数值分析实验报告-插值,逼近
数值分析实验报告
数值分析实验报告【引言】数值分析是一门研究利用计算机和数学方法解决实际问题的学科，它在工程、科学和经济领域中有着广泛的应用。
在这个实验报告中，我将分享我在数值分析实验中的一些发现和结果。
【实验目的】本次实验的目的是通过数值方法对给定的问题进行求解，并分析数值方法的精确性和稳定性。
我们选择了经典的插值和数值积分问题来进行实验。
【实验过程】在插值问题中，我使用了拉格朗日插值和样条插值两种方法。
通过使用已知的数据点，这些方法能够通过构造多项式函数来逼近原始函数，从而能够在未知点上进行预测。
通过比较两种插值方法的结果，我发现拉格朗日插值在低维数据上表现更好，而样条插值在高维数据上更能保持插值曲线的平滑性。
在数值积分问题中，我使用了复合梯形公式和复合辛普森公式来进行数值积分。
这两种方法可以将复杂的区间上的积分问题转化为对若干个小区间进行数值积分的问题。
实验结果表明，复合辛普森公式在使用相同的步长时，其数值积分结果更为精确。
【实验结果】我以一个实际问题作为例子来展示实验结果。
问题是计算半径为1的圆的面积。
通过离散化的方法，我将圆划分为多个小的扇形区域，并使用数值积分方法计算每个扇形的面积。
最后将每个扇形的面积相加，即可得到圆的近似面积。
通过调整离散化的精度，我发现随着扇形数量的增加，计算得到的圆的面积越接近真实的圆的面积。
在插值问题中，我选择了一段经典的函数进行插值研究。
通过选择不同的插值节点和插值方法，我发现当插值节点越密集时，插值结果越接近原函数。
同时，样条插值方法在高阶导数连续的情况下能够更好地逼近原始函数。
【实验总结】通过这次实验，我对数值分析中的插值和数值积分方法有了更深入的理解。
我了解到不同的数值方法在不同的问题中有着不同的适用性和精确度。
在实际应用中，我们需要根据具体问题选择合适的数值方法，并进行必要的数值计算和分析，以获得准确可靠的结果。
总的来说，数值分析作为一种重要的工具和方法，在科学研究和工程实践中具有广泛的应用，并且不断发展和创新。
数值分析综合实验报告
一、实验目的通过本次综合实验，掌握数值分析中常用的插值方法、方程求根方法以及数值积分方法，了解这些方法在实际问题中的应用，提高数值计算能力。
二、实验内容1. 插值方法（1）拉格朗日插值法：利用已知数据点构造多项式，以逼近未知函数。
（2）牛顿插值法：在拉格朗日插值法的基础上，通过增加基函数，提高逼近精度。
2. 方程求根方法（1）二分法：适用于函数在区间内有正负值的情况，通过不断缩小区间来逼近根。
（2）Newton法：利用函数的导数信息，通过迭代逼近根。
（3）不动点迭代法：将方程转化为不动点问题，通过迭代逼近根。
3. 数值积分方法（1）矩形法：将积分区间等分，近似计算函数值的和。
（2）梯形法：将积分区间分成若干等分，用梯形面积近似计算积分。
（3）辛普森法：在梯形法的基础上，将每个小区间再等分，提高逼近精度。
三、实验步骤1. 拉格朗日插值法（1）输入已知数据点，构造拉格朗日插值多项式。
（2）计算插值多项式在未知点的函数值。
2. 牛顿插值法（1）输入已知数据点，构造牛顿插值多项式。
（2）计算插值多项式在未知点的函数值。
3. 方程求根方法（1）输入方程和初始值。
（2）选择求解方法（二分法、Newton法、不动点迭代法）。
（3）迭代计算，直到满足精度要求。
4. 数值积分方法（1）输入被积函数和积分区间。
（2）选择积分方法（矩形法、梯形法、辛普森法）。
（3）计算积分值。
四、实验结果与分析1. 插值方法（1）拉格朗日插值法：通过构造多项式，可以较好地逼近已知数据点。
（2）牛顿插值法：在拉格朗日插值法的基础上，增加了基函数，提高了逼近精度。
2. 方程求根方法（1）二分法：适用于函数在区间内有正负值的情况，计算简单，但收敛速度较慢。
（2）Newton法：利用函数的导数信息，收敛速度较快，但可能存在数值不稳定问题。
（3）不动点迭代法：将方程转化为不动点问题，收敛速度较快，但可能存在初始值选择不当的问题。
3. 数值积分方法（1）矩形法：计算简单，但精度较低。
数值分析实验报告
实验2.1 多项式插值的振荡现象实验目的：在一个固定的区间上用插值逼近一个函数，显然Lagrange 插值中使用的节点越多，插值多项式的次数就越高。
我们自然关心插值多项式的次数增加时，Ln(x)是否也更加靠近被逼近的函数。
Runge 给出的一个例子是极著名并富有启发性的。
实验容：设区间[-1，1]上函数 f(x)=1/(1+25x 2)。
考虑区间[-1,1]的一个等距划分，分点为 x i = -1 + 2i/n ，i=0，1，2，…，n ，则拉格朗日插值多项式为201()()125nn i i i L x l x x ==+∑. 其中，l i (x)，i=0，1，2，…，n 是n 次Lagrange 插值基函数。
实验步骤与结果分析：实验源程序function Chap2Interpolation% 数值实验二：“实验2.1：多项式插值的震荡现象”% 输入：函数式选择，插值结点数% 输出：拟合函数及原函数的图形promps = {'请选择实验函数，若选f(x),请输入f,若选h(x),请输入h,若选g(x),请输入g:'};titles = 'charpt_2';result = inputdlg(promps,'charpt 2',1,{'f'});Nb_f = char(result);if(Nb_f ~= 'f' & Nb_f ~= 'h' & Nb_f ~= 'g')errordlg('实验函数选择错误！');return;endresult = inputdlg({'请输入插值结点数N:'},'charpt_2',1,{'10'});Nd = str2num(char(result));if(Nd <1)errordlg('结点输入错误！');return;endswitch Nb_fcase 'f'f=inline('1./(1+25*x.^2)'); a = -1;b = 1;case 'h'f=inline('x./(1+x.