插值拟合方法总结
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。
插值与拟合
且 f(1.5) ≈L1(1.5) = 0.885。
Lagrange插值法的缺点
• 多数情况下，Lagrange插值法效果是不错的， 但随着节点数n的增大，Lagrange多项式的次 （Runge）现象。
• 例：在[-5,5]上用n+1个等距节点作插值多项 式Ln(x),使得它在节点处的值与函数y = 1/(1+25x2)在对应节点的值相等，当n增大时， 插值多项式在区间的中间部分趋于y(x)，但 对于满足条件0.728<|x|<1的x， Ln(x)并不趋 于y(x)在对应点的值，而是发生突变，产生 剧烈震荡，即Runge现象。
总结
• 拉格朗日插值：其插值函数在整个区间 上是一个解析表达式；曲线光滑；收敛 性不能保证，用于理论分析，实际意义 不大。
• 分段线性插值和三次样条插值：曲线不 光滑（三次样条已有很大改进）；收敛 性有保证；简单实用，应用广泛。
1.2 二维插值
• 二维插值是基于一维插值同样的思想， 但是它是对两个变量的函数Z=f(x,y)进 行插值。
• n=5; • x0=-1:1/(n-1):1;y0=1./(1+25*x0.^2);y1=lagr(x0,y0,x); • subplot(2,2,2), • plot(x,z,'r-',x,y,'m-'),hold on %原曲线 • plot(x,y1,'b'),gtext('L8(x)','FontSize',12),pause %Lagrange曲线
基函数为
l0 (x)
x x1 x0 x1
x2 1 2
2
x
l1(x)
线性插值函数为
第二章插值与拟合
1 不为零。
xn
n xn xn
实 用 测 量 数 据 处 理 方 法
中 南 大 学
三、线性插值
假定已知区间[xk, xk+1] 的端点处的函数值 yk=f(xk), yk+1=f(xk+1),要求线性插值多项式 L1(x),使它满足 L1(xk)=yk
L1(xk+1)=yk+1
则L1(x)的表达式可按下式给出：
实 用 测 量 数 据 处 理 方 法
中 南 大 学
l k 1 ( x k 1 ) 1, l k 1 ( x j ) 0( j k , k 1) l k ( x k ) 1, l k ( x j ) 0( j k 1, k 1) (28) l k 1 ( x k 1 ) 1, l k 1 ( x j ) 0( j k 1, k ) 满足（28 ）式的插值基函数很容 易求出的，例如求 l k 1 ( x)，因为它有两个零点 k 和x k 1，故可表达为： x l k 1 ( x) A( x x k )(x x k 1 ) 其中A为待定系数可由 k 1 ( x k 1 ) 1定出： l 1 A ( x k 1 x k )(x k 1 x k 1 ) ( x x k )(x x k 1 ) 于是l k 1 ( x)＝ ，同理可得 ( x k 1 x k )(x k 1 x k 1 ) ( x x k－1 )(x x k 1 ) ( x x k 1 )(x x k ) l k ( x)＝ ，l k 1 ( x)＝ ( x k x k－1 )(x k x k 1 ) ( x k＋1 x k 1 )(x k 1 x k )
解：2、抛物插值
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。
插值与拟合问题
插值与拟合问题插值与拟合是数学和计算机科学领域中常见的问题，涉及到通过已知数据点来估计未知点的值或者通过一组数据点来逼近一个函数的过程。
在现实生活中，这两个问题经常用于数据分析、图像处理、物理模拟等领域。
本文将介绍插值与拟合的基本概念、方法和应用。
一、插值问题插值是通过已知的数据点来推断出未知点的值。
在插值问题中，我们假设已知数据点是来自于一个未知函数的取值，在这个函数的定义域内，我们需要找到一个函数或者曲线，使得它经过已知的数据点，并且可以通过这个函数或者曲线来估计未知点的值。
常见的插值方法包括线性插值、拉格朗日插值和牛顿插值。
线性插值是通过已知的两个数据点之间的直线来估计未知点的值，它简单而直观。
