pi}{2}( a_0 + 3 a_1 x^2 + 5 a_2 x^4)$$

$$a_0 + 3 a_1 + 5 a_2 = 0 \tag{1}$$

นั่นเป็นข้อ จำกัด แรก เพื่อรับประกันว่าแล้ว$|f(\pm 1)| = 1$

$$a_0 + a_1 + a_2 = \tfrac{2}{\pi} \tag{2}$$

นั่นเป็นข้อ จำกัด ที่สอง ขจัด0และการแก้ EQS (1) และ (2) สำหรับ2ในแง่ของ1 (ซึ่งถูกทิ้งไว้เพื่อปรับ):$a_0$$a_2$$a_1$

$$a_0 = \tfrac{5}{2 \pi} - \tfrac{1}{2} a_1$$

$$a_2 = -\tfrac{1}{2 \pi} - \tfrac{1}{2} a_1$$

ตอนนี้คุณมีเพียงหนึ่งค่าสัมประสิทธิ์1จากซ้ายไปเกลียวสำหรับประสิทธิภาพที่ดีที่สุด:$a_1$

$$f(x) = \tfrac{\pi}{2} x \left((\tfrac{5}{2 \pi} - \tfrac{1}{2} a_1) + a_1 x^2 - (\tfrac{1}{2 \pi} + \tfrac{1}{2} a_1)x^4 \right)$$

นี่คือวิธีที่ฉันจะทำเล่น1เพื่อให้ได้ประสิทธิภาพที่ดีที่สุดสำหรับ oscillator คลื่นไซน์ ฉันจะปรับใช้ข้างต้นและสมมาตรของคลื่นไซน์เกี่ยวกับx = 1และวางหนึ่งรอบทั้งหมดในบัฟเฟอร์ด้วยพลังจำนวนสองจุด (พูด 128, ฉันไม่สนใจ) และเรียกใช้ FFT บนนั้น วงจรที่สมบูรณ์แบบ$a_1$$x=1$

The FFT result bin 1 will be the strength of the sine and should be about $N/2$. Now you can adjust $a_1$ to bring your 3rd harmonic distortion up and down. I would start with $a_1 \approx \tfrac{5}{\pi} - 2$ so that $a_0 \approx 1$. That's in bin 3 of the FFT results But the 5th harmonic distortion (value in bin 5) will be consequential (it will go up as the 3rd harmonic goes down). I would adjust $a_1$ so that the strength of the 5th harmonic level is equal to the 3rd harmonic level. It will be around -70 dB from the 1st harmonic (as I recall). That will be the nicest-sounding sine wave from a cheap, 3-coefficient, 5th-order, odd-symmetrical polynomial.

Someone else can write the MATLAB code. How does that sound to you?

What is usually done is an approximation minimizing some norm of the error, often the $L_{\infty}$-norm (where the maximum error is minimized), or the $L_2$-norm (where the mean squared error is minimized). $L_{\infty}$-approximation is done by using the Remez exchange algorithm. I'm sure you can find some open source code implementing that algorithm. However, in this case I think a very simple (discrete) $l_2$-optimization is sufficient. Let's look at some Matlab/Octave code and the results:

x = linspace(0,pi/2,300);    % grid on [0,pi/2]
x = x(:);
% overdetermined system of linear equations
% (using odd powers only)
A3 = [x,x.^3];
A5 = [x,x.^3,x.^5];
b = sin(x);
% solve in l2 sense
c3 = A3\b;
c5 = A5 \ b;
f3 = A3 * c3; การประมาณลำดับที่ 3%
f5 = A5 * c5; การประมาณลำดับที่ 5%

$3^{rd}$-order and for the $5^{th}$-order approximations. The maximum approximation errors are 8.8869e-03 and 1.5519e-04, respectively.

