[教育学]第一章 常用数值分析方法§3 插值法与曲线拟合
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。
第3章插值与拟合
分段低次多项式插值方法：
在实际问题观测中，一般会得到很多个观测点的 观测结果，采用插值方法近似时，一般采取分段 插值的方法。基本思想是： （1）把插值区间划分成若干个小区间； （2）在每一小区间上用低次多项式进行插值； （3）在整个插值区间上就得到一个分段插值函数.
的形式，其中c 为待定系数。又由 l0 (x0 ) 1 , 代入上式得
Hale Waihona Puke c1(x0 x1 )( x0 x2 )
于是，可得
l0
(x)
(x (x0
x1 )( x x2 ) x1 )( x0 x2 )
类似地，可得
l1 (x)
(x ( x1
x0 x0
)( x x2 ) )( x1 x2 )
3.2 曲线拟合 3.2.1 问题提出
利用插值方法求多项式函数作为未知函数的近似时， 要求
1、所有插值节点互不相同，否则不可解； 2、近似函数曲线必须通过所有观测点。 在实际观测或实验中，一般存在以下问题 1、为了得到更加准确、合理的观测结果，经常进行多 次重复观测，插值节点互不相同的要求已不成立； 2、由于在观测过程中，常存在许多随机因素，如身高、 体重的测量，受测量设备精度、发型、服装、站立方式等影 响，测量结果不可避免地存在误差，甚至由于某些因素，误 差很大。因此在考虑观测误差的因素下，要求近似函数曲线 一定通过观测点已显得没有必要。 因此，只要要求近似函数在观测点上近似地满足插值 条件，并使它们的整体误差最小就可以了。
y1
(x ( x1
x0 )( x x2 ) x0 )( x1 x2 )
数值分析 第一章 插值方法教材
注: n次插值多项式 pn(x) ，精确讲应该是次数 ≤n的插值多项式，如下图
y Pn(x) f (x)
0
x
2018/10/8
13
插值多项式的存在性、唯一性 [利用待定系数法求解并证明]
..,n 求 pn ( x) 已知 f ( xi ) yi , i 0,1,2,....
x2 x3 例如： e 1 x ...... 2! 3!
x
插值多项式：设 f 是区间[a, b]上的一个实函数， 且有n+1个相异点x0, x1,…,xn∈[a,b], f 在xi处的值yi =f (xi) (i=0,1,2,..,n),若存在一个简单函数p(x)，使 得 p(xi)=yi (i=0,1,2,..,n) ①
f " (100) p2 (115) p1 (115) (115 110) 2 2!
10.75 0.028125 10.721875
Байду номын сангаас
115 10.723805 ......
2018/10/8
有4位有效数字。
11
结论：利用f (x)的泰勒多项式研究 f (x)，需知f (x)在 某点x0的各阶导数，这不易做到。
( n 1 )! ——泰勒余项定理
2018/10/8 8
y0 , y ,......,y 泰勒插值 已知一组数据 多项式 pn(x), 使得pn(x)满足
(1) 0
( n) 0
，求n次
(k ) (k ) pn ( x0 ) y0 , k 0,1,2,...... n
(*)
(k ) 对某一函数 f (x)，已知一组数据 f ( k ) ( x0 ) y0 , (k ) (k ) p ( x ) f ( x0 ) 求 p ( x ), 使得 p ( x ) 满足 n 0 (k 0,1,2,, n), n n
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
第一章常用数值分析方法3插值法与曲线拟合
y y=f(x)
(x2, y2)
实际曲 线
理论函数：y=f(x)
y=p(x)
近似直线
插值函数：y=p1(x)
(x1, y1)
x 图6.2 线性插值示意图
