1. 全栈程序员必看首页

matlab的插值方法[通俗易懂]

全栈程序员-用户IM • • 未分类

matlab的插值方法[通俗易懂]1.Lagrange插值插值是在已知数据之间寻找估计值的过程。在信号处理和图像处理中，插值极其常用。类型很多：比如多项式插值，一、二、三维插值，样条插值等。方法介绍：对给定的n个插值点x1,x2,⋯,xnx1,x2,⋯,xn{x_1},{x_2},\cdots,{x_n}及对应的函数值y1,y2,⋯,yny1,y2,⋯,yn{y_1},{y_2},\cdots,{y_n}…

大家好，又见面了，我是你们的朋友全栈君。

1. Lagrange插值

插值是在已知数据之间寻找估计值的过程。在信号处理和图像处理中，插值极其常用。

类型很多：比如多项式插值，一、二、三维插值，样条插值等。

方法介绍：
对给定的n个插值点 x1,x2,⋯,xn x 1 , x 2 , ⋯ , x n 及对应的函数值 y1,y2,⋯,yn y 1 , y 2 , ⋯ , y n ，利用构造的n-1次Lagrange插值多项式，则对插值区间内任意x的函数值y可通过下式求的：
这里写图片描述
MATLAB实现:

function y=lagrange(x0,y0,x)
ii=1:length(x0);   y=zeros(size(x));
for i=ii
    ij=find(ii~=i);   y1=1;
    for j=1:length(ij),  y1=y1.*(x-x0(ij(j)));  end
    y=y+y1*y0(i)/prod(x0(i)-x0(ij));
end

例1：给出f(x)=ln(x)的数值表，用Lagrange计算ln(0.54)的近似值。

>> x=[0.4:0.1:0.8]； >> y=[-0.916291,-0.693147,-0.510826,-0.356675,-0.223144]; >> lagrange(x,y,[0.54,0.55,0.78]) ans = -0.6161 -0.5978 -0.2484

2. Hermite插值

方法介绍：
不少实际问题不但要求在节点上函数值相等，而且要求导数值也相等，甚至要求高阶导数值也相等，满足这一要求的插值多项式就是Hermite插值多项式。下面只讨论函数值与一阶导数值个数相等且已知的情况。
已知n个插值点 x1,x2,⋯,xn x 1 , x 2 , ⋯ , x n 及对应的函数值 y1,y2,⋯,yn y 1 , y 2 , ⋯ , y n 和一阶导数值 y1′,y2′,⋯,y′n y 1 ′ , y 2 ′ , ⋯ , y ′ n 。则对插值区间内任意x的函数值y的Hermite插值公式：
这里写图片描述
MATLAB实现:

hermite.m
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

例2:对给定数据,试构造Hermite多项式求出sin0.34的近似值。

>> x0=[0.3,0.32,0.35];
>> y0=[0.29552,0.31457,0.34290];
>> y1=[0.95534,0.94924,0.93937];
>> y=hermite(x0,y0,y1,0.34)
y =
    0.3335
>> sin(0.34)               ％与精确值比较
ans =
    0.3335

例3：

>> x=[0.3:0.005:0.35];
>>y=hermite(x0,y0,y1,x);
>> plot(x,y)
>> y2=sin(x); 
>>hold on
>> plot(x,y2,'--r')

这里写图片描述

3. Runge现象

问题的提出：
根据区间[a,b]上给出的节点做插值多项式p(x)的近似值，一般总认为p(x)的次数越高则逼近f(x)的精度就越好，但事实并非如此。
反例：

f(x)=11+x2 f ( x ) = 1 1 + x 2



在区间[-5,5]上的各阶导数存在，但在此区间上取n个节点所构成的Lagrange插值多项式在全区间内并非都收敛。

例4： 

x=[-5:1:5];  
y=1./(1+x.^2);  
x0=[-5:0.1:5];
y0=lagrange(x,y,x0);
y1=1./(1+x0.^2);%绘制图形
plot(x0,y0,'--r')%插值曲线
hold on
plot(x0,y1,'-b')%原曲线

