计算方法--插值法与拟合实验

合集下载

插值与拟合实验

x x x x
j 1 j 1 j + 1 j + 1
, x , x 其
j 1
≤ x
x ≤
≤ x
x
j
j
≤ 它
j + 1
1 , 6≤ x≤6 【例 2】 g ( x ) = 】 2 1+ x
用分段线性插值法求插值,并观察插值误差用分段线性插值法求插值并观察插值误差. 并观察插值误差 1.在[-6,6]中平均选取个点作插值在中平均选取5个点作插值中平均选取个点作插值(xch11) 2.在[-6,6]中平均选取个点作插值在中平均选取11个点作插值中平均选取个点作插值(xch12) 3.在[-6,6]中平均选取个点作插值在中平均选取21个点作插值中平均选取个点作插值(xch13) 4.在[-6,6]中平均选取个点作插值在中平均选取41个点作插值中平均选取个点作插值(xch14)
Matlab程序：程序：程序 ch607.m
【例 5】】已知飞机下轮廓线上数据如下，已知飞机下轮廓线上数据如下，求x每改变0.1时的y值。每改变0.1时的y 0.1时的
X Y
0 0
3 5 7 9 11 12 13 14 15 12 17 20 21 20 18 12 10 16
机翼下轮廓线
【例 6】】测得平板表面3*5网格点处的温度分别为： 3*5网格点处的温度分别为测得平板表面3*5网格点处的温度分别为： 82 81 80 82 84 79 63 61 65 81 84 84 82 85 86 试作出平板表面的温度分布曲面z=f(x,y)的图形。试作出平板表面的温度分布曲面z=f(x,y)的图形。 z=f(x,y)的图形 1.先在三维坐标画出原始数据，画出粗糙的温度分布曲图. 1.先在三维坐标画出原始数据，画出粗糙的温度分布曲图. 先在三维坐标画出原始数据输入以下命令：输入以下命令： x=1:5; y=1:3; temps=[82 81 80 82 84;79 63 61 65 81;84 84 82 85 86]; mesh(x,y,temps) 2．以平滑数据,在x、y方向上每隔0.2个单位的地方进行插值. 以平滑数据, 方向上每隔0.2个单位的地方进行插值. 0.2个单位的地方进行插值

数值计算方法插值与拟合

数值计算方法插值与拟合数值计算方法在科学计算和工程应用中起着重要的作用，其中插值和拟合是其中两个常用的技术。

插值是指通过已知的离散数据点来构造出连续函数或曲线的过程，拟合则是找到逼近已知数据的函数或曲线。

本文将介绍插值和拟合的基本概念和常见的方法。

一、插值和拟合的基本概念插值和拟合都是通过已知数据点来近似表达未知数据的方法，主要区别在于插值要求通过已知数据点的函数必须经过这些数据点，而拟合则只要求逼近这些数据点。

插值更加精确，但是可能会导致过度拟合；拟合则更加灵活，能够通过调整参数来平衡拟合精度和模型复杂度。

二、插值方法1. 线性插值线性插值是一种简单的插值方法，通过已知数据点构造出线段，然后根据插值点在线段上进行线性插值得到插值结果。

2. 拉格朗日插值拉格朗日插值是一种基于多项式插值的方法，通过已知数据点构造出一个多项式，并根据插值点求解插值多项式来得到插值结果。

3. 分段线性插值分段线性插值是一种更加灵活的插值方法，通过将插值区间分成若干小段，然后在每个小段上进行线性插值。

三、拟合方法1. 最小二乘法拟合最小二乘法是一种常用的拟合方法，通过最小化实际观测点和拟合函数之间的残差平方和来确定拟合函数的参数。

2. 多项式拟合多项式拟合是一种基于多项式函数的拟合方法，通过选择合适的多项式次数来逼近已知数据点。

3. 曲线拟合曲线拟合是一种更加灵活的方法，通过选择合适的曲线函数来逼近已知数据点，常见的曲线包括指数曲线、对数曲线和正弦曲线等。

四、插值与拟合的应用场景插值和拟合在实际应用中具有广泛的应用场景，比如图像处理中的图像重建、信号处理中的滤波器设计、金融中的风险评估等。

五、插值与拟合的性能评价插值和拟合的性能可以通过多种指标进行评价，常见的评价指标包括均方根误差、相关系数和拟合优度等。

六、总结插值和拟合是数值计算方法中常用的技术，通过已知数据点来近似表达未知数据。

插值通过已知数据点构造出连续函数或曲线，拟合则找到逼近已知数据的函数或曲线。

实验报告书

拟合多项式原理：假设给定数据点(i=0,1,…,m)，为所有次数不超过的多项式构成的函数类，现求一,使得(1)当拟合函数为多项式时，称为多项式拟合，满足式（1）的称为最小二乘拟合多项式。

特别地，当n=1时，称为线性拟合或直线拟合。

显然为的多元函数，因此上述问题即为求的极值问题。

由多元函数求极值的必要条件，得(2)即(3)（3）是关于的线性方程组，用矩阵表示为 (4) 式（3）或式（4）称为正规方程组或法方程组。

可以证明，方程组（4）的系数矩阵是一个对称正定矩阵，故存在唯一解。

从式（4）中解出(k=0,1,…，n)，从而可得多项式(5)可以证明，式（5）中的满足式（1），即为所求的拟合多项式。

我们把称为最小二乘拟合多项式的平方误差，记作由式(2)可得(6)四、实验内容 (列出实验的实施方案、步骤、数据准备、算法流程图以及可能用到的实验设备（硬件和软件）。

) 实验步骤：),(i i y x Φ)(m n n ≤Φ∈=∑=n k k k n x a x p 0)([]min )(00202=⎪⎭⎫⎝⎛-=-=∑∑∑===mi mi n k i k i k i i n y x a y x p I )(x p n n a a a Λ,,10),,(10n a a a I I Λ=n j x y x a a Im i j i nk i k i k j ,,1,0,0)(200Λ==-=∂∂∑∑==nj y x a xn k mi i j i k mi k j i,,1,0,)(0Λ==∑∑∑===+na a a Λ,,10⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡+∑∑∑∑∑∑∑∑∑∑∑=====+==+====m i i n i m i i i m i i n mi n i m i n i m i n i mi n i m i i m i imi n i m i i y x y x y a a a x x x x x x x x m 000100201001020001M M ΛM M M ΛΛk a∑==nk kk n x a x p 0)()(x p n )(x p n []∑=-mi i i ny x p2)()(x p n ∑∑∑===-=mi nk mi i k i k iy x a y r222)(。

数值分析计算方法介绍

S vt0 V
据此有 Vt1 vt0 S ，两端同除以 V v ，有
S t * 由于 V v
V v S t1 t0 V v V v V v
为人龟追赶问题的精确解，
由此可见，精确解等于任给预报值同它的校正值的加权平均：
其中
v V v
t* (1 )t1 t0
数
值
分
析
——插值、拟合与数值微积分
：
1
• 引例
数值分析(计算方法)简介
a11 x1 a1n xn b1 a x a x b nn n n n1 1
考虑如下线性方程组
(1)
或者：
Ax b
其中 det(A) 0 , 由克莱姆法则可知 (1)有唯一的解，而且解为：
, a3 0.8610 ，其绝对误差限都是0.005，例设近似值 a1 1.38, a2 0.0312 求各个近似值各有几位有效数字？
解
4
3 李庆扬. 数值分析. 清华大学出版社，2001.
4 白峰杉. 数值计算引论. 高等教育出版社, 2004. 5 王能超. 计算方法. 北京: 高等教育出版社, 2005
8
数值分析的基本概念
内容:
• • • • • 算法设计技术误差数值计算中需要注意的一些问题算法的稳定性病态问题
9
算法设计技术
1 a x1 x0 2 x0
0出发，利用上式反复迭代，即可获得满足精度要求的开
1 a xk , k 0,1, 2, 2 xk
校正技术的基本思想：删繁就简，逐步求精！ 17
• 算法优化的松弛技术再考察Zeno算法：对于给定的预报值 t 0 ，校正值为 t1

