下载文档原格式
插值的概念和各种基本方法插值是一种基于已知数据点的函数关系来估计未知数据点的方法。
在实际应用中，由于各种原因，我们经常只能通过有限的数据点来描述一个函数关系，而无法得到函数的精确表达式。
因此，通过插值方法，我们可以根据已知数据点推断出未知数据点的值，从而进行进一步的分析和预测。
插值的基本方法可以分为两类：多项式插值和非多项式插值。
1.多项式插值方法多项式插值是通过已知数据点构造一个多项式函数，使得该函数经过这些数据点，并且在插值区间内的其他位置也能够比较好地拟合实际数据。
常用的多项式插值方法包括拉格朗日插值和牛顿插值。
- 拉格朗日插值：拉格朗日插值是利用拉格朗日多项式来进行插值的方法。
给定 n+1 个已知数据点(x0, y0), (x1, y1), ..., (xn, yn)，拉格朗日插值函数可以表示为：L(x) = Σ(yi * li(x))其中，li(x) = Π(x - xj) / Π(xi - xj)，i ≠ j，函数 L(x)即为插值函数。
-牛顿插值：牛顿插值是通过对已知数据点进行差商运算来构造插值多项式的方法。
牛顿插值多项式可以表示为：N(x) = f[x0] + Σ(f[x0, x1, ..., xi] * (x - x0) * (x - x1)* ... * (x - xi-1))其中，f[x0, x1, ..., xi]表示 x0, x1, ..., xi 对应的差商。
2.非多项式插值方法非多项式插值方法是通过其他函数形式进行插值的方法，常用的非多项式插值方法包括分段线性插值和样条插值。
-分段线性插值：分段线性插值是将插值区间划分为多个小区间，然后在每个小区间内用线性函数来逼近实际数据。
具体地，给定相邻的两个已知数据点(x0,y0)和(x1,y1)，分段线性插值函数可以表示为：L(x)=(y1-y0)/(x1-x0)*(x-x0)+y0-样条插值：样条插值是利用分段多项式函数来进行插值的方法。
插值计算的原理及应用1. 概述插值计算是一种通过已知数据点推测出未知数据点的数值的方法。
这种计算方法被广泛应用于各个领域，如数值分析、数据处理、图像处理等。
2. 原理插值计算的原理是基于一个假设：已知数据点之间存在某种规律或趋势，可以通过这种规律或趋势推测出未知数据点的数值。
插值计算的基本思想是在给定的数据点之间构建一个适当的插值函数，根据这个函数来推测出未知数据点的数值。
3. 插值方法插值计算有多种方法，下面列举了一些常用的插值方法：•线性插值：线性插值是最简单的插值方法之一。
它假设数据点之间的关系是线性的，通过这些已知点之间的直线来推测未知点的数值。
•拉格朗日插值：拉格朗日插值是一种基于多项式的插值方法。
它通过在已知数据点上构建一个多项式来推测未知数据点的数值。
•牛顿插值：牛顿插值也是一种基于多项式的插值方法。
它通过使用插值多项式的差商表来推测未知数据点的数值。
•样条插值：样条插值是一种通过在已知数据点之间构建多项式部分来推测未知数据点的数值的方法。
这些多项式部分称为样条函数。
4. 插值应用插值计算在各个领域都有广泛的应用，下面列举了一些常见的插值应用：•数值分析：在数值计算中，插值计算可以在给定数据点之间进行数值逼近，从而得到更加精确的结果。
•数据处理：在数据处理中，插值计算可以填补数据缺失的部分，从而得到完整的数据集。
•图像处理：在图像处理中，插值计算可以用于图像的放大、缩小、旋转等操作，从而得到更高质量的图像。
•地理信息系统：在地理信息系统中，插值计算可以根据已知地理数据点推测未知地理数据点的数值，从而进行地理信息的分析和预测。
5. 总结插值计算是一种通过已知数据点推测出未知数据点的数值的方法。
它基于已知数据点之间存在某种规律或趋势的假设，并通过构建适当的插值函数来推测未知数据点的数值。
插值计算有多种方法，如线性插值、拉格朗日插值、牛顿插值和样条插值等。
插值计算在各个领域都有广泛的应用，如数值分析、数据处理、图像处理和地理信息系统等。