直线方程：
p 1 (x ) A 1 (x )y 1 A 2 (x )y 2 （插值多项式）
01:34 2020/7/18
特点： A1(x1)=1，A1(x2)=0 A2(x1)=0，A2(x2)=1
§3 插值法与曲线拟合
3.1 实验数据统计处理
平行试验数据处理，误差分析。
3.2 插值法（Lagrange插值法）
根据实验测定的离散数据，求未测的某点数据。
3.3 曲线拟合（最小二乘法）
根据实验测定的离散数据，拟合曲线，分析数 据规律，求函数表达式。
01:34 2020/7/18
1/37
X.Z.Lin
10
当 xxj时 当 xxj时
ij
（2）插值多项式
n
pn(x) Aj(x)yj
j1
称为f(x) 的插值函数。最常用的插值函数是 多…?项式
f(x)
g(x) f(x)
x1
x2
x3
x
x4
x5
另一类方法在选定近似函数的形式后，不要求近似函数过已
知样点，只要求在某种意义下它在这些点上的总偏差最小。这类
方法称为曲线（数据）拟合法，将在下一节介绍。
01:34 2020/7/18
6/37
X.Z.Lin
xnx1
xnx1
查Q值表得出标准值Q0.90；
返回（1）
可疑值判断
重算
Q≥Q0.90 Q < Q0.90
第一章常用数值分析方法3插值法与曲线拟合共38页
xnx1
xnx1
查Q值表得出标准值Q0.90；
返回（1）
可疑值判断
重算
Q≥Q0.90 Q < Q0.90
错误数据 数据合理
剔出 保留。
（5）用标准形式表示统计处理结果
xx2
10:31 09.05.2020
2/37
X.Z.Lin
3.2 插值法（ Interpolation ）
3.2.1 概述
函数常被用来描述客观事物变化的内在规律——数量关系， 如宇宙中天体的运行，地球上某地区平均气温的变化等等， 但在生产和科研实践中碰到的大量的函数中，不仅仅是用解 析表达式表示的函数，还经常用数表和图形来表示函数，其 中函数的数表形式在实际问题中应用广泛，主要原因是有相 当一部分函数是通过实验或观测得到的一些数据，这些数据 只是某些离散点 xi 上的值（包括函数值f (xi)，导数值 f(xi) 等,i = 1,2,…,n)，虽然其函数关系是客观存在的，但却不知道 具体的解析表达式，因此不便于分析研究这类数表函数的性 质，也不能直接得出其它未列出点的函数值，我们希望能对 这样的函数用比较简单的表达式近似地给出整体的描述。
A3(x)(x(x3 xx11))((xx3xx22))
10:31 09.05.2020
8/37
X.Z.Lin
3.2.4 Lagrange插值的一般形式
已知：n点（x1，y1）、（x2，y2）……（xn，yn） 求：其间任意 x 对应的 y 值
（1）构造插值基函数
n
Aj(x)
i1
xxi xj xi
分段
插值基函数
p(x)
k2 jk
k2
ik ij
xxi xj xi
数值分析与计算方法 第一章 插值法
同 理 ： (t) 至 少 有n 个 互 异 零 点；
(t) 至 少 有n 1 个 零 点 ；
(n1) (t ) 至 少 有 一 个 零 点 ； 即 (a ，b)，
(n1) (
)
R(n1) n
(
)
K ( x)n1(n1) (
)
R(n1) n
(
)
K ( x) (n
1)!
f (n1) ( ) K ( x) (n 1)! 0
x x0 x1 x2 xn ， y f ( x)？ y y0 y1 y2 yn
（1）有的函数没有表达式，只是一种表格函数，而我们需要的 函数值可能不在该表格中。
（2）如果函数表达式本身比较复杂，计算量会很大；
对于这两种情况，我们都需要寻找一个计算方便且表达简单
的函数 P x来近似代替 f ( x)，求 P x 的方法称为插值法。
Ln1( x)
为此我们考虑对Lagrange插值多项式进行改写； ——由唯一性，仅是形式上的变化
期望：Ln ( x) 的计算只需要对Ln1( x)作一个简单的修正.