拉格朗日插值则通过构造一个关于已知数据点的多项式来估计未知点的值，这个多项式经过每一个已知数据点。
牛顿插值和拉格朗日插值类似，也是通过构造一个多项式来估计未知点的值，但是它使用了差商的概念，能够更高效地处理数据点的添加和删除。
不仅仅局限于一维数据点的插值问题，对于二维或者更高维的数据点，我们也可以使用类似的插值方法。
例如，对于二维数据点，我们可以使用双线性插值来估计未知点的值，它利用了四个已知数据点之间的线性关系。
插值问题在实际应用中非常常见。
一个例子是天气预报中的气温插值问题，根据已知的气温观测站的数据点，我们可以估计出其他地点的气温。
另一个例子是图像处理中的像素插值问题，当我们对图像进行放大或者缩小操作时，需要通过已知像素点来估计未知像素点的值。
二、拟合问题拟合是通过一组数据点来逼近一个函数的过程。
在拟合问题中，我们假设已知的数据点是来自于一个未知函数的取值，我们需要找到一个函数或者曲线，使得它能够与已知的数据点尽可能地接近。
常见的拟合方法包括多项式拟合、最小二乘拟合和样条拟合。
多项式拟合是通过一个多项式函数来逼近已知的数据点，它的优点是简单易用，但是对于复杂的函数形态拟合效果可能不好。
最小二乘拟合则是寻找一个函数，使得它与已知数据点之间的误差最小，这个方法在实际应用中非常广泛。
插值与拟合算法分析
插值与拟合算法分析在数学与计算机科学领域，插值与拟合算法是两种常用的数据处理技术。
插值算法通过已知数据点之间的内插来估算未知数据点的值，而拟合算法则通过求取最佳拟合曲线或函数来逼近已知数据点。
本文将对插值与拟合算法进行详细分析，并比较它们在不同应用中的优缺点。
一、插值算法插值算法主要用于通过已知数据点之间的内插来估算未知数据点的值。
常用的插值算法包括拉格朗日插值、牛顿插值、样条插值等。
这些算法根据插值函数的不同特点，适用于不同类型的数据处理。
1. 拉格朗日插值拉格朗日插值是一种基于代数多项式的插值方法。
它通过构造一个全局多项式函数来拟合已知数据点，并推导出未知数据点的估算值。
拉格朗日插值算法具有简单易懂、计算效率高等优点，但在处理大量数据点时可能会出现龙格现象，导致插值结果有一定误差。
2. 牛顿插值牛顿插值是一种基于差商的插值方法。
它通过计算差商的递推关系，构造一个分段多项式函数来拟合已知数据点。
相比于拉格朗日插值，牛顿插值算法具有更高的数值稳定性和精度，并且可以方便地进行动态插值。
3. 样条插值样条插值是一种基于分段函数的插值方法。
它将整个数据区间划分为若干小段，并使用不同的插值函数对每一段进行插值。
样条插值算法通过要求插值函数的高阶导数连续，能够更好地逼近原始数据的曲线特征，因此在光滑性较强的数据处理中常被使用。
二、拟合算法拟合算法主要用于通过最佳拟合曲线或函数来逼近已知数据点。
常用的拟合算法包括最小二乘拟合、多项式拟合、非线性拟合等。
这些算法可以使拟合曲线与已知数据点尽可能地接近，从而进行更精确的数据分析和预测。
1. 最小二乘拟合最小二乘拟合是一种通过最小化残差平方和来求取最佳拟合曲线的方法。
它利用数据点与拟合曲线的差异来评估拟合效果，并通过求取最小残差平方和的参数值来确定拟合曲线的形状。
最小二乘拟合算法广泛应用于线性回归和曲线拟合等领域。
2. 多项式拟合多项式拟合是一种通过多项式函数来逼近已知数据点的方法。
数学建模插值和拟合问题的总结
插值和数据拟合一、 插值方法问题：已知n+1个节点(x j ,y j )(j=0,1,…,n)，a=x 0<x 1<…< x n =b ，求任一插值点x*处的插值y*方法：构造一个相对简单的函数y=f(x)，使得f 通过所有节点，即f(x j )= y j ,再用y=f(x)计算x*的值。
1. 拉格朗日多项式插值设f(x)是n 次多项式，记作1110()n n n n n L x a x a x a x a --=++++要求对于节点(,)j j x y 有(),0,1,,n j j L x y j n ==将n+1个条件带入多项式，就可以解出多项式的n+1个系数。
实际上，我们有n 次多项式011011()()()()()()()()()i i n i i i i i i i n x x x x x x x x l x x x x x x x x x -+-+----=----满足1,()0,,,0,1,,i j i jl x i j i j n =⎧=⎨≠=⎩则0()()nn i i i L x y l x ==∑就是所要的n 次多项式，称为拉格朗日多项式。