插值方法比较范文插值方法是数值计算中常用的一种数值逼近技术，用于通过已知数据点之间的关系来估计未知数据点的值。
在插值过程中，根据不同的插值方法，可以得到不同的近似函数，从而得到不同的结果。
常见的插值方法包括拉格朗日插值、牛顿插值、埃尔米特插值和样条插值等。
下面将对这些插值方法进行比较，包括优缺点。
首先是拉格朗日插值法，它是通过使用已知数据点的函数值来构建一个多项式，再利用这个多项式来估算未知数据点的函数值。
拉格朗日插值法的优点是简单易懂、计算简便，而且在已知数据点分布较为均匀的情况下效果较好。
然而，拉格朗日插值法的缺点是对于较多数据点的情况，构建的多项式会非常复杂，容易导致插值结果的振荡。
此外，拉格朗日插值法对于增加或减少一个数据点都需要重新计算，不够灵活。
其次是牛顿插值法，它也是通过已知数据点的函数值来构建一个多项式，但是与拉格朗日插值法不同，牛顿插值法利用差商的概念来简化多项式的计算。
牛顿插值法的优点是可以递推计算差商，避免了重复计算，因此对于增加或减少一个数据点时比较方便。
此外，牛顿插值法的插值多项式在已知数据点分布较为稀疏的情况下效果较好。
缺点是对于较多数据点的情况，插值多项式同样会变得复杂，容易导致插值结果的振荡。
再者是埃尔米特插值法，它是拉格朗日插值法的一种改进方法。
埃尔米特插值法不仅利用已知数据点的函数值，还利用已知数据点的导数值来构建插值函数，从而提高了插值的精度。
埃尔米特插值法的优点是可以通过已知数据点的导数值来更好地拟合函数的特点，从而得到更准确的插值结果。
缺点是在计算过程中需要求解一系列线性方程组，计算量较大。
最后是样条插值法，它是常用的插值方法之一、样条插值法通过将插值区间划分为若干小区间，在每个小区间上构建一个低次多项式，通过满足一定的光滑性条件来保证插值函数的平滑性。
样条插值法的优点是插值函数的平滑性较好，能够解决拉格朗日插值法和牛顿插值法的振荡问题。
缺点是在计算过程中需要求解大规模的线性方程组，计算量较大。
克里金插值法克里金插值法又称空间局部插值法,是以变异函数理论和结构分析为基础,在有限区域内对区域化变量进行无偏最优估计的一种方法，是地统计学的主要内容之一，由南非矿产工程师D. Matheron 于1951年在寻找金矿时首次提出，法国著名统计学家G. Matheron 随后将该方法理论化、系统化，并命名为Kriging ，即克里金插值法。
1 克里金插值法原理克里金插值法的适用范围为区域化变量存在空间相关性，即如果变异函数和结构分析的结果表明区域化变量存在空间相关性，则可以利用克里金插值法进行内插或外推。
其实质是利用区域化变量的原始数据和变异函数的结构特点，对未知样点进行线性无偏、最优估计,无偏是指偏差的数学期望为0，最优是指估计值与实际值之差的平方和最小［1].因此，克里金插值法是根据未知样点有限领域内的若干已知样本点数据,在考虑了样本点的形状、大小和空间方位，与未知样点的相互空间关系,以及变异函数提供的结构信息之后，对未知样点进行的一种线性无偏最优估计。
假设研究区域a 上研究变量Z （x ），在点x i ∈A （i=1，2，……，n ）处属性值为Z （x i ），则待插点x 0∈A 处的属性值Z （x 0）的克里金插值结果Z ＊（x 0）是已知采样点属性值Z （x i )(i=1，2，……，n ）的加权和，即:)()(10*i ni i x Z x Z ∑==λ （1） 式中i λ是待定权重系数.其中Z （x i )之间存在一定的相关关系，这种相关性除与距离有关外，还与其相对方向变化有关,克里金插值方法将研究的对象称“区域化变量"针对克里金方法无偏、最小方差条件可得到无偏条件可得待定权系数i λ (i=1，2，……，n)满足关系式：11=∑=n i i λ(2）以无偏为前提，kriging 方差为最小可得到求解待定权系数i λ的方程组:⎪⎪⎩⎪⎪⎨⎧=⋯⋯==+∑∑==1)n ,2,1)(,(),(101n i i j j i n i i j x x C x x C λμλ， （3） 式中，C （x i ，x j ）是Z （x i ）和Z （x j )的协方差函数.2 方法步骤克里金插值法的应用步骤如下:1、输入原始数据，即采样点，下面以输入三个采样点求待估插值为例来进行说明。
