MATLAB在数值分析中的应用.docxVIP

MATLAB在数值分析中的应用 插值与拟合是来源于实际、又广泛应用于实际的两种重要方法。随着计算机的不断发展及计算水平的不断提高，它们已在国民生产和科学研究等方面扮演着越来越重要的角色。下面对插值中分段线性插值、拟合中的最为重要的最小二乘法拟合加以介绍。 分段线性插值 所谓分段线性插值就是通过插值点用折线段连接起来逼近原曲线，这也是计算机绘制图形的基本原理。实现分段线性插值不需编制函数程序，MATLAB 自身提供了内部函数 interp1其主要用法如下： interp1(x,y,xi) 一维插值 yi=interp1(x,y,xi) 对一组点(x,y) 进行插值，计算插值点 xi 的函数值。x 为节点向量值，y 为对应的节点函数值。如果 y 为矩阵，则插值对 y 的每一列进行，若 y 的维数超出 x 或 xi 的维数，则返回 NaN。 yi=interp1(y,xi) 此格式默认 x=1:n ，n 为向量 y 的元素个数值，或等于矩阵 y 的 size(y,1)。 yi=interp1(x,y,xi,’method’) method 用来指定插值的算法。默认为线性算法。其值常用的可以是如下的字符串。 nearest 线性最近项插值。 linear 线性插值。 spline 三次样条插值。 cubic 三次插值。 所有的插值方法要求 x 是单调的。x 也可能并非连续等距的。正弦曲线的插值示例： x=0:0.1:10; y=sin(x); xi=0:0.25:10; yi=interp1(x,y,xi); plot(x,y,’0’,xi,yi) 则可以得到相应的插值曲线（读者可自己上机实验）。 Matlab 也能够完成二维插值的运算，相应的函数为 interp2，使用方法与 interpl 基本相同，只是输入和输出的参数为矩阵，对应于二维平面上的数据点，详细的用法见 Matlab 联机帮助。 最小二乘法拟合 在科学实验的统计方法研究中,往往要从一组实验数据( x , y i i  ) 中寻找出自变量 x 和因 变量 y 之间的函数关系 y=f(x) 。由于观测数据往往不够准确，因此并不要求 y=f(x)经过所 有的点 ( x , y i i ) ,而只要求在给定点 x i 上误差? i ? f ( x i ) ? y i 按照某种标准达到最小，通常 采用欧氏范数 ? 2作为误差量度的标准。这就是所谓的最小二乘法。在MATLAB 中实现最 小二乘法拟合通常采用 polyfit 函数进行。 函数 polyfit 是指用一个多项式函数来对已知数据进行拟合，我们以下列数据为例介绍 这个函数的用法： x=0:0.1:1； y=[ -0.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2 ] 为了使用 polyfit，首先必须指定我们希望以多少阶多项式对以上数据进行拟合，如果我们指定一阶多项式，结果为线性近似，通常称为线性回归。我们选择二阶多项式进行拟合。 P= polyfit (x, y, 2) P= -9.8108 20.1293 -0.0317 函数返回的是一个多项式系数的行向量，写成多项式形式为： ? 9 .8108 x 2 ? 20 .1293 x ? 0 .0317 为了比较拟合结果，我们绘制两者的图形： xi=linspace (0, 1, 100); %绘图的 X-轴数据。 Z=polyval (p, xi); %得到多项式在数据点处的值。当然，我们也可以选择更高幂次的多项式进行拟合，如 10 阶： p=polyfit (x, y, 10); xi=linspace (0, 1,100); z=ployval (p, xi); 读者可以上机绘图进行比较，曲线在数据点附近更加接近数据点的测量值了，但从整体上来说，曲线波动比较大，并不一定适合实际使用的需要，所以在进行高阶曲线拟合时，“越高越好”的观点不一定对的。