计算方法PPT课件第五章插值与拟合

因此
li (x)

(x x0 )(x x1 ) (xi x0 )(xi x1 )
(x ( xi
xi1 )(x xi1 ) ( x xi1 )( xi xi1 ) ( xi
xn ) xn
)
n x x j . j0 xi x j ji
5.2.2 拉格朗日插值多项式
设用试验或观测方法得到函数的如下函数y 值f表(x)
xi x0 , x1, , xn
yi y 0 , y1 , , y n
(5.11)
其中：yi f (xi )(i 0,1,..., n).我们用插值基函数li (x)(i 0, 1,..., n)的线性组合来构造满足式(5.11)的插值多项式，令
2020年1月26日星期日
主讲韩光朋
17
(2) 将x 2.5代入，得L2 (2.5) 1.2625，因此
f (2.5) L2 (2.5) 1.2625.
(3)
f
(x)

ln(1
x), 求出f
''' ( x)

2 (1 x)3
,
从而max f ''' ( x) 1 .
1 x3
Rn (x)
f (n1) ( )
(n 1)!

n1
(
x)
,
(5.6)
其中：（a,b)且依赖于x,而x [a,b].
证明（见P111)略
2020年1月26日星期日
主讲韩光朋
9
在实际插值问题中，由于一般不知道，且实
际插值中f (x)一般较复杂或者未知，因此用余项公式（5.6）求误差是较困难的，只能对其进行估计。若

数值计算插值法与拟合实验

plot(xx,yy,'+')
dy0=-10.*(1-5.^4)./(1+5.^4).^2;dyn=10.*(1-5.^4)./(1+5.^4).^2;
m=maspline(x1,y1,dy0,dyn,xx);
plot(xx,m,'ok')
2、
程序：
x=[-1.5 -1.0 -0.5 0.0 0.5 1.0 1.5]';
plot(xx,m,'ok')
第二个方程
程序
x=-5:0.2:5;
y=atan(x);
plot(x,y,'r');
hold on
x1=-5:1:5;
y1=atan(x1);
xx=-4.5:0.5:4.5;
yy=malagr(x1,y1,xx);
plot(xx,yy,'+')
dy0=1./(1+25);dyn=1./(1+25);
实验报告三
一、实验目的
通过本实验的学习，各种插值法的效果，如多项式插值法，牛顿插值法，样条插值法，最小二乘法拟合（即拟合插值），了解它们各自的优缺点及插值。
二、实验题目
1、插值效果比较
实验题目：将区间 10等份，对下列函数分别计算插值节点的值，进行不同类型的插值，作出插值函数的图形并与的图形进行比较：
y=[-4.45 -0.45 0.55 0.05 -0.44 0.54 4.55]';
plot(x,y,'or');hold on
%三.2:1.5;
y1=p1(1)*x1.^3+p1(2)*x1.^2+p1(3)*x1+p1(4);

插值与拟合方法

插值与拟合方法在实际中，常常要处理由实验或测量所得到的一批离散数据．插值与拟合方法就是要通过这些数据去确定某一类已知函数的参数或寻找某个近似函数，使所得到的近似函数与已知数据有较高的拟合精度．插值问题:要求这个近似函数（曲线或曲面）经过所已知的所有数据点．通常插值方法一般用于数据较少的情况．数据拟合：不要求近似函数通过所有数据点，而是要求它能较好地反映数据的整体变化趋势。