第4章 插值方法在工程实践和科学实验中，常常需要从一组实验观测数据 ,2,1,0),,(=i y x i i ，揭示自变量x 与因变量y 之间的关系，一般可以用一个近似的函数关系式：y =f (x )来表示。
函数f (x )的产生办法因观测数据与要求的不同而异，通常可以采用两种方法：一个是曲线拟合的方法，一个是插值的方法。
插值和拟合的主题都是确定一个函数,其解决办法相似.可以考虑分两步走：第一步，适当选择函数的形式；第二步，确定函数的参数。
拟合主要是考虑到观测数据受随机误差的影响，寻求整体误差最小、较好反映观测数据的近似函数，并不保证所得到的函数一定满足)(i i x f y =。
插值则要求函数在每个观测点处一定要满足)(i i x f y =。
本章介绍插值的方法。
拟合的方法将在下一章讨论。
插值函数一般是已知函数值的线性组合或者称为加权平均。
插值在工程实践和科学实验中应用非常广泛。
例如：信息技术中的图像重建、图像放大中为避免图像的失真所做的插值补点、建筑工程的外观设计、天气预报等等。
本章主要内容：1）插值思想﹑方法和技术，包括一维插值与高维插值； 2）用Matlab 作插值计算；3）针对三个实际问题，进行建模﹑求解与分析； 4）最后给出实验题目。
§4.1 插值方法本节将简单地介绍常用的一维插值方法的分段线性插值和三次样条插值。
4.1.1 分段多项式插值先介绍分段线性插值。
从数学的角度，分段线性插值的提法如下：问题：设函数f (x )在n +1个节点x 0,x 1,…,x n 处的函数值已知，为y 0,y 1,…,y n 。
要求：求一个分段( 共 n 段)线性函数q (x )，使其满足：q (x i )=y i ,i =0,1,…,n .根据直线的两点式方程变形得到q (x )在第i 段[x i -1,x i ]上的表达式为：n i x x x y x x x x y x x x x x q i i i i i i i i i i ,,2,1,,)(11111 =≤≤--+--=-----可以证明，分段线性插值具有良好的收敛性。
简述插值法的基本原理
插值法是一种数值分析方法，用于根据已知数据点的值推断出在这些点之间的未知值。
它在工程、物理学、计算机图形学等领域有广泛应用。
插值法的基本原理是通过已知数据点之间的插值多项式来逼近未知函数的值。
常见的插值方法有拉格朗日插值、牛顿插值以及样条插值等。
拉格朗日插值使用一个全局多项式来逼近函数，并通过已知数据点上的函数值和导数来构造插值多项式。
它可以处理非等间距数据点，并且易于实现。
牛顿插值使用差商的概念来构造一个差商表，并根据差商的定义递归计算插值多项式。
相较于拉格朗日插值，它在新增或修改数据点时具有更高的计算效率。
样条插值通过分段多项式拟合来逼近未知函数。
它将整个数据区间切分为多个小区间，每个小区间内都有一个插值多项式。
样条插值通常比全局插值方法更平滑，并且可以控制插值曲线的特性。
插值法的最简单计算公式全文共四篇示例，供读者参考第一篇示例：插值法是数值分析领域中常用的一种方法，它可以用来估计未知函数在给定点处的值。
插值法的基本思想是基于已知数据点，构建一个多项式函数来逼近未知函数的值。
在实际应用中，插值法常常被用来对离散数据进行平滑处理，或是用来预测未来的数据。
最简单的插值方法之一是线性插值法。
线性插值法假设未知函数在两个已知数据点之间是线性变化的，即可以通过这两个点之间的直线来估计未知函数在中间点处的值。
线性插值的计算公式如下：设已知数据点为(x0, y0)和(x1, y1)，要估计中间点x处的函数值y，则线性插值公式为：\[y = y0 + \frac{x - x0}{x1 - x0} * (y1 - y0)\]这个公式的推导比较简单，可以通过代入已知数据点计算出来。