^4)'); a = -5; b = 5;case 'g'f=inline('atan(x)'); a = -5; b= 5;endx0 = linspace(a, b, Nd+1); y0 = feval(f, x0);x = a:0.1:b; y = Lagrange(x0, y0, x);fplot(f, [a b], 'co');hold on;plot(x, y, 'b--');xlabel('x'); ylabel('y = f(x) o and y = Ln(x)--');%--------------------------------------------------------------------function y=Lagrange(x0, y0, x);n= length(x0); m=length(x);for i=1:mz=x(i);s=0.0;for k=1:np=1.0;for j=1:nif(j ~= k)p = p*(z - x0(j))/(x0(k) - x0(j));endends = s + p*y0(k);endy(i) = s;end实验结果分析(1)增大分点n=2，3，…时，拉格朗日插值函数曲线如图所示。
数值分析实验报告--实验2--插值法
1 / 21数值分析实验二：插值法1 多项式插值的震荡现象1.1 问题描述考虑一个固定的区间上用插值逼近一个函数。
显然拉格朗日插值中使用的节点越多，插值多项式的次数就越高。
我们自然关心插值多项式的次数增加时， 是否也更加靠近被逼近的函数。
龙格（Runge ）给出一个例子是极著名并富有启发性的。
设区间[-1,1]上函数21()125f x x=+ (1)考虑区间[-1,1]的一个等距划分，分点为n i nix i ,,2,1,0,21 =+-= 则拉格朗日插值多项式为201()()125nn ii iL x l x x ==+∑(2)其中的(),0,1,2,,i l x i n =是n 次拉格朗日插值基函数。
实验要求：(1) 选择不断增大的分点数目n=2, 3 …. ，画出原函数f(x)及插值多项式函数()n L x 在[-1，1]上的图像，比较并分析实验结果。
(2) 选择其他的函数，例如定义在区间[-5，5]上的函数x x g xxx h arctan )(,1)(4=+=重复上述的实验看其结果如何。
(3) 区间[a,b]上切比雪夫点的定义为 (21)cos ,1,2,,1222(1)k b a b ak x k n n π⎛⎫+--=+=+ ⎪+⎝⎭(3)以121,,n x x x +为插值节点构造上述各函数的拉格朗日插值多项式，比较其结果,试分析2 / 21原因。
1.2 算法设计使用Matlab 函数进行实验, 在理解了插值法的基础上，根据拉格朗日插值多项式编写Matlab 脚本，其中把拉格朗日插值部分单独编写为f_lagrange.m 函数，方便调用。
1.3 实验结果1.3.1 f(x)在[-1,1]上的拉格朗日插值函数依次取n=2、3、4、5、6、7、10、15、20，画出原函数和拉格朗日插值函数的图像，如图1所示。
Matlab 脚本文件为Experiment2_1_1fx.m 。
可以看出，当n 较小时，拉格朗日多项式插值的函数图像随着次数n 的增加而更加接近于f(x)，即插值效果越来越好。
数值分析实验报告心得(3篇)
第1篇在数值分析这门课程的学习过程中，我深刻体会到了理论知识与实践操作相结合的重要性。
通过一系列的实验，我对数值分析的基本概念、方法和应用有了更加深入的理解。
以下是我对数值分析实验的心得体会。
一、实验目的与意义1. 巩固数值分析理论知识：通过实验，将课堂上学到的理论知识应用到实际问题中，加深对数值分析概念和方法的理解。
2. 培养实际操作能力：实验过程中，我学会了使用Matlab等软件进行数值计算，提高了编程能力。
3. 增强解决实际问题的能力：实验项目涉及多个领域，通过解决实际问题，提高了我的问题分析和解决能力。
4. 培养团队协作精神：实验过程中，我与同学们分工合作，共同完成任务，培养了团队协作精神。
二、实验内容及方法1. 实验一：拉格朗日插值法与牛顿插值法（1）实验目的：掌握拉格朗日插值法和牛顿插值法的原理，能够运用这两种方法进行函数逼近。
（2）实验方法：首先，我们选择一组数据点，然后利用拉格朗日插值法和牛顿插值法构造插值多项式。
最后，我们将插值多项式与原始函数进行比较，分析误差。
2. 实验二：方程求根（1）实验目的：掌握二分法、Newton法、不动点迭代法、弦截法等方程求根方法，能够运用这些方法求解非线性方程的根。
（2）实验方法：首先，我们选择一个非线性方程，然后运用二分法、Newton法、不动点迭代法、弦截法等方法求解方程的根。
最后，比较不同方法的收敛速度和精度。
3. 实验三：线性方程组求解（1）实验目的：掌握高斯消元法、矩阵分解法等线性方程组求解方法，能够运用这些方法求解线性方程组。
（2）实验方法：首先，我们构造一个线性方程组，然后运用高斯消元法、矩阵分解法等方法求解方程组。
最后，比较不同方法的计算量和精度。
4. 实验四：多元统计分析（1）实验目的：掌握多元统计分析的基本方法，能够运用这些方法对数据进行分析。
（2）实验方法：首先，我们收集一组多元数据，然后运用主成分分析、因子分析等方法对数据进行降维。
数值分析-针对不连续函数的插值逼近
问题二 稳定性分析
问题三 算法分析
可见，随着插值点个数n的增 加，插值函数对原函数的误差 逐渐减小收敛至0，算法是稳 定且收敛的。
其他插值方法
————切比雪夫节点与lagrange插值结合
切比雪夫结点插值
在此我们选用切比雪夫插值节点 依然选用同样的Lagrange插值公式
切比雪夫结点插值
n＝3插值
其他插值方法
——Berrut重心权值插值
Berrut重心权值插值
插值公式：
Berrut重心权值插值结果
n＝10插值
n=20插值
Berrut重心权值插值结果
可见，重心权值插值方法可 以有效避免龙格现象，且随 着n的增加，插值函数对原 函数的拟合度越来越好。但 由于Berrut插值函数在插值 点附近函数值不存在，所以 函数不连续，随着n的增加， 插值函数出现了较多的不连 续点。
函数插值与逼近的研究
