数据处理3.pptVIP

2 4 3 1 yi 5 4 2 1 xi 一维插值总结 插值函数一般是已知函数的线性组合或者称为加权平均。在已知数据点较少时，插值技术在工程实践和科学实验中有着广泛而又十分重要的应用。例如在信息技术中的图像重建、图像放大过程中为避免图像失真、扭曲而增加的插值补点，建筑工程的外观设计，化学工程试验数据与模型分析，天文观测数据、地理信息数据的处理，社会经济现象的统计分析等方面，插值技术的应用是不可或缺的。 插值技术（或方法）远不止这里所介绍的这些，但在解决实际问题时，对于一位插值问题而言，前面介绍的插值方法已经足够了。剩下的问题关键在于什么情况下使用、怎样使用和使用何种插值方法的选择上。 拉格朗日插值函数在整个插值区间上有统一的解析表达式，其形式关于节点对称，光滑性好。但缺点同样明显，这主要体现在高次插值收敛性差（龙格现象）；增加节点时前期计算作废，导致计算量大；一个节点函数值的微小变化（观测误差存在）将导致整个区间上插值函数都发生改变，因而稳定性差等几个方面。因此拉格朗日插值法多用于理论分析，在采用拉格朗日插值方法进行插值计算时通常选取n 7。分段线性插值函数（仅连续）与三次样条插值函数（二阶导数连续）虽然光滑性差，但他们都克服了拉格朗日插值函数的缺点，不仅收敛性、稳定性强，而且方法简单实用，计算量小。因而应用十分广泛。 2、数 据 拟 合 在科学计算中经常要建立实验数据的数学模型。给定函数的实验数据，需要用比较简单和合适的函数来逼近（或拟合）实验数据。这种逼近的特点是： (a) 适度的精度是需要的； (b) 实验数据有小的误差； (c) 对于某些问题，可能有某些特殊的信息能够用来选择实验数据的数学模型。 逼近离散数据的基本方法就是曲线拟合，常采用最小二乘拟合 曲线拟合问题的数学描述是，已知一组（二维）数据(xi,yi ) ， i = 1,2,。。。,n（即平面上的n个点(xi, yi ) ，i = 1,2,。。,n）， x i 互不相同。寻求一个函数（曲线） y = f (x)，使f (x)在某种准则下与所有数据点最为接近，即曲线拟合得最好。 最小二乘拟合分为线性最小二乘拟合和非线性最小二乘拟合。 线性最小二乘拟合（多项式拟合）方法 在线性最小二乘拟合中，用的较多的是多项式拟合。如果取 { r1( x), ‥, rm+1( x)} ={1, ‥ ,xm } ，即用m 次多项式拟合给定数据，则Matlab中有现成的函数 a=polyfit(x0,y0,m)， 其中输入参数x0,y0为要拟合的数据，m为拟合多项式的次数，输出参数a为拟合多项式 y=amxm+…+a1x+a0系数a=[ am, …, a1, a0]。 多项式在x处的值y可用下面的函数计算 y=polyval(a,x)。 例4 某乡镇企业1990-1996年的生产利润如下表： 年份 1990 1991 1992 1993 1994 1995 1996 利润（万元） 70 122 144 152 174 196 202 试预测1997年和1998年的利润。 解 作已知数据的的散点图， x0=[1990 1991 1992 1993 1994 1995 1996]; y0=[70 122 144 152 174 196 202]; plot(x0,y0,*) 发现该乡镇企业的年生产利润几乎直线上升。因此，我们可以用y = a1 x + a0 作为拟合函 数来预测该乡镇企业未来的年利润。编写程序如下： x0=[1990 1991 1992 1993 1994 1995 1996]; y0=[70 122 144 152 174 196 202]; a=polyfit(x0,y0,1) y97=polyval(a,1997) y98=polyval(a,1998) 求得a1 = 20 ，a0 = -4.0705×104 ，1997年的生产利润y97=233.4286，1998年的生产利润y98=253.9286。 非线性最小二乘拟合 Matlab的优化工具箱中提供了两个求非线性最小二乘拟合的函数：curvefit和leastsq。使用这两个命令时，都要先建立M文件fun.m，但它们定义f (x)的方式是不同的。 1 curvefit 设已知xdata=(xdata1,xdata2,…,xdatan ),ydata=(ydata1,ydata2,…,ydatan ), curvefit用以求含参量x（向量）的向量值函数F(x,xdata)=(f(x,data1), …,f(x,xdata n ))