The optimum coefficients are

c3 =
   0.988720369237930
  -0.144993929056091

and

c5 =
   0.99976918199047515
  -0.16582163562776930
   0.00757183954143367

So the third-order approximation is

$$\sin(x)\approx 0.988720369237930x-0.144993929056091x^3,\quad x\in[-\pi/2,\pi/2]\tag{1}$$

and the fifth-order approximation is

$$\sin(x)\approx 0.99976918199047515x-0.16582163562776930x^3+\\0.00757183954143367x^5,\quad x\in[-\pi/2,\pi/2]\tag{2}$$

EDIT:

I had a look into approximations with the signed power function, as suggested in the question, but the best approximation is hardly better than the third-order approximation shown above. The approximating function is

$$f(x)=x - \frac{1}{p}\left(\frac{\pi}{2}\right)^{1-p}x^p,\qquad x\in[0,\pi/2]\tag{3}$$

where the constants were chosen such that $f'(0)=1$ and $f'(\pi/2)=0$. The power $p$ was optimized to achieve the smallest maximum error in the range $[0,\pi/2]$. The optimal value for $p$ was found to be $p=2.774$. The figure below shows the approximation errors for the third-order approximation $(1)$ and for the new approximation $(3)$:

The maximum approximation error of the approximation $(3)$ is 4.5e-3, but note that the third-order approximation only exceeds that error close to $\pi/2$ and that for the most part its approximation error is actually smaller than the one of the signed power function.

EDIT 2:

If you don't mind division you could also use Bhaskara I's sine approximation formula, which has a maximum approximation error of 1.6e-3:

$$\sin(x)\approx\frac{16x(\pi-x)}{5\pi^2-4x(\pi-x)},\qquad x\in [0,\pi/2]\tag{4}$$

Start with an otherwise general, odd-symmetry 5th-order parameterized polynomial:

$$\begin{align} f(x) &= a_0 x^1 + a_1 x^3 + a_2 x^5 \\ &= x\big( a_0 + a_1 x^2 + a_2 x^4 \big) \\ &= x\bigg( a_0 + x^2 \Big(a_1 + a_2 x^2\Big) \bigg) \\ \end{align}$$

Now we place some constraints on this function. Amplitude should be 1 at the peaks, in other words $f(1) = 1$. Substituting $1$ for $x$ gives:

$$a_0 + a_1 + a_2 = 1 \tag1$$

That's one constraint. The slope at the peaks should be zero, in other words $f'(1) = 0$. The derivative of $f(x)$ is

$$a_0 + 3 a_1 x^2 + 5 a_2 x^4$$

and substituting $1$ for $x$ gives our second constraint:

$$a_0 + 3 a_1 + 5 a_2 = 0 \tag2$$

Now we can use our two constraints to solve for $a_1$ and $a_2$ in terms of $a_0$.

$$a_1=\frac{5}{2}-2a_0 \\ a_2=a_0-\frac{3}{2}\tag{3}$$

All that's left is to tweak $a_0$ to get a nice fit. Incidentally, $a_0$ (and the slope at the origin) ends up being $\approx\frac{\pi}{2}$, as we can see from a plot of the function.

Parameter optimization

Below are a number of optimizations of the coefficients, which result in these relative amplitudes of the harmonics compared to the fundamental frequency (1st harmonic):

In the complex Fourier series:

$$\sum_{k=-\infty}^\infty c_k e^{i\tfrac{2\pi}{P} kx},$$

of a real $P\text{-}$periodic waveform with $P = 4$ and time symmetry about $x = 1$ and with half a period defined by odd function $f(x)$ over $-1 \le x \le 1,$ the coefficient of the $k\text{th}$ complex exponential harmonic is:

$$c_k = \frac{1}{P}\int_{-1}^{-1+P}\left(\cases{f(x)&if $x < 1$\\-f(x-2)&if $x \ge 1$}\right)e^{-i\tfrac{2\pi}{P}kx}dx.$$

Because of the relationship $2 \cos(x) = e^{ix} + e^{-ix}$ (see: Euler's formula), the amplitude of a real sinusoidal harmonic with $k > 0$ is $2\left|c_k\right|,$ which is twice that of the magnitude of the complex exponential of the same frequency. This can be massaged to a form which makes it easier for some symbolic mathematics software to simplify the integral:

