曲线拟合与函数插值
曲线拟合与插值方法的数学原理
曲线拟合与插值方法的数学原理现代科学技术的发展离不开数学的支持，而在数学领域中，曲线拟合与插值方法是一种常用的数学原理。
本文将从数学角度探讨曲线拟合与插值方法的原理及其应用。
曲线拟合是指利用已知的数据点，通过一定的数学方法找到与这些数据点最为契合的曲线。
在实际应用中，往往通过曲线拟合方法来预测未知数值，从而达到分析数据、优化设计等目的。
而曲线插值则是指通过已知数据点之间的光滑曲线来逼近实际函数的方法。
曲线插值要求插值函数通过所有给定的数据点，从而保证精确度要求。
曲线拟合与插值方法的数学原理主要涉及到数值分析、逼近论、微积分等数学知识。
在曲线拟合中，常用的方法包括最小二乘法、最小二乘多项式拟合、最小二乘非线性拟合等。
最小二乘法是一种通过最小化误差平方和来确定未知参数的优化方法，能够有效降低数据测量误差对拟合结果的影响。
在曲线插值方法中，常用的技术包括拉格朗日插值、线性插值、样条插值等。
这些方法通过不同的插值基函数来逼近实际函数，其中拉格朗日插值是一种广泛应用的方法，它通过已知数据点构造一个插值多项式，从而达到对函数的逼近效果。
曲线拟合与插值方法在实际应用中有着广泛的应用。
例如，在工程领域中，曲线拟合与插值方法能够对大量的实验数据进行处理，从而找到数据背后的规律，为工程设计提供支持。
在金融领域中，曲线插值方法被广泛用于股票市场走势的分析与预测，通过对历史数据的插值拟合，为投资决策提供参考。
此外，在地理信息系统、生物医学和社会科学等领域，曲线拟合与插值方法也有着重要的应用价值。
总之，曲线拟合与插值方法作为一种重要的数学原理，在现代科学技术领域中有着广泛的应用。
通过对曲线拟合与插值方法的深入研究和探讨，我们能够更好地理解数据背后的规律，为科学研究和工程实践提供强大的支持。
希望本文能够对读者对曲线拟合与插值方法有所启发和帮助。
MATLAB中的曲线拟合与插值
MATLAB 中的曲线拟合和插值在大量的使用领域中，人们经常面临用一个分析函数描述数据(通常是测量值)的任务。
对这个问题有两种方法。
在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。
这种方法在下一节讨论。
这里讨论的方法是曲线拟合或回归。
人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。
图11.1说明了这两种方法。
标有'o'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。
11.1 曲线拟合曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用许多不同的方法定义最佳拟合，并存在无穷数目的曲线。
所以，从这里开始，我们走向何方？正如它证实的那样，当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为多项式时，那么曲线拟合是相当简捷的。
数学上，称为多项式的最小二乘曲线拟合。
如果这种描述使你混淆，再研究图11.1。
虚线和标志的数据点之间的垂直距离是在该点的误差。
对各数据点距离求平方，并把平方距离全加起来，就是误差平方和。
这条虚线是使误差平方和尽可能小的曲线，即是最佳拟合。
最小二乘这个术语仅仅是使误差平方和最小00.20.40.60.81-2024681012xy =f (x )Second O rder C urv e Fitting图11.1 2阶曲线拟合在MATLAB 中，函数polyfit 求解最小二乘曲线拟合问题。
为了阐述这个函数的用法，让我们以上面图11.1中的数据开始。
» x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1]; » y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2];为了用polyfit ，我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的阶次或度。
如果我们选择n=1作为阶次，得到最简单的线性近似。
插值法和曲线拟合的主要差异
插值法和曲线拟合的主要差异
插值法和曲线拟合是数据处理和分析中常用的方法，它们的主要差异如下：
1. 目标不同：