由拉格朗日多项式计算的插值称为拉格朗日插值。
一般来讲，并不是多项式的阶数越高就越精确，一般采用三阶、二阶或一阶（线性）多项式，对相邻点进行分段插值。
2. 样条插值在分段插值时，会造成分段点处不光滑，如果要求在分段点处光滑，即不仅函数值相同，还要一阶导数和二阶导数相同，则构成三阶样条插值。
一般用于曲线绘制，数据估计等。
例 对21,[5,5](1)y x x =∈-+，用n=11个等分节点做插值运算，用m=21个等分插值点作图比较结果。
见inter.m 程序二、 曲线拟合 三、 给药方案 １． 问题一种新药用于临床必须设计给药方案，在快速静脉注射的给药方式下，就是要确定每次注射剂量多大，间隔时间多长．我们考虑最简单的一室模型，即整个机体看作一个房室，称为中心室，室内血液浓度是均匀的．注射后浓度上升，然后逐渐下降，要求有一个最小浓度1c 和一个最大浓度2c ．设计给药浓度时，要使血药浓度保持在1c ~2c 之间．２． 假设（１）药物排向体外的速度与中心室的血药浓度成正比，比例系数是k(>0)，称为排出速度．（２）中心室血液容积为常数V ，t=0的瞬间注入药物的剂量为d ，血药浓度立即为dV． ３． 建模设中心室血药浓度为c(t)，满足微分方程(0)dckc dtd c V=-=用分离变量法解微分方程，有()ktd c te V-=(*) ４． 方案设计每隔一段时间τ，重复注入固定剂量D ，使血药浓度c(t)呈周期变化，并保持在1c ~2c 之间．如图：设初次剂量加大到D 0，易知0221,D Vc D Vc Vc ==-，2121()11ln[],()()ln c Vc t t t c t c k d k c τ=-=-= 那么，当12,c c 确定后，要确定给药方案0{,,}D D τ，就要知道参数V 和k ．５． 由实验数据做曲线拟合确定参数值已知1210,25(/)c c g ml μ==，一次注入300mg 药物后，间隔一定ln lndc kt V=- 记12ln ,,lndy c a k a V==-=，则有 12y a t a =+求解过程见medicine_1.m得120.2347, 2.9943a a =-=，由d=300(mg)代入算出k=0.2347,V=15.02(L) 从而有0375.5(),225.3(), 3.9()D mg D mg τ===小时四、 口服给药方案 １． 问题口服给药相当于先有一个将药物从肠胃吸收入血液的过程，可简化为一个吸收室，一个中心室，记t 时刻，中心室和吸收室的血液浓度分别是1()()c t c t 和，容积分别是V ,V1，中心室的排除速度为k ，吸收速度为k1，且k,k1分别是中心室和吸收室血液浓度变化率与浓度的比例系数，t=0口服药物的剂量为d ，则有11111,(0)dc dk c c dt V =-= (1) 111,(0)0V dckc k c c dt V=-+= (2) 解方程(1)有111()k td c te V -=代入方程(2)有111()()k t kt k d c t e e V k k--=--其中三个参数1,,dk k b V=,可由下列数据拟合得到：（非线性拟合）。
多项式插值与拟合
多项式插值与拟合多项式插值与拟合技术是数学领域中一种常用的数据处理方法。
它可以有效地根据给定的数据点集，通过构造一个多项式函数，来近似描述数据的整体趋势。
本文将介绍多项式插值与拟合的基本原理、方法和应用。
一、多项式插值的原理和方法多项式插值是一种通过已知数据点集来构造与之完全吻合的多项式函数的方法。
它基于一个重要的数学定理：给定n+1个不同的数据点，存在一个n次多项式可以通过这些数据点。
在多项式插值中，最常用的插值方法是拉格朗日插值和牛顿插值。
拉格朗日插值使用一个n次多项式来逼近给定的数据点，使得多项式通过所有数据点；而牛顿插值则利用了差商的概念，使用一个n次多项式来逼近数据点，从而构造插值多项式。
二、多项式拟合的原理和方法多项式拟合是一种通过已知数据点集来找到一个次数较低的多项式函数，以最佳拟合数据的方法。
与多项式插值不同，多项式拟合不要求多项式经过所有数据点，而是通过最小化误差函数来找到最优解。