共同点：插值与拟合都是根据实际中一组已知数据来构造一个能够反映数据变化规律的近似函数的方法，由于对近似要求的准则不同，因此二者在数学方法上有很大的差异．插值问题的一般提法：已知某函数)(x f y =（未知）的一组观测（或试验）数据),,2,1)(,(n i y x ii⋅⋅⋅=，要寻求一个函数)(x φ，使iiy x =)(φ),,2,1(n i ⋅⋅⋅=，则)()(x f x ≈φ．实际中,常常在不知道函数)(x f y =的具体表达式的情况下，对于i x x =有实验测量值iy y =),,2,1,0(n i ⋅⋅⋅=，寻求另一函数)(x φ使满足：)()(i i i x f y x ==φ),,2,1,0(n i ⋅⋅⋅=称此问题为插值问题，并称函数)(x φ为)(x f 的插值函数，nx x x x ,,,,21⋅⋅⋅称为插值节点，),,2,1,0()(n i y x ii⋅⋅⋅==φ称为插值条件，即)()(iiix f y x ==φ),,2,1,0(n i ⋅⋅⋅=，则)()(x f x ≈φ．（1）拉格朗日（Lagrange ）插值设函数)(x f y =在1+n 个相异点nx x x x ,,,,21⋅⋅⋅上的函数值为ny y y y ,,,,21⋅⋅⋅，要求一个次数不超过n 的代数多项式nnnx a x a x a a x P +⋅⋅⋅+++=221)(使在节点i x 上有),,2,1,0()(n i y x P ii n ⋅⋅⋅==成立，称之为n 次代数插值问题，)(x P n称为插值多项式．可以证明n 次代数插值是唯一的．事实上: 可以得到j n j n i i j in y x x xx x P j i ∑∏==⎥⎥⎦⎤⎢⎢⎣⎡⎪⎪⎭⎫⎝⎛--=≠00)()( 当1=n 时，有二点一次（线性）插值多项式：101001011)(y x x x x y x x x x x P --+--=当n =2时，有三点二次（抛物线）插值多项式：2120210121012002010212))(())(())(())(())(())(()(y x x x x x x x x y x x x x x x x x y x x x x x x x x x P ----+----+----=（2）牛顿（Newton ）插值牛顿插值的基本思想：由于)(x f y =关于二节点10,x x 的线性插值为)()()()()()()()()(00101000010101x x x x x f x f x p x x x x x f x f x f x p ---+=---+= 假设满足插值条件)2,1,0()()(2===i x p y x f iii的二次插值多项式一般形式为))(()()(1212x x x x c x x c c x p --+-+= 由插值条件可得⎪⎩⎪⎨⎧=--+-+=-+=)())(()()()()(21202202101011000x f x x x x c x x c c x f x x c c x f c 可以解出⎪⎪⎪⎩⎪⎪⎪⎨⎧------=--==020101121220101100)()()()()()(),(x x x x x f x f x x x f x f c x x x f x f c x f c所以))(()())(()()(10211020102x x x x c x p x x x x c x x c c x p --+=--+-+=类似的方法，可以得到三次插值多项式等，按这种思想可以得到一般的牛顿插值公式．函数的差商及其性质对于给定的函数)(x f ，用),,,(10n x x x f ⋅⋅⋅表示关于节点nx x x ,,,1⋅⋅⋅的n 阶差商，则有一阶差商：01011)()(),(x x x f x f x x f --=，121221)()(),(x x x f x f x x f --= 二阶差商：021021210),(),(),,(x x x x f x x f xx x f --=n 阶差商：0110211),,,(),,,(),,,(x x x x x f x x x f x x x f n n n n -⋅⋅⋅-⋅⋅⋅=⋅⋅⋅-差商有下列性质：（1）差商的分加性：∑∏=≠=-=⋅⋅⋅nk nk j j j kk n x xx f xx x f 0)(01)()(),,,(．（2）差商的对称性：在),,,(1nx x x f ⋅⋅⋅中任意调换jix x ,的次序其值不变．牛顿插值公式：一次插值公式为))(,()()(01001x x x x f x f x p -+=二次插值公式为))()(,,()())()(,,())(,()()(1021011021001002x x x x x x x f x p x x x x x x x f x x x x f x f x p --+=--+-+=于是有一般的牛顿插值公式为)())()(,,,()()())()(,,,())()(,,())(,()()(11010111010102100100----⋅⋅⋅--⋅⋅⋅+=-⋅⋅⋅--⋅⋅⋅+⋅⋅⋅+--+-+=n n n n n n x x x x x x x x x f x p x x x x x x x x x f x x x x x x x f x x x x f x f x p可以证明：其余项为))(())()(,,,,()(11010n n n x x x x x x x x x x x x f x R --⋅⋅⋅--⋅⋅⋅=-实际上，牛顿插值公式是拉格朗日插值公式的一种变形，二者是等价的．另外还有著名的埃尔米特（Hermite ）插值等．（3）样条函数插值方法样条，实质上就是由分段多项式光滑连接而成的函数，一般称为多项式样条．由于样条函数的特殊性质，决定了样条函数在实际中有着重要的应用．样条函数的一般概念定义设给定区间],[b a 的一个分划b x x x a n=<⋅⋅⋅<<=∆1:，如果函数)(x s 满足条件：(1) 在每个子区间),,2,1](,[1n i x x ii ⋅⋅⋅=-上是k 次多项式； (2) )(x s 及直到k -1阶的导数在],[b a 上连续．则称)(x s 是关于分划△的一个k 次多项式样条函数，nx x x ,,,1⋅⋅⋅称为样条节点，121,,,-⋅⋅⋅n x x x 称为内节点，nx x ,0称为边界节点，这类样条函数的全体记作),(k S P∆，称为k 次样条函数空间．若),()(k S x s P∆∈，则)(x s 是关于分划△的k 次多项式样条函数．k 次多项式样条函数的一般形式为∑∑=-=+-+=ki n j k j jii k x x k i x x s 011)(!!)(βα其中),,1,0(k i i=α和)1,,2,1(-=n j jβ均为任意常数，而)1,,2,1(,0,)()(-=⎪⎩⎪⎨⎧<≥-=-+n j x x x x x x x x jj kj kj在实际中最常用的是2=k 和３的情况，即为二次样条函数和三次样条函数．二次样条函数：对于],[b a 上的分划b x x x a n=<⋅⋅⋅<<=∆1:,则)2,()(!2!2)(11222102∆βαααP n j j jS x x x x x s ∈-+++=∑-=+其中)1,2,1(,0,)()(22-=⎪⎩⎪⎨⎧<≥-=-+n j x x x x x x x x j j j j ．三次样条函数：对于],[b a 上的分划b x x xa n =<⋅⋅⋅<<=∆10:,则)3,()(!3!3!2)(1133322103∆βααααP n j j jS x x x x x x s ∈-++++=∑-=+其中)1,2,1(,0,)()(33-=⎪⎩⎪⎨⎧<≥-=-+n j x x x x x x x x jjj j ．1 二次样条函数插值)2,()(2∆∈P S x s 中含有2+n 个待定常数，故应需要2+n 个插值条件，因此，二次样条插值问题可分为两类：问题(1)：已知插值节点ix 和相应的函数值),,2,1,0(n i y i⋅⋅⋅=，以及端点0x (或n x )处的导数值0'y (或ny ')，求)2,()(2∆∈PS x s 使得⎩⎨⎧'=''='⋅⋅⋅==))(()(),,2,1,0()(20022n n i i y x s y x s n i y x s 或（5.1）问题(2)：已知插值节点ix 和相应的导数值),,2,1,0(n i y i⋅⋅⋅='，以及端点0x (或n x )处的函数值0y (或ny )，求)2,()(2∆∈P S x s 使得⎩⎨⎧==⋅⋅⋅='='))(()(),,2,1,0()(20022n n i i y x s y x s n i y x s 或(5.2)事实上，可以证明这两类插值问题都是唯一可解的．对于问题(1)，由条件(5.1)⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧'=+='==-+++==++==++=∑-=00210211222102121211112020201002)(,,3,2,)(2121)(21)(21)(y x x s n j y x x x x x s yx x x s y x x x s j j i i j i jj j ααβααααααααα 引入记号T n ),,,,,(11210-=ββααα X 为未知向量，T nn y y y y ),,,,(10'= C 为已知向量， ⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡---=-0010)(21)(21211)(212110211211021212212222211200x x x x x x x x x x x x x x x n n n n n A 于是，问题转化为求方程组C AX =的解Tn ),,,,,(1121-=ββααα X 的问题，即可得到二次样条函数的)(2x s 的表达式．对于问题(2)的情况类似．２．三次样条函数插值由于)3,()(3∆∈P S x s 中含有3+n 个待定系数，故应需要3+n 个插值条件，因此可将三次样条插值问题分为三类：问题(1)：已知插值节点jx 和相应的函数值),,2,1,0(n j y j⋅⋅⋅=，以及两个端点0x ，n x 处的导数值0'y ，ny '，求)3,()(3∆∈PS x s 使满足条件⎪⎩⎪⎨⎧='='⋅⋅⋅==),0()(),,1,0()(33n j y x s n j y x s j j j j(5.3)问题(2)：已知插值节点jx 和相应的函数值),,2,1,0(n j y j⋅⋅⋅=，以及两个端点0x ，nx 处的二阶导数值0y ''，n y ''，求)3,()(3∆∈PS x s 使满足条件⎪⎩⎪⎨⎧=''=''⋅⋅⋅==),0()(),,1,0()(33n j y x s n j y x s j j j j(5.4)问题(3)：类似地，求)3,()(3∆∈PSx s 使满足条件⎪⎩⎪⎨⎧=+=-==)2,1,0)(0()0(),,1,0()(0)(3)(33k x s x s n j y x s k n k j j(5.5)这三类插值问题的条件都是3+n 个，可以证明其解都是唯一的〔8〕．一般的求解方法可以仿照二次样条的情况处理方法，在这里给出一种更简单的方法．仅依问题(1)为例，问题(2)和问题(3)的情况类似处理．由于在)3,()(3∆PS x s ∈区间],[b a 上是一个分段光滑，且具有二阶连续导数的三次多项式，则在子区间],[1+j jx x 上)(3x s ''是线性函数，记),,,1,0)((3n j x s d jj =''=为待定常数．由拉格朗日插值公式可得nj x x h h x x d h x x d x s j j j jj j jj j ,,1,0,,)(1113=-=-+-=''+++显然jjj h d dx s -='''+13)(在],[1+j jx x上为常数．