第六讲多项式拟合与插值1313.pptxVIP

在生产和科学实验中，自变量x与因变量y之间的函数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，需要估计函数在该点的数值. 这就要根据观测点的值，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，寻找这样的函数φ(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. ; 已知离散点上的数据集 求得一解析函数y=f(x)，使f(x)在原离散点xi上尽可能接近给定yi的值，这一过程叫曲线拟合. 最常用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，即找出使下式最小的f(x) :;说明：求出已知数据(X,Y)的n阶拟合多项式f(x)按降幂排列的系数p，X必须是单调的. ;上述函数的拟合效果如何？我们可以通过计算误差平方和的大小进行考察（两种方法）：; 通常，给出两点的坐标，我们可以得到一条直线；若给出三点的坐标，我们可以得到一条抛物线；…，给出n个点的坐标，我们可以得到一个n-1阶的多项式. 是否多项式的阶数越高越好呢？非也！在解决实际问题时，只要达到所需的精度，应尽量选择简单的函数.;x;二.函数插值 1.一维插值; . Available methods are: nearest - nearest neighbor interpolation linear - linear interpolation spline - piecewise cubic spline interpolation (SPLINE) pchip - piecewise cubic Hermite interpolation (PCHIP) cubic - same as pchip;plot(x,y,o,xi,y_nearest,-,xi,y_linear, r* , xi,y_spline,k:,xi,y_cubic,k -); legend (original data,nearest,linear,spline,cubic);2.二维插值;例5. 下表给出了美国从1950-1990年工作年限10,20,30年的工资情况，使用插值计算1975年工作15年的工资;years = 1950:10:1990; service = 10:10:30; wage = [150.697,199.592,187.625; 179.323,195.072,250.287; 203.212,179.092,322.767; 226.505,153.706,426.730; 249.633,120.281,598.243]; w = interp2(service,years,wage,15,1975,’’);解：h=[446,714,950,1422,1634]; w=[7.04,4.28,3.40,2.54,2.13]; hi=[500,1000,1500]; p=spline(h,w); ci=ppval(p,hi) plot(h,w, or) ,hold on,plot(hi,ci,*) legend (original data,spline)