这里写图片描述
为解决Rung问题，引入分段插值。

4.分段插值

算法分析：
所谓分段插值就是通过插值点用折线或低次曲线连接起来逼近原曲线。
MATLAB实现 可调用内部函数。
interp1:
功能 ： 一维数据插值（表格查找）。该命令对数据点之间计算内插值。它找出一元函数f(x)在中间点的数值。其中函数f(x)由所给数据决定。
格式1 yi = interp1(x,Y,xi)
%返回插值向量yi，每一元素对应于参量xi，同时由向量x与Y的内插值决定。参量x指定数据Y的点。若Y为一矩阵，则按Y的每列计算。

例5：对于t，beta 、alpha分别有两组数据与之对应，用分段线性插值法计算当t=321, 440, 571时beta 、alpha的值。

>> temp=[300,400,500,600]';
>> beta=1000*[3.33,2.50,2.00,1.67]';
>> alpha=10000*[0.2128,0.3605,0.5324,0.7190]';
>> ti=[321,400,571]';
>> propty=interp1(temp,[beta,alpha],ti);
propty=interp1(temp,[beta,alpha],ti ,‘linear’);（默认）
>> [ti,propty]
ans =
  1.0e+003 *
      0.3210    3.1557    2.4382
      0.4000    2.5000    3.6050
      0.5710    1.7657    6.6489

格式2 yi = interp1(Y,xi)
%默认x=1:N，其中N为向量Y的长度，或者为矩阵Y的行数。
格式3 yi = interp1(x,Y,xi,method) %用指定的算法计算插值：
’nearest’：最近邻点插值，直接完成计算；
’linear’：线性插值（缺省方式），直接完成计算；
’spline’：三次样条函数插值。
’cubic’： 分段三次Hermite插值。
其它，如’v5cubic’ 。（三次多项式插值）
对于超出x范围的xi的分量，使用方法’nearest’、’linear’、’v5cubic’的插值算法，相应地将返回NaN。对其他的方法，interp1将对超出的分量执行外插值算法。
yi = interp1(x,Y,xi,method,’extrap’)
yi = interp1(x,Y,xi,method,extrapval) %确定超出x范围的xi中的分量的外插值extrapval，其值通常取NaN或0。

如何选择？

考虑方法的执行速度，占用内存，获得数据的平滑度。
’nearest’：速度最快，但数据平滑度最差，一般变化不连续。
’linear’：与上相比占内存更多，执行速度稍慢，但数据平滑度更优，数据是连续变化的。
’spline’：速度最慢，占用内存小，数据光滑，常用。
’cubic’： 速度和占内存都比线性差，但数据和一阶导数都是连续的。
例6：

>> year=1900:10:2010;
>> product=[79.995,91.972,109.711,123.203,131.669,150.697,
179.323,203.212,226.505,249.633,256.344,267.893];
>> p1995 = interp1(year,product,1995)
p1995 =
     252.9885
>> x = 1900:1:2010;
>> y = interp1(year,product,x,'cubic');
>> plot(year,product,'o',x,y)

这里写图片描述
例7:已知的数据点来自函数

f(x)=(x2−3x+5)e−5xsinx f ( x ) = ( x 2 − 3 x + 5 ) e − 5 x sin ⁡ x



根据生成的数据进行插值处理，得出较平滑的曲线直接生成数据。 

>> x=0:.12:1;
>> y=(x.^2-3*x+5).*exp(-5*x).*sin(x); 
>> plot(x,y,x,y,'o')

这里写图片描述
调用interp1( )函数：

***未运行出***
x1=0:02:1; 
y0=(x1.^2-3*x1+5).*exp(-5*x1).*sin(x1);
y1=interp1(x,y,x1);
y2=interp1(x,y,x1,'cubic');
y3=interp1(x,y,x1,'spline'); 
y4=interp1(x,y,x1,'nearest');
plot(x1,[y1',y2',y3',y4'],':',x,y,'o',x1,y0)

误差分析：

未运行出
[max(abs(y0(1:49)-y2(1:49))),max(abs(y0-y3)),max(abs(y0-y4))]

这里写图片描述
例6：对 f(x)=1(1+25x2),−1≤x≤1 f ( x ) = 1 ( 1 + 25 x 2 ) , − 1 ≤ x ≤ 1 进行Lagrange插值

>> x0=-1+2*[0:10]/10; 
>> y0=1./(1+25*x0.^2);
>> x=-1:.01:1; 
>> y=lagrange(x0,y0,x);  % Lagrange 插值
>> ya=1./(1+25*x.^2); 
>> plot(x,ya,x,y,':')