- 插值法的主要目标是通过已知数据点的函数值推断未知数据点的函数值，以填充数据的空缺部分或者进行数据的重构。
- 曲线拟合的主要目标是通过已知数据点拟合出一条函数曲线，以描述数据点之间的趋势或模式。
2. 数据使用方式不同：
- 插值法使用已知数据点的函数值作为输入，通过构造插值函数来推断未知数据点的函数值。
- 曲线拟合使用已知数据点的函数值作为输入，并通过选择合适的拟合函数参数，使得拟合函数与数据点尽可能接近。
3. 数据点要求不同：
- 插值法要求已知数据点间的函数值比较准确，以保证插值函数的质量，并要求数据点间的间距不会过大，避免出现过度插值或者不稳定的现象。
- 曲线拟合对于数据点的要求相对较松，可以容忍噪声、异常值等因素，因为它不需要将函数曲线完全通过所有数据点。
4. 应用场景不同：
- 插值法常见应用于信号处理、图像处理等领域，可以用于填充缺失数据、图像重构等任务。
- 曲线拟合常见应用于数据分析、模型建立等领域，可以用
于描述数据间的趋势、拟合科学模型等。
综上所述，插值法和曲线拟合在目标、数据使用方式、数据点要求和应用场景等方面存在明显的差异。
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。
曲线拟合和插值
第11章曲线拟合与插值在大量的应用领域中，人们经常面临用一个解析函数描述数据(通常是测量值)的任务。
对这个问题有两种方法。
在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。
这种方法在下一节讨论。
这里讨论的方法是曲线拟合或回归。
人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。
图11.1说明了这两种方法。
标有'o'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。
11.1 曲线拟合曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用许多不同的方法定义最佳拟合，并存在无穷数目的曲线。
所以，从这里开始，我们走向何方？正如它证实的那样，当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为多项式时，那么曲线拟合是相当简捷的。
数学上，称为多项式的最小二乘曲线拟合。
如果这种描述使你混淆，再研究图11.1。
虚线和标志的数据点之间的垂直距离是在该点的误差。
对各数据点距离求平方，并把平方距离全加起来，就是误差平方和。
这条虚线是使误差平方和尽可能小的曲线，即是最佳拟合。
最小二乘这个术语仅仅是使误差平方和最小的省略说法。
图11.1 2阶曲线拟合在MA TLAB中，函数polyfit求解最小二乘曲线拟合问题。
为了阐述这个函数的用法，让我们以上面图11.1中的数据开始。
» x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1];» y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2];为了用polyfit，我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的阶次或度。
如果我们选择n=1作为阶次，得到最简单的线性近似。
通常称为线性回归。
相反，如果我们选择n=2作为阶次，得到一个2阶多项式。
现在，我们选择一个2阶多项式。
Matlab中的曲线拟合与插值技巧
Matlab中的曲线拟合与插值技巧在数据科学和工程领域中，曲线拟合和插值技术是常用的数学方法。
在Matlab 中，有许多工具和函数可用于处理这些技术。
本文将讨论Matlab中的曲线拟合和插值技巧，并介绍一些实际应用案例。
一、曲线拟合技术曲线拟合是根据已知数据点来构造一个与这些点最匹配的曲线模型。
在Matlab 中，常用的曲线拟合函数包括polyfit和lsqcurvefit。
1. polyfit函数polyfit函数是Matlab中一个功能强大的多项式拟合函数。
它可以拟合多项式曲线模型，并通过最小二乘法找到最佳拟合系数。
例如，我们有一组数据点(x,y)，我们想要拟合一个二次多项式曲线来描述这些数据。