最常见的多项式拟合方法是最小二乘拟合，也称为线性最小二乘拟合。
该方法通过最小化数据点到拟合曲线的垂直距离之和，来得到最优的拟合曲线。
经过最小二乘拟合后，可以得到一个最佳的多项式函数，以最小化误差。
三、多项式插值与拟合的应用多项式插值与拟合广泛应用于各个领域的数据处理和分析中。
以下列举几个典型的应用场景：1. 数据重建：当给定一组具有缺失数据点的数据集时，通过多项式插值可以估计出缺失数据点的数值，从而恢复完整的数据集。
2. 数据平滑：多项式拟合可以通过将原始数据点拟合为平滑的曲线或者曲面，从而更好地展示数据的整体趋势，去除数据的噪声干扰。
3. 数据预测：基于已知的数据点，可以使用多项式拟合方法预测未来或未知的数据点的数值，为决策和规划提供依据。
4. 图像处理：多项式插值和拟合在图像处理中也有广泛应用，例如图像修复、数字图像放大等。
总结：多项式插值与拟合是一种有效的数据处理方法，可以用于数据重建、数据平滑、数据预测和图像处理等领域。
(完整版)数学建模 插值和拟合
x
xn
x
4.2 MATLAB实现插值
Matlab 实现：实现插值不需要编制函 数程序，它自身提供了内部的功能函数 interp1(一维分段插值) interp2(二维) interp3(三维) intern(n维)
4.3.1一维插值
用MATLAB作插值计算
一维插值函数： yi=interp1(x，y，xi，'method')
h=1:0.1:12;
t=interp1(hours,temps,h,'spline');
plot(hours,temps,'+',h,t,'r:')
xlabel('Hour'),ylabel('Degrees Celsius’)
例1：从1点12点的11小时内，每隔1小时测量一次温度， 测得的温度的数值依次为：5，8，9，15，25，29， 31，30，22，25，27，24．试估计(1)每隔1/10小时 的温度值;（2）估计1点30分和13的温度值。
例1：从1点到12点的11小时内，每隔1小时测量一次温 度，测得的温度的数值依次为：5，8，9，15，25， 29，31，30，22，25，27，24．试估计(1)每隔 1/10小时的温度值;（2）估计1点30分和13的温度值。
hours=1:12;
temps=[5 8 9 15 25 29 31 30 22 25 27 24];
x x0 y y0
x1 … xn y1 … yn
其中x0,x1, …xn是n+1个互不相同的点，求一个 近似函数 (x) ，使得
( xi ) f ( xi ) i 0,1 …n
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。
数值分析实验插值与拟合
数值分析实验插值与拟合插值是指根据已知的数据点，通过其中一种数学方法来构造一个函数，使得该函数在已知的数据点上与被插值函数相等。
插值方法可以分为两类：基于多项式的插值和非多项式插值。
基于多项式的插值方法中，最常用的是拉格朗日插值和牛顿插值。
拉格朗日插值方法通过一个n次多项式来逼近被插值函数，该多项式通过n个已知数据点中的所有点。
牛顿插值方法则通过一个n次多项式来逼近被插值函数，该多项式通过n个已知数据点中的前m+1个点。
非多项式插值方法中，最常用的是分段线性插值和样条插值。
分段线性插值方法将插值区间划分为多个小段，在每一段内使用线性函数来逼近被插值函数。
样条插值方法则使用分段低阶多项式来逼近被插值函数，保证了插值函数和原函数在插值区间内的连续性、光滑性。
拟合是指在给定的离散数据点集合上，通过选取一个函数，使得该函数与数据点之间的误差最小化。
拟合方法可以分为两类：线性拟合和非线性拟合。
线性拟合方法中，最简单的是最小二乘法。
最小二乘法拟合是通过最小化观测数据与拟合函数的残差平方和来选择最佳函数参数。
在实验中，最小二乘法常用于线性回归问题，例如估计一个直线或者平面来拟合数据。
非线性拟合方法中，最常用的是非线性最小二乘法和局部加权回归。
非线性最小二乘法通过将非线性拟合问题转化为线性问题，使用最小二乘法来寻找最佳参数。
局部加权回归方法则通过给予不同数据点不同的权重，以更好地逼近数据点。
在数值分析实验中，插值与拟合可以应用于各种实际问题。
例如，在地理信息系统中，通过已知的地理坐标点来插值出未知点的地理信息。
