MATLAB数据拟合与插值.pptVIP

数据拟合与插值 基于Matlab 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？ 最小二乘曲线拟合 在MATLAB 中，函数polyfit 求解最小二乘曲线拟合问题。 ? x=[0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1]; ? y=[-0.447 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。 ? n=2; % polynomial order ? p=polyfit(x, y, n) p =-9.8108 20.1293 -0.0317 polyfit 的输出是一个多项式系数的行向量。其解是 y = －9.8108x^2 ＋20.1293x－0.0317 为了将曲线拟合解与数据点比较，让我们把二者都绘成图。 ? xi=linspace(0, 1, 100); % x-axis data for plotting? z=polyval(p, xi);? plot(x, y, o , x, y, xi, z, : )? xlabel( x ), ylabel( y=f(x) ), title( Second Order Curve Fitting ) 多项式阶次的选择是有点任意的。两点决定一直线或一阶多项式。三点决定一个平方或2 阶多项式。按此进行，n+1 数据点唯一地确定n 阶多项式。于是，在上面的情况下，有11 个数据点，我们可选一个高达? 阶的多项式。然而，高阶多项式给出很差的数值特性，人们不应选择比所需的阶次高的多项式。此外，随着多项式阶次的提高，近似变得不够光滑，因为较高阶次多项式在变零前，可多次求导。例如，选一个10 阶多项式 ? pp=polyfit(x, y, 10) ; 将前述解作图，并把此图与原始数据及2 阶曲线拟合相比较，结果如图示 ? zz=polyval(pp, xi); % evaluate 10th order polynomial ? plot(x, y, o , xi, z, : , xi, zz) % plot data ? xlabel( x ), ylabel( y=f(x) ), title( 2nd and 10th Order curve Fitting ) 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。 MATLAB 用直线连接所用的数据点以作图。这个线性插值猜测中间值落在数据点之间的直线上。当然，当数据点个数的增加和它们之间距离的减小时，线性插值就更精确。 sine 函数的两个图，一个在数据点之间用60 个点，它比另一个只用6 个点更光滑和更精确。 如曲线拟合一样，插值要作决策。根据所作的假设，有多种插值。而且，可以在一维以上空间中进行插值。即如果有反映两个变量函数的插值，z=f(x, y)，那么就可在x 之间和在y 之间，找出z 的中间值进行插值。MATLAB 在一维函数interp1 和在二维函数interp2中，提供了许多的插值选择。 为了说明一维插值，考虑下列问题，12 小时内，一小时测量一次室外温度。数据存储在两个MATLAB 变量中。 ? hours=1:12; % index for hour data was recorded ? temps=[5 8 9 15 25 29 31 30 22 25 27 24]; % recorded temperatures ? plot(hours, temps, hours, temps, + ) % view temperatures ? title( Temperature ) ? xlabel( Hour ), ylabel( Degrees Celsius ) 正如图，MATLAB 画出了数据点线性插值的直线。为了计算在任意给定时间的温度，人们可试着对可视的图作解释。另外一种方法，可用函数interp1。 ?