可以使用polyfit函数：```matlabx = [1, 2, 3, 4, 5];y = [2, 4, 6, 8, 10];degree = 2;coefficients = polyfit(x, y, degree);```在上述例子中，degree参数设置为2，表示拟合一个二次多项式曲线。
polyfit 函数将返回一个包含拟合系数的向量，可以用来构造拟合曲线。
2. lsqcurvefit函数lsqcurvefit函数是Matlab中一个用于非线性最小二乘拟合的函数。
与polyfit函数不同，lsqcurvefit函数可以用于拟合任意曲线模型，不局限于多项式。
例如，我们想要拟合一个指数函数曲线来拟合数据：```matlabx = [1, 2, 3, 4, 5];y = [1.1, 2.2, 3.7, 6.5, 12.3];model = @(params, x) params(1)*exp(params(2)*x);params0 = [1, 0];estimated_params = lsqcurvefit(model, params0, x, y);```在上述例子中，model是一个函数句柄，表示要拟合的曲线模型。
插值法和曲线拟合的主要差异
插值法和曲线拟合的主要差异引言在数学和统计学中，插值法和曲线拟合是两种常用的数据处理方法。
它们在数据分析、模型构建和预测等领域发挥着重要作用。
本文将详细介绍插值法和曲线拟合的定义、原理、应用以及它们之间的主要差异。
插值法定义插值法是一种通过已知数据点之间的函数关系来推断未知数据点的方法。
它基于一个假设，即已知数据点之间存在一个连续且光滑的函数，并且通过这个函数可以准确地估计其他位置上的数值。
原理插值法通过对已知数据点进行插值操作，得到一个近似函数，然后使用这个函数来估计未知数据点的数值。
常见的插值方法有拉格朗日插值、牛顿插值和样条插值等。
应用插值法在各个领域都有广泛应用，如地图制作中根据少量已知地理坐标点推算其他位置上的坐标；传感器测量中根据离散采样点推断连续时间序列上未采样到的数据；图像处理中通过已知像素点推测其他位置上的像素值等。
主要特点•插值法可以精确地通过已知数据点估计未知数据点的数值，适用于需要高精度估计的场景。
•插值法对输入数据的要求较高，需要保证已知数据点之间存在连续且光滑的函数关系。
•插值法只能在已知数据点之间进行插值，无法对整个数据集进行全局拟合。
曲线拟合定义曲线拟合是一种通过选择合适的函数形式，并调整函数参数来使得函数与给定数据集最为接近的方法。
它不仅可以对已知数据进行拟合，还可以根据拟合结果进行预测和模型构建。
原理曲线拟合首先选择一个适当的函数形式，如多项式、指数函数、对数函数等。
然后使用最小二乘法或最大似然估计等方法来确定函数参数，使得函数与给定数据集之间的误差最小化。
应用曲线拟合广泛应用于各个领域，如经济学中根据历史数据构建经济模型进行预测；物理学中通过实验数据来验证理论模型；生物学中根据实验测量数据拟合生长曲线等。
主要特点•曲线拟合可以对整个数据集进行全局拟合，能够更好地描述数据的整体趋势。
•曲线拟合可以选择不同的函数形式和参数，灵活性较高。
•曲线拟合可能存在过拟合或欠拟合的问题，需要通过模型评估和调整来提高拟合效果。
《数值分析》第5章 曲线拟合与函数插值
例如用函数
y Aebx
(5.8)
去拟合一组给定的数据，其中 A和 b是待定参这数时. ，可以在 (5.8) 式两端取
对数，得
ln y ln A bx
记 y ln y，a ln A，则上式可写成 y a b. x这样，仍可用最小二乘法解出
和 a (从而b 也就确定了 和 A) ，于b 是得到拟合函数
区间 [a,b]上是存在的，但往往不知道其具体的解析表达式，只能通过观察、
测量或实验得到一些离散点上的函数值.
我们希望对这种理论上存在的函数用一个比较简单的表达式近似地给出整体 上的描述.
此外，有些函数虽然有明确的解析表达式，但却过于复杂而不便于进行理论 分析和数值计算，我们同样希望构造一个既能反映函数特性又便于计算的简 单函数，近似替代原来的函数.
图5-1 人口增长的线性模型
5.1.1 最小二乘问题
设人口 y 与年份 x之间的函数关系为
y a bx
（5.1）
其中 a和 b 是待定参数. 由图5-1可知， (xi , yi并) 不是严格地落在一条直线上，
因此，不论怎样选择 和 a，都b不可能使所有的数据点
(x均i ,满yi )足关系
式 (5.1) .