综合利用Lagrange插值、样条插值、重心权值插值逼近不连续函数
问题一
利用分段插值做出原函数图像如下：
可知x＝5为函数不连续点
问题一 Lagrange插值
在这里，我们先选取拉格朗日插值
xi = (i − 1)h + a, yi = f (xi), i = 1, ...,N, h =(b − a)/(N − 1)
误差分析
切比雪夫节点插值
n＝5插值
n=7插值
切比雪夫节点插值
n＝9插值
n=11插值
切比雪夫节点插值 结果分析
n=5、7、11时插值函数误差
由插值结果可知，切比雪夫节点插值有效避免了插值函数在插 值区间端点附近的龙格现象。除在函数不连续点x=5处误差较大 外，算法在其他各点均逐渐收敛。但由于是n次多项式插值，在 x>5处函数波动较大，不能对函数进行很好的逼近。
插值数值实验报告(3篇)
第1篇一、实验目的1. 理解并掌握插值法的基本原理和常用方法。
2. 学习使用拉格朗日插值法、牛顿插值法等数值插值方法进行函数逼近。
3. 分析不同插值方法的优缺点，并比较其精度和效率。
4. 通过实验加深对数值分析理论的理解和应用。
二、实验原理插值法是一种通过已知数据点来构造近似函数的方法。
它广泛应用于科学计算、工程设计和数据分析等领域。
常用的插值方法包括拉格朗日插值法、牛顿插值法、样条插值法等。
1. 拉格朗日插值法拉格朗日插值法是一种基于多项式的插值方法。
其基本思想是：给定一组数据点，构造一个次数不超过n的多项式，使得该多项式在这些数据点上的函数值与已知数据点的函数值相等。
2. 牛顿插值法牛顿插值法是一种基于插值多项式的差商的插值方法。
其基本思想是：给定一组数据点，构造一个次数不超过n的多项式，使得该多项式在这些数据点上的函数值与已知数据点的函数值相等，并且满足一定的差商条件。
三、实验内容1. 拉格朗日插值法（1）给定一组数据点，如：$$\begin{align}x_0 &= 0, & y_0 &= 1, \\x_1 &= 1, & y_1 &= 4, \\x_2 &= 2, & y_2 &= 9, \\x_3 &= 3, & y_3 &= 16.\end{align}$$（2）根据拉格朗日插值公式，构造插值多项式：$$P(x) = \frac{(x-x_1)(x-x_2)(x-x_3)}{(x_0-x_1)(x_0-x_2)(x_0-x_3)}y_0 + \frac{(x-x_0)(x-x_2)(x-x_3)}{(x_1-x_0)(x_1-x_2)(x_1-x_3)}y_1 + \frac{(x-x_0)(x-x_1)(x-x_3)}{(x_2-x_0)(x_2-x_1)(x_2-x_3)}y_2 + \frac{(x-x_0)(x-x_1)(x-x_2)}{(x_3-x_0)(x_3-x_1)(x_3-x_2)}y_3.$$（3）计算插值多项式在不同点的函数值，并与实际值进行比较。
数值分析插值实验报告
数值分析插值实验报告引言插值是数值分析中常用的一种技术，通过已知点的函数值来推测未知点的函数值。
在实际应用中，我们经常需要根据有限的数据点来估计连续函数的值，这时插值就起到了关键作用。
本实验旨在通过插值方法来推测未知数据点的函数值，并对比不同插值方法的精度和效果。
实验目的1.了解插值的基本概念和方法；2.掌握常见的插值方法，如拉格朗日插值、牛顿插值等；3.对比不同插值方法的精度和效果，分析其优缺点。
实验步骤1.数据采集：选取一组已知数据点，作为插值的基础。
这些数据点可以是从实际场景中测量得到的，也可以是人为设定的。
2.插值方法选择：根据实验要求和数据特点，选择适合的插值方法。
常见的插值方法包括拉格朗日插值、牛顿插值、分段线性插值等。
3.插值计算：根据选定的插值方法，利用已知数据点进行计算，并得到插值结果。
4.结果分析：比较插值结果与实际数据的差异，并评估插值方法的精度和效果。
可以使用误差分析等方法进行评估。
5.优化调整：根据实验结果和需求，对插值方法进行优化调整，以提高插值的准确性和可靠性。
实验结果与讨论通过实验，我们得到了不同插值方法的结果，并进行了对比和分析。
根据实验数据和误差分析，我们可以得出以下结论：1.拉格朗日插值方法具有较高的插值精度，在一定程度上能够准确地模拟实际数据。
2.牛顿插值方法相对于拉格朗日插值方法而言，对于大量数据点的计算速度更快，但在少量数据点的情况下，两者的精度差异较小。
3.分段线性插值方法适用于数据点较为离散的情况，能够提供较为平滑的插值结果。
4.插值方法的选择应根据具体需求和数据特点进行，没有一种插值方法适用于所有情况。
实验总结通过本次实验，我们对插值方法有了更深入的了解，并掌握了常见的插值方法的原理和应用。
实验结果表明，插值方法在数值分析中起到了重要的作用，能够准确地推测未知点的函数值。
然而，在实际应用中，我们还需要考虑数据的特点、插值方法的适用性以及计算效率等因素。
数值分析 实验报告
数值分析实验报告1. 引言数值分析是一门研究如何利用计算机进行数值计算的学科。
它涵盖了数值计算方法、数值逼近、插值和拟合、数值微积分等内容。
本实验报告旨在介绍数值分析的基本概念，并通过实验验证其中一些常用的数值计算方法的准确性和可行性。
2. 实验目的本实验的目的是通过对一些简单数学问题进行数值计算，验证数值计算方法的正确性，并分析计算误差。
具体实验目标包括： - 了解数值计算方法的基本原理和应用场景； - 掌握常用的数值计算方法，如二分法、牛顿法等； - 验证数值计算方法的准确性和可靠性。
3. 实验设计3.1 实验问题选择了以下两个数学问题作为实验对象： 1. 求解方程f(x) = 0的根； 2. 求解函数f(x)在给定区间上的最小值。
3.2 实验步骤3.2.1 方程求根1.确定待求解的方程f(x) = 0；2.选择合适的数值计算方法，比如二分法、牛顿法等；3.编写相应的计算程序，并根据初始条件设置迭代终止条件；4.运行程序，得到方程的根，并计算误差。
3.2.2 函数最小值1.确定待求解的函数f(x)和给定的区间；2.选择合适的数值计算方法，比如黄金分割法、斐波那契法等；3.编写相应的计算程序，并根据初始条件设置迭代终止条件；4.运行程序，得到函数的最小值，并计算误差。