$$2|c_k| = \frac{2}{4}\left|\int_{-1}^{3}\left(\cases{f(x)&if $x < 1$\\-f(x-2)&if $x \ge 1$}\right)e^{-i\tfrac{2\pi}{4}kx}dx\right|\\ = \frac{1}{2}\left|\int_{-1}^{1}f(x)e^{-i\tfrac{\pi}{2}kx}dx - \int_{1}^{3}f(x-2)e^{-i\tfrac{\pi}{2}kx}dx\right|\\ = \frac{1}{2}\left|\int_{-1}^{1}f(x)e^{-i\tfrac{\pi}{2}kx}dx - \int_{-1}^{1}f(x+2-2)e^{-i\tfrac{\pi}{2}k(x+2)}dx\right|\\ = \frac{1}{2}\left|\int_{-1}^{1}f(x)e^{-i\tfrac{\pi}{2}kx}dx - \int_{-1}^{1}f(x)e^{-i\tfrac{\pi}{2}k(x+2)}dx\right|\\ = \frac{1}{2}\left|\int_{-1}^{1}f(x)\left(e^{-i\tfrac{\pi}{2}kx} - e^{-i\tfrac{\pi}{2}k(x+2)}\right)dx\right|\\ = \frac{1}{2}\left|e^{i\tfrac{\pi}{2}x}\int_{-1}^{1}f(x)\left(e^{-i\tfrac{\pi}{2}kx} - e^{-i\tfrac{\pi}{2}k(x+2)}\right)dx\right|\\ = \frac{1}{2}\left|\int_{-1}^{1}f(x)\left(e^{-i\frac{\pi}{2}k(x-1)}-e^{-i\frac{\pi}{2}k(x+1)}\right)dx\right|$$

The above takes advantage of that $|e^{ix}|=1$ for real $x.$ It is easier for some computer algebra systems to simplify the integral by assuming $k$ is real, and to simplify to integer $k$ at the end. Wolfram Alpha can integrate individual terms of the final integral corresponding to the terms of the polynomial $f(x)$. For the coefficients given in Eq. 3 we get amplitude:

$$= \left|\frac{48\left((-1)^k - 1\right)\left(16\,a_0\left(\pi^2 k^2 - 10\right) - 5\times(5\pi^2 k^2 - 48)\right)}{\pi^6k^6}\right|$$

5th order, continuous derivative

We can solve for the value of $a_0$ that gives equal amplitude $2|c_k|$of the 3rd and the 5th harmonic. There will be two solutions corresponding to the 3rd and the 5th harmonic having equal or opposite phases. The best solution is the one that minimizes the maximum amplitude of the 3rd and above harmonics and equivalently the maximum relative amplitude of the 3rd and above harmonics compared to the fundamental frequency (1st harmonic):

$$a_0 = \frac{3\times(132375\pi^2 - 130832)}{16\times(15885\pi^2 - 16354)}\approx 1.569778813,\\ a_1 = \frac{5}{2} - 2a_0 = \frac{79425\pi^2 - 65416}{8\times(-15885\pi^2 + 16354)}\approx -0.6395576276,\\ a_2 = a_0 - \frac{3}{2} = \frac{15885\pi^2}{16\times(15885\pi^2 - 16354)}\approx 0.06977881382.$$

This gives the fundamental frequency at amplitude $\frac{13679616}{15885\pi^6 - 16354\pi^4} \approx 1.000071420$ and both the 3rd and the 5th harmonic at relative amplitude $\frac{1}{8906}$ or about $-78.99\text{ dB}$ compared to the fundamental frequency. A $k\text{th}$ harmonic has relative amplitude $\frac{\left(1 - (-1)^k\right)\left|8177k^2 - 79425\right|}{142496 k^6}.$

7th order, continuous derivative

Likewise, the optimal 7th order polynomial approximation with the same initial constraints and the 3rd, 5th, and 7th harmonic at the lowest possible equal level is:

$$\begin{align} f(x) &= a_0 x^1 + a_1 x^3 + a_2 x^5 + a_3 x^7\\ &= x\big( a_0 + a_1 x^2 + a_2 x^4 + a_3 x^7 \big) \\ &= x\bigg( a_0 + x^2 \Big(a_1 + x^2 \big(a_2 + a_3 x^2 \big) \Big) \bigg) \\ \end{align}$$

$$a_0 = \frac{2a_2 + 4a_3 + 3}{2} \approx 1.570781972,\\ a_1 = -\frac{4a_2 + 6a_3 + 1}{2} \approx -0.6458482979,\\ a_2 = \frac{347960025\pi^4 - 405395408\pi^2}{16\times(281681925 \pi^4 - 405395408 \pi^2 + 108019280)} \approx 0.07935067784,\\ a_3 = - \frac{16569525\pi^4}{16\times(281681925\pi^4 - 405395408\pi^2 + 108019280)} \approx -0.004284352588.$$

