博客
关于我
强烈建议你试试无所不能的chatGPT,快点击我
数值计算 插值与拟合
阅读量:5748 次
发布时间:2019-06-18

本文共 4049 字,大约阅读时间需要 13 分钟。

1. 拉格朗日多项式插值

  1. 了解概念

    插值多项式
    插值节点
    范德蒙特(Vandermonde)行列式
    截断误差、插值余项

  2. 特点

  3. 函数实现

    function y=lagrange(x0,y0,x) n=length(x0);m=length(x); for i=1:m     z=x(i);     s=0.0;     for k=1:n         p=1.0;         for j=1:n             if j~=k                 p=p*(z-x0(j))/(x0(k)-x0(j));             end         end         s=p*y0(k)+s;     end     y(i)=s; end复制代码

设n个节点数据以数组x0,y0输入(注意Matlat的数组下标从1开始),m个插值点以数组x 输入,输出数组y为m个插值。

则可用y = lagrange(x0,y0,x)调用。

2. 牛顿(Newton)插值

  1. 了解概念
    差商
    差分
    等距节点插值公式(Newton向前插值公式)
  2. 特点
    每增加一个节点,插值多项式只增加一项,因而便于递推运算。而且 Newton 插值的计算量小于Lagrange 插值。
  3. 函数实现

3. 分段线性插值

  1. 了解概念

    插值多项式的振荡

  2. 特点

    将每两个相邻的节点用直线连起来,如此形成的一条折线就是分段线性插值函数。它是为了解决高次插值多项式的缺陷:随着插值次数n增加,虽然误差减小,但插值函数光滑性变坏,有时会出现很大的振荡。
    实际上用函数表作插值计算时,分段线性插值就足够了,如数学、物理中用的特殊函数表,数理统计中用的概率分布表等。

  3. 函数实现

    一维插值函数interp1:y=interp1(x0,y0,x,'method')

    method 指定插值的方法,默认为线性插值。其值可为: 'nearest' 最近项插值 'linear' 线性插值 'spline' 逐段3次样条插值 'cubic' 保凹凸性3次插值。 所有的插值方法要求 x0 是单调的。 当 x0 为等距时可以用快速插值法,使用快速插值法的格式为'*nearest'、'*linear'、'*spline'、'*cubic'。复制代码

4. 埃尔米特(Hermite)插值

  1. 了解概念

  2. 特点

    如果对插值函数,不仅要求它在节点处与函数同值,而且要求它与函数有相同的一 阶、二阶甚至更高阶的导数值,这就是Hermite 插值问题。
    这里主要讨论在节点处插值函数与函数的值及一阶导数值均相等的Hermite 插值。

  3. 函数实现

    设n个节点的数据以数组x0(已知点的横坐标), y0(函数值), y1(导数值)输入(注意Matlat 的数组下标从1 开始),m 个插值点以数组x 输入,输出数组y 为m个插值。

    function y=hermite(x0,y0,y1,x) n=length(x0);m=length(x); for k=1:m     yy=0.0;     for i=1:n         h=1.0;         a=0.0;         for j=1:n             if j~=i                 h=h*((x(k)-x0(j))/(x0(i)-x0(j)))^2;                 a=1/(x0(i)-x0(j))+a;             end         end         yy=yy+h*((x0(i)-x(k))*(2*a*y0(i)-y1(i))+y0(i));     end     y(k)=yy; end复制代码

5. 样条插值

  1. 了解概念

    样条函数 关于分划Δ的k次样条函数 k次样条曲线 样条节点 内节点 边界点 k次样条函数空间 二次样条函数 三次样条函数

  2. 特点

    有些问题对插值函数的光滑性有较高要求,要求曲线具有较高的光滑程度,不仅要连续,而且要有连续的曲率,这就导致了样条插值的产生。

  3. 函数实现

    y=interp1(x0,y0,x,'spline');                                     y=spline(x0,y0,x);                                     pp=csape(x0,y0,conds),y=ppval(pp,x)。                                     其中 x0,y0 是已知数据点,x 是插值点,y 是插值点的函数值。 对于三次样条插值,我们提倡使用函数 csape,csape 的返回值是pp 形式,要求插值点的函数值,必须调用函数ppval。 pp=csape(x0,y0):使用默认的边界条件,即Lagrange 边界条件。 pp=csape(x0,y0,conds)中的conds 指定插值的边界条件,其值可为: 'complete' 边界为一阶导数,即默认的边界条件 'not-a-knot' 非扭结条件 'periodic' 周期条件 'second' 边界为二阶导数,二阶导数的值[0, 0]。 'variational' 设置边界的二阶导数值为[0,0]。 对于一些特殊的边界条件,可以通过 conds 的一个1×2矩阵来表示,conds 元素的 取值为1,2。此时,使用命令 pp=csape(x0,y0_ext,conds) 其中y0_ext=[left, y0, right],这里left 表示左边界的取值,right 表示右边界的取值。 conds(i)=j 的含义是给定端点i 的j 阶导数,即conds 的第一个元素表示左边界的条 件,第二个元素表示右边界的条件,conds=[2,1]表示左边界是二阶导数,右边界是一阶 导数,对应的值由left 和right 给出。复制代码
  4. 例题