这里写图片描述

例7（基于例6数据）：分段插值

y1=interp1(x0,y0,x,'cubic'); 
y2=interp1(x0,y0,x,'spline');
plot(x,ya,x,y1,':',x,y2,'--')

这里写图片描述

interp2 ：
功能：二维数据内插值（表格查找） （用于图像处理和数据的可视化）
格式1 ZI = interp2(X,Y,Z,XI,YI)
%返回矩阵ZI，其元素包含对应于参量XI与YI（可以是向量、或同型矩阵）的元素。参量X与Y必须是单调的，且相同的划分格式，就像由命令meshgrid生成的一样。若Xi与Yi中有在X与Y范围之外的点，则相应地返回NaN。
格式2 ZI = interp2(Z,XI,YI) %缺省地，X=1:n、Y=1:m，其中[m,n]=size(Z)。再按第一种情形进行计算。
格式3 ZI = interp2(X,Y,Z,XI,YI,method) %用指定的算法method计算二维插值：
’linear’：双线性插值算法（缺省算法）；
’nearest’：最临近插值；
’spline’：三次样条插值；
’cubic’：双三次插值。
例8： 

>> years=1950:10:1990; >> service=10:10:30; >> wage = [150.697 199.592 187.625 179.323 199.072 250.287 203.212 179.092 322.767 226.505 153.706 426.730 249.633 120.281 599.243]; >> w = interp2(service,years,wage,15,1975) w = 190.6288

例9： 由 z=f(x,y)=(x2−2x)e−x2−y2−xy z = f ( x , y ) = ( x 2 − 2 x ) e − x 2 − y 2 − x y 可计算出一些较稀疏的网格数据，对整个函数曲面进行各种插值拟合，并比较拟合结果，绘制已知数据的网格图：

>> [x,y]=meshgrid(-3:.6:3,-2:.4:2);%.6、。4代表x,y轴单位间距
>> z=(x.^2-2*x).*exp(-x.^2-y.^2-x.*y);
>> surf(x,y,z)%三维着色表面图
axis([-3,3,-2,2,-0.7,1.5])%标注输出的图线的最大值最小值。

这里写图片描述
选较密的插值点，用默认的线性插值算法进行插值

>> [x1,y1]=meshgrid(-3:.2:3,-2:.2:2); >> z1=interp2(x,y,z,x1,y1); >> surf(x1,y1,z1),axis([-3,3,-2,2,-0.7,1.5])

这里写图片描述
立方和样条插值：

>> z1=interp2(x,y,z,x1,y1,'cubic');
>> z2=interp2(x,y,z,x1,y1,'spline');
>> surf(x1,y1,z1)
>>axis([-3,3,-2,2,-0.7,1.5])
>> figure
>>surf(x1,y1,z2)
>>axis([-3,3,-2,2,-0.7,1.5])

这里写图片描述
算法误差的比较:

> z=(x1.^2-2*x1).*exp(-x1.^2-y1.^2-x1.*y1);
>>  surf(x1,y1,abs(z-z1)),axis([-3,3,-2,2,0,0.08])
>>  figure;surf(x1,y1,abs(z-z2)),axis([-3,3,-2,2,0,0.025])%abs:数值的绝对值和复数的幅值

这里写图片描述
二维一般分布数据的插值
功能:可对非网格数据进行插值
**格式:**z=griddata(x0,y0,z0,x,y,’method’)
’ v4 ’:MATLAB4.0提供的插值算法，公认效果较好；
’linear’：双线性插值算法（缺省算法）；
’nearest’：最临近插值；
’spline’：三次样条插值；
’cubic’：双三次插值。
例10： z=f(x,y)=(x2−2x)e−x2−y2−xy z = f ( x , y ) = ( x 2 − 2 x ) e − x 2 − y 2 − x y
在x为［-3,3］，y为［-2,2］矩形区域随机选择一组坐标，用’ v4 ’与’cubic’插值法进行处理，并对误差进行比较。

>> x=-3+6*rand(200,1);
>>y=-2+4*rand(200,1);
>> z=(x.^2-2*x).*exp(-x.^2-y.^2-x.*y);
>> [x1,y1]=meshgrid(-3:.2:3,-2:.2:2);
>> z1=griddata(x,y,z,x1,y1,'cubic');
>> surf(x1,y1,z1),axis([-3,3,-2,2,-0.7,1.5])
>> z2=griddata(x,y,z,x1,y1,'v4');
>> figure;surf(x1,y1,z2),axis([-3,3,-2,2,-0.7,1.5])

