【数学建模】MATLAB入门教程:插值与拟合(下)

前言

插值与拟合在数据处理和科学计算中扮演着非常重要的角色,它们用于估算未知数据点的值,帮助我们理解和预测数据趋势

一、一维插值

1、一维插值定义

已知n+1个节点($x_j$,$y_j$)(j=0,1,...,n,其中$x_j$互不相同,不妨设a=$x_0$<$x_1$<...<$x_n$=b),求任一插值点$x^*$(!=$x_j$)处的插值$y^*$

解决方法:构造一个相对简单的函数y=f(x),通过全部节点,即f($x_j$)=$y_j$(j=0,1,...,n)

再用f(x)计算插值,即$y^*$=f($x^*$)

2、常见方法

1、拉格朗日插值:已知函数f(x)在n+1个节点$x_0$$x_1$,···,$x_n$处的函数值为$y_0$$y_1$,···,$y_n$.求一n次多项式$p_n$(x),使其满足:$p_n$($x_i$)=$y_i$,i=0,1,...,n.解决此问题的拉格朗日插值多项式公式如下:

 特别地:两点一次(线性)插值多项式

例题        g(x)=1/(1+x^2),-5<=x<5.采用拉格朗日多项式插值:选取不同插值节点n+1个,其中n为插值多项式的次数,当n分别区2,4,6,8,10时,绘出插值结果图形

function lagrange_interpolation_example% 定义函数 g(x)g = @(x) 1 ./ (1 + x.^2);% 定义插值区间和次数x_interval = [-5, 5];n_values = [2, 4, 6, 8, 10];% 初始化图形figure;hold on;% 绘制原始函数x_fine = linspace(x_interval(1), x_interval(2), 1000);y_fine = g(x_fine);plot(x_fine, y_fine, 'b-', 'LineWidth', 2);% 对于每个n值,计算并绘制拉格朗日插值for n = n_values% 在区间上均匀选择n+1个插值节点x_nodes = linspace(x_interval(1), x_interval(2), n + 1);y_nodes = g(x_nodes);% 计算拉格朗日插值多项式并绘制结果[x_lagrange, y_lagrange] = lagrange_poly(x_fine, x_nodes, y_nodes);plot(x_lagrange, y_lagrange, 'DisplayName', sprintf('n=%d', n), 'LineWidth', 1.5);end% 添加图例、标签和标题legend('Original Function', sprintf('Lagrange Interpolation, n=%d', n_values));xlabel('x');ylabel('g(x)');title('Lagrange Interpolation of g(x) = 1 / (1 + x^2)');grid on;hold off;
endfunction [x_lagrange, y_lagrange] = lagrange_poly(x, x_nodes, y_nodes)% 拉格朗日插值多项式计算函数n = length(x_nodes) - 1;y_lagrange = zeros(size(x));for i = 1:n+1% 计算拉格朗日基函数L_i = 1;for j = 1:n+1if j ~= iL_i = L_i * (x - x_nodes(j)) / (x_nodes(i) - x_nodes(j));endend% 累加基函数与对应函数值的乘积y_lagrange = y_lagrange + L_i * y_nodes(i);end% 返回插值点x和对应的插值结果y_lagrangex_lagrange = x;
end% 调用函数以运行示例
lagrange_interpolation_example

2、分段线性插值:将每两个相邻的点用直线连接起来,如此形成的一条折线就是分段线性插值函数$I_n$(x),它满足$I_n$($x_i$)=$y_i$

计算量与n无关,n越大,误差越小

 例题        g(x)=1/(1+x^2),-6<=x<6,采用分段线性插值法求插值

x=linspace(-6,6,100);
y=1./(1+x.^2);
x1=linspace(-6,6,5);
y1=1./(1+x1.^2);
plot(x,y,x1,y1,x1,y1,'o','LineWidth',1.5),
gtext('n=4'),

3、样条插值:比分段插值更加光滑,在数学上,光滑程度的定量描述是:函数(曲线)的k阶导数存在且连续,则称该曲线具有k接光滑性/

光滑性的阶次越高,则越光滑。而三次样条插值就是一个较低次的分段多项式达到较高阶光滑性的典型例子!