This is the best of four possible solutions corresponding to equal/opposite phase combinations of the 3rd, 5th, and 7th harmonic. The fundamental frequency has amplitude $\frac{2293523251200}{281681925\pi^8 - 405395408\pi^6 + 108019280\pi^4} \approx 0.9999983752,$ and the 3rd, 5th, and 7th harmonics have relative amplitude $\frac{1}{1555395} \approx -123.8368\text{ dB}$ compared to the fundamental. A $k\text{th}$ harmonic has relative amplitude $\frac{\left(1 - (-1)^k\right)\left|1350241k^4 - 50674426k^2 + 347960025\right|}{597271680k^8}$ compared to the fundamental.

5th order

If the requirement of a continuous derivative is dropped, the 5th order approximation will be more difficult to solve symbolically, because the amplitude of the 9th harmonic will rise above the amplitude of the 3rd, 5th, and the 7th harmonic if those are constrained to be equal and minimized. Testing 16 different solutions corresponding to different subsets of three harmonics from $\{3, 5, 7, 9\}$ being of equal amplitude and of equal or opposite phases, the best solution is:

$$f(x) = a_0 x^1 + a_1 x^3 + a_2 x^5\\ a_0 = 1 - a_1 - a_2 \approx 1.570034357\\ a_1 = \frac{3\times(2436304\pi^2 - 2172825\pi^4)}{8\times(1303695\pi^4 - 1827228\pi^2 + 537160)} \approx -0.6425216143\\ a_2 = \frac{1303695\pi^4}{16\times(1303695\pi^4 - 1827228\pi^2 + 537160)} \approx 0.07248725712$$

The fundamental frequency has amplitude $\frac{1080430592}{1303695\pi^6 - 1827228\pi^4 + 537160\pi^2} \approx 0.9997773320.$ The 3rd, 5th, and 9th harmonics have relative amplitude $\frac{7}{263777} \approx -91.52\text{ dB},$ and the 7th harmonic has relative amplitude $\frac{726083}{31033100273} \approx -92.6\text{ dB}$ compared to the fundamental. A $k\text{th}$ harmonic has relative amplitude $\frac{\left(1 - (-1)^k\right)\left|67145k^4 - 2740842k^2 + 19555425\right|}{33763456k^6}.$

This approximation has a slight corner at the half-cycle boundaries, because the polynomial has zero derivative not at $x = \pm 1$ but at $x \approx \pm 1.002039940.$ At $x = 1$ the value of the derivative is about $0.004905799828$. This results in slower asymptotic decay of the amplitudes of the harmonics at large $k,$ compared to the 5th order approximation that has a continuous derivative.

7th order

A 7th order approximation without continuous derivative can be found similarly. The approach requires testing 120 different solutions and was automated by the Python script at the end of this answer. The best solution is:

$$f(x) = a_0 x^1 + a_1 x^3 + a_2 x^5 + a_3 x^7\\ a_0 = 1 - a_1 - a_2 - a_3 \approx 1.5707953785726114835\\ a_1 = - \frac{5\times(4374085272375\pi^6 - 6856418226992\pi^4 + 2139059216768\pi^2)}{16\times(2124555703725\pi^6 - 3428209113496\pi^4 + 1336912010480\pi^2 - 155807094720)} \approx -0.64590724797262922190\\ a_2 = \frac{2624451163425\pi^6 - 3428209113496\pi^4}{16\times(2124555703725\pi^6 - 3428209113496\pi^4 + 1336912010480\pi^2 - 155807094720)} \approx 0.079473610232926783079\\ a_3 = -\frac{124973864925\pi^6}{16\times(2124555703725\pi^6 - 3428209113496\pi^4 + 1336912010480\pi^2 - 155807094720)} \approx -0.0043617408329090447344$$

The fundamental frequency has amplitude $\frac{16991801282396160}{2124555703725\pi^8 - 3428209113496\pi^6 + 1336912010480\pi^4 - 155807094720\pi^2} \approx 1.0000024810802368487.$ The largest relative amplitude of the harmonics above the fundamental is $\frac{50}{2400688077}\approx -133.627\text{ dB}.$ compared to the fundamental. A $k\text{th}$ harmonic has relative amplitude $\frac{\left(1 - (-1)^k\right)\left|-162299057k^6 + 16711400131k^4 - 428526139187*k^2 + 2624451163425\right|}{4424948250624k^8}.$