在气象学中，通过已知的气象数据点来插值出未知点的气象信息。
在工程学中，通过已知的测量数据点来拟合出一个最佳的拟合函数来预测未来的测量值。
需要注意的是，插值和拟合的精度在很大程度上取决于数据的分布和拟合函数的选择。
如果数据点过于稀疏或者数据点中存在异常值，可能导致插值和拟合结果不准确。
因此，在进行插值和拟合之前，需要对数据进行预处理，例如去除异常值、平滑数据等。
插值与拟合实验总结
插值与拟合实验总结《插值与拟合实验总结》哎呀！说起这个插值与拟合实验，那可真是让我大开眼界呀！实验一开始，老师就像个神奇的魔法师，给我们展示了各种奇妙的数据和图形。
我瞪大眼睛，心里直犯嘀咕：“这都是些啥呀？” 旁边的同桌小明也皱着眉头，小声跟我说：“这可难倒我啦，你能明白不？” 我摇摇头，感觉脑袋都要变成浆糊啦。
老师先给我们讲了插值的概念，这就好比我们要在一些分散的点之间，找到那些“失踪”的点，把它们连起来，形成一条光滑的曲线。
这难道不像我们玩拼图游戏，要把那些缺失的部分找出来，拼出完整的图案吗？我心里想着，这也太有趣了吧！接着我们就开始动手操作啦。
我紧紧握着笔，眼睛盯着屏幕，手忙脚乱地计算着。
哎呀，这数字怎么就不听我使唤呢？我急得直跺脚。
“别着急，慢慢来！”后桌的小红安慰我道。
在做拟合实验的时候，那感觉就像是要给一群调皮的孩子找到一个合适的队伍，让他们排得整整齐齐。
我们尝试着用不同的方法，去找到那个最能代表这些数据的曲线。
这过程可不轻松，一会儿这个方法不行，一会儿那个又出错。
我都快被这些数据绕晕啦！“这到底怎么才能做好呀？”我忍不住抱怨起来。
“别灰心，我们再试试别的办法。
”小组里的小刚鼓励着大家。
经过一次次的尝试和失败，我们终于有了一些成果。
当看到那漂亮的曲线完美地贴合了数据点，我高兴得差点跳起来！那种成就感，就像在沙漠里走了好久好久，终于找到了一片绿洲。
你说，这插值与拟合实验是不是像一场刺激的冒险？我们在数据的海洋里探索，有时候迷失方向，有时候又柳暗花明。
通过这次实验，我明白了做事情不能着急，要有耐心，要不断尝试。
就像我们在实验里，一次不行就再来一次，总会找到解决办法的。
而且团队合作也特别重要，大家一起出主意，互相鼓励，才能取得好结果。
所以呀，这次实验虽然充满了挑战，但真的让我学到了好多好多！。
第8讲 excel 插值与拟合
常用插值方法
一维插值-一个自变量
线性插值、一次插值 非线性插值
二次插值 三次插值 三次样条插值
二维插值-两个自变量
1.1.1 线性插值
已知数据点x0,y0,x1,y1(x0<x1)，求 在x处(x0<x<x1)相应的y值。 y1 解法：由x0,y0,x1,y1构造直线方程：
0.2 0.6 0.8
p
0.4
0.495
由表1-2的数据观测可得，DME 的饱和蒸气压和温度有正相关关系， 0.0 -30 -20 -10 0 10 20 30 40 如果以函数p=a+bt来拟合,则拟合函 t 数是一条直线。通过计算均方误差Q ( a , b )最小值而确定直线方程。
Q(a, b) ( p(ti ) pi ) (a bti pi ) 2
i 1 m
y
m
i
x
i 1 m i 1 2 i
m
i
m
x
i 1 m i 1
m
i
2 x i m
xi
i 1 m i 1
m
2 x i m m
( yi x xi xi yi ) /(m x ( xi ) 2 )
i 1 i 1 2 i i 1
b (m xi yi xi yi ) (m x ( xi ) 2 )
0.6
0.4 y=0.24845+0.00957 x+0.00015 x2 0.2
0.0 -30 -20 -10 0 10 20 30 40 50
温度 , t(℃ )
图1-4 DME饱和蒸气压和温度之间的 二次拟合
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。
第4章_插值与拟合-牛顿法
第4章 插值与拟合
4.3 差商与牛顿插值公式
Lagrange 插值多项式的基函数：
l j ( x)
( x x0 )(x x1 )( x x j 1 )(x x j 1 )( x xn ) ( x j x0 )(x j x1 )( x j x j 1 )(x j x j 1 )( x j xn )
4.3.3 牛顿插值余项