3、用MATLAB作插值计算(重点)

一维插值函数:

yi=interp1(x,y,xi,'method')

yi表示xi处的插值结果

x、y表示插值节点

xi表示被插值点

'method'表示插值方法:

'nearest'      最近临近插值  

'linear'        线性插值

'spilne'        三次样条插值

'cubic'        立方插值

缺省时默认采用分段线性插值

例题    从1点到12点的11个小时内,每个1小时测量一次温度,测得的温度数值依次为5,8,9,15,25,29,31,30,22,25,27,24,试估计每隔1/10消失的温度值

x=1:12;
y=[5 8 9 15 25 29 31 30 22 25 27 24];
xi=1:0.1:12;
yi=interp1(x,y,xi,'spline');
plot(x,y,'+',xi,yi,x,y,'r:')
xlabel('小时'),ylabel('温度')

例  在车辆行驶中,从驾驶员看到障碍物开始,到作出判断而采取制动措施停车所需的最短距离叫停车视距,停车视距由三部分组成:一是驾驶员反应时间内行驶的距离(即反应距离);三是开始制动到车辆完全停止所行驶的距离(即制动距离);三是车辆停止时与障碍物应该保持的安全距离。其中,制动距离主要与行驶速度和路面类型有关。根据测试,某型年辆在潮湿天气于沥青路面行驶时,其行车速度(单位:km/h) 与制动距离(单位:m)的关系如下表所示. 

速度2030405060708090100110120130140150
制动距离3.157.0812.5919.6828.3438.5750.463.7578.7195.22113.29132.93154.12176.87

假设驾驶员的反应时间为10s,安全距离为10m。请问(1)根据某驾驶员的实际视力和视觉习惯,其驾驶时的有效视距为120m,则其在该路面行车时,时速最高不能超过多少?(结果取整)(2)若以表中数据参考,设计一条最高时速为125km/h的高速公路,则设计人员应该保证驾驶者在公路上任一点的可视距离为多少米?

我们设速度为v,停车视距为d,反应距离为d1,制动距离为d2,安全距离为d3,已知反应时间为10s,安全距离为10m,则:10v+d2+10=120

v=20:10:150;
vs=v.*(1000/3600);
d1=10.*vs;
d2=[3.15,7.08,12.59,19.68,28.34,38.57,50.4,63.75,78.71,95.22,113.29,132.93,154.12,176.87];
d3=10;
d=d1+d2+d3;
vi=20:1:150;
di=interp1(v,d,vi,'spline');
x=abs(di-120);
[y,i]=sort(x);
vi(i(1))
plot(vi,di,vi(i(1)),di(i(1)),'rp')
j=find(vi==125);
di(j)

二、二位插值 

 二位插值我们就不再细讲了,讲一下如何用matlab来计算即可

用MATLAB作网格节点数据的插值

 z=interp2(x0,y0,z0,x,y,'method')

其中x0、y0、z0表示插值节点

x、y表示被插值点

z表示被插值点的函数值

'method'表示插值方法

例题 测得在平板表面3*5网格点处的温度分别为:

82        81        80        82        84

79        63        61        65        81

84        84        82        85        86 

 试作出平板表面的温度分布曲面z=f(x,y)的图形

x=1:5;
y=1:3;
temps=[82 81 80 82 84;79 63 61 65 81;84 84 82 85 86];
mesh(x,y,temps)
pause
xi=1:0.2:5;
yi=1:0.2:3;
zi=interp2(x,y,temps,xi,yi,'cubic');
mesh(xi,yi,zi)

数据导入 

 xlsread('filename',n,'al:bl')

数据残缺、异常数据

新建实时脚本 - 导入数据 - 任务 - 清理缺失(清理离群) 

三、拟合(最小二乘法)

拟合问题引例 已知热敏电阻数据:

温度t(摄氏度)20.532.751.073.095.7
电阻R(\Omega)7658268739421032

求60摄氏度时的电阻

设R=at+b,a,b为待定系数

曲线拟合问题的提法:已知一组(二维数据),即平面上n个点($x_i$,$y_i$)i,···,你,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,即曲线拟合的最好。