    已知函数y=(x^2+2x+3)e^(-2x),给定x的取值从0到1步长为0.1的数据点,用三次样条函数求该函数在区间[0,1]上的积分。 x0 = 0:0.1:1;    y0 = (x0.^2+2*x0+3).*exp(-2*x0); pp = csape(x0,y0);           %进行三次样条插值 sy = fnint(pp);              %求样条函数的积分函数,结果为pp数据结构 I = ppval(sy,1)-ppval(sy,0)  %求样条函数积分的值复制代码

6. B样条函数插值方法

  1. 了解概念

    磨光函数
    等距B样条函数
    一维等距B样条函数插值 二维等距B样条函数插值

  2. 特点

    实际中的许多问题,往往是既要求近似函数(曲线或曲面)有足够的光滑性,又要求与实际函数有相同的凹凸性,一般插值函数和样条函数都不具有这种性质。如果对于一个特殊函数进行磨光处理生成磨光函数(多项式),则用磨光函数构造出样条函数作为插值函数,既有足够的光滑性,而且也具有较好的保凹凸性,因此磨光函数在一维插值(曲线)和二维插值(曲面)问题中有着广泛的应用。

  3. 函数实现

7. 二维插值

  1. 了解概念

    插值节点为网格节点
    插值节点为散乱节点

  2. 特点

  3. 函数实现

插值节点为网格节点

二次样条插值:z=interp2(x0,y0,z0,x,y,'method')

其中 x0,y0分别为m维和n维向量,表示节点,z0为n × m维矩阵表示节点值,x,y为一维数组表示插值点x与y应是方向不同的向量,即一个是行向量,另一个是列向量,z为矩阵,它的行数为y的维数,列数为x的维数,表示得到的插值,'method'的用法同上面一维插值。
三次样条插值:pp=csape({x0,y0},z0,conds,valconds),z=fnval(pp,{x,y})
其中 x0,y0 分别为m 维和n维向量,z0 为m × n 维矩阵,z 为矩阵,它的行数为x的维数,列数为y的维数,表示得到的插值,使用方法同一维插值。

插值节点为散乱节点

已知n个节点:(x , y , z )(i 1,2, ,n) i i i = L ,求点(x, y)处的插值z:

ZI = GRIDDATA(X,Y,Z,XI,YI)
其中X、Y、Z 均为n 维向量,指明所给数据点的横坐标、纵坐标和竖坐标。向量XI、YI是给定的网格点的横坐标和纵坐标,返回值ZI为网格(XI,YI)处的函数值。XI与YI应是方向不同的向量,即一个是行向量,另一个是列向量。

最小二乘法的Matlab 实现

  1. 解方程组方法 A = R \Y

    x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; ab=r\y复制代码
  2. 多项式拟合方法 a=polyfit(x0,y0,m)

    其中输入参数x0,y0 为要拟合的数据,m 为拟合多项式的次数,输出参数a 为拟合多项式y=amxm+…+a1x+a0 系数a=[ am, …, a1, a0]。
    多项式在x 处的值y可用y=polyval(a,x)计算。

最小二乘优化

在Matlab 优化工具箱中,用于求解最小二乘优化问题的函数有:lsqlin、lsqcurvefit、lsqnonlin、lsqnonneg

  1. lsqlin 函数
    x=lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0)
  2. lsqcurvefit 函数
    X=LSQCURVEFIT(FUN,X0,XDATA,YDATA,LB,UB,OPTIONS)
  3. lsqnonlin 函数
    X=LSQNONLIN(FUN,X0,LB,UB,OPTIONS)
  4. lsqnonneg 函数
    X = LSQNONNEG(C,d,X0,OPTIONS)

转载地址:http://tfrzx.baihongyu.com/

你可能感兴趣的文章
Linux下的C编程实战
查看>>
[32期] html中部分代码与英语单词关系
查看>>
PHP安装环境,服务器不支持curl_exec的解决办法
查看>>
jQuery|元素遍历
查看>>
用 ThreadLocal 管理用户session
查看>>
setprecision后是要四舍五入吗?
查看>>
上云就是这么简单——阿里云10分钟快速入门
查看>>
MFC多线程的创建,包括工作线程和用户界面线程
查看>>
我的友情链接
查看>>
FreeNAS8 ISCSI target & initiator for linux/windows
查看>>
cvs文件提交冲突解决方案
查看>>
PostgreSQL数据库集群初始化
查看>>
++重载
查看>>
Rainbond 5.0.4版本发布-做最好用的云应用操作系统
查看>>
nodejs 完成mqtt服务端
查看>>
Spring IoC容器初的初始化过程
查看>>
sql server 触发器
查看>>
[工具]前端自动化工具grunt+bower+yoman
查看>>
关于完成生鲜电商项目后的一点总结
查看>>
noip2012 普及组
查看>>