s0 10, s1 545, s2 29785, u0 18.09, u1 987.78
于是正规方程组为
10 545 a 18.09 545 29785 b 987.78
5.1.2 最小二乘拟合多项式
解得 a 0.570，4 b 0.02，27于是 A ea 1.76，90所求拟合函数为
21 91
441
a1
163
91 441 2275 a2 777
解得 a0 26.8，a1 14.08，57 a2 ，2因此所求拟合多项式为
曲线插值、拟合
根据被插值函数自变量个数，插值问题 分为一维插值、二维和多维插值；根据是 用分段直线、多项式或样条函数来作为插 值函数，插值问题又可分为线性插值、多 项式插值和样条插值。 MATLAB提供了一维、二维、三维、N 维数据插值函数interp1、interp2、interp3 、interpn,以及三次样条插值函数spline. 1.一位数据插值 调用格式： Y1=interp1(X,Y,X1,method) 注：根据X,Y的值,计算函数在X1处的值。
例2 某实验对一根长10米的钢轨进行热源温 度传播测试。用x表示测量点距离(m)，用h 表示测量时间(s)，用T表示测量所得各点温 度(c)，测量结果如下。试用3次多项式插值 求一分钟内每隔10s,钢轨每隔0.5m处的温度
0 0 30 60 95 88 67
2.5 14 48 64
5 0 32 54
2.曲线拟合的实现 采用最小二乘法进行曲线拟合时，实际 上就是求一个系数向量，即为多项式的系数 。在MATLAB中，用polyfit函数来求的最小 二乘拟合多项式的系数，用polyval函数按所 得的多项式计算所给点上函数近似值。 polyfit函数的调用格式： [P,S]=polyfit(X,Y,m) 函数根据采样点X和采样点函数值Y，产 生一个m次多项式P及其在采样点的误差向量 S。
曲线拟合
1.曲线拟合 曲线拟合：用一个简单的函数去逼近 一个复杂的或者未知的函数。 依据的条件：在一个区间或一个区域 上的有限个采样点的函数值。 为此构造函数y=g(x)去逼近f(x)，这里 不要求曲线个g(x)严格通过采样点，但希 望能尽量靠近这些点，就是是误差在某种 意义上达到最小。
MATLAB曲线拟合的最优标准是采用 最小二乘原理，所构造的g(x)是一个次数小 于离散点的多项式。设测得n个离散数据点 （xi,yi)(i=1,…n), 欲构造一个m(m<n)次多项式p(x): m m1 a x a x am x am1 2 p(x)= 1 在这里就是使上述拟合多项式在各个 节点处的偏差p(xi)-yi的平方和达到最小。
曲线插值和曲线拟合
y
(x , y )
0 0
y L2 x
(x , y )
1 1
(x , y )
2 2
y f x
0
Байду номын сангаас
x
0
14 图2-3
x
1
x
例：(1,2), (0,0), (2,1), (3,3)
( x 0)(x 2)(x 3) l0 ( x ) (1 0)(1 2)(1 3) ( x 1)(x 0)(x 3) l2 ( x) (2 1)(2 0)(2 3) ( x 1)(x 2)(x 3) l1 ( x) (0 1)(0 2)(0 3) ( x 1)(x 0)(x 2) l3 ( x) (3 1)(3 0)(3 2)
设
g ( x) a00 ( x) ann ( x)
则
g ( xi ) f ( xi ) a00 ( xi ) ann ( xi ) a00 ( x0 ) a11 ( x0 ) an n ( x0 ) f ( x0 ) a (x ) a (x ) a (x ) f (x ) 0 0 1 1 1 1 n n 1 1 a00 ( xn ) a11 ( xn ) an n ( xn ) f ( xn ) 所以 a }n 有解，当且仅当系数行列式不为0 { i i 0
1 ai ( xi x0 ) ( xi xi 1 )(xi xi 1 ) ( xi xn ) ( x x0 ) ( x xi 1 )( x xi 1 ) ( x xn ) li ( xi x0 ) ( xi xi 1 )( xi xi 1 ) ( xi xn )
3插值曲线拟合
例4 对 y
性插值和三次样条插值, 用m=21 x=-5:10/(m-1):5 y=1./(1+x.^2) z=0*x x0=-5:10/(n-1):5 y0=1./(1+x0.^2) y1=interp1(x0,y0,x) y2=interp1(x0,y0,x,'spline') [x' y' y1' y2'] plot(x,z,'r',x,y,'k:',x,y1,'b',x,y2,'g') gtext('Piece.linear.'),gtext('Spline'),gtext('y=1/(1+x^2)')