插值和拟合的关系:

问题:给定一批数据点,需要确定满足特定要求的曲线或曲面

解决方案:

·若要求所求曲线(面)通过所给特定数据点,就是插值问题;

·若不要求曲线(面)通过所有数据点,而是要求它反映对象整体的变化趋势,这就是数据拟合,又称曲线拟合或曲面拟合。

二者区别:

·插值试图去通过已知点了解未知点处的函数值;

·拟合则在于整体上用某种已知函数去拟合数据点列所在未知函数的状态。

·关键区别在于插值要求必须经过已知点列,拟合只求尽量靠近不必经过!

用MATLAB解决线性拟合问题

线性最小二乘法

 polyfit(x,y,m)

x、y表示输入同长度的数组

m表示拟合多项式次数

a表示输出拟合多项式系数

a=[$a_1$,...,$a_m$,$a_{m+1}$]

z=polyval(a,x)来算多项式在x处的值

非线性最小二乘拟合 

MATLAB提供了两个求非线性最小二乘拟合的函数:lsqcurvefit和lsqnonlin。两个命令都要先建立M文件fun.m,在其中定义函数f(x),但两者定义f(x)的方式是不同的。

1、lsqcurvefit('fit',x0,xdata,ydata,options);

fun是一个实现建立的定义函数F(x,xdata)的M文件,自变量为x和xdata

x0表示迭代初值

options表示选项见无约束优化

2、lsqnonlin('fun',x0,options);

同上 

MATLAB解应用问题实例

1、电阻问题

例  由数据

温度t(摄氏度)20.532.751.073.095.7
电阻R(\Omega)7658268739421032

来拟合y=ax+b;用命令:polyfit(x,y,m)

t=[20.5 32.5 51 73 95.7];
r=[765 826 873 942 1032];
n=polyfit(t,r,1);
a=n(1)
b=n(2)
y=polyval(n,t);
plot(t,r,'k+',t,y,'r')

2、水塔流量估计问题 

某居民区有一供居民用水的圆柱形水塔,一般可以通过测量其水位来估计水的流量,但面临的困难是,当水塔水位下降到设定的最低水位时,水泵自动启动向水塔供水,到设定的最高水位时停止供水,这段时间无法测量水塔的水位和水泵的供水量.通常水泵每天供水一两次,每次约两小时.
水塔是一个高12.2m,直径17.4m的正圆柱.按照设计,水塔水位降至约8.2m时,水泵自动启动,水位升到约10.8m时水泵停止工作.
表1是某一天的水位测量记录,试估计任何时刻(包括水泵正供水时)从水塔流出的水流量,及一天的总用水量.(符号//表示水泵启动)

时刻(h)00.921.842.953.874.985.907.017.938.97

水位(cm)

968948931913898881869852839822
时刻(h)9.9810.9210.9512.0312.9513.8814.9815.9016.8317.93
水位(cm)////108210501021994965941918892
时刻(h)19.0419.9620.8422.0122.9623.8824.9925.91
水位(cm)866843822////105910351018

从测量记录看,一天有两个供水时段(以下称第1供水时段和第2供水时段),和3个水泵不工作时段(以下称第1时段 =0到 =8.97,第2次时段 =10.95到 =20.84和第3时段/23以后),对第1、2时段的测量数据直接分别作多项式拟合,得到水位函数.为使拟合曲线比较光滑,多项式次数不要太高,一般在3~6. 由于第3时段只有3个测量记录,无法对这一时段的水位作出较好的拟合

确定流量:对于第1、2时段只需将水位函数求导数即可,对于两个供水时段的流量,则用供水时段前后水泵(不工作时段)的流量拟合得到,并且将拟合得到的第2供水时段流量外推,将第3时段流量包含在第2供水时段内. 