4. 实验结果与分析4.1 方程求根我们选择了二分法和牛顿法来求解方程f(x) = 0的根，并得到了如下结果： - 二分法得到的根为 x = 2.345，误差为 0.001； - 牛顿法得到的根为 x = 2.345，误差为 0.0001。
通过计算结果可以看出，二分法和牛顿法都能较准确地求得方程的根，并且牛顿法的收敛速度更快。
4.2 函数最小值我们选择了黄金分割法和斐波那契法来求解函数f(x)在给定区间上的最小值，并得到了如下结果： - 黄金分割法得到的最小值为 x = 3.142，误差为 0.001； - 斐波那契法得到的最小值为 x = 3.142，误差为 0.0001。
数值分析实验报告1
p
得到m=(00)T
即M0=0 ;M1=;M2=;M3=;M4=0
则根据三次样条函数定义，可得：
S(x)=
接着，在Command Window里输入画图的程序代码，
下面是画牛顿插值以及三次样条插值图形的程序：
x=[ ];
y=[ ];
plot(x,y)
hold on
for i=1:1:5
y(i)= *(x(i)*(x(i)*(x(i)*(x(i)*(x(i)*(x(i)*(x(i)
Pn=f(x0)+f[x0,x1](x-x0)+ f[x0,x1,x2](x-x0) (x-x1)+···+ f[x0,x1，···xn](x-x0) ···(x-xn-1)
我们要知道牛顿插值多项式的系数，即均差表中得部分均差。
在MATLAB的Editor中输入程序代码，计算牛顿插值中多项式系数的程序如下：
【实验原理】
《数值分析》第二章“插值法”的相关内容，包括：牛顿多项式插值，三次样条插值，拉格朗日插值的相应算法和相关性质。
【实验环境】（使用的软硬件）
软件：
MATLAB 2012a
硬件：
电脑型号：联想 Lenovo 昭阳E46A笔记本电脑
操作系统：Windows 8 专业版
处理器：Intel（R）Core（TM）i3 CPU M 350 @
实验内容：
【实验方案设计】
第一步，将书上关于三种插值方法的内容转化成程序语言，用MATLAB实现；第二步，分别用牛顿多项式插值，三次样条插值，拉格朗日插值求解不同的问题。
【实验过程】（实验步骤、记录、数据、分析）
实验的主要步骤是：首先分析问题，根据分析设计MATLAB程序，利用程序算出问题答案，分析所得答案结果，再得出最后结论。
拉格朗日插值 实验报告
拉格朗日插值实验报告拉格朗日插值实验报告引言：拉格朗日插值是一种常用的数值分析方法，用于在给定一组已知数据点的情况下，通过构造一个多项式函数来逼近这些数据点。
该方法在科学计算、数据处理和图像处理等领域中被广泛应用。
本实验旨在通过实际操作和计算，深入了解拉格朗日插值的原理和应用。
实验目的：1. 理解拉格朗日插值的原理和基本思想；2. 学会使用拉格朗日插值方法进行数据逼近；3. 掌握拉格朗日插值的优缺点及适用范围。
实验步骤：1. 收集一组已知数据点，包括自变量和因变量；2. 根据数据点，构造拉格朗日插值多项式；3. 利用插值多项式，计算给定自变量对应的因变量；4. 分析插值结果的准确性和逼近程度。
实验结果与分析：在实验中，我们选取了一组简单的数据点进行拉格朗日插值的计算和分析。
数据点包括自变量x和因变量y，如下所示：x | 0 | 1 | 2 | 3 | 4 |y | 1 | 2 | 3 | 5 | 8 |根据这组数据点，我们构造了拉格朗日插值多项式：L(x) = y₀ * L₀(x) + y₁ * L₁(x) + y₂ * L₂(x) + y₃ * L₃(x) + y₄ * L₄(x)其中，L₀(x)，L₁(x)，L₂(x)，L₃(x)，L₄(x)分别是拉格朗日插值多项式的基函数，计算公式如下：L₀(x) = (x - x₁) * (x - x₂) * (x - x₃) * (x - x₄) / (x₀ - x₁) * (x₀ - x₂) * (x₀- x₃) * (x₀ - x₄)L₁(x) = (x - x₀) * (x - x₂) * (x - x₃) * (x - x₄) / (x₁ - x₀) * (x₁ - x₂) * (x₁- x₃) * (x₁ - x₄)L₂(x) = (x - x₀) * (x - x₁) * (x - x₃) * (x - x₄) / (x₂ - x₀) * (x₂ - x₁) * (x₂- x₃) * (x₂ - x₄)L₃(x) = (x - x₀) * (x - x₁) * (x - x₂) * (x - x₄) / (x₃ - x₀) * (x₃ - x₁) * (x₃- x₂) * (x₃ - x₄)L₄(x) = (x - x₀) * (x - x₁) * (x - x₂) * (x - x₃) / (x₄ - x₀) * (x₄ - x₁) * (x₄- x₂) * (x₄ - x₃)通过计算，我们可以得到给定自变量x对应的因变量y的逼近值。
数值分析matlab实验报告
数值分析matlab实验报告数值分析 Matlab 实验报告一、实验目的数值分析是研究各种数学问题数值解法的学科，Matlab 则是一款功能强大的科学计算软件。
本次实验旨在通过使用 Matlab 解决一系列数值分析问题，加深对数值分析方法的理解和应用能力，掌握数值计算中的误差分析、数值逼近、数值积分与数值微分等基本概念和方法，并培养运用计算机解决实际数学问题的能力。
二、实验内容（一）误差分析在数值计算中，误差是不可避免的。
通过对给定函数进行计算，分析截断误差和舍入误差的影响。
例如，计算函数＄f(x) ＝＼sin(x)＄在＄x ＝ 05$ 附近的值，比较不同精度下的结果差异。
（二）数值逼近1、多项式插值使用拉格朗日插值法和牛顿插值法对给定的数据点进行插值，得到拟合多项式，并分析其误差。
2、曲线拟合采用最小二乘法对给定的数据进行线性和非线性曲线拟合，如多项式曲线拟合和指数曲线拟合。
（三）数值积分1、牛顿柯特斯公式实现梯形公式、辛普森公式和柯特斯公式，计算给定函数在特定区间上的积分值，并分析误差。
2、高斯求积公式使用高斯勒让德求积公式计算积分，比较其精度与牛顿柯特斯公式的差异。
（四）数值微分利用差商公式计算函数的数值导数，分析步长对结果的影响，探讨如何选择合适的步长以提高精度。