例 6 在飞机的机翼加工时, 由于机翼尺寸很大, 通常在图 纸上只能标出部分关键点的数据. 某型号飞机的机翼上缘 轮廓线的部分数据如下:
x=[0 4.74 9.05 19 38 57 76 95 114 133 152 171 190] y=[0 5.23 8.1 11.97 16.15 17.1 16.34 14.63 12.16 9.69 7.03 3.99 0] xi=[0:0.001:190] yi=interp1(x,y,xi,'spline') plot(xi,yi)
MATLAB对已知数据集外部点上函数值的预测都返回NaN， 但可通过为interp1函数添加‘extrap’参数指明也用于外插。 MATLAB的外插结果偏差较大。
曲线拟合和插值运算原理和方法
实验10 曲线拟合和插值运算一． 实验目的学会MATLAB 软件中软件拟合与插值运算的方法。
二． 实验内容与要求在生产和科学实验中，自变量x 与因变量y=f(x)的关系式有时不能直接写出表达式，而只能得到函数在若干个点的函数值或导数值。
当要求知道观测点之外的函数值时，需要估计函数值在该点的值。
要根据观测点的值，构造一个比较简单的函数y=t (x),使函数在观测点的值等于已知的数值或导数值，寻找这样的函数t(x),办法是很多的。
根据测量数据的类型有如下两种处理观测数据的方法。
（1） 测量值是准确的，没有误差，一般用插值。
（2） 测量值与真实值有误差，一般用曲线拟合。
MATLAB 中提供了众多的数据处理命令，有插值命令，拟合命令。
1.曲线拟合已知离散点上的数据集[(1x ,1y ),………(n x ,n y )]，求得一解析函数y=f (x),使f(x)在原离散点i x 上尽可能接近给定i y 的值，之一过程叫曲线拟合。
最常用的的曲线拟合是最小二乘法曲线拟合，拟合结果可使误差的平方和最小，即使求使21|()|n i ii f x y =-∑ 最小的f(x).格式：p=polyfit(x,Y ,n).说明：求出已知数据x,Y 的n 阶拟合多项式f(x)的系数p ，x 必须是单调的。
[例 1.9]>>x=[0.5,1.0,1.5,2.0,2.5,3.0]; %给出数据点的x 值>>y=[1.75,2.45,3.81,4.80,7.00,8.60]; %给出数据点的y 值>>p=polyfit (x,y,2); %求出二阶拟合多项式f(x)的系数>>x1=0.5:0.05:3.0; %给出x 在0.5~3.0之间的离散值>>y1=polyval(p,1x ); %求出f(x)在1x 的值>>plot(x,y,‟*r ‟, 11,x y ‟-b ‟) %比较拟合曲线效果计算结果为：p=0.5614 0.8287 1.1560即用f(x)=0.56142x +0.8287x+1.1560拟合已知数据，拟合曲线效果如图所示。
04函数插值与曲线拟合
a x0 , x1 ,, xn b为区间[a,b]的一个分割 如果函数 S(x)在区间[a,b]上满足条件 :
24
(1) S(x)在每个小区间[xi1, xi ]上都是三次多项式 (2) S(x), S(x), S(x)都在区间[a,b]上连续
则称 S(x)为区间[a,b]上的三次样条函数
6h i
i 1
i 1
i
i
y i 1
h2 i
6
M
i 1
x i h i
x
y i
h2 i
6
M i
x
x i 1 h i
这称为三次样条函数的M表达式。 由三次样条函数的 M 表达式可见，只需确定 M (i 0,1,, n), S(x)就可确定。
形成插值区间[ xi , xi1 ]。
19
则:
L( i ) 1
(x)
yili (x) yi1li1(x)
yi
x xi1 xi xi1
yi 1
x xi xi1 xi
i 0,1,, n 1
即:
L~1 ( x)
L(0) 1
(
x)
L(1) 1
(
x)
x0 x x1
x1 x x2
y1l1 x
y2l2
x
显然，l1 x1 1,l1 x2 0;l2 x1 0,l2 x2 1
此时：Lagrange插值多项式即为线性插值
（4－3）
当n＝3，可以得到y x的表达式如下：
yx
y1
（x (x1
x2）(x x3 ) x2 )(x1 x3 )
y2
（x x1）(x x3) (x2 x1)(x2 x3 )
插值法与曲线拟合
故用线性插值求得的近似值为
y
(x , y ) 00
y L2x
(x , y ) 11
y f x
(x , y ) 22
0
x0
x1
x
图2-3
11515 100
121 121
11*115 100 121 100