如果已知数据点为(0, 1)和(2, 3)，要估计在x=1处的函数值，根据线性插值公式，计算如下：在x=1处的函数值为2。
线性插值法的优点是简单易懂，计算速度快，并且可以比较精确地估计函数值。
但是线性插值法的精度受限于已知数据点之间的线性关系，如果函数在两个数据点之间发生了急剧变化，线性插值法可能无法准确估计函数值。
除了线性插值法，还有许多其他更复杂的插值方法，如拉格朗日插值、牛顿插值、三次样条插值等。
这些方法在不同的情况下可以提供更精确的函数估计值，但也需要更复杂的计算步骤。
插值法是一种常用的数值分析方法，可以帮助我们更好地处理数据和预测未知函数的值。
在实际应用中，可以根据具体情况选取合适的插值方法来进行计算。
第二篇示例：插值法是一种用于估算未知数值的方法，它基于已知数据点之间的关系进行推断。
在实际应用中，插值法经常用于数据处理、图像处理、数学建模和预测等领域。
插值法的计算公式通常比较复杂，但是我们可以通过简化的方式来理解和计算插值结果。
最简单的插值方法之一是线性插值法。
在线性插值法中，我们假设已知数据点之间的关系是线性的，然后通过线性方程来估算未知点的数值。
空间插值方法一、空间插值方法概述空间插值方法是指在给定的有限点数据集合上，通过某种数学模型，对未知位置的数值进行估计或预测的方法。
它广泛应用于地理信息系统、遥感、气象、环境监测等领域中，是一种重要的数据处理和分析手段。
常见的空间插值方法包括：反距离权重法、克里金法、径向基函数插值法等。
二、反距离权重法1. 原理反距离权重法是一种基于距离加权平均的插值方法。
其基本思想是：对于未知点，用已知点到未知点之间的距离作为权重系数，将已知点的观测值按照这些系数进行加权平均，得到未知点的估计值。
该方法假设空间变量在空间上具有连续性，并且与其邻近区域内观测值相关。
2. 步骤（1）确定待插值点和邻近观测点（2）计算待插值点与邻近观测点之间的欧式距离或曼哈顿距离等（3）根据距离计算每个邻近点的权重系数（4）将邻近点的观测值按照权重系数进行加权平均，得到待插值点的估计值3. 优缺点反距离权重法简单易懂，计算速度快，适用于数据密度较小、空间变异性较大的情况。
但其估计结果容易受到邻近点数量和距离的影响，可能出现插值误差较大的情况。
三、克里金法1. 原理克里金法是一种基于统计学原理的空间插值方法。
其基本思想是：通过对已知点之间的空间关系进行建模，利用半方差函数来描述变量在空间上的相关性，并通过最小二乘法求解出半方差函数中未知参数，从而得到未知位置处的预测值。
该方法假设空间变量在空间上具有稳定性，并且与其邻近区域内观测值相关。
2. 步骤（1）确定待插值点和邻近观测点（2）计算待插值点与邻近观测点之间的欧式距离或曼哈顿距离等（3）根据距离和半方差函数计算每个邻近点的权重系数（4）利用最小二乘法求解半方差函数中的未知参数（5）将邻近点的观测值按照权重系数进行加权平均，得到待插值点的估计值3. 优缺点克里金法能够考虑空间变异性和空间相关性，插值结果较为准确，但需要对半方差函数进行拟合，模型复杂度较高，计算量大。
四、径向基函数插值法1. 原理径向基函数插值法是一种基于核函数的空间插值方法。
插值法和指数平滑法插值法和指数平滑法是两种常用的数据处理方法，它们在不同的场景下都有着广泛的应用。
插值法是一种通过已知数据点推断未知数据点的方法。
在实际应用中，我们经常会遇到数据缺失的情况，这时候就需要用到插值法来填补缺失的数据。
插值法的基本思想是通过已知数据点之间的连线来推断未知数据点的值。
常用的插值方法有线性插值、拉格朗日插值和牛顿插值等。
其中，线性插值是最简单的一种方法，它假设未知数据点在已知数据点之间的取值是线性的，然后通过已知数据点之间的连线来推断未知数据点的值。
拉格朗日插值和牛顿插值则是更为精确的方法，它们可以通过已知数据点的函数值和导数值来推断未知数据点的值。
指数平滑法是一种用于时间序列预测的方法。
在实际应用中，我们经常需要对未来的数据进行预测，这时候就需要用到指数平滑法。
指数平滑法的基本思想是通过对历史数据的加权平均来预测未来数据的值。