于是在],[1+j j x x 上有31233)(6)(2))(()(j jjj j j j j j x x h d d x x d x x x s y x s --+-+-'+=+(5.6)则当1+=j x x 时，由(5.6)式和问题(1)的条件得121231362)()(+++=-++'+=j j jj j j j j j j y h d d h d h x s y x s故可解得)2(6)(113+++--='j j j jjj j d d h h y y x s（5.7）将(5.7)式代入(5.6)式得)1,,1,0](,[,)(6)(2)()2(6)(1312113-=∈--+-+-⎥⎥⎦⎤⎢⎢⎣⎡+--+=++++n j x x x x x h d d x x d x x d d h h y y y x s j j j jj j j jj j j j j j j j(5.8) 在],[1j j x x-上同样的有),,2,1](,[,)(6)(2)()2(6)(131112111111113n j x x x x x h d d x x d x x d d h h y y y x s j j j j j j j j j j j j j j j j =∈--+-+-⎥⎥⎦⎤⎢⎢⎣⎡+--+=------------(5.9) 根据)(3x s的一阶导数连续性，由(5.9)式得)()2(6)0(311113j j j j j j j j x s d d h h y y x s '=++-=-'---- 结合(5.7)式整理得⎪⎪⎭⎫ ⎝⎛---+=++++--+-+----11111111162j j j j j j j j j j j j j j j j j h y y h y y h h d h h h d d h h h 引入记号⎪⎪⎭⎫ ⎝⎛---+=+=--+--111116,j j j j j j j j j j j j j h y y h y y h h c h h h a ，111--+=-j j j j h h h a ．则)1,,2,1(,2)1(11-==++-+-n j c d a d d a j j j j j j（5.10）再由边界条件：nny x s y x s '=''=')(,)(33得⎪⎪⎩⎪⎪⎨⎧⎪⎪⎭⎫ ⎝⎛--'=+⎪⎪⎭⎫ ⎝⎛'--=+----111100010106262n n n n n n n h y y y h d d y h y y h d d(5.11)联立(5.10),(5.11)式得方程组C D A =⋅（5.12）其中⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡---=----2121212112112200n n n n a a a a a aA ，⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡=-n n d d d d 110 D ，⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⎪⎪⎭⎫ ⎝⎛--'⎪⎪⎭⎫ ⎝⎛'--=----111110001066n n n n n n hy y y h c c y h y y h C 由方程组(6.12)可以唯一解出),,1,0(n j d j=，代入（5.8）式就可以得三次样条函数)(3x s 的表达式．Ｂ样条函数插值方法磨光函数实际中的许多问题，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．由积分理论可知，对于可积函数通过积分会提高函数的光滑度，因此，我们可以利用积分方法对函数进行磨光处理．定义若)(x f 为可积函数，对于0>h ，则称积分⎰+-=22,1)(1)(hx h x h dt t f h x f为)(x f 的一次磨光函数，h 称为磨光宽度．同样的，可以定义)(x f 的k 次磨光函数为)1()(1)(22,1,>=⎰+--k dt t f h x f hx h x h k h k事实上，磨光函数)(,x f h k 比)(x f 的光滑程度要高，且当磨光宽度h 很小时)(,x f h k 很接近于)(x f ．等距Ｂ样条函数对于任意的函数)(x f ，定义其步长为１的中心差分算子δ如下：⎪⎭⎫ ⎝⎛--⎪⎭⎫ ⎝⎛+=2121)(x f x f x f δ在此取0)(+=x x f ，则002121+++⎪⎭⎫ ⎝⎛--⎪⎭⎫ ⎝⎛+=x x x δ是一个单位方波函数（如图5-1），记0)(+=Ωx x δ．并取1=h ，对)(0x Ω进行一次磨光得++++-+++-+++--+-+=-=⎥⎥⎦⎤⎢⎢⎣⎡⎪⎭⎫ ⎝⎛--⎪⎭⎫ ⎝⎛+==⎰⎰⎰⎰)1(2)1(2121)()(11212100212101x x x dt t dt t dt t t dt t x x xx x x x x x ΩΩ显然)(1x Ω是连续的（如图5-2）．)(1x Ωo1-1/2 0 1/2 x -1 0 1 x 图5-1图5-2类似地可得到k 次磨光函数为kk j jk j k j k x k C x ++=+⎪⎭⎫ ⎝⎛-++-=Ω∑21!)1()(11 实际上,可以证明：)(x kΩ是分段k 次多项式，且具有1-k 阶连续导数，其k 阶导数有2+k个间断点，记为)1,,2,1,0(21+⋅⋅⋅=+-=k j k j x j．从而可知)(x kΩ是对应于分划+∞<<⋅⋅⋅<<<-∞∆+110:k x x x 的k 次多项式样条函数，称之为基本样条函数，简称为k 次Ｂ样条．由于样条节点为)1,,2,1,0(21+⋅⋅⋅=+-=k j k j xj是等距的，故)(x k Ω又称为k 次等距Ｂ样条函数．对于任意函数)(x f 的k 次磨光函数，由归纳法可以得到 [4,8] ：⎪⎭⎫⎝⎛+≤≤--Ω=⎰∞+∞--22)()(1)(1,h x t h x dt t f htx h x f k h k 特别地，当1)(=x f 时，有1)(11⎰+∞∞--=-dt htx hk Ω，从而1)(⎰+∞∞-=dx x k Ω，且当k ≥1时有递推关系⎥⎦⎤⎢⎣⎡⎪⎭⎫ ⎝⎛-Ω⎪⎭⎫ ⎝⎛---⎪⎭⎫ ⎝⎛+Ω⎪⎭⎫ ⎝⎛++=Ω--212121211)(11x x k x k x k x k k k一维等距Ｂ样条函数插值等距Ｂ样条函数与通常的样条如下的关系：定理设有区间],[b a 的均匀分划nab h n j jh x x j -=⋅⋅⋅=+=),,,1,0(:0∆，则对任意 k 次样条函数),()(k S x S p k ∆∈都可以表示为Ｂ样条函数族1021-=-=⎭⎬⎫⎩⎨⎧⎪⎭⎫⎝⎛+---n j k j k k j h x x Ω的线性组合[14]．根据定理 5.1,如果已知曲线上一组点()jjy x ,，其中),,1,0,0(0n j h jh x x j⋅⋅⋅=>+=，则可以构造出一条样条磨光曲线（即为Ｂ样条函数族的线性组合）⎪⎭⎫⎝⎛--=∑--=j h x x c x S n kj k j k 01)(Ω 其中)1,,1,(-⋅⋅⋅+--=n k k j c j为待定常数．用它来逼近曲线，既有较好的精度，又有良好的保凸性．实际中，最常用的是3=k 的情况，即一般形式为⎪⎭⎫ ⎝⎛--=∑+-=j h x x c x S n j j 01133)(Ω 其中3+n 个待定系数)1,,0,1(+⋅⋅⋅-=n j c j可以由三类插值条件确定．由插值条件(5.3)得()()()⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧'=-'='==-='=-'='∑∑∑+-=+-=+-=n n j j n i n j j i n j j y j n c h x S ni y j i c x S y j c h x S 113311330113031)(,,1,0,)(1)(ΩΩΩ(5.13)注意到)(3x Ω的局部非零性及其函数值：61)1(,32)0(33=±=ΩΩ，当2≥x 时0)(3=x Ω；且由)21()21()(223--+='x x x ΩΩΩ知，21)1(,0)0(33=±'='ΩΩ，当2≥x 时0)(3='x Ω．则(5.13)中的每一个方程中只有三个非零系数，具体的为⎪⎩⎪⎨⎧'=+-==++'=+-+-+--n n n i i i i y h c c n i y c c c y h c c 2,,1,0,6421111011(5.14)由方程组(5.14)容易求解出)1,,0,1(+⋅⋅⋅-=n j c j，即可得到三次样条函数)(3x S 表达式．类似地，由插值条件(5.4)得待定系数的)1,,0,1(+⋅⋅⋅-=n j c j所满足的方程组为⎪⎩⎪⎨⎧''=+-==++''=+-+-+--nn n n i i i i y h c c c n i y c c c y h c c c 21111021012,,1,0,642（5.15）由插值条件(5.5)得待定系数的)1,,0,1(+⋅⋅⋅-=n j cj所满足的方程组为⎪⎪⎩⎪⎪⎨⎧==++=-+---=-++-=-+-+-+-+--+--+--ni y c c c c c c c c c c c c c c c c c c c i i i i n n n n n n n n ,,1,0,640)()(2)(0)(0)(0)()(4)(1111011111111011（5.16）方程组(5.15),(5.16)也都是容易求解的．注：上述等距Ｂ样条插值公式也适用于近似等距的情形，但在端点0x 和n x 处误差可能较大，实际应用时，为了提高在端点0x 和nx 处的精度，可以适当向左右延拓几个节点．二维等距Ｂ样条函数插值设有空间曲面),(y x f z =(未知),如果已知二维等距节点()()τj y ih x y x ji++=0,,)0,(>τh 上的值为),,2,1,0;,,2,1,0(m j n i z ij⋅⋅⋅=⋅⋅⋅=，则相应的Ｂ样条磨光曲面的一般形式为⎪⎭⎫ ⎝⎛--⎪⎭⎫⎝⎛--=∑∑--=--=j y y i h x x c y x s l m lj k ij n ki τΩΩ0011),( 其中),,2,1,0;,,2,1,0(m j n i c ij⋅⋅⋅=⋅⋅⋅=为待定常数，l k ,可以取不同值，常用的也是2,=l k 和３的情形．这是一种具有良好保凸性的光滑曲面(函数)，在工程设计中是常用的，但只能使用于均匀分划或近似均匀分划的情况．（4）最小二乘拟合方法最小二乘拟合方法的思想：由于一般插值问题并不总是可解的（即当插值条件多于待定系数的个数时，其问题无解），同时，问题的插值条件本身一般是近似的，为此，只要求在节点上近似地满足插值条件，并使它们的整体误差最小，这就是最小二乘拟合法．最小二乘拟合方法可以分为线性最小二乘拟合方法和非线性最小二乘拟合方法．线性最小二乘拟合方法设{}m k kx 0)(=φ是一个线性无关的函数系，则称线性组合∑==mk k k x a x 0)()(φφ为广义多项式．如三角多项式：∑∑==+=mk k mk kkx b kx ax 0sin cos )(φ．设由给定的一组测量数据),(iiy x 和一组正数),,2,1(n i w i⋅⋅⋅=，求一个广义多项式∑==mk k k x a x 0)()(φφ使得目标函数[]21)(∑=-=ni i i i y x w S φ(5.17)达到最小，则称函数)(x φ为数据),,2,1)(,(n i y x ii⋅⋅⋅=关于权系数),,2,1(n i w i⋅⋅⋅=的最小二乘拟合函数，由于)(x φ关于待定系数ia 是线性的，故此问题又称为线性最小二乘问题．注意：这里{}m k kx 0)(=φ可根据实际来选择，权系数iw 的选取更是灵活多变的，有时可选取1=i w ，或nw i 1=，对于nw i1=，则相应问题称为均方差的极小化问题．最小二乘拟合函数的求解要使最小二乘问题的目标函数(5.17)达到最小，则由多元函数取得极值的必要条件得),,2,1,0(0m k a Sk==∂∂ 即),,2,1,0(0)()(10m k x y x a w i k ni i m k i k k i ⋅⋅⋅⋅==⎥⎦⎤⎢⎣⎡-∑∑==φφ 亦即),,2,1,0()()()(001m k x y w a x x w n i i k i i j mj n i i k i j i ⋅⋅⋅⋅==⎥⎦⎤⎢⎣⎡∑∑∑===φφφ(5.18)是未知量为ma a a a ,,,,21⋅⋅⋅的线性方程组，称(5.18)式为正规方程组．