10.714
15
仿上，用抛物插值公式（2.7）所求得的近似值为
例1 已知 100 10, 121 11, 144 12分别用线性插值和抛物插值
求 115 的值。
14
解 因为115在100和121之间，故取节点x0=100，x1=121相应地有
y0=10，y1=11，于是，由线性插值公式（2.5）可得
L1
(x)
10
*
x 121 100 121
11*
x 100 121 100
为插值多项式Pn (x) 的余项。
17
关于误差有如下定理2中的估计式。
定理2 设 f (x) 在区间 a,b
上有直到n+1阶导数，x0, x1,, xn
为区间 a,b 上n+1个互异的节点， Pn (x) 为满足条件:
Pn (xi ) f (xi )(i 0,1,, n)
（2.9）
的n次插值多项式，则对于任何 x a,b ，有
的n次插值多项式（2.2），这样，由（2.2）式可以求出n+1个n次插 插多项式 l0 (x), l1(x),,ln (x) 。容易看出，这组多项式仅与节点的取
法有关，称它们为在n+1个节点上的n次基本插值多项式或n次插值
基函数。
11
2.2 拉格朗日插值多项式
利用插值基函数立即可以写出满足插值条件（1.3）的n次插值
python曲线拟合与插值
python曲线拟合与插值在Python中，曲线拟合和插值可以通过多种方法实现，包括但不限于SciPy、NumPy、Pandas等库。
以下是一个使用SciPy库进行曲线拟合和插值的简单示例：```pythonimport numpy as npfrom scipy.interpolate import make_interp_spline, BSplineimport matplotlib.pyplot as plt#创建一些示例数据x=np.linspace(0,10,100)y=np.sin(x)+np.random.normal(0,0.1,100)#添加一些噪声#使用插值创建新的x值new_x=np.linspace(0,10,1000)#使用SciPy的make_interp_spline函数创建插值函数spl=make_interp_spline(x,y)#使用插值函数计算新的y值new_y=spl(new_x)#绘制原始数据和拟合曲线plt.figure(figsize=(8,6))plt.scatter(x,y,label='原始数据',color='blue',s=50)plt.plot(new_x,new_y,label='拟合曲线',color='red') plt.legend()plt.show()```在上述代码中，我们首先创建了一些示例数据，包括一组x值和对应的y值（这里我们使用了sin函数和一些随机噪声）。
然后，我们使用`make_interp_spline`函数创建了一个插值函数，该函数可以根据给定的x和y值生成新的y值。
最后，我们绘制了原始数据点和拟合曲线。
请注意，这只是一个简单的示例，实际应用中可能需要更复杂的模型和算法。
例如，如果你需要拟合的曲线是二次方或其他非线性函数，那么可能需要使用其他方法，如SciPy的curve_fit函数。
曲线的插值与拟合matlab
在数学和统计学领域中，曲线的插值与拟合是一项重要的技术，它在数据分析、图像处理、工程计算等领域都有着广泛的应用。
曲线的插值与拟合可以帮助我们从有限的数据点中还原出连续的曲线，以便更好地理解数据的规律和特性。
1. 插值与拟合的概念在开始深入探讨曲线的插值与拟合之前，让我们先来了解一下这两个概念的含义。
插值是指通过已知数据点之间的连续函数，以得到介于已知数据点之间的数据点的值。
而拟合则是指通过已知数据点，找到拟合曲线以最好地逼近这些数据点。
2. 曲线插值的方法在实际操作中，我们可以使用不同的方法进行曲线的插值。
常见的方法包括线性插值、多项式插值、样条插值等。
在Matlab中，有丰富的函数库可以用来进行不同类型的曲线插值，例如interp1, interp2, interpn等，这些函数可以很方便地实现曲线的插值操作。
（1）线性插值线性插值是一种简单直接的插值方法，它通过已知的两个数据点之间的直线来逼近新的数据点。
虽然线性插值操作简单，但在一些情况下并不能很好地逼近数据的真实规律。
（2）多项式插值多项式插值是一种常用的插值方法，它通过已知数据点构造一个多项式函数来逼近数据。
在Matlab中，可以使用polyfit和polyval函数来实现多项式插值操作，通过调整多项式的阶数可以得到不同精度的逼近结果。
（3）样条插值样条插值是一种更加复杂但精确度更高的插值方法，它通过已知的数据点构造出一系列的局部插值函数来逼近数据。