考虑 h( x) Ln ( x) Ln1( x) h( x) 是次数 n 的多项式，且有
h( x j ) Ln ( x j ) Ln1( x j ) 0 ，j 0 ，1，2 ，L ，n 1 ；
)
3
)
1 2
(x
(
4
6
6
)( x
)(
4
3
)
3
)
1
(
x
6
)(
x
4
)
2
(
3
6
)(
3
4
)
3 2
《插值与拟合》课件
拟合的方法
1
最小二乘法
通过最小化残差平方和，找到与数据最匹配的函数。
2
局部加权回归
给予附近数据点更高的权重，拟合接近局部数据点的函数。
3
多项式拟合
用多项式函数逼近数据，通过选择合适的次数实现拟合。
插值与拟合的误差分析
插值和拟合都会引入近似误差，需要评估误差范围和影响因素。
插值与拟合在数据处理与分析中的应用
数据分析
通过插值和拟合方法对数据进 行探索和分析。
数据处理
在数据处理过程中使用插值和 拟合技术来填充缺失值和平滑 数据。
数据建模
利用插值和拟合模型对数据特 征进行捕捉和预测分析。
插值与拟合的推广和发展前景
随着数据科学和人工智能的不断发展，插值和拟合在各个领域的应用前景越 来越广阔。
插值与拟合的应用范围
科学研究
用于数据分析、信号优化设计、近似计算和 效能提升。
经济金融
用于市场分析、预测模型和 风险评估。
插值的方法
1
拉格朗日插值
基于多项式插值公式，用拉格朗日多项式逼近函数。
2
牛顿插值
基于差商的概念，用多项式逼近函数的值。
3
分段插值
将插值区间划分为多个子区间，并在每个子区间上进行插值。
《插值与拟合》PPT课件
插值与拟合是数值计算和数据分析中重要的概念。
插值与拟合的概念
插值
通过已知值的推算，计算在未知点的近似值。
拟合
通过曲线或曲面拟合已知数据，以描述和预 测未知数据。
插值与拟合的区别与联系
1 区别
2 联系
插值重点关注已知点的准确性，而拟合则 着重于整体形状的拟合。
插值和拟合都通过数学模型逼近离散数据， 以实现数据的补全和预测。
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。
数学建模插值法与曲线拟合讲课
插值法的matlab实现—一维插值
命令：interp1(x0,y0,x，’method’) 其中：x0：插值节点；
y0：插值节点处的函数值； x：要计算函数值的点；
method：
l i n e a r ：分段线性插值； c u b i c ：分段三次埃尔米特插值； s p l i n e ：三次样条插值。
z4
8
686
8
8
x 157.5 107.5 77 81 162 162 117.5
y -6.5 -81 3 56.5 -66.5 84 -33.5
z9
9
88
94
9
水深和流速的问题
在水文数据测量中，不同水深的流速是不同的. 水文数据的测量 时天天进行的，为了减少测量的工作，希望得到确定的水深和水 流之间的关系. 为此测量了一系列不同水深和流速值. 下表给出了 对某河流的测量数据，其中水深和流速根据适当的单位进行了规 范化，共10个值.