实际中可适当选择函数系{}m k kx 0)(=φ，由正规方程组解出ma a a a ,,,,210⋅⋅⋅，于是可得最小二乘拟合函数∑==mk kk x a x 0)()(φφ．一般线性最小二乘拟合方法将上面一元函数的最小二乘拟合问题推广到多元函数，即为多维线性最小二乘拟合问题．假设已知多元函数),,,(21nx x x f y ⋅⋅⋅=的一组测量数据);,,,(21iniiiy x x x ⋅⋅⋅),,2,1(m i ⋅⋅⋅=和一组线性无关的函数系{}N k nk x x x 021),,,(=⋅⋅⋅φ，求函数∑=⋅⋅⋅=⋅⋅⋅Nk n k k n x x x a x xx 02121),,,(),,,(φφ对于一组正数mw w w ,,,21⋅⋅⋅，使得目标函数[]2121),,,(∑=⋅⋅⋅-=mi ni i i i i x x x y w S φ达到最小．其中待定系数N a a a a,,,,210⋅⋅⋅由正规方程组),,2,1,0(),(),(0N k y a Nj k j k j⋅⋅⋅==∑=φφφ确定，此处ini i i k mi i k ni i i k mi ni i i j i k j y x x x w y x x x x x x w ),,,(),(),,,(),,,(),(21121121⋅⋅⋅=⋅⋅⋅⋅⋅⋅=∑∑==φφφφφφ注：上面的函数φ关于ia 都是线性的，这就是线性最小二乘拟合问题，对于这类问题的正规组总是容易求解的．如果φ关于ia 是非线性的，则相应的问题称为非线性最小二乘拟合问题．非线性最小二乘拟合方法假设已知多元函数),,,(21nx x x f y ⋅⋅⋅=的一组测量数据);,,,(21iniiiy x x x ⋅⋅⋅),,2,1(m i ⋅⋅⋅=，要求一个关于参数),,2,1,0(N j a j⋅⋅⋅=是非线性的函数),,,;,,,(1021Nn a a a x x x ⋅⋅⋅⋅⋅⋅=φφ对一组正数mw w w ,,,21⋅⋅⋅使得目标函数[]21102110),,,;,,,(),,,(∑=⋅⋅⋅⋅⋅⋅-=⋅⋅⋅mi N ni i i i i N a a a x x x y w a a a S φ达到最小，则称之为非线性最小二乘问题．这类问题属于无约束的最优化问题，一般问题的求解是很复杂的，通常情况下，可以采用共轭梯度法、最速下降法、拟牛顿法和变尺度法等方法求解．实例：黄河小浪底调水调沙问题问题的提出2004年６月至７月黄河进行了第三次调水调沙试验，特别是首次由小浪底、三门峡和万家寨三大水库联合调度，采用接力式防洪预泄放水，形成人造洪峰进行调沙试验获得成功．整个试验期为20多天，小浪底从６月19日开始预泄放水，直到７月13日恢复正常供水结束．小浪底水利工程按设计拦沙量为75.5亿立方米，在这之前，小浪底共积泥沙达14.15亿吨．这次调水调试验一个重要目的就是由小浪底上游的三门峡和万家寨水库泄洪，在小浪底形成人造洪峰，冲刷小浪底库区沉积的泥沙．在小浪底水库开闸泄洪以后，从6月27日开始三门峡水库和万家寨水库陆续开闸放水，人造洪峰于29日先后到达小浪底，7月3日达到最大流量2700立方米/每秒，使小浪底水库的排沙量也不断地增加．下面是由小浪底观测站从6月29日到7月10日检测到的试验数据：表5-1: 试验观测数据单位：水流为立方米/每秒，含沙量为公斤/立方米·84··85·注：以上数据主要是根据媒体公开报道的结果整理而成的，不一定与真实数据完全相符．现在，根据试验数据建立数学模型研究下面的问题：(1) 给出估算任意时刻的排沙量及总排沙量的方法；(2) 确定排沙量与水流量的变化关系．模型的建立与求解对于问题（１），根据所给问题的试验数据，要计算任意时刻的排沙量，就要确定出排沙量随时间变化的规律，可以通过插值来实现．考虑到实际中排沙量应该是随时间连续变化的，为了提高精度，我们采用三次Ｂ样条函数进行插值．下面构造三次Ｂ样条函数)(x S y =．由试验数据，时间是每天的早８点和晚８点，间隔都是12个小时，共24个点)24,,2,1(⋅⋅⋅=i t i．为了计算方便，令)23,,,1,0(122128⋅⋅⋅=+⎥⎦⎤⎢⎣⎡⋅+-=i i t x i i(5.19)则it 对应于)23,,1,0(1⋅⋅⋅=+=i i x i．于是以)23,,1,0(⋅⋅⋅=i x i为插值节点（等距），步长1=h ．其相应的排沙量为)23,,1,0(⋅⋅⋅=i y i 对应关系如下表：·86·表5-2: 插值数据对应关系单位：排沙量为公斤函数)(x S y =所满足的条件为 (1)23,,1,0,)(⋅⋅⋅==i y x S ii；(2) 3500)(,56400)(2223222323231212-=--≈'='=--≈'='x x y y x S y x xy yx S y .取)(x S 的三次Ｂ样条函数一般形式为∑-=⎪⎭⎫⎝⎛--=24103)(j j j h x x c x S Ω·87·其中)24,,1,0,1(⋅⋅⋅-=j cj为待定常数，1=h ．在这里⎪⎪⎪⎩⎪⎪⎪⎨⎧≥<<+-+-≤+-=Ω2,021,342611,3221)(23233x x x x x x x x x且易知⎪⎪⎪⎩⎪⎪⎪⎨⎧≥±===Ω2,01,610,32)(3x x x x和⎪⎪⎩⎪⎪⎨⎧≥±===Ω'2,01,210,0)(3x x x x 根据Ｂ样条函数的性质，)(x S ''在[]23,x x 上连续，则有()∑-=--'='='2413)(j jj xx c x S y Ω由插值条件(1),(2)可得到下列方程组()()()⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧'=-'=''=-'='⋅⋅⋅==-=∑∑∑-=-=-=23241323024130241323)()(23,,1,0,)(y j c x S y j c x S i y j i c x S j j j j i j j i ΩΩΩ 即⎪⎩⎪⎨⎧'=+-'=+-⋅⋅⋅==++-+-23242311112223,,1,0,64y c c y c c i y c c c i i i i 将232324112,2y c c y c c '+='-=-代入前24个方程中的第一个和最后一个，便可得到方程组F AC =，其中·88·⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎢⎢⎢⎣⎡⋅⋅⋅⋅⋅⋅=⨯232102424,421410141014124c c c c C A ，⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡=⎥⎥⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎢⎢⎣⎡'-'+=3400048000684000458400266626232322100 y y y y y y F显然A 为满秩阵，方程组F AC =一定有解，用消元法求解可得问题的解为56044.39830=c , 4117111.2031=c , 2159510.7882=c , 9189845.6433=c ,1203106.6364=c , 8239727.8115=c ,8249182.1166=c , 1263543.7217=c ,9287842.9988=c , 2302284.2839=c ,4317419.86810=c , 1304836.24311=c ,3307635.15912=c ,6305423.11913=c ,2270672.36214=c ,4240287.43115=c ,0154177.91216=c ,4103000.92017=c ,99818.406218=c , 43725.454719=c ,49279.775020=c ,32155.445221=c , 2098.444222=c ,7450.777923=c ,-450.777924311.2034,2232324011='+=='-=-y c c y c c . 将)24,,1,0,1(⋅⋅⋅-=j c j代入()∑-=--==24131)(j jj x c x S y Ω(5.20)即得排沙量的变化规律．由（5.19）和(5.20)式可得到第i 时间段（12小时为一段）内，任意时刻]12,0[∈t 的排沙量．则总的排沙量为()dt j t c dx x S Y j j⎰∑⎰-=--Ω==284824132411)(经计算可得1110844.1⨯=Y 吨，即从6月29日至7月10日小浪底水库排沙总量大约为1.844亿吨,此与媒体报道的排沙量基本相符.对于问题(2),研究排沙量与水量的关系，从试验数据可以看出，开始排沙量是随着水流量的增加而增长，而后是随着水流量的减少而减少．显然，变化规律并非是线性的关系，为此，我们问题分为两部分，从开始水流量增加到最大值2720立方米/每秒（即增长的过程）为一段，从水流量的最大值到结束为第二段，分别来研究水流量与排沙量的关系．具体数据如表5-3和5-4.表5-3: 第一阶段试验观测数据单位：水流为立方米/每秒，含沙量为公斤/立方米表5-4: 第二阶段试验观测数据单位：水流为立方米/每秒，含沙量为公斤/立方米对于第一阶段，由表5-3用Matlab作图（如图5-3）可以看出其变化趋势，我们用多项式作最小二乘拟合．·90··91·图5-3设拟合函数为∑==mk kk x a x 1)(φ确定待定常数),,1,0(m k ak=使得211111102])([∑∑∑===⎥⎦⎤⎢⎣⎡-=-=i i i m k k i k i i y x a y x S φ有最小值．于是可以得到正规方程组为m k x y a x mj i k i i j i j k i ,,1,0,0111111 ==⎪⎭⎫⎝⎛∑∑∑===+ 当3=m 时，即取三次多项式拟合，则3,2,1,0,1113111321112111110111==⎪⎭⎫⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛∑∑∑∑∑==+=+=+=k x y a x a x a x a x i k i i i k i i k i i k i i k i求解可得73321108423.1,103172.1,3.1784,-2492.9318--⨯=⨯-===a a a a ．于是可得拟合多项式为332213)(x a x a x a a x +++=φ，最小误差为847.72=S ，拟合效果如图所示．·92·图:三次拟合效果，带*号的为拟合曲线．类似地，当4=m 时，即取四次多项式拟合，则正规方程组为4,3,2,1,0111411143111321112111110111==⎪⎭⎫⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛+⎪⎭⎫ ⎝⎛∑∑∑∑∑∑==+=+=+=+=k x y a x a x a x a x a x i ki i i k i i k i i k i i k i i k i求解可得104633210109312.1,1094.1,102626.7,12.0624,-7434.6557---⨯-=⨯=⨯-===a a a a a 于是可得拟合多项式为443322104)(x a x a x a x a a x ++++=φ，最小误差为102.66=S ，拟合效果如图5-5所示．图5-5:四次拟合效果，带*号的为拟合曲线．从上面的三次多项式拟合和四次多项拟合效果来看，差别不大．基本可以看出排沙量与水流量的关系．图5-6:第二段三·93··94· 次多项式拟合效果对于第二阶段，由表5-4可以类似地处理．我们用线性最小二乘法作三次和四多项式拟合．拟合效果如图5-6和5-7所示，最小误差分别为5.459=S 和1.236=S ．从拟合效果来看，显然四次多项式拟合要比三次多项式拟合好的多．图5-7:第二段四次多项式拟合效果。