在Matlab中，可以使用spline函数来进行样条插值操作，通过调整插值节点的数量和类型可以得到不同精度的逼近结果。
3. 曲线拟合的方法除了插值方法之外，曲线的拟合也是一种常用的数据处理方法。
在实际操作中，我们可以使用不同的方法来进行曲线的拟合。
常见的方法包括最小二乘法拟合、多项式拟合、非线性拟合等。
在Matlab中，有丰富的函数库可以用来进行不同类型的曲线拟合，例如polyfit, lsqcurvefit, nlinfit等，这些函数可以很方便地实现曲线拟合操作。
MATLAB中的数据插值与曲线拟合技术
MATLAB中的数据插值与曲线拟合技术概述：数据插值和曲线拟合是在科学研究和工程实践中常用的技术手段。
在MATLAB中，有丰富的函数库和工具箱可用于实现各种插值和拟合算法。
本文将介绍MATLAB中的一些常见的数据插值和曲线拟合技术，并分析它们的原理和适用场景。
一、数据插值技术：1. 线性插值：线性插值是最简单且常用的数据插值技术之一，它通过在已知数据点之间的直线上进行插值。
MATLAB中的interp1函数可以实现线性插值，其基本原理是根据已知数据点的横纵坐标值，计算出待插值点的纵坐标值。
2. 拉格朗日插值：在拉格朗日插值中，我们通过一个多项式函数来描述已知数据点之间的曲线。
MATLAB中的polyfit和polyval函数可以帮助我们实现拉格朗日插值。
首先，polyfit函数用于拟合一个多项式函数，然后polyval函数可以根据拟合得到的多项式计算插值点的纵坐标值。
3. 样条插值：样条插值是一种光滑插值技术，通过使用多个低次多项式来拟合数据点之间的曲线。
MATLAB中的spline函数可以实现样条插值。
该函数将已知数据点的横纵坐标传入，然后自动计算出曲线段之间的控制点，并进行插值操作。
二、曲线拟合技术：1. 多项式拟合：多项式拟合是一种常用的曲线拟合技术，它通过拟合一个多项式函数来逼近已知数据点。
MATLAB中的polyfit和polyval函数同样可以应用于多项式拟合，我们可以选择合适的多项式阶次进行拟合。
2. 非线性拟合：有些数据集并不能用简单的多项式函数进行拟合，可能需要更复杂的非线性函数来逼近。
在MATLAB中，我们可以使用curve fitting工具箱中的fit函数来实现非线性拟合。
该函数可以根据给定的模型类型和数据集，自动拟合出最优的曲线。
3. 递归最小二乘拟合：递归最小二乘拟合是一种高级的数据拟合算法，可以有效地处理大型数据集。
MATLAB中的regress函数可以进行递归最小二乘拟合。
- 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)。
表5-1 我国50年代人口数据
i
年份 xi
人口 yi
i
年份 xi
人口 yi
1
50
5.52
6
55
6.15
2
51
5.63
7
56
6.28
3
52
5.75
8
57
6.46
4
53
5.88
9
58
6.60
5
54
6.03
10
59
6.72
5.1.1 最小二乘问题
解 我们想要用一个简单的式子描述人口与年份之间的函数关系. 如果把这10组数 据画在坐标系内，可以看出，这10个数据点大致分布在一条直线上，因此自然想 到用线性函数表示人口与年份之间的关系.
区间 [a,b]上是存在的，但往往不知道其具体的解析表达式，只能通过观察、
测量或实验得到一些离散点上的函数值.
我们希望对这种理论上存在的函数用一个比较简单的表达式近似地给出整体 上的描述.
此外，有些函数虽然有明确的解析表达式，但却过于复杂而不便于进行理论 分析和数值计算，我们同样希望构造一个既能反映函数特性又便于计算的简 单函数，近似替代原来的函数.
取得最小值.
10
10
S(a, b) ri2 (a bxi yi )2
i 1
i 1
由多元函数取得极值的必要条件，应有
S
10
a
2
i 1
(a
bxi
yi )
0
S
b
10
2
i 1
(a bxi
yi )xi
0
5.1.1 最小二乘问题
整理，得到如下线性方程组
10
10
10a ( xi )b yi
i 1
i 1
10
10
10
( xi )a ( xi2 )b xi yi
i 1
i 1
i 1
经计算，可得
10a 545b 61.02 545a 29785b 3336.8
5.1.1 最小二乘问题
解得 a 1.303，4 b 0.135，9 从而得到人口 与y 年份 之x间的近似函数关
根据（5.1）式，给定一个年份 x便可计算出相应的人口 ，y 记 yi a bxi
yi 为 yi的近似值. 显然，误差 ri yi yi a bxi 是y衡i 量参数
a 和 b(也就是函数关系 y a b)x好坏的重要标志.