插值与拟合的不同点
插值: 过节点; ； 拟合: 不过点, 整体近似；
插值法
拉格朗日插值 牛顿插值 三次埃尔米特插值法 分段线性插值 分段三次埃尔米特插值法 三次样条插值
1、 拉格朗日插值公式
（１）定义
对给定的n+1个节点x0 , x1,x2,…,xn及对应的函数值y0 , y1,y2,…,yn， 构造一个n次插值多项式：
f(x)=1/(1+x2) , 但对于3.63≤∣x∣≤1的x，Pn(x)严重发散。 用图形分析问题。
for n=10:2:20
%从10等份到20等份
x0=[-5:10/n:5]; %插值节点
y0=1./(1+x0.^2); %插值节点处的精确函数值
数值计算3-插值和曲线拟合
数值计算．．．．．．．．．．．3．－．插值和曲线拟合插值法是实用的数值方法，是函数逼近的重要方法。
在生产和科学实验中，自变量x与因变量y的函数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。
如何根据观测点的值，构造一个比较简单的函数y=φ(x)，使函数在观测点的值等于已知的数值或导数值。
用简单函数y=φ(x)在点x处的值来估计未知函数y=f(x)在x点的值。
寻找这样的函数φ(x)，办法是很多的。
φ(x)可以是一个代数多项式，或是三角多项式，也可以是有理分式；φ(x)可以是任意光滑（任意阶导数连续）的函数或是分段函数。
函数类的不同，自然地有不同的逼近效果。
在许多应用中，通常要用一个解析函数（一、二元函数）来描述观测数据。
根据测量数据的类型：1．测量值是准确的，没有误差。
2．测量值与真实值有误差。
这时对应地有两种处理观测数据方法：1．插值或曲线拟合。
2．回归分析（假定数据测量是精确时，一般用插值法，否则用曲线拟合）。
MATLAB中提供了众多的数据处理命令。
有插值命令，有拟合命令，有查表命令。
一维插值插值定义为对数据点之间函数的估值方法，这些数据点是由某些集合给定。
当人们不能很快地求出所需中间点的函数值时，插值是一个有价值的工具。
例如，当数据点是某些实验测量的结果或是过长的计算过程时，就有这种情况。
interp1(x,y,xi,method)x和y为既有数据的向量，其长度必须相同。
xi为要插值的数据点向量。
method插值方法,‘nearest’/‘linear’/‘cubic’/‘spline’之一，分别为最近点插值/线性插值/分段三次Hermite插值/三次样条插值。
例x=[1.0 2.0 3.0 4.0 5.0]; %输入变量数据xy=[11.2 16.5 20.4 26.3 30.5]; %输入变量数据yx1=2.55; %输入待插值点xy11=interp1(x,y,x1,'nearest') %最近点插值方法的插值结果y12=interp1(x,y,x1,'linear') %线性插值方法的插值结果y13=interp1(x,y,x1,'cubic') %三次Hermite插值方法的插值结果y14=interp1(x,y,x1,'spline') %样条插值方法的插值结果y11 =20.4000y12 =18.6450y13 =18.6028y14 =18.4874plot(x,y)或许最简单插值的例子是MATLAB的作图。
第一章常用数值分析方法3插值法与曲线拟合-精选文档
函数常被用来描述客观事物变化的内在规律——数量关系， 如宇宙中天体的运行，地球上某地区平均气温的变化等等， 但在生产和科研实践中碰到的大量的函数中，不仅仅是用解 析表达式表示的函数，还经常用数表和图形来表示函数，其 中函数的数表形式在实际问题中应用广泛，主要原因是有相 当一部分函数是通过实验或观测得到的一些数据，这些数据 只是某些离散点 xi 上的值（包括函数值f (xi)，导数值 f(xi) 等,i = 1,2,…,n)，虽然其函数关系是客观存在的，但却不知道 具体的解析表达式，因此不便于分析研究这类数表函数的性 质，也不能直接得出其它未列出点的函数值，我们希望能对 这样的函数用比较简单的表达式近似地给出整体的描述。
13:53 2019/3/20 4/37
X.Z.Lin
另一方面，有些函数，虽然有解析表达式，但因 其过于复杂，不便于计算和分析，同样希望构造一个 既能反映函数的特性又便于计算的简单函数，近似代 替原来的函数。 b f (x)dx 中，当f (x)很复杂，要 如在积分 I a 计算积分 I 是很困难的，构造近似函数使积分容易计 算，并且使之离散化能上机计算求出积分I，都要用 到插值逼近。
，
yi（i = 1，2，…n）
求：给定点 x 对应的函数值 y 或近似函数表达式。 要求： 已知点满足该函数
思路
构造函数 y=p(x)
代数多项式 ：
插值函数
2 m p ( x ) a a x a x a x m 0 1 2 m
( m n )
两点插值（线性插值）
算法
拉格朗日（Lagrange）法
（插值多项式）
特点：
13:53 2019/3/20
x x x x 2 1 y y 1 2 x x x x 1 2 2 1
数值分析 第1章 插值方法讲解
f (n1) ( )
(n 1)!