数值计算04-插值与拟合

二维插值的定义
第一种（网格节点）：
y
O
x
已知 mn个节点其中互不相同，不妨设
构造一个二元函数
通过全部已知节点,即
再用
计算插值，即
第二种（散乱节点）：
y

0
x
已知n个节点
其中互不相同，
构造一个二元函数
通过全部已知节点,即
再用
计算插值，即
最邻近插值
y
( x1 , y2 ) ( x2 , y2 )
( x1 , y1 ) ( x2 , y1 )

x
O
注意：最邻近插值一般不连续。具有连续性的最简单的插值是分片线性插值。
分片线性插值
速度最快，但平滑性差
linear
占有的内存较邻近点插值方法多，运算时间也稍长，与邻近点插值不同，其结果是连续的，但在顶点处的斜率会改变运算时间长，但内存的占有较立方插值方法要少，三次样条插值的平滑性很好，但如果输入的数据不一致或数据点过近，可能出现很差的插值结果需要较多的内存和运算时间，平滑性很好二维插值函数独有。插值点处的值和该点值的导数都连续
x=0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 y=0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
海拔高度数据为： z=89 90 87 85 92 91 96 93 90 87 82 92 96 98 99 95 91 89 86 84 82 84 96 98 95 92 90 88 85 84 83 81 85 80 81 82 89 95 96 93 92 89 86 86 82 85 87 98 99 96 97 88 85 82 83 82 85 89 94 95 93 92 91 86 84 88 88 92 93 94 95 89 87 86 83 81 92 92 96 97 98 96 93 95 84 82 81 84 85 85 81 82 80 80 81 85 90 93 95 84 86 81 98 99 98 97 96 95 84 87 80 81 85 82 83 84 87 90 95 86 88 80 82 81 84 85 86 83 82 81 80 82 87 88 89 98 99 97 96 98 94 92 87

插值法和拟合实验报告

插值法和拟合实验报告一、实验目的1.通过实验了解插值法和拟合法在数值计算中的应用；2.掌握拉格朗日插值法、牛顿插值法和分段线性插值法的原理和使用方法；3.学会使用最小二乘法进行数据拟合。