若将 x xi , (i 0,1,, n) 视为一个节点,则由一阶均差定义 有
f ( x) f ( x0 ) f [ x, x0 ](x x0 )
同理,由二阶均差定义 有
f ( x0 ) f ( x) f [ x, x0 ] f [ x, x0 ] f [ x0 , x1 ] f [ x, x0x ,0x1 ]( xx x1 )
j 1 k 0
n
j 1
2.差商的性质
性质1：差商与函数值的关系 f(x) 关于 x0 , x1 ,, xk 1 , xk 的 k 阶差商是 f(x) 在这些点上 函数值的线性组合,即
1 f [ x0 , x1 ,, xk 1 , xk ] f ( x j ) j 0 i 0 x j xi
(i j k )
为 f ( x) 关于节点 xi , x j , xk 的二阶差商
最后一个节点－倒 数第二个节点
称
缺倒数第二个节点
缺最后一个节点
f [ x0 , x1,, xk 1, xk ]
f [ x0 , x1 ,, xk 2 , xk ] f [ x0 , x1 ,, xk 1 ] xk xk 1
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。
插值与拟合方法
插值与拟合方法插值和拟合是数学中常用的方法，用于根据已知数据点的信息，推断出未知数据点的数值或函数的形式。
插值和拟合方法是经典的数学问题，应用广泛，特别是在数据分析、函数逼近和图像处理等领域。
1.插值方法：插值方法是通过已知数据点的信息，推断出两个已知数据点之间的未知数据点的数值。
插值方法的目的是保证插值函数在已知数据点处与实际数据值一致，并且两个已知数据点之间的连续性良好。
最常用的插值方法是拉格朗日插值法和牛顿插值法。
拉格朗日插值法根据已知数据点的横纵坐标，构造一个多项式函数，满足通过这些数据点。
拉格朗日插值法可以用于任意次数的插值。
牛顿插值法是使用差商的概念进行插值。
差商是指一个多项式在两个数据点之间的斜率。
牛顿插值法通过迭代计算得到与已知数据点一致的多项式。
插值方法的优点是可以精确地经过已知数据点，但是在两个已知数据点之间的插值部分可能会出现震荡现象，从而导致插值结果不准确。
2.拟合方法：拟合方法是通过已知数据点的信息，找出一个函数或曲线，使其能够最好地拟合已知数据点。
拟合方法的目标是寻找一个函数或曲线，尽可能地逼近已知数据点，并且能够在未知数据点处进行预测。
最常用的拟合方法是最小二乘法。
最小二乘法是通过求解最小化残差平方和的问题来进行拟合。
残差是指已知数据点与拟合函数的差异。
最小二乘法的目标是找到一个函数，使得所有数据点的残差平方和最小。
拟合方法的优点是可以得到一个光滑的函数或曲线，从而可以预测未知数据点的数值。
但是拟合方法可能会导致过拟合问题，即过度拟合数据点，导致在未知数据点处的预测结果不准确。
除了最小二乘法，还有其他的拟合方法，如局部加权回归和样条插值等。
局部加权回归是一种基于最小二乘法的拟合方法，它通过赋予不同的数据点不同的权重，来实现对未知数据点的预测。
样条插值是一种基于多项式插值的拟合方法，它将整个数据集分段拟合，并且在分段部分保持连续性和光滑性。
总结：插值和拟合方法是数学中的经典方法，用于根据已知数据点的信息，推断出未知数据点的数值或函数的形式。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
解法二：使用 ployfit() 函数 clear t=[20.5 32.7 51 73 95.7]; R=[765 826 873 942 1032]; x=t'; y=R'; p=polyfit(x,y,1) p= 3.3987 702.0968
即a1=702.0968, a2=3.3987，因此拟合的函数为 y=702.0968+3.3987x 将x=60代入计算得y=906
第i个点的 拟合值
问题一 【温度与电阻的关系模型】有一个对温度敏感的 电阻，现测得一组温度t与电阻R的数据。见表9.1
表 9.1
t R
20.5 765
32.7 826
51.0 873
73 942
95.7 1032
试给出温度与电阻间的函数关系，并计算温度为60度 时的电阻值 一、模型假设 假设所测数据均为抽样数据. 二、模型的分析与建立 先画出散点图，见下图.