n k 0
(x
xk ),
ξ [a,b]
第1章 插值方法
例题1: 令x0=0, x1=1. 写出y=f(x)=e-x的一次插值多项式 P1(x), 并估计误差.
解: x0=0, y0=1; x1=1, y1=e-1.
P1(x) y0l0 (x) y1l1(x)
0, j k lk (x j ) 1, j k
lk (x)
n j 0
x xj xk x j
jk
插值基函数
Pn (x)
n k 0
yklk (x)
n k 0
n
yk (
j0
x xj ) xk x j
jk
第1章 插值方法
§3 插值余项
1.拉格朗日余项定理
l0 (x)
(x ( x0
x1)(x x2 ) x1)(x0 x2 )( x1
x0 )(x x2 ) x0 )(x1 x2 )
;
l2 (x)
(x ( x2
x0 )(x x1) x0 )(x2 x1)
.
插值基函数
第1章 插值方法
3.一般情形 问题的解(插值公式):
第1章 插值方法
f (x) Pn (x)
f
'
' (
2
)
(
x
x0
)(x
x1
)
1 e- (x 0)(x 1), ξ [0,1] 2
max
0 x1
f (x) Pn (x)
1 max e- 2 0x1
数值分析法--曲线拟合法、插值建模法
数值分析法相关知识在生产和科学实验中，自变量x 与因变量y 间的函数关系()y f x =有时不能写出解析表达式，而只能得到函数在若干点的函数值或导数值，或者表达式过于复杂而需要较大的计算量。
当要求知道其它点的函数值时，需要估计函数值在该点的值。
为了完成这样的任务，需要构造一个比较简单的函数()y x ϕ=，使函数在观测点的值等于已知的值，或使函数在该点的导数值等于已知的值，寻找这样的函数()y x ϕ=有很多方法。
根据测量数据的类型有以下两类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。
曲线拟合法已知离散点上的数据集1122{(,),(,),,(,)}n n x y x y x y ，即已知在点集12{,,,}n x x x 上的函数值12{,,,}n y y y ，构造一个解析函数（其图形为一曲线）使()f x 在原离散点i x 上尽可能接近给定的i y 值，这一过程称为曲线拟合。
曲线拟合的一般步骤是先根据实验数据，结合相关定律，将要寻求的最恰当的拟合曲线方程形式预测出来，再用其他的数学方法确定经验公式中的参数。
对于事先给定的一组数据，确定经验公式一般可分为三步进行：(1)、确定经验公式的形式：根据系统和测定的数据的特点，并参照已知图形的特点确定经验公式的形式。
（2）、确定经验公式中的待定系数：计算待定系数的方法有许多常用的法有图示法、均值法、差分法、最小二乘法、插值法等。
（3）、检验：求出经验公式后，还要将测定的数据与用经验公式求出的理论数据作比较，验证经验公式的正确性，必要时还要修正经验公式。
关于确定经验公式的形式，可从以下几个方面入手：（1）、利用已知的结论确定经验公式形式，如由已知的胡克定律可以确定在一定条件下，弹性体的应变与应力呈线性关系等。
（2）、从分析实验数据的特点入手，将之与已知形式的函数图形相对照，确定经验公式的形式。
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。
插值和拟合
插值和拟合都是函数逼近或者数值逼近的重要组成部分他们的共同点都是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的目的，即通过"窥几斑"来达到"知全豹"。
简单的讲，所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1, λ2,…,λ3), 使得该函数与已知点集的差别(最小二乘意义)最小。
如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。