二、实验仪器和材料1.一台计算机；2. Matlab或其他适合的计算软件。

三、实验原理1.插值法插值法是一种在给定的数据点之间“插值”的方法，即根据已知的数据点，求一些点的函数值。

常用的插值法有拉格朗日插值法、牛顿插值法和分段线性插值法。

-拉格朗日插值法：通过一个n次多项式，将给定的n+1个数据点连起来，构造出一个插值函数。

-牛顿插值法：通过递推公式，将给定的n+1个数据点连起来，构造出一个插值函数。

-分段线性插值法：通过将给定的n+1个数据点的连线延长，将整个区间分为多个小区间，在每个小区间上进行线性插值，构造出一个插值函数。

2.拟合法拟合法是一种通过一个函数，逼近已知的数据点的方法。

常用的拟合法有最小二乘法。

-最小二乘法：通过最小化实际观测值与拟合函数的差距，找到最优的参数，使得拟合函数与数据点尽可能接近。

四、实验步骤1.插值法的实验步骤：-根据实验提供的数据点，利用拉格朗日插值法、牛顿插值法、分段线性插值法，分别求出要插值的点的函数值；-比较三种插值法的插值结果，评价其精度和适用性。

2.拟合法的实验步骤：-根据实验提供的数据点，利用最小二乘法，拟合出一个合适的函数；-比较拟合函数与实际数据点的差距，评价拟合效果。

五、实验结果与分析1.插值法的结果分析：-比较三种插值法的插值结果，评价其精度和适用性。

根据实验数据和插值函数的图形，可以判断插值函数是否能较好地逼近实际的曲线。

-比较不同插值方法的计算时间和计算复杂度，评价其使用的效率和适用范围。

2.拟合法的结果分析：-比较拟合函数与实际数据点的差距，评价拟合效果。

可以使用均方根误差（RMSE）等指标来进行评价。

-根据实际数据点和拟合函数的图形，可以判断拟合函数是否能较好地描述实际的数据趋势。

试验二插值法与数据拟合

试验二插值法一、实验目的（1）学会Lagrange 插值和牛顿插值等基本插值方法；（2）讨论插值的Runge 现象，掌握分段线性插值方法（3）学会Matlab 提供的插值函数的使用方法，会用这些函数解决实际问题。

二、实验要求（1）按照题目要求完成实验内容；（2）写出相应的Matlab 程序；（3）给出实验结果(可以用表格展示实验结果)；（4）分析和讨论实验结果并提出可能的优化实验。

（5）写出实验报告。

三、实验步骤1、用编好的Lagrange 插值法程序计算书本P66 的例1、用牛顿插值法计算P77的例1。

2、已知函数在下列各点的值为：试用4次牛顿插值多项式4()P x 对数据进行插值，根据｛(,),0.20.08,0,1,2,,10i i i x y x i i =+=L ｝，画出图形。

3、在区间[-1,1]上分别取10,20n =用两组等距节点对龙格函数21(),(11)125f x x x =-≤≤+作多项式插值，对不同n 值，分别画出插值函数及()f x 的图形。

4、下列数据点的插值可以得到平方根函数的近似，在区间[0,64]上作图。

（1）用这9个点作8次多项式插值8()L x 。

5、在区间[0,10]画出sin()y x =的曲线，取插值节点,0,1,,10k x k k ==L 和节点处的函数值sin()k k y x =，作分段线性插值，并画出相应的折线图，将两图形绘在一张图上。

6、搜索Matlab 提供的三个数据拟合函数polyfit()、lsqcurvefit()、nlinfit()的使用方法。

列出它们的典型应用例子。

一、实验目的1、学会Lagrange 插值、牛顿插值和分段线性插值等基本插值方法；2、讨论插值的Runge 现象，掌握分段线性插值方法3、学会Matlab 提供的插值函数、数据拟合函数的使用方法，并用这些函数解决实际问题。

二、实验原理1、拉格朗日插值多项式2、牛顿插值多项式3、分段线性插值三、实验步骤1、用MA TLAB 编写独立的拉格朗日插值多项式函数2、用MA TLAB 编写独立的牛顿插值多项式函数3、利用编写好的函数计算本章P66例1、P77例1的结果并比较。

数学建模插值及拟合详解

插值和拟合实验目的：了解数值分析建模的方法，掌握用Matlab进行曲线拟合的方法，理解用插值法建模的思想，运用Matlab一些命令及编程实现插值建模。

实验要求：理解曲线拟合和插值方法的思想，熟悉Matlab相关的命令，完成相应的练习，并将操作过程、程序及结果记录下来。

实验内容：一、插值1．插值的基本思想·已知有n +1个节点（xj,yj），j = 0,1,…, n，其中xj互不相同，节点(xj, yj)可看成由某个函数y= f （x）产生；·构造一个相对简单的函数y=P(x)；·使P通过全部节点，即P (xk) = yk，k=0,1,…, n ；·用P (x)作为函数f ( x )的近似。

2．用MA TLAB作一维插值计算yi=interp1(x，y，xi，'method')注：yi—xi处的插值结果；x，y—插值节点；xi—被插值点；method—插值方法（‘nearest’：最邻近插值；‘linear’：线性插值；‘spline’：三次样条插值；‘cubic’：立方插值；缺省时：线性插值）。

注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。

练习1：机床加工问题每一刀只能沿x方向和y方向走非常小的一步。

表3-1给出了下轮廓线上的部分数据但工艺要求铣床沿x方向每次只能移动0.1单位.这时需求出当x坐标每改变0.1单位时的y坐标。

试完成加工所需的数据，画出曲线.步骤1：用x0，y0两向量表示插值节点；步骤2：被插值点x=0:0.1:15; y=y=interp1(x0,y0,x,'spline');步骤3：plot(x0,y0,'k+',x,y,'r')grid on答：x0=[0 3 5 7 9 11 12 13 14 15 ];y0=[0 1.2 1.7 2.0 2.1 2.0 1.8 1.2 1.0 1.6 ];x=0:0.1:15;y=interp1(x0,y0,x,'spline');plot(x0,y0,'k+',x,y,'r')grid on3．用MA TLAB作网格节点数据的插值(二维) z=inte rp2(x0,y0,z0,x,y,’method’)注：z—被插点值的函数值；x0，y0，z0—插值节点；x，y—被插值点；method—插值方法（‘nearest’：最邻近插值；‘linear’：双线性插值；‘cubic’：双三次插值；缺省时：双线性插值）。