R
regress() 函数与polyfit() 函数的区别
• regress() 函数主要用于线性拟合，在拟合时进行显著性
检验，故称为回归函数.
• Polyfit() 函数主要是利用多项式拟合. 它可以是线性或非 线性. • Remark: polyfit(x, y, m)表示用m 次多项式拟合数据x, y.
先用Matlab画出散点图.
45 40
y(tu dou chan liang)
35
30
25
20
15
0
50
100
150
200 250 300 x(dan fei liang)
350
400
450
500
可以看出散点图呈二次曲线图形，可取如下拟合函数
y ax bx c
2
其中x表示氮肥量，y表示土豆产量。a,b,c为待定系数。 三、模型求解 abc = -0.0003 0.1971 14.7416
选择何种曲线拟合最好呢？
首先可在坐标轴上画出数据的散点图，通过观察选择 几种合适的曲线分别拟合，通过比较，哪条曲线的最小二 乘指标J 最小即为最好的拟合曲线. 第i个点的 实际值
2
J [ f ( xi ) yi ]
i 1 2 i i 1
n
n
表示第i个点的拟 合值与实际值的绝 对误差
三、模型求解
可用Matlab计算.
解法一：使用 regress() 函数 t=[20.5 32.7 51 73 95.7]; R=[765 826 873 942 1032]; x=[ones(5,1),t']; y=R'; b=regress(y,x,0.05) b= 702.0968 3.3987
y a1 a2 x
y1 a1 a2 x1 y1 1 x1 y2 y a a x 1 x 2 1 2 2 2 a1 T T y y a a x 1 x Ax b A Ax A b 3 3 1 2 3 3 a2 y a a x 1 2 4 y4 1 x4 4 1 x y t=[20.5 32.7 51 73 95.7]; y a a x 5 5 1 2 5 5
y
解法2
使用非线性拟合函数nlinfit( ). 首先建立Fun7_1.m 文件如下： function y=Fun7_1(a,t) y=a(1)*exp(-a(2)*t);
不妨取a=20, 由t=1时，y=15.36算出b=0.264取 a0=[20 0.264]; 用Matlab求解如下 a =20.2413 0.2420 clear t=[0.25 0.5 1 1.5 2 3 4 6 8]; y=[19.21 18.15 15.36 14.10 12.89 9.32 7.45 5.24 3.01]; a0=[20,0.264]; a=nlinfit(t,y,'fun7_1',a0)
Y b1 b2t.