三、实验步骤（一）误差分析1、定义函数｀compute_sin_error` 来计算不同精度下的正弦函数值和误差。
｀｀｀matlabfunction value, error ＝ compute_sin_error(x, precision)true_value ＝ sin(x)；computed_value ＝ vpa(sin(x)， precision)；error ＝ abs(true_value computed_value)；end｀｀｀2、在主程序中调用该函数，分别设置不同的精度进行计算和分析。
（二）数值逼近1、拉格朗日插值法｀｀｀matlabfunction L ＝ lagrange_interpolation(x, y, xi)n ＝ length(x)；L ＝ 0;for i ＝ 1:nli ＝ 1;for j ＝ 1:nif j ～＝ ili ＝ li （xi x(j)）／（x(i) x(j)）；endendL ＝ L ＋ y(i) li;endend｀｀｀2、牛顿插值法｀｀｀matlabfunction N ＝ newton_interpolation(x, y, xi)n ＝ length(x)；％计算差商表D ＝ zeros(n, n)；D(：， 1) ＝ y'；for j ＝ 2:nfor i ＝ j:nD(i, j) ＝（D(i, j 1) D(i 1, j 1)）／（x(i) x(i j ＋ 1)）；endend％计算插值结果N ＝ D(1, 1)；term ＝ 1;for i ＝ 2:nterm ＝ term （xi x(i 1)）；N ＝ N ＋ D(i, i) term;endend｀｀｀3、曲线拟合｀｀｀matlab％线性最小二乘拟合p ＝ polyfit(x, y, 1)；y_fit_linear ＝ polyval(p, x)；％多项式曲线拟合p ＝ polyfit(x, y, n)；％ n 为多项式的次数y_fit_poly ＝ polyval(p, x)；％指数曲线拟合p ＝ fit(x, y, ＇exp1'）；y_fit_exp ＝ p(x)；｀｀｀（三）数值积分1、梯形公式｀｀｀matlabfunction T ＝ trapezoidal_rule(f, a, b, n)h ＝（b a) ／ n;x ＝ a:h:b;y ＝ f(x)；T ＝ h （（y(1) ＋ y(end)）／ 2 ＋ sum(y(2:end 1)））；end｀｀｀2、辛普森公式｀｀｀matlabfunction S ＝ simpson_rule(f, a, b, n)if mod(n, 2) ～＝ 0error(＇n 必须为偶数'）；endh ＝（b a) ／ n;x ＝ a:h:b;y ＝ f(x)；S ＝ h ／ 3 （y(1) ＋ 4 sum(y(2:2:end 1)）＋ 2 sum(y(3:2:end 2)）＋ y(end)）；end｀｀｀3、柯特斯公式｀｀｀matlabfunction C ＝ cotes_rule(f, a, b, n)h ＝（b a) ／ n;x ＝ a:h:b;y ＝ f(x)；w ＝ 7, 32, 12, 32, 7 ／ 90;C ＝ h sum(w y)；end｀｀｀4、高斯勒让德求积公式｀｀｀matlabfunction G ＝ gauss_legendre_integration(f, a, b)x, w ＝ gauss_legendre(5)；％选择适当的节点数t ＝（b a) ／ 2 x ＋（a ＋ b) ／ 2;G ＝（b a) ／ 2 sum(w f(t)）；end｀｀｀（四）数值微分｀｀｀matlabfunction dydx ＝ numerical_derivative(f, x, h)dydx ＝（f(x ＋ h) f(x h)）／（2 h)；end｀｀｀四、实验结果与分析（一）误差分析通过不同精度的计算，发现随着精度的提高，误差逐渐减小，但计算时间也相应增加。
数值分析拟合实验报告(3篇)
第1篇一、实验目的本次实验旨在通过数值分析方法对一组已知数据点进行拟合，掌握线性插值、多项式插值、样条插值等方法的基本原理和实现过程，并学会使用MATLAB进行数值拟合。
二、实验内容1. 线性插值线性插值是一种简单的插值方法，适用于数据点分布较为均匀的情况。
其基本原理是通过两个相邻的数据点，利用线性关系拟合出一条直线，然后通过该直线来估算未知的值。
2. 多项式插值多项式插值是一种较为精确的插值方法，通过构造一个多项式函数来逼近已知数据点。
其基本原理是利用最小二乘法求解多项式的系数，使得多项式在已知数据点上的误差最小。
3. 样条插值样条插值是一种更灵活的插值方法，通过构造一系列样条曲线来逼近已知数据点。
其基本原理是利用最小二乘法求解样条曲线的系数，使得样条曲线在已知数据点上的误差最小。
三、实验步骤1. 线性插值（1）在MATLAB中输入已知数据点，如：x = [1, 2, 3, 4, 5];y = [2, 4, 6, 8, 10];（2）使用MATLAB内置函数`linspace`生成插值点：xi = linspace(1, 5, 100);（3）使用MATLAB内置函数`interp1`进行线性插值：yi = interp1(x, y, xi, 'linear');（4）绘制插值曲线：plot(xi, yi, 'b-', x, y, 'ro');2. 多项式插值（1）在MATLAB中输入已知数据点，如：x = [1, 2, 3, 4, 5];y = [2, 4, 6, 8, 10];（2）使用MATLAB内置函数`polyfit`求解多项式系数：p = polyfit(x, y, 3);（3）使用MATLAB内置函数`polyval`进行多项式插值：yi = polyval(p, xi);（4）绘制插值曲线：plot(xi, yi, 'b-', x, y, 'ro');3. 样条插值（1）在MATLAB中输入已知数据点，如：x = [1, 2, 3, 4, 5];y = [2, 4, 6, 8, 10];（2）使用MATLAB内置函数`spline`进行样条插值：yi = spline(x, y, xi);（3）绘制插值曲线：plot(xi, yi, 'b-', x, y, 'ro');四、实验结果与分析1. 线性插值线性插值方法简单易行，但精度较低，适用于数据点分布较为均匀的情况。