5.1.1 最小二乘问题
可以根据不同的原则来确定参数 a和 b. 通常，我们希望选择 a 和 b，使得误差 ri的平方和达到最小，即求参数 a和 ，b 使得
对于通过观察或测量得到的一组数据{(xi , yi ),i 1, 2, , m，} 有时可根据数据的
分布或问题的背景确定变量 与x 之y间函数关系的数学模型 (例如线性关系、
指数函数关系、对数函数关系等) ，但模型中有某些参数需要根据所得的数 据来确定. 为了减少随机因素所带来的误差的影响，通常会进行多次观测，因此所得 数据要远远多于所需确定的参数个数，这就是所谓的多余观测问题.
（5.2）
取得最小值. 这里，函数 f (x)称为拟合函数.
5.1.1 最小二乘问题
从几何的角度看，根据给定数据用最小二乘法确定拟合函数 f (x，) 相当于在平面上给定一些点 (xi , yi，) i 1, 2, ,，N求曲线 y f，(x)使 得它与这些给定点的距离平方和最小.
这又称为曲线拟合.
图5-1 人口增长的线性模型
5.1.1 最小二乘问题
设人口 y 与年份 x之间的函数关系为
y a bx
（5.1）
其中 a和 b 是待定参数. 由图5-1可知， (xi , yi并) 不是严格地落在一条直线上，
因此，不论怎样选择 和 a，都b不可能使所有的数据点
(x均i ,满yi )足关系
式 (5.1) .
i 1
i1 j0
取得最小值. 称满足上述条件的 pn (x)为最小二乘拟合多项式.
（5.3）
5.1.2 最小二乘拟合多项式
注意到 S是非负的，且是 a0, a1, , a的n 二次多项式，因此它必有最小
第五章 曲线拟合与函数插值
5.1 曲线拟合的最小二乘法 5.2 插值问题的提出 5.3 拉格朗如插值 5.4 差商与牛顿插值 5.5 差分与等距节点插值 5.6 埃尔米特插值 5.7 分段低次多项式插值 5.8 三次样条插值
引言
在科学研究和工程计算当中，经常需要考察两个变量 x与 y之间的函数关系. 通常，从问题的实际背景和理论分析可知，这种函数关系 y f (x)在某个
系为 y 1.3034 0.1，35其9x误差
10
R (1.3034 0.1359xi yi )2 0.0033 i 1
按照例 1 中的方法，通过使误差的平方和达到最小来确定待定参数， 从而得到近似函数的方法，就是通常所说的最小二乘法.5.1.1最小二乘问题一般情形：
假设需要建立关系的两个变量为 x和 y，根据问题背景和以往经验，经
最小二乘法是解决这个问题的一种方法，它起源于以测量和观测为基础的天 文学，有材料表明，高斯（Gauss）和勒让德（Legendre）分别独立地提出了 这种方法.
5.1.1 最小二乘问题
例1 表 5-1 是 1950 至 1959 年我国的人口数据资料 (单位：亿人) ，确定人口 y
与年份 x之间的近似函数关系.
过分析可知二者之间的函数关系近似为 y f，(x)式中 f为(x某) 类函数，含有
待定参数 1,2 , . 观,测m所得数据为
，(xi , yi ) i 1，, 2且, , N
N m. 按照最小二乘法的思想，应选择参数 1,2 , ,，m使误差的平
方和
N
S (1,2 , ,m ) ( f (xi ;1,2, ,m ) yi )2 i 1
5.1.2 最小二乘拟合多项式
在曲线拟合问题中，拟合函数可以有不同的类型，其中较为常用的是多项式.
给定数据点 (xi , yi )， i 1, 2, ,，N求一个 次n 多项式
pn (x) a0 a1x an xn (n N)
使得
N
Nn
S (a0 , a1, , an ) ( pn (xi ) yi )2 ( a j xij yi )2
引言
这种用较简单的函数来近似复杂函数的问题，就是函数逼近问题. 曲线拟合和函数插值是数值分析中常用的两种函数逼近方法.
曲线拟合 要求构造一个简单函数，它表示的曲线与所有给定的数 据点在整体上相合的比较好
函数插值 要求简单函数表示的曲线通过所有给定的数据点
曲线拟合的最小二乘法
5.1.1 最小二乘问题