一天总用水量的估计:总用水量等于两个水泵不工作时段和两个时段用水量之和,他们都可以由流量对时间积分得到

这个问题是相对比较复杂的,我们这里只给出结果,计算就交给大家

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/348875.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

swift5 在当前控制器先dismiss后pop

如下图需要在present当前控制器时用全局变量firmwareUpgradePresentingVC先引用上一个控制器&#xff08;下面的代码亲测有效&#xff09; func dismissAndPop() {self.dismiss(animated: false) {firmwareUpgradePresentingVC.navigationController!.popViewController(animat…

Java基础面试重点-3

41. 简述线程生命周期(状态) 其它参考《多线程重点》中的说法。三种阻塞&#xff1a; 等待阻塞&#xff1a; 运行的线程执行o.wait()方法&#xff08;该线程已经持有锁&#xff09;&#xff0c;JVM会把该线程放入等待队列中。同步阻塞&#xff1a; 运行的线程在获取对象的同步…

Stable Diffusion 如何写出更优雅的 Prompt

在看了前面的课程后&#xff0c; 相信很多人都会有一个困惑&#xff0c;这个 prompt 咋写… 为什么我写的时候只能憋出来了一个 a girl, a boy, beautify … 再也想不到其他的了&#xff0c; 总感觉是吃了没文化的亏&#xff1f; 这一节课我们就来讲一讲 如何写好 prompt …

跟着AI学AI_08 NumPy 介绍

NumPy&#xff08;Numerical Python&#xff09;是一个用于科学计算的基础库&#xff0c;它为 Python 提供了支持大规模多维数组和矩阵 NumPy 介绍 NumPy&#xff08;Numerical Python&#xff09;是一个用于科学计算的基础库&#xff0c;它为 Python 提供了支持大规模多维数…

如何快速搭建自己的进销存系统?

什么是进销存系统&#xff1f; 进销存&#xff0c;是指企业管理过程中采购&#xff08;进&#xff09;—入库&#xff08;存&#xff09;—销售&#xff08;销&#xff09;的动态管理过程。进&#xff1a;指询价、采购到入库与付款的过程。进销存管理系统是对企业生产经营中物…

【Python】已完美解决:(Python键盘中断报错问题) KeyboardInterrupt

文章目录 一、问题背景二、可能出错的原因三、错误代码示例四、正确代码示例&#xff08;结合实战场景&#xff09;五、注意事项 已解决&#xff1a;Python中处理KeyboardInterrupt&#xff08;键盘中断&#xff09;报错问题 一、问题背景 在Python编程中&#xff0c;当我们运…

css系列:音频播放效果-波纹律动

介绍 语音播放的律动效果&#xff0c;通俗来说就是一个带动画的特殊样式的进度条&#xff0c;播放的部分带有上下律动的动画&#xff0c;未播放的部分是普通的灰色竖状条。 实现中夹带了less变量、继承和循环遍历&#xff0c;可以顺带学习一下。 结果展示 大致效果如图所示…

继承深度剖析

前言 从继承开始就开始C进阶了&#xff0c; 这一块需要好好学习&#xff0c;这块知识很重要&#xff0c; 坑有点多&#xff0c;所以是面试笔试的常客。 基本概念 继承(inheritance)机制是面向对象程序设计使代码可以复用的最重要的手段&#xff0c; 它允许程序员在保持原有…

k8s学习--kubernetes服务自动伸缩之水平伸缩(pod副本伸缩)HPA详细解释与案例应用

文章目录 前言HPA简介简单理解详细解释HPA 的工作原理监控系统负载模式HPA 的优势使用 HPA 的注意事项应用类型 应用环境1.metircs-server部署2.HPA演示示例&#xff08;1&#xff09;部署一个服务&#xff08;2&#xff09;创建HPA对象&#xff08;3&#xff09;执行压测 前言…

记一次 .NET某工厂报警监控设置 崩溃分析

一&#xff1a;背景 1. 讲故事 前些天有位朋友在微信上丢了一个崩溃的dump给我&#xff0c;让我帮忙看下为什么出现了崩溃&#xff0c;在 Windows 的事件查看器上显示的是经典的 访问违例 &#xff0c;即 c0000005 错误码&#xff0c;不管怎么说有dump就可以上windbg开干了。…