这里写图片描述
误差分析

>> z0=(x1.^2-2*x1).*exp(-x1.^2-y1.^2-x1.*y1);
>>  surf(x1,y1,abs(z0-z1)),axis([-3,3,-2,2,0,0.15])
>>  figure;surf(x1,y1,abs(z0-z2)),axis([-3,3,-2,2,0,0.15])

这里写图片描述
例11: z=f(x,y)=(x2−2x)e−x2−y2−xy z = f ( x , y ) = ( x 2 − 2 x ) e − x 2 − y 2 − x y 在x为［3,3],y为［-2,2］矩形区域随机选择一组坐标中，对分布不均匀数据，进行插值分析。

>> x=-3+6*rand(200,1); %x=rand(m,n)产生m行n列的位于（0，1）区间的随机数
>>y=-2+4*rand(200,1);
>> z=(x.^2-2*x).*exp(-x.^2-y.^2-x.*y);   % 生成已知数据
>> plot(x,y,'x')   % 样本点的二维分布
>> figure, plot3(x,y,z,'x'), axis([-3,3,-2,2,-0.7,1.5])，grid %grid打开网格

这里写图片描述
去除在(-1,-1/2)点为圆心，以0.5为半径的圆内的点

>> x=-3+6*rand(200,1); y=-2+4*rand(200,1);  % 重新生成样本点
>> z=(x.^2-2*x).*exp(-x.^2-y.^2-x.*y); 
>> ii=find((x+1).^2+(y+0.5).^2>0.5^2);  % 找出满足条件的点坐标
>> x=x(ii); y=y(ii); z=z(ii); plot(x,y,'x')
>> t=[0:.1:2*pi,2*pi]; x0=-1+0.5*cos(t); y0=-0.5+0.5*sin(t);
>> line(x0,y0)   % 在图形上叠印该圆，可见，圆内样本点均已剔除

这里写图片描述
用新样本点拟合出曲面

>> [x1,y1]=meshgrid(-3:.2:3, -2:.2:2);
>> z1=griddata(x,y,z,x1,y1,'v4');
>> surf(x1,y1,z1), axis([-3,3,-2,2,-0.7,1.5])

这里写图片描述
误差分析

>> z0=(x1.^2-2*x1).*exp(-x1.^2-y1.^2-x1.*y1);
>> surf(x1,y1,abs(z0-z1)), axis([-3,3,-2,2,0,0.1])
>> contour(x1,y1,abs(z0-z1),30); hold on, plot(x,y,‘x’); line(x0,y0)  ％误差的二维等高线图

这里写图片描述
interp3：
三维网格生成用meshgrid( )函数,
调用格式: [x,y,z]=meshgrid(x1,y1,z1)
其中x1,y1,z1为这三维所需要的分割形式，应以向量形式给出，返回x,y,z为网格的数据生成，均为三维数组。
griddata3( ) 三维非网格形式的插值拟合
interpn：
n维网格生成用ndgrid( )函数,
调用格式: [x1,x2,…,xn]=ndgrid[v1,v2,…,vn]
griddatan( ) n维非网格形式的插值拟合interp3 ( )、 interpn( )调用格式同interp2( )函数一致；
griddata3( )、 griddatan( )调用格式同griddata( )函数一致。
例12： V(x,y,z)=ex2z+y2x+z2ycos(x2yz+z2yx) V ( x , y , z ) = e x 2 z + y 2 x + z 2 y cos ⁡ ( x 2 y z + z 2 y x )
通过函数生成一些网格型样本点，试根据样本点进行拟合，并给出拟合误差。

>> [x,y,z]=meshgrid(-1:0.2:1);  [x0,y0,z0]=meshgrid(-1:0.05:1);
>> V=exp(x.^2.*z+y.^2.*x+z.^2.*y).*cos(x.^2.*y.*z+z.^2.*y.*x);

>> V0=exp(x0.^2.*z0+y0.^2.*x0+z0.^2.*y0).*cos(x0.^2.*y0.*z0+z0.^2.*y0.*x0);