表达式也可以是分段函数，这种情况下叫作样条拟合。
而插值是指已知某函数的在若干离散点上的函数值或者导数信息，通过求解该函数中待定形式的插值函数以及待定系数，使得该函数在给定离散点上满足约束。
插值函数又叫作基函数，如果该基函数定义在整个定义域上，叫作全域基，否则叫作分域基。
如果约束条件中只有函数值的约束，叫作Lagrange插值，否则叫作Hermite插值。
从几何意义上将，拟合是给定了空间中的一些点，找到一个已知形式未知参数的连续曲面来最大限度地逼近这些点；而插值是找到一个(或几个分片光滑的)连续曲面来穿过这些点。
一、概念的引入1. 插值与拟合在现实生活中的应用l 机械制造：汽车外观设计l 采样数据的重新建构：电脑游戏中场景的显示，地质勘探，医学领域（CT）2.概念的定义l 插值：基于[a,b]区间上的n个互异点，给定函数f(x)，寻找某个函数去逼近f(x)。
若要求φ(x)在xi处与f(xi)相等，这类的函数逼近问题称为插值问题，xi即是插值点l 逼近：当取值点过多时，构造通过所有点的难度非常大。
此时选择一个次数较低的函数最佳逼近这些点，一般采用最小二乘法l 光顾：曲线的拐点不能太多，条件：①二阶几何连续②不存在多余拐点③曲率变化较小l 拟合：曲线设计过程中用插值或通过逼近方法是生成的曲线光滑(切变量连续)光顾二、插值理论设函数y=f(x)在区间[a,b]上连续，在[a,b]上有互异点x0,x1,…,xn处取值y 0,y1,…,yn。
第一章插值方法(3-4学时)
问题
l 求作二次式1 ( x )
，使满足条件
p2 ( x0 ) = y0 , p2 ( x1 ) = y1 , p2 ( x2 ) = y 2
二次插值的几何解释是用通过三个点 ( x0 , y0 ),( x1 , y1 ),( x2 , y2 ) 的抛物线 y = p2 ( x ) 插值，令
l0 ( x ) l0 ( x0 ) = 1, l0 ( x1 ) = l0 ( x2 ) = 0
问题
≤ 求作次数 n
pn ( x ) 多项式
Байду номын сангаас，使满足条件
这就是所谓的拉格朗日（Lagrange）插值。点 xi （它们互不相同） 拉格朗日（Lagrange）插值 拉格朗日 称为插值节点。 用几何语言来描述，就是，通过曲线y=f(x)上给定的n+1个点 ，求作一条n次代数曲线 作为 Y=f(x)的近似。
问题： 问题：
选取什么函数作为近似的函数 误差如何？
数值分析简明教程 2.<# >
f ( x )
，如何求得其具体表达式，
王能超 编著
插值问题
设函数f(x)在区间[a ，b]上有定义，且已知在一组互异 点 上的函数 值 ，寻求一个简单的函数p(x)，使满足 （1.1） 并用p(x)近似代替f(x)，上述问题称为插值问题 插值问题。 插值问题
类似的可以构造出
2.<# >
王能超 编著
拉格朗日插值的一般情形
≤n 仿照前述作法，对于求作次数 ，使满足条件
pn ( x ) 多项式
lk ( x ) , k = 0,1, 2,L , n
的问题，我们可构造插值基函数 ≤n ，它们都是次 数小于 这表明，除
插值与拟合方法
实际中数据处理的例子
测量细棒上若干个点处的温度（或房间 内若干个点处的温度、某区域若干个点 处的海水深度，汽车、飞机等的外形设 计，诸如此类的空间分布数据），试确 定细棒上各处的温度分布。当数据量较 少，且测量误差较小时，可用插值法； 当数据量很多，测量误差较大，或数据 中含较大的不确定性时，可用拟合法。 研究时间序列数据的变化趋势，常用拟 合法。
可选用的四种method
‘nearest’：表示最临近插值 ② ‘linear’：表示分片双线性插值 ③ ‘cubic’：表示分片双三次插值 ④ 'spline'：表示双三次样条插值 注： interp2插值方法要求 x 和 y分别是单 调的插值节点，x 和 y 可以是不等距的.