插值与拟合的实验报告心得

插值与拟合的实验报告心得1.引言1.1 概述插值与拟合是数值分析和数据处理领域中常见的重要技术方法，通过对已知数据点进行插值计算，得到未知点的数值估计。

插值方法可以帮助我们填补数据间的空缺、平滑曲线和预测未来趋势，因此在科学研究、工程建模和数据分析中具有广泛的应用价值。

本实验报告将对插值的基本概念进行介绍，探讨插值方法的分类和在实际应用中的意义。

同时，我们将总结实验结果，评述插值与拟合的优缺点，并提出对进一步研究的建议，希望通过本报告对插值与拟合的方法和应用有一个全面的了解。

1.2文章结构文章结构部分的内容可以包括:在本报告中，将包括以下几个部分的内容:1. 引言：介绍插值与拟合的基本概念，以及本实验的目的和意义。

2. 正文：包括插值的基本概念、插值方法的分类以及插值在实际应用中的意义。

我们将深入探讨这些内容，并解释它们在实验中的具体应用。

3. 结论：总结本次实验的结果，分析插值与拟合的优缺点，并提出对进一步研究的建议。

通过以上内容的分析和探讨，我们希望能够全面地了解插值与拟合的理论基础和实际应用，为进一步的研究和实践提供一定的参考和启发。

1.3 目的本实验的目的在于通过对插值和拟合的实验研究，探索和了解这两种数学方法在现实生活中的应用。

通过实验，我们将深入了解插值的基本概念和分类方法，以及插值在实际应用中的意义。

同时，我们还将对插值和拟合的优缺点进行分析，为进一步的研究提供建议和启示。

通过本实验，我们的目的是掌握插值与拟合方法的应用和特点，为实际问题的求解提供更多的数学工具和思路。

2.正文2.1 插值的基本概念插值是指通过已知数据点构建出一个函数，该函数经过这些数据点，并且在每个数据点上都有相应的函数值。

换句话说，插值是一种通过已知离散数据点来推断未知数据点的方法。

在数学上，插值可以用于近似未知函数的值，或者用于填补数据间的空隙。

在插值过程中，我们通常会选择一个合适的插值函数，比如多项式函数、三角函数或者样条函数等，来拟合已知的数据点。

《计算方法》实验报告材料

double ChaShang(int n,vector<double>&X,vector<double>&Y);
double Newton(double x,vector<double>&X,vector<double>&Y);
int main(){
char a='n';
do{
int n;
cout<<"请输入插值点个数："<<endl;
for(int i=0;i<N;i++){
X[i]=p;
Y[i]=1/(1+p*p);
p=p+c;
}
cout<<"请输入要求值x的值："<<endl;
double x;
cin>>x;
double result=fenduan(N,X,Y,x,c);
cout<<"由分段线性插值法得出结果： "<<result<<endl;
cin>>n;
vector<double>X(n,0);
vector<double>Y(n,0);
cout<<"请输入插值点对应的值及函数值(Xi,Yi)："<<endl;
for(int i=0;i<n;i++){
cin>>X[i]>>Y[i];
}
cout<<"请输入要求值x的值："<<endl;

数值计算中的插值和拟合方法

在数值计算中，插值和拟合是两种常用的方法，用于通过已知数据点推测未知数据点的数值。

插值是一种通过已知数据点构建一个函数，以便在这些数据点之间进行预测。

而拟合是一种将一个函数与已知数据点进行匹配，以便预测未知数据点的数值。

插值的目标是通过经过已知数据点的连续函数来准确地估计未知数据点的数值。

最简单的插值方法是线性插值，它假设两个相邻数据点之间的函数值是线性变化的。

线性插值可以用于计算两个已知数据点之间的任何位置的函数值。

如果我们有更多的数据点，可以使用更高阶的插值方法，如二次插值或三次插值。

这些方法使用多项式来表示数据点之间的函数，以便更准确地预测未知数据点。

然而，插值方法并不总是最理想的选择。

在某些情况下，通过已知数据点精确地构建一个连续函数是不可能的。

这可能是因为数据点之间的差异太大，或者数据点的数量太少。

在这种情况下，拟合方法可以提供更好的预测结果。

拟合的目标是找到一个函数，使其与已知数据点的误差最小。

最常用的拟合方法是最小二乘拟合，它通过最小化数据点的残差的平方和来找到最佳拟合函数。

最小二乘拟合可以用于各种不同的函数类型，如线性拟合、多项式拟合、指数拟合等。

根据数据点的分布和特性，我们可以选择适当的拟合函数来获得最准确的预测结果。

在实际应用中，插值和拟合方法经常同时使用。

例如，在地理信息系统中，我们可能需要通过已知地点的气温数据来估计未知地点的气温。

我们可以使用插值方法来构建一个连续函数，以便在已知地点之间预测未知地点的气温。

然后，我们可以使用拟合方法来匹配这个连续函数与其他已知数据点，以提高预测的准确性。

插值和拟合方法在科学、工程、金融等各个领域都有广泛的应用。

在科学研究中，它们可以用于数据分析和预测，以帮助我们理解和解释实验结果。

在工程中，它们可以用于控制系统设计、信号处理和机器学习等领域。

在金融领域，它们可以用于市场预测和风险管理等重要任务。

总而言之，插值和拟合是数值计算中常用的方法，用于通过已知数据点推测未知数据点的数值。

数值分析中的插值与拟合

数值分析中的插值与拟合插值和拟合是数值分析中常用的技术，用于估计或预测数据集中缺失或未知部分的数值。

在本文中，我们将讨论插值和拟合的概念、方法和应用。

一、插值插值是通过已知数据点之间的连续函数来估计中间数据点的数值。

插值方法可以根据不同的数据和需求选择合适的插值函数，常用的插值方法包括拉格朗日插值、牛顿插值和埃尔米特插值。

1.1 拉格朗日插值拉格朗日插值是一种基于多项式的插值方法。

通过已知的n个数据点，可以构建一个n-1次的插值多项式。

这个多项式通过已知数据点上的函数值来准确地经过每一个点。

1.2 牛顿插值牛顿插值方法也是一种多项式插值方法，通过差商的概念来构建插值多项式。

差商是一个递归定义的系数，通过已知数据点的函数值计算得出。

牛顿插值可以通过递推的方式计算出插值多项式。

1.3 埃尔米特插值埃尔米特插值是一种插值方法，适用于已知数据点和导数值的情况。

它基于拉格朗日插值的思想，通过引入导数信息来逼近数据的真实分布。

埃尔米特插值可以更准确地估计数据点之间的值，并且可以保持导数的连续性。

二、拟合拟合是通过一个模型函数来逼近已知数据点的数值。

拟合方法旨在找到最适合数据集的函数形式，并通过最小化误差来确定函数的参数。

常见的拟合方法包括最小二乘法、多项式拟合和曲线拟合。

2.1 最小二乘法最小二乘法是一种常用的拟合方法，通过最小化数据点到拟合函数的误差平方和来确定最佳拟合曲线或曲面。

最小二乘法适用于线性和非线性拟合问题，可以用于拟合各种类型的非线性函数。

2.2 多项式拟合多项式拟合是一种基于多项式函数的拟合方法。

通过多项式的线性组合来近似已知数据集的数值。

多项式拟合可以通过最小二乘法或其他优化算法来确定拟合函数的系数。

2.3 曲线拟合曲线拟合是一种用曲线函数来逼近已知数据点的拟合方法。

曲线函数可以是非线性的，并且可以根据数据的特点进行选择。

曲线拟合可以通过优化算法来确定拟合函数的参数。

三、应用插值和拟合在数值分析中有广泛的应用。

数值分析实验报告插值与拟合

解：（1）
结果分析：高次插值稳定性差，而低次插值对于较大区间逼近精度又不够，而且，随着节点的加密，采用高次插值，插值函数两端会发生激烈震荡。解决这一矛盾的有效方法就是采用分段低次代数插值。
（2）
通过采用分段线性插值得到以下结果：
结果分析：通过采用分段线性插值，发现随着插值节点增多，插值计算结果的误差越来越小，而且分段线性插值的优点是计算简单，曲线连续和一致收敛，但是不具有光滑性。
拟合是指通过观察或测量得到一组离散数据序列，i=1,2，…，m，构造插值函数逼近客观存在的函数，使得向量与的误差或距离最小。
可知当基函数的选择不同时，拟合函数的误差也会不同，所以在对数据进行拟合时应选择适合的基函数。
三、练习思考
整体插值有何局限性？如何避免？
答：整体插值的过程中，若有无效数据则整体插值后插值曲线的平方误差会比较大，即在该数据附近插值曲线的震动幅度较大。在插值处理前，应对原始数据进行一定的筛选，剔除无效数据。
②相同点：通过已知一些离散点集M上的约束，求取一个定义在连续集合S(M包含于S)的未知连续函数，从而达到获取整体规律目的
四、本次实验的重点难点分析
答:加强了对插值和拟合的认识，了解了其算法思想，并使用matlab将其实现。学会了观察插值拟合后的图形，并分析其问题。
画图进行比较：
通过观察图像，经比较可知两结果是很接近的。
2．区间作等距划分：，以（）为节点对函数进行插值逼近。（分别取）
（1）用多项式插值对进行逼近，并在同一坐标系下作出函数的图形，进行比较。写出插值函数对的逼近程度与节点个数的关系，并分析原因。
（2）试用分段插值（任意选取）对进行逼近，在同一坐标下画出图形，观察分段插值函数对的逼近程度与节点个数的关系。