matlab实验六培训讲义.pptVIP

实验六 拟合与插值 1 拟合的分类 1 直线拟合 假设所给数据点 i=1,2,……N的分布大致成一条直 线，虽然我们并不要求所作的拟合直线严格地通过所有的 数据点 ，但总希望它尽可能地从所给数据点附近通 过，就是说，要求近似成立，i=1,2,……N这里，数据点 数目通常远大于待定系数的数目即N2，因此，拟合直线 的构造，本质上是个解超定方程组的代数问题。 设　　　 i=1,2,……N 表示按拟合直线 求得的近似值，一般地说，它不同于实测值，两者之差称  残差。显然，残差的大小是衡量拟合好坏的重要标志，具体地说，我们可以采用下列三种准则： 使残差的最大绝对值为最小： 使残差的绝对值之和最小： 使残差的平方和为最小： 分析以上三种准则，（1）、（2）两种提法比较自然，但 由于含有绝对值运算不方便于实际应用，而基于（3）来 选取拟合曲线的方法称曲线拟合的最小二乘法。    例题 x=[-1,-0.75,-0.5,-0.25,0,0.25,0.5,0.75,1]; y=[-0.2209,0.3295,0.8826,1.4392,2.0003,2.05645,3.1334,3.7061,4.2836]; p1=polyfit(x,y,1) p1 = 2.2178 1.9567 p2=polyfit(x,y,2) p2= 0.1809 2.2178 1.8813 x1=linspace(-1,1,100); z1=polyval(p1,x1); z2=polyval(p2,x1); plot(x1,z1,r,x1,z2,b) hold on plot(x,y,o,x,y) x=0:0.1:pi/2; y=sin(x); pp=polyfit(x,y,5); r=polyval(pp,x); plot(x,y,*,x,r,r) 2、插值 数据量不够，需要补充，且认定已有数据可信时, 通常利用函数插值方法。 插值与插值函数 已知由 (可能未知或非常复杂)产生的一批离散数据 ，且 n个互异插值节点 ，在插值区间内寻找一个相对简单的函数 ，使其满足下列插值条件： 再利用已求得的 计算任一非插值节点 的近似值 ， 这就是插值。其中 称为插值函数， 称为被插函数。 插值方法 1、一维插值 一维插值就是对一维函数y=f(x)的数据进行插值，是最常用的插值运算，一维插值函数调用格式：yi=interp1(x,y,xi,method) % 输入参数x为原始数据点的横坐标向量，y为纵坐标向量或矩阵，method为插值方法选项。如果y是矩阵，那么插值按照y的列向量进行，返回值yi和矩阵y的列数相等，xi为插值点的横坐标，yi时在xi指定位置计算出的插值结果。 一维插值有四种方法，分别是： （1）邻近点插值(method=‘nearest’) 将插值结果的值设置为最近数据点的值 （2）线性插值(method=‘linear’) 在两个数据点之间连接直线，根据给定的插值点计算出它们在直线上的值，作为插值结果。缺省形式。 （3）三次样条插值(method=‘spline’) 通过数据点拟合出三次样条曲线，根据给定的插值点计算出它们在曲线上的值，作为插值结果。 （4）立方插值(method=‘pchip’/’cubic’) 通过三次多项式计算插值结果。 由于在很多情况下，三次样条插值效果最好，matlab 还专门提供了三次样条插值函数yi=spline(x,y,xi)，其中输入、输出参数含义同上。 例 一维插值函数插值方法的比较 clear x=0:2*pi;y=cos(x);xi=0:0.1:2*pi; %将插值方法定义成单元数组 method={nearest,linear,spline,cubic} lable={(a)method=nearest,(b)method=linear, (c)=method=spline,(d)method=cubic}; for i=1:4 yi=interp1(x,y,xi,method{i}); %在一个图形窗