①
第三章 数据拟合方法
仅简单介绍分段线性插值
分段线性插值问题
已知函数 f ( x) 在 n 1 个观测点 x0 x1 xn 上的函 i 数值 yi ， 0,1, 2, , n.求函数 ( x)，满足 ① 在每个小区间[ xi , xi 1 ] (i 0,1,, n 1) 上， ( x) 是线性 函数（次数不超过1次的多项式）； i ② yi ( xi ) ， 0, 1, 2, , n. ( x) 称为分段线性插值函数。 分段线性插值的构造 当 x [ x , x ] (i 0, 1, , n 1) 时，
数。易得
li ( x)
j 0 j i n
(x x j ) ( xi x j )
n
(i 0, 1, 2, , n)
即
n ( x) yi li ( x)
i 0
龙格(Runge)现象
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。
- 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)。
（1）算术平均值
n
xi
x i1 n
（2）标准偏差
n xi2 N xi 2 n
i1
i1
n1
（3）平均标准偏差
E
n
（4）剔出错误数据??可可据疑据疑数数
Q 数据排序（升）：x1，x2，…，xn；
最大与最小数据之差；
值 可疑数据与其最邻近数据之间的差
法 求Q值：
Qxnxn1 或 Qx2x1
10
当 xxj时 当 xxj时
ij
（2）插值多项式
n
pn(x) Aj(x)yj
8/37
p1(x)y1yx2 2 xy11(xx1)（变形）
xx1xx22y1xx2xx11y2
A1(x)
A2(x)
插值基函数
X.Z.Lin
3.2.3 抛物线插值
已知：三点（x1，y1）、（x2，y2）、（x3，y3） 求：其间任意 x 对应的 y 值
y (x3, y3)
y=f(x) (x2, y2) y=p2(x)
算法 拉格朗日（Lagrange）法
➢ 两点插值（线性插值） ➢ 一元三点插值（抛物线插值） ➢ 一元多点插值（插值公式的一般形式） ➢ 分段插值
其他：牛顿（Newton）插值法、 Hermite插值法、
样条函数插值法等。
20:56 13.12.2020
7/37
X.Z.Lin
3.2.2 线性插值
已知：两点( x1 , y1）、( x2, y2 ） 求：两点间任意 x 对应的 y 值。
20:56 13.12.2020
4/37
X.Z.Lin
另一方面，有些函数，虽然有解析表达式，但因
其过于复杂，不便于计算和分析，同样希望构造一个
既能反映函数的特性又便于算的简单函数，近似代
替原来的函数。
b
如在积分
I f (x)dx a
中，当f (x)很复杂，要
计算积分 I 是很困难的，构造近似函数使积分容易计
xnx1
xnx1
查Q值表得出标准值Q0.90；
返回（1）
可疑值判断
重算
Q≥Q0.90 Q < Q0.90
错误数据 数据合理
剔出 保留。
（5）用标准形式表示统计处理结果
xx2
20:56 13.12.2020
3/37
X.Z.Lin
3.2 插值法（ Interpolation ）
3.2.1 概述
函数常被用来描述客观事物变化的内在规律——数量关系， 如宇宙中天体的运行，地球上某地区平均气温的变化等等， 但在生产和科研实践中碰到的大量的函数中，不仅仅是用解 析表达式表示的函数，还经常用数表和图形来表示函数，其 中函数的数表形式在实际问题中应用广泛，主要原因是有相 当一部分函数是通过实验或观测得到的一些数据，这些数据 只是某些离散点 xi 上的值（包括函数值f (xi)，导数值 f(xi) 等,i = 1,2,…,n)，虽然其函数关系是客观存在的，但却不知道 具体的解析表达式，因此不便于分析研究这类数表函数的性 质，也不能直接得出其它未列出点的函数值，我们希望能对 这样的函数用比较简单的表达式近似地给出整体的描述。