4090显卡 安装cuda 11.3 版本

文章目录 cuda 安装安装过程中会要求选择安装的内容更改cuda地址到你安装的地方 cuda 安装 cuda官网寻找cuda11.3 版本 https://developer.nvidia.com/cuda-11.3.0-download-archive?target_osLinux&target_archx86_64&DistributionUbuntu&target_version20.04&…

setOptMode -holdTargetSlack与-holdSlackFixingThreshod

我正在「拾陆楼」和朋友们讨论有趣的话题&#xff0c;你⼀起来吧&#xff1f; 拾陆楼知识星球入口 -holdTargetSlack与-holdSlackFixingThreshod这两个option都是针对hold slack的&#xff0c;前者限制slack的目标&#xff0c;默认是0&#xff0c;也就是说工具尽可能会收敛时序…

解决electron设置透明背景后,引入element-plus样式问题

首先给当前窗口设置自定义窗口以及背景色。 const mainWindow new BrowserWindow({width: 900,height: 670,show: false,autoHideMenuBar: true,...(process.platform linux ? { icon } : {}),webPreferences: {preload: join(__dirname, ../preload/index.js),sandbox: fal…

操作系统入门系列-MIT6.828(操作系统工程)学习笔记(七)---- 系统调用函数与GDB(Lab: system calls)

系列文章目录 操作系统入门系列-MIT6.828&#xff08;操作系统工程&#xff09;学习笔记&#xff08;一&#xff09;---- 操作系统介绍与接口示例 操作系统入门系列-MIT6.828&#xff08;操作系统工程&#xff09;学习笔记&#xff08;二&#xff09;---- 课程实验环境搭建&am…

深度学习500问——Chapter11:迁移学习(1)

文章目录 11.1 迁移学习基础知识 11.1.1 什么是迁移学习 11.1.2 为什么需要迁移学习 11.1.3 迁移学习的基本问题有哪些 11.1.4 迁移学习有哪些常用概念 11.1.5 迁移学习与传统机器学习有什么区别 11.1.6 迁移学习的核心及度量准则 11.1.7 迁移学习与其他概念的区别 11.1.8 什么…

CATIA P3 V5-6R 中文版软件下载安装 达索CATIA三维设计软件获取

CATIA的建模和装配能力堪称业界翘楚。其强大的建模工具能够轻松应对各种复杂的几何形状和结构&#xff0c;帮助设计师们快速构建出精准的产品模型。同时&#xff0c;装配模块则能够实现零部件的快速装配&#xff0c;大大提高了设计效率。 在分析和仿真方面&#xff0c;CATIA同样…

Landsat8的质量评估波段的一个应用

Landsat8一直是遥感界的热门话题。这不仅延续了自1972年以来NASA连续对地观测&#xff0c;而且这颗卫星为科学界带来了一些新的东西——质量评估波段&#xff08;the Quality Assessment (QA) Band&#xff09;。根据USGS Landsat Missions webpage&#xff0c;“QA通过标示哪个…

强大高效,推荐这两款分析文章和抠图的AI工具

ChatDOC ChatDOC是一款基于ChatGPT的AI阅读辅助工具&#xff0c;旨在通过与用户指定的文档进行对话来处理用户的专属数据。它能够帮助用户快速提取文档中的信息&#xff0c;支持多种文件格式&#xff0c;并提供准确的答案。此外&#xff0c;ChatDOC还具备智能格式化、自动摘要生…

STM32F103ZET6_HAL_CAN

1定义时钟 2定义按键 按键上拉电阻 3开启串口 4打开CAN&#xff08;具体什么意思上一篇讲了&#xff09; 5生成代码 /* USER CODE BEGIN Header */ /********************************************************************************* file : main.c* brief …

SCI二区|鲸鱼优化算法(WOA)原理及实现【附完整Matlab代码】

目录 1.背景2.算法原理2.1算法思想 3.结果展示4.参考文献5.代码获取 1.背景 2016年&#xff0c;S Mirjalili受到自然界座头鲸社会行为启发&#xff0c;提出了鲸鱼优化算法&#xff08;Whale Optimization Algorithm, WOA&#xff09;。 2.算法原理 WOA模拟了座头鲸的社会行为…