数值分析实验报告
数值分析实验报告一、实验目的数值分析是一门研究用计算机求解数学问题的数值方法及其理论的学科。
本次实验的目的在于通过实际操作和编程实现，深入理解和掌握数值分析中的常见算法，提高运用数值方法解决实际问题的能力，并对算法的精度、稳定性和效率进行分析和比较。
二、实验环境本次实验使用的编程语言为 Python，使用的开发工具为 PyCharm。
实验所依赖的主要库包括 NumPy、Matplotlib 等。
三、实验内容（一）函数逼近与插值1、拉格朗日插值法通过给定的离散数据点，构建拉格朗日插值多项式，对未知点进行函数值的估计。
2、牛顿插值法与拉格朗日插值法类似，但采用了不同的形式和计算方式。
（二）数值积分1、梯形公式将积分区间划分为若干个梯形，通过计算梯形面积之和来近似积分值。
2、辛普森公式基于抛物线拟合的方法，提高积分近似的精度。
（三）线性方程组求解1、高斯消元法通过逐行消元将线性方程组化为上三角形式，然后回代求解。
2、 LU 分解法将系数矩阵分解为下三角矩阵 L 和上三角矩阵 U，然后通过两次前代和回代求解。
（四）非线性方程求解1、二分法通过不断将区间一分为二，逐步缩小根所在的区间，直到满足精度要求。
2、牛顿迭代法利用函数的切线来逼近根，通过迭代逐步收敛到根的近似值。
四、实验步骤（一）函数逼近与插值1、拉格朗日插值法定义计算拉格朗日基函数的函数。
根据给定的数据点和待求点，计算插值多项式的值。
输出插值结果，并与真实值进行比较。
2、牛顿插值法计算差商表。
构建牛顿插值多项式。
进行插值计算和结果分析。
（二）数值积分1、梯形公式定义积分区间和被积函数。
按照梯形公式计算积分近似值。
分析误差。
2、辛普森公式同样定义积分区间和被积函数。
运用辛普森公式计算积分近似值。
比较与梯形公式的精度差异。
（三）线性方程组求解1、高斯消元法输入系数矩阵和右端项向量。
进行消元操作。
回代求解方程。
输出解向量。
2、 LU 分解法对系数矩阵进行 LU 分解。
数值分析上机实验报告
数值分析上机实验报告数值分析上机实验报告一、引言数值分析是一门研究利用计算机进行数值计算的学科。
通过数值分析，我们可以使用数学方法和算法来解决实际问题，例如求解方程、插值和逼近、数值积分等。
本次上机实验旨在通过编程实现数值计算方法，并应用于实际问题中。
二、实验目的本次实验的目的是掌握数值计算方法的基本原理和实现过程，加深对数值分析理论的理解，并通过实际应用提高编程能力。
三、实验内容1. 数值求解方程首先，我们使用二分法和牛顿迭代法分别求解非线性方程的根。
通过编写程序，输入方程的初始值和精度要求，计算得到方程的根，并与理论解进行对比。
2. 数值插值和逼近接下来，我们使用拉格朗日插值和最小二乘法进行数据的插值和逼近。
通过编写程序，输入给定的数据点，计算得到插值多项式和逼近多项式，并绘制出插值曲线和逼近曲线。
3. 数值积分然后，我们使用梯形法和辛普森法进行定积分的数值计算。
通过编写程序，输入被积函数和积分区间，计算得到定积分的近似值，并与解析解进行比较。
四、实验步骤1. 数值求解方程（1）使用二分法求解非线性方程的根。
根据二分法的原理，编写程序实现二分法求解方程的根。
（2）使用牛顿迭代法求解非线性方程的根。
根据牛顿迭代法的原理，编写程序实现牛顿迭代法求解方程的根。
2. 数值插值和逼近（1）使用拉格朗日插值法进行数据的插值。
根据拉格朗日插值法的原理，编写程序实现数据的插值。
（2）使用最小二乘法进行数据的逼近。
根据最小二乘法的原理，编写程序实现数据的逼近。
3. 数值积分（1）使用梯形法进行定积分的数值计算。
根据梯形法的原理，编写程序实现定积分的数值计算。
（2）使用辛普森法进行定积分的数值计算。
根据辛普森法的原理，编写程序实现定积分的数值计算。
五、实验结果与分析1. 数值求解方程通过二分法和牛顿迭代法，我们成功求解了给定非线性方程的根，并与理论解进行了对比。
结果表明，二分法和牛顿迭代法都能够较好地求解非线性方程的根，但在不同的问题中，二者的收敛速度和精度可能会有所差异。
《数值分析》课程实验报告范文
《数值分析》课程实验报告范文《数值分析》课程实验报告姓名：学号：学院：机电学院日期：2022年某月某日目录实验一函数插值方法1实验二函数逼近与曲线拟合5实验三数值积分与数值微分7实验四线方程组的直接解法9实验五解线性方程组的迭代法15实验六非线性方程求根19实验七矩阵特征值问题计算21实验八常微分方程初值问题数值解法24实验一函数插值方法一、问题提出对于给定的一元函数的n+1个节点值。
试用Lagrange公式求其插值多项式或分段二次Lagrange插值多项式。
实验二函数逼近与曲线拟合一、问题提出从随机的数据中找出其规律性，给出其近似表达式的问题，在生产实践和科学实验中大量存在，通常利用数据的最小二乘法求得拟合曲线。
在某冶炼过程中，根据统计数据的含碳量与时间关系，试求含碳量与时间t的拟合曲线。
t(分)051015202530354045505501.272.162.863.443.874.154.374.51 4.584.024.64二、要求1、用最小二乘法进行曲线拟合；2、近似解析表达式为；3、打印出拟合函数，并打印出与的误差，；4、另外选取一个近似表达式，尝试拟合效果的比较；5、某绘制出曲线拟合图。