算，并且使之离散化能上机计算求出积分I，都要用
到插值逼近。
20:56 13.12.2020
5/37
X.Z.Lin
解决上述问题的方法有两类：一类是对于一组离散 点(xi,f (xi)) (i = 1, 2, …,n)，选定一个便于计算的函数形
式(x)，如多项式，分段线性函数，有理式，三角函 数等，要求(x)通过点(xi)=f (xi) (i = 1, 2,…,n),由此确 定函数(x)作为f (x)的近似。这就是插值法。这里的 g(x)
y y=f(x)
(x2, y2)
实际曲 线
理论函数：y=f(x)
y=p(x)
近似直线
插值函数：y=p1(x)
(x1, y1)
x 图6.2 线性插值示意图
直线方程：
p 1 (x ) A 1 (x )y 1 A 2 (x )y 2 （插值多项式）
20:56 13.12.2020
特点： A1(x1)=1，A1(x2)=0 A2(x1)=0，A2(x2)=1
归纳一下：
问题
已知：一系列离散的（互不相同的）点xi ， yi（i = 1，2，…n）
求：给定点 x 对应的函数值 y 或近似函数表达式。
要求： 已知点满足该函数
思路
构造函数 y=p(x)
插值函数
代数多项式 ：
p m (x ) a 0 a 1 x a 2 x 2 a m x m (m n )
A3(x)(x(x3 xx11))((xx3xx22))
20:56 13.12.2020
9/37
X.Z.Lin
3.2.4 Lagrange插值的一般形式
已知：n点（x1，y1）、（x2，y2）……（xn，yn） 求：其间任意 x 对应的 y 值
（1）构造插值基函数
n
Aj(x)
i1
xxi xj xi
3.1 实验数据统计处理
3.1.1 误差
系统误差 经常性的原因
影响比较恒定
偶然误差
偶然因素
正态分布规律
校正
过失误差
统计分析
-3σ -2σ -σ 0 σ 2σ 3σ 图6.1 平行试验数据的正态分布图
操作、计算失误
错误数据
剔出
20:56 13.12.2020
2/37
X.Z.Lin
3.1.2 数据的统计分析
实际曲 线
近似抛物线
理论函数：y=f(x) 插值函数：y=p2(x)
(x1, y1) x
图6.3 抛物线插值示意图
插值基函数： A1(x)((xx1 xx22))((xx1xx33))
插值多项式
A2(x)((xx2 xx1 1))
(xx3) (x2x3)
P 2 ( x ) A 1 ( x ) y 1 A 2 ( x ) y 2 A 3 ( x ) y 3
§3 插值法与曲线拟合
3.1 实验数据统计处理
平行试验数据处理，误差分析。
3.2 插值法（Lagrange插值法）
根据实验测定的离散数据，求未测的某点数据。
3.3 曲线拟合（最小二乘法）
根据实验测定的离散数据，拟合曲线，分析数 据规律，求函数表达式。
20:56 13.12.2020
1/37
X.Z.Lin
称为f(x) 的插值函数。最常用的插值函数是 多…?项式
f(x)
g(x) f(x)
x1
x2
x3
x
x4
x5
另一类方法在选定近似函数的形式后，不要求近似函数过已
知样点，只要求在某种意义下它在这些点上的总偏差最小。这类
方法称为曲线（数据）拟合法，将在下一节介绍。
20:56 13.12.2020
6/37
X.Z.Lin