Python source

from sympy import symbols, pi, solve, factor, binomial

numEq = 3 # Number of equations
numHarmonics = 6 # Number of harmonics to evaluate

a1, a2, a3, k = symbols("a1, a2, a3, k")
coefficients = [a1, a2, a3]
harmonicRelativeAmplitude = (2*pi**4*a1*k**4*(pi**2*k**2-12)+4*pi**2*a2*k**2*(pi**4*k**4-60*pi**2*k**2+480)+6*a3*(pi**6*k**6-140*pi**4*k**4+6720*pi**2*k**2-53760)+pi**6*k**6)*(1-(-1)**k)/(2*k**8*(2*pi**4*a1*(pi**2-12)+4*pi**2*a2*(pi**4-60*pi**2+480)+6*a3*(pi**6-140*pi**4+6720*pi**2-53760)+pi**6))

harmonicRelativeAmplitudes = []
for i in range(0, numHarmonics) :
    harmonicRelativeAmplitudes.append(harmonicRelativeAmplitude.subs(k, 3 + 2*i))

numCandidateEqs = 2**numHarmonics
numSignCombinations = 2**numEq
useHarmonics = range(numEq + 1)

bestSolution = []
bestRelativeAmplitude = 1
bestUnevaluatedRelativeAmplitude = 1
numSolutions = binomial(numHarmonics, numEq + 1)*2**numEq
solutionIndex = 0

for i in range(0, numCandidateEqs) :
    temp = i
    candidateNumHarmonics = 0
    j = 0
    while (temp) :
        if (temp & 1) :
            if candidateNumHarmonics < numEq + 1 :
                useHarmonics[candidateNumHarmonics] = j
            candidateNumHarmonics += 1
        temp >>= 1
        j += 1
    if (candidateNumHarmonics == numEq + 1) :
        for j in range(0,  numSignCombinations) :
            eqs = []
            temp = j
            for n in range(0, numEq) :
                if temp & 1 :
                    eqs.append(harmonicRelativeAmplitudes[useHarmonics[0]] - harmonicRelativeAmplitudes[useHarmonics[1+n]])
                else :
                    eqs.append(harmonicRelativeAmplitudes[useHarmonics[0]] + harmonicRelativeAmplitudes[useHarmonics[1+n]])
                temp >>= 1
            solution = solve(eqs, coefficients, manual=True)
            solutionIndex += 1
            print "Candidate solution %d of %d" % (solutionIndex, numSolutions)
            print solution
            solutionRelativeAmplitude = harmonicRelativeAmplitude
            for n in range(0, numEq) :                
                solutionRelativeAmplitude = solutionRelativeAmplitude.subs(coefficients[n], solution[0][n])
            solutionRelativeAmplitude = factor(solutionRelativeAmplitude)
            print solutionRelativeAmplitude
            solutionWorstRelativeAmplitude = 0
            for n in range(0, numHarmonics) :
                solutionEvaluatedRelativeAmplitude = abs(factor(solutionRelativeAmplitude.subs(k, 3 + 2*n)))
                if (solutionEvaluatedRelativeAmplitude > solutionWorstRelativeAmplitude) :
                    solutionWorstRelativeAmplitude = solutionEvaluatedRelativeAmplitude
            print solutionWorstRelativeAmplitude
            if (solutionWorstRelativeAmplitude < bestRelativeAmplitude) :
                bestRelativeAmplitude = solutionWorstRelativeAmplitude
                bestUnevaluatedRelativeAmplitude = solutionRelativeAmplitude                
                bestSolution = solution
                print "That is a new best solution!"
            print

print "Best Solution is:"
print bestSolution
print bestUnevaluatedRelativeAmplitude
print bestRelativeAmplitude

Are you asking this for theoretical reasons or a practical application?

Usually, when you have an expensive to compute function over a finite range the best answer is a set of lookup tables.