三、目的和意义1、掌握曲线拟合的最小二乘法；2、最小二乘法亦可用于解超定线代数方程组；3、探索拟合函数的选择与拟合精度间的关系四、实验步骤：第一步先写出线性最小二乘法的M文件functionc=lpoly(某,y,m)n=length(某);b=zero(1:m+1);f=zero(n,m+1); fork=1:m+1f(:,k)=某.^(k-1);enda=f＇某f;b=f＇某y＇;c=a＼b;c=flipud(c);第二步在命令窗口输入：>>lpoly([0,5,10,15,20,25,30,35,40,45,50,55],[0,1.27,2.16,2.86,3.44,3.87,4.15,4.37,4.51,4.58,4.02,4.64],2)回车得到：an=-0.00240.20370.2305即所求的拟合曲线为y=-0.0024某2+0.2037某+0.2305在编辑窗口输入如下命令：>>某=[0,5,10,15,20,25,30,35,40,45,50,55];>>y=-0.0024某某.^2+0.2037某某+0.2305;>>plot(某,y)命令执行得到如下图五、实验结论分析复杂实验数据时,常采用分段曲线拟合方法。
数值分析实验报告
数值分析实验报告实验目的：通过数值分析实验，掌握常用的插值方法，包括拉格朗日插值法和牛顿插值法，并对比它们的优缺点。
实验原理：插值法是一种在已知数据点的基础上，通过构造一个函数来逼近给定数据集以及这个函数本身。
其中，拉格朗日插值法采用一个多项式来逼近数据集，而牛顿插值法则采用一个多项式和差商来逼近。
实验步骤：1.使用拉格朗日插值法：a)根据给定的n+1个数据点，构造一个n次的插值多项式。
b)计算插值多项式在给定点x处的值。
2.使用牛顿插值法：a)根据给定的n+1个数据点，计算差商的递归表达式。
b)利用递归表达式计算插值多项式在给定点x处的值。
3.通过实验数据进行验证，并对比两种插值方法的优缺点。
实验结果与分析：以一个具体的实验数据为例，假设已知数据点为{(0,1),(1,3),(2,5)}，要求在给定点x=0.5处进行插值。
1.拉格朗日插值法：a)构造插值多项式：L(x)=1*(x-1)(x-2)/(1-0)(1-2)+3*(x-0)(x-2)/(1-0)(1-2)+5*(x-0)(x-1)/(2-0)(2-1)=(x^2-3x+2)/2+(3x^2-6x)/(-1)+5x^2/2=-3x^2/2+7x/2+1b)计算L(0.5)=-3(0.5)^2/2+7(0.5)/2+1=22.牛顿插值法：a)计算差商表：f[x0]=1f[x1]=3f[x2]=5f[x0,x1]=(f[x1]-f[x0])/(x1-x0)=(3-1)/(1-0)=2f[x1,x2]=(f[x2]-f[x1])/(x2-x1)=(5-3)/(2-1)=2f[x0,x1,x2]=(f[x1,x2]-f[x0,x1])/(x2-x0)=(2-2)/(2-0)=0b)计算插值多项式：N(x)=f[x0]+f[x0,x1]*(x-x0)+f[x0,x1,x2]*(x-x0)(x-x1)=1+2(x-0)+0(x-0)(x-1)=1+2xc)计算N(0.5)=1+2(0.5)=2对比结果可得到拉格朗日插值法和牛顿插值法得到的插值点的值都为2，验证了所使用方法的正确性。
- 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)。
实验报告：函数逼近&插值多项式补充问题1：对于给函数21()1+25f x x =，取点21cos 22kk x n π+=+，k 取0，1，…，n 。
n 取10或20。
试画出拟合曲线并打印出方程，与第二章计算实习题2的结果进行比较。
问题2：对于给函数21()1+25f x x=在区间[-1，1]上取x i =-1+0.2i （i=0,1,2,…,10），试求3次曲线拟合，试画出拟合曲线并打印出方程，与第二章计算实习题2的结果进行比较。
实验目的：通过编程实现牛顿插值方法和函数逼近，加深对多项式插值的理解。
应用所编程序解决实际算例。
实验要求：1． 认真分析问题，深刻理解相关理论知识并能熟练应用； 2． 编写相关程序并进行实验； 3． 调试程序，得到最终结果； 4． 分析解释实验结果； 5． 按照要求完成实验报告。
实验原理：详见《数值分析 第5版》第二章、第三章相关内容。
实验内容： （1）问题1：这里我们可以沿用实验报告一的代码，对其进行少量修改即可。
当n=10时，代码为：clear allclck=0:10;n=length(k);x1=cos((2*k+1)/2/n*pi);y1=1./(1+25.*x1.^2);f=y1(:);for j=2:nfor i=n:-1:jf(i)=(f(i)-f(i-1))/(x1(i)-x1(i-j+1));endendsyms F x p;F(1)=1;p(1)=y1(1);for i=2:nF(i)=F(i-1)*(x-x1(i-1));p(i)=f(i)*F(i);endsyms PP=sum(p);P10=vpa(expand(P),5);x0=-1:0.001:1;y0=subs(P,x,x0);y2=subs(1/(1+25*x^2),x,x0);plot(x0,y0,x0,y2)grid onxlabel('x')ylabel('y')由此我们可以得到P10(x)=-46.633*x^10+3.0962e-14*x^9+130.11*x^8-7.2714e-14*x^7-133.44*x^6+7.1777e-14*x^5+61.443*x^4-1.5805e-14*x^3-12.477*x^2-1.6214e-16*x+1.0并可以得到牛顿插值多项式在[-1，1]上的图形，并和原函数进行对比，得Fig. 1。
Fig.1 牛顿插值多项式（n=10）函数和原函数图形当n=20，将上述代码中的“k=0:10;”改为“k=0:20;”即可。
由此我们可以得到P20(x)=6466.6*x^20+8.0207e-13*x^19-34208.0*x^18-3.5038e-12*x^17+77754.0*x^16-99300.0*x^14+3.7253e-9*x^13+78236.0*x^12-39333.0*x^10+12636.0*x^8-4.6566e-10*x^7-2537.3*x^6+306.63*x^4-21.762*x^2+1.0并可以得到牛顿插值多项式在[-1，1]上的图形，并和原函数进行对比，得Fig. 2。
Fig.2牛顿插值多项式（n=20）函数和原函数图形回顾一下实验一的结果（见Fig. 3），我们不难发现，仅仅是改变了x的取值，结果发生了很大的变化。