>> V1=interp3(x,y,z,V,x0,y0,z0,'spline'); err=V1-V0; max(err(:))
ans =
    0.0419

5. 样条插值的MATLAB表示

这里写图片描述
spline:
功能:三次样条数据插值
**格式:**yy = spline(x,y,xx)
例13:对离散分布在y=exp(x)sin(x)函数曲线上的数据点进行样条插值计算：

>>x = [0 2 4 5 8 12 12.8 17.2 19.9 20]; 
    >> y = exp(x).*sin(x);
    >>xx = 0:.25:20;
    >>yy = spline(x,y,xx);
    >>plot(x,y,'o',xx,yy)

这里写图片描述

版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。

发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/135878.html原文链接：https://javaforall.cn

【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛

【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

赞 (0)
全栈程序员-用户IM全栈程序员-用户IM
0 0
blank

相关推荐

  • 指针的赋值和使用[通俗易懂]

    指针的赋值和使用[通俗易懂]

    指针的赋值和使用[通俗易懂]更多来自：http://imcc.blogbus.com3.9.3指针的赋值和使用在得到一个指针变量之后，指针变量的值还是一个随机值。这个值可能是内存中无关紧要的数据，也可能是重要的数据或者程

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年7月4日
  • <span role="heading" aria-level="2">【NOIp】NOIp2008

    【NOIp】NOIp2008

    【NOIp】NOIp2008NOIp2008T1笨小猴标签：STL用一个map存字母到数字(出现次数)的映射由于数据范围很小，可以不用线性筛直接${\sqrt{n}}$即可code1#include<bi

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年7月1日
  • python编程是啥-Python编程「建议收藏」

    python编程是啥-Python编程「建议收藏」

    python编程是啥-Python编程「建议收藏」随着人工智能时代的来临，编程语言的热度居高不下，随着智能机器人的出现，在2020年更是迎来一波新的高峰。在这样的大环境下，关于谁是人工智能最流行编程语言的讨论也十分热烈，C、C++、Java、Python等编程语言不断被拿出来做比较。那么接下来，风变编程来解析一波当下编程语言的新趋势。Python受欢迎度有望超越Java？近日，TIOBE编程语言社区公布了2020年10月编程语言排行榜。榜单数据显…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年5月17日
  • 史上最全运放运算放大器知识讲解[通俗易懂]

    史上最全运放运算放大器知识讲解[通俗易懂]

    史上最全运放运算放大器知识讲解[通俗易懂]史上最全运放运算放大器知识讲解原文：http://www.sohu.com/a/154282071_755644调节和放大模拟信号，它是用途十分广泛的器件，接入适当的反馈网络，可用作精密的交流和直流放大器、有源滤波器滤波器的供应商、振荡器振荡器的供应商及电压比较器比较器的供应商。其应用领域已经延伸到汽车电子、通信、消费等各个领域，并将在未来技术方面扮演重要角色。运算放大器的分类…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年4月30日
  • 数据增强英文_数据加噪处理

    数据增强英文_数据加噪处理

    数据增强英文_数据加噪处理文章目录0.前言1.Cutout1.1.要解决什么问题1.2.用了什么方法1.3.效果如何1.4.还存在什么问题&可借鉴之处2.RandErasing2.1.要解决什么问题2.2.用了什么方法2.3.效果如何2.4.还存在什么问题&可借鉴之处3.Mixup3.1.要解决什么问题3.2.用了什么方法3.3.效果如何3.4.还存在什么问题&可借鉴之处4.Cutmix4.1.要解决什么问题4.2.用了什么方法4.3.效果如何4.4.还存在什么问题

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年9月25日
  • Eclipse使用（入门教程）

    Eclipse使用（入门教程）

    Eclipse使用（入门教程）Eclipse使用入门教程 说起java的IDE，朗朗上口的无非是Eclipse了，假若能熟练Eclipse，对于我们编写java程序会起到事半功倍的效果，大大提高我们工作效率。因此本篇博文，笔者只是针对刚刚入门java的新手，以便他们能尽快掌握Eclipse的使用。 1.常用快捷键 这是使用工具的第一步，熟练使用快捷键对于我们编写程序会起到相当大帮助，所以这里笔者列出的快捷键建议大家必须都掌握…

    全栈程序员-用户IM 全栈程序员-用户IM
    2022年6月19日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号