One approach is to use best fit parabolas:

n = floor( x * N + .5 );

d = x * N - n;

i = n + N/2;

y = L_0 + L_1[i] * d + L_2[i] * d * d;

By finding the parabola at each point that meets the values for d being -1/2, 0, and 1/2, rather than using the derivatives at 0, you ensure a continuous approximation. You could also shift the x value, rather than the array index to deal with your negative x values.

Ced

=================================================

Followup:

The amount of effort, and the results, that have gone into finding good approximations is very impressive. I was curious as to how my boring and bland piecewise parabolic solution would compare. Not surprisingly, it does much better. Here are the results:

   Method    Minimum    Maximum     Mean       RMS
  --------   --------   --------   --------   --------
     Power   -8.48842    1.99861   -4.19436    5.27002
    OP S_3   -2.14675    0.00000   -1.20299    1.40854
     Bhask   -1.34370    1.63176   -0.14367    0.97353
     Ratio   -0.24337    0.22770   -0.00085    0.16244
     rbj 5   -0.06724    0.15519   -0.00672    0.04195
    Olli5C   -0.16367    0.20212    0.01003    0.12668
     Olli5   -0.26698    0.00000   -0.15177    0.16402
    Olli7C   -0.00213    0.00000   -0.00129    0.00143
     Olli7   -0.00005    0.00328    0.00149    0.00181
    Para16   -0.00921    0.00916   -0.00017    0.00467
    Para32   -0.00104    0.00104   -0.00001    0.00053
    Para64   -0.00012    0.00012   -0.00000    0.00006

The values represent 1000x the error between the approximation and the actual evaluated every .0001 from a scale of 0 to 1 (inclusive), so 10001 points in all. The scale is converted to evaluate the functions from 0 to $\pi/2$, except for Olli Niemitalo's equations which use the 0 to 1 scale. The columns values should be clear from the headers. The results don't change with a .001 spacing.

The "Power" line is the equation: $x-\frac{x^e}{6}$.

The rbj 5 line is the same as Matt L's c5 solution.

The 16, 32, and 64 are the number of intervals that have parabolic fits. Of course there are insignificant discontinuities in the first derivative at each interval boundary. The values of the function are continuous though. Increasing the number of intervals only increases the memory requirements (and initialization time), it does not increase the amount of calculation needed for the approximation, which is less than any of the other equations. I chose powers of two because a fixed point implementation could save a division by using an AND in such cases. Also, I didn't want the count to be commensurate with the test sampling.

I did run Olli Niemitalo's python program and got this as part of the printout: "Candidate solution 176 of 120" I thought that was odd, so I am mentioning it.

If anybody wants me to include any of the other equations, please let me know in the comments.

Here is the code for the piecewise parabolic approximations. The entire test program is too long to post.

#=============================================================================
def FillParab( argArray, argPieceCount ):

#  y = a d^2 + b d + c

#  ym = a .25 - b .5 + c
#  y  =                c
#  yp = a .25 + b .5 + c

#  c = y
#  b = yp - ym
#  a = ( yp + ym - 2y ) * 2

#---- Calculate Lookup Arrays

        theStep = pi * .5 / float( argPieceCount - 1 )
        theHalf = theStep * .5

        theL0 = zeros( argPieceCount )
        theL1 = zeros( argPieceCount )
        theL2 = zeros( argPieceCount )

        for k in range( 0, argPieceCount ):
         x  = float( k ) * theStep

         ym = sin( x - theHalf )
         y  = sin( x )
         yp = sin( x + theHalf )

         theL0[k] = y
         theL1[k] = yp - ym
         theL2[k] = ( yp + ym - 2.0 * y ) * 2

#---- Do the Fill

        theN = len( argArray )

        theFactor = pi * .5 / float( theN - 1 )

        for i in range( 0, theN ):
         x  = float( i ) * theFactor

         kx = x / theStep
         k  = int( kx + .5 )
         d  = kx - k

         argArray[i] = theL0[k] + ( theL1[k] + theL2[k] * d ) * d

#=============================================================================

=======================================

Appendum

I have included Guest's $S_3$ function from the original post as "OP S_3" and Guest's two parameter formula from the comments as "Ratio". Both are on the 0 to 1 scale. I don't think the Ratio one is suitable for either calculation at runtime or for building a lookup table. After all, it is significantly more computation for the CPU than just a plain sin() call. It is interesting mathematically though.