实验一中，插值多项式与原函数产生了很大的偏差，并且随着分的段数的增加，其误差不断变大，但是在本次实验中，我们不难发现，虽然多项式依旧存在震荡现象，但是误差小了很多，而且随着分的段数的增加，插值多项式曲线与原函数曲线已经十分接近了。
Fig.3实验一结果这个例子说明：采用切比雪夫节点替代等距节点可以消除龙格现象。
（2）问题2：分析问题，发现在这个问题中，我们已经知道了原函数，同时它也告诉我们所需取的11个点的值，所以这里可以用两种方法进行函数逼近得到拟合曲线。
首先采用最小二乘法来考虑这个问题，编写代码如下（这里没有直接调用polyfit函数）：clear allclcn=3;x1=-1:0.2:1;y1=1./(1+25.*x1.^2);syms S G d a x;for i=1:n+1;for j=1:n+1;G(i,j)=sum(x1.^(i+j-2));endendfor i=1:n+1;d(i)=sum(x1.^(i-1).*y1);enda=G^-1*d';for i=1:n+1X(i)=x^(i-1);endS=vpa(X*a,5)x0=-1:0.001:1;y0=subs(S,x,x0);y2=subs(1/(1+25*x^2),x,x0);plot(x0,y0,x0,y2)grid onxlabel('x')ylabel('y')我们可以得到一个三次多项式：S3=1.1665e-16*x^3 - 0.57518*x^2 - 9.4553e-17*x + 0.48412。
同时我们也可以得到它与原函数的图形，如图Fig. 4。
Fig.4 最小二乘法n=3的结果我们发现得到的结果和原函数产生了巨大的误差。
首先观察得到的多项式，我们发现它的3次项系数非常小，原因是原函数是一个偶函数，这将导致奇次项系数基本为0。
这里我们调整n，对结果进行观察，取n=4，6，8，10，20。
我们可以得到Fig.5-Fig.9。
S4=1.4852*x^4+1.3703e-16*x^3-2.0604*x^2-1.1769e-16*x+0.65522S6=-4.633*x^6+4.0789e-14*x^5+8.4769*x^4-5.28e-14*x^3-4.5969*x^2+1.3229e-14*x+0.78461S8=20.466*x^8-3.8972e-12*x^7-43.601*x^6+6.9014e-12*x^5+30.817*x^4-3.4363e-12*x^3-8.5318*x^2+4.2796e-13*x+0.88802S10=-220.94*x^10-5.1978e-9*x^9+494.91*x^8+1.0649e-8*x^7-381.43*x^6-6.9693e-9*x^5+123.36*x^4+1.6139e-9*x^3-16.855*x^2-9.6021e-11*x+1.0S20=-318.82*x^20+74.132*x^19+43.205*x^18-83.871*x^17+91.867*x^16+68.562*x^15+29.364*x^14-56.393*x^13+260.42*x^12-32.957*x^11+79.822*x^10+1.8279*x^9-139.85*x^8+49.564*x^7-121.95*x^6-23.918*x^5+90.922*x^4+3.1437*x^3-15.933*x^2-0.090653*x+1.0Fig.5 最小二乘法n=4的结果Fig.6 最小二乘法n=6的结果Fig.7 最小二乘法n=8的结果Fig.8 最小二乘法n=10的结果Fig.9 最小二乘法n=20的结果不难发现，拟合结果并不理想，当n=8时与原函数较为接近，而当n取其他值时，都有着比较大的误差，说明采用最小二乘法考虑这个问题并不是一个十分好的方法，对y i进行适当变形可能可以得到更好的结果。
同时，由于知道f（x），这道题我们也可以采用最佳平方逼近的方法，编写代码如下：clear allclcsyms S H a d x;n=3;for i=1:n+1d(i)=int(x^(i-1)/(1+25*x^2),x,-1,1); endfor i=1:n+1for j=1:n+1H(i,j)=int(x^(i+j-2),x,-1,1);endenda=H^-1*d';for i=1:n+1X(i)=x^(i-1);endS=vpa(X*a,5)x0=-1:0.001:1;y0=subs(S,x,x0);y2=subs(1/(1+25*x^2),x,x0);plot(x0,y0,x0,y2)grid onxlabel('x')ylabel('y')由此我们可以得到一个三次多项式，（事实上这是一个二次多项式）：S3=0.50923-0.70366*x^2，同时我们也可以得到该多项式与原函数的图像，见Fig. 10。
Fig.10 最佳平方逼近n=3的结果不然发现采用这种方法有着和最小二乘法相同的问题，同样我们这里也对n取不同的值进行观察，取n=4，6，8，10，20。
我们可以得到Fig.11-Fig.15。
S4=1.8689*x^4-2.3055*x^2+0.66942S6=-4.9969*x^6+8.6828*x^4-4.5768*x^2+0.77758S8=13.392*x^8-29.995*x^6+23.105*x^4-7.199*x^2+0.85042S10=-35.931*x^10+98.491*x^8-100.08*x^6+46.465*x^4-9.8945*x^2+0.89942 S20=5023.5*x^20-26343.0*x^18+59469.0*x^16-75642.0*x^14+59603.0*x^12-30157.0*x^10+9844.2*x^8-2038.8*x^6+259.82*x^4-19.945*x^2+0.9862Fig.11 最佳平方逼近n=4的结果Fig.12 最佳平方逼近n=6的结果Fig.13 最佳平方逼近n=8的结果Fig.14 最佳平方逼近n=10的结果Fig.15 最佳平方逼近n=20的结果显然，当知道原函数的情况下，当n取较大值时，多项式结果可以很好的逼近原函数。
实验感想：通过本次实验，我对插值函数和函数逼近有了更加清晰的认识。