用Matlab求解如下:
b = -0.2347 2.9943
即 b1=2.9943 b2=-0.2347
clear t=[0.25 0.5 1 1.5 2 3 4 6 8]; y=[19.21 18.15 15.36 14.10 12.89 9.32 7.45 5.24 3.01]; Y=log(y); b=polyfit(t,Y,1)
1050
1000Βιβλιοθήκη t=[20.5 32.7 51 73 95.7];
950
R=[765 826 873 942 1032]; plot(t,R,'*')
900
R
xlabel('t')
850
ylabel('R')
800
750 20
30
40
50
60 t
70
80
90
100
观察上图不难发现：散点基本上在一条直线上，因 此可假设电阻与温度满足一次函数（或称线性函数）. 设拟合函数为 y=a1+a2x
第 4讲
数据的插值拟合法
4.1 数据的拟合方法
4.2 数据的插值方法
4.1 数据的拟合方法
问
已知n个数据点（xi, yi)，i=1,2,…,n，xi互不相 同，如何寻求函数 y=f(x) ，使f(x)在某种准则下 与这n个点最接近？
题
一、拟合原理
拟合模型通过寻找简单的因果变量之间的数量关 系，对未知的情形作出预测与预报. Remark ：不必要求近似函数的曲线或曲面通过所有的 数据点.
Y 20.2413 e0.242t .
22 20 18 16 14 12 10 8 6 4 2 shiji jiefa2 jiefa1
t=[0.25 0.5 1 1.5 2 3 4 6 8]; y=[19.21 18.15 15.36 14.10 12.89 9.32 7.45 5.24 3.01]; plot(t,y,'*');hold on a0=[20,0.264]; a=nlinfit(t,y,'fun7_1',a0); t=0:0.01:9; plot(t,a(1).*exp(-a(2).*t)) hold on plot(t,19.9714.*exp(0.2347.*t),'r') xlabel('t');ylabel('y')
clear x=[0 34 67 101 135 202 259 336 404 471]; y=[15.18 21.36 25.72 32.29 34.03 39.45 43.15 43.46 40.83 30.75]; abc=polyfit(x,y,2) x1=0:471; y1=polyval(abc,x1); plot(x,y,'*',x1,y1) xlabel('x(dan fei liang)') ylabel('y(tu dou chan liang)')
1050 shiji nihe 1000
950
900
850
800
750 20
30
40
50
60 t
70
80
90
实际值与拟合图
clear t=[20.5 32.7 51 73 95.7]; R=[765 826 873 942 1032]; plot(t,R,'*') xlabel('t'); ylabel('R') hold on 100 t=20:0.1:100; plot(t,702.0968+3.3987.*t)
1 20.5 1 32.7 A 1 51 1 73 1 95.7
a1 x , a2
765 826 b 873 942 1032
R=[765 826 873 942 1032]; A=[ones(5,1),t']; b=R'; a1a2=A\b a1a2 = 702.0968 3.3987
问题2 【农业生产实验模型】在研究农业生产的试验中， 为分析某地区土豆产量与化肥的关系，得到了每公顷地 的氮肥的施肥量与土豆产量的对应关系，见图9.2
表9.2 氮肥量 (kg) 0 34 67 101 135 202 259 336 404 471
土豆产 15.18 21.36 25.72 32.29 34.03 39.45 43.15 43.46 40.83 30.75 量(kg)
二、拟合模型的分类与方法
1. 直线拟合：用一次函数或称线性函数拟合数据.
2. 曲线拟合：若直线拟合效果不佳，可提高拟合精度，
用曲线拟合数据. 常用的是二次函数、三次函数等高 次多项式，有时也会用到指数函数、对数函数、三
角函数等.
3. 观察数据修匀：根据数据分布的总趋势去剔除观察数 据中的偶然误差，即数据修匀（或称数据光滑）问 题. 4. 分段拟合：在不同段上用不同的低次多项式进行拟合.
表 9.3 t(h) 0.25 0.5 1 1.5 2 3 9.32 4 7.45 6 5.24 8 3.01
y(ug/ml) 19.21 18.15 15.36 14.10 12.89
求血药深度随时间的变化规律y(t) 一、模型假设 1. 假设 t=0 时，y=0. 2. 假设实验数据为抽样数据，能反映血药浓度与时间 的关系
请根据表9.2的数据，给出土豆产量与氮肥施肥量之间的关系
一、模型假设 假设实验数据为抽样数据. 假设其他化肥用量不变. 二、模型分析与建立 clear x=[0 34 67 101 135 202 259 336 404 471]; y=[15.18 21.36 25.72 32.29 34.03 39.45 43.15 43.46 40.83 30.75]; plot(x,y,'+') xlabel('x(dan fei liang)') ylabel('y(tu dou chan liang)')