具体来说，指数平滑法会对历史数据进行加权平均，其中较早的数据会被赋予较小的权重，较新的数据会被赋予较大的权重。
这样做的目的是为了让模型更加关注最近的数据，因为最近的数据对未来的预测更有参考价值。
常用的指数平滑方法有简单指数平滑、双指数平滑和三指数平滑等。
其中，简单指数平滑是最简单的一种方法，它假设未来数据的值只与最近的历史数据有关，然后通过对历史数据的加权平均来预测未来数据的值。
双指数平滑和三指数平滑则是更为精确的方法，它们可以通过对历史数据的趋势和季节性进行建模来预测未来数据的值。
插值法和指数平滑法都是非常有用的数据处理方法，它们可以帮助我们填补缺失的数据和预测未来的数据。
在实际应用中，我们需要根据具体的场景选择合适的方法，并结合其他的数据处理方法来进行综合分析。
插值法的研究及应用插值法是数值计算中常用的一种方法，其主要作用是利用已知数据的特征来估计未知数据的情况。
插值法的研究和应用在各个领域都有着重要的作用，下面我们将从定义、应用和优缺点三个方面来展开讨论。
1. 定义插值法是一种数值分析方法，采用给定的数据点构造一个插值函数，使该函数能够通过已知的数据点并且在未知的数据点上具有平滑性。
插值法通常用于研究样本数据，通过样本数据预测未来或者未知数据点的值。
插值法根据不同的逼近函数可以分为拉格朗日插值法、牛顿插值法、分段插值法等。
在实际应用中，由于样本数据的种类各异，选择适合的插值法对于保证插值函数的准确性至关重要。
2. 应用插值法是数值计算中非常常见的技术，可以应用于各个领域。
以下是插值法在某些领域的具体应用：2.1. 数学在数学中，插值法可以用于实现函数逼近和积分计算等。
例如在微积分中，为了计算某个函数的面积或者弧长，我们需要拟合出该函数的近似函数。
往往要借助于插值法来完成这个任务。
此外，插值法还在微积分中发挥着重要作用，比如根据已知点分段拟合一阶或者二阶函数，从而计算导数或者曲率等数学概念。
2.2. 工程在工程学上，插值法的应用十分广泛。
例如在测量上，经常需要通过记录的数据点建立精准的计量模型。
插值法可以将稀疏的测量数据处理成一系列流畅的数据点，有助于更好地理解测量数据。
在通信领域，插值法还可以用于数字信号的重构和平滑。
通过将采样后的离散信号插值到连续信号中，我们可以得到更精细的信号波形，从而更准确地还原信号。
3. 优缺点3.1. 优点插值法的主要优点在于其简单易懂、易于实现。
在数值计算中，插值法是一种非常重要的技术，可以快速而有效地分析大量数据。
此外，插值法能够通过现有数据点得到平滑的插值函数，从而减少了数据误差并且提高了计算精度。
3.2. 缺点然而，插值法也有着一些缺点。
首先，插值函数的精度大大依赖于已知数据的数量和分布。
如果样本数据缺乏一定的数量，可能会导致插值函数的精度下降。
17世界后牛顿,拉格朗日分别讨论了等距和非等距的一般插值公式.在近代,插值法仍然是数据处理和编制函数表的常用工具，又是数值积分、数值微分、非线性方程求根和微分方程数值解法的重要基础,许多求解计算公式都是以插值为基础导出的。
三种插值方法的比较：拉格朗日插值、分段线性插值与三次样条插值三种插值法在处理问题时的比较。
插值问题的提法是：已知f(x)(可能未知或非常复杂函数)在彼此不同的n+1个实点 0x ,1x ,…n x 处的函数值是f(0x )，f(1x )，…，f(n x )，这时我们简单的说f(x)有n+1个离散数据对｛（i x ，i y ）｝i n ＝0．要估算f(x)在其它点ｘ处的函数值，最常见的一种办法就是插值，即寻找一个相对简单的函数y(x)，使其满足下列插值条件：y (i x )＝f (i x )，i=0，1，…，n ．并以y (x)作为f (x)的近似值．其中y (x)称为插值函数，f (x)称为被插函数．[1,2,3] 选用不同类型的插值函数，逼近的效果不同，下面给出拉格朗日多项式插值、 分段线性插值及三次样条插值在处理问题时的应用比较分析．多项式插值是最常见的一种函数插值．在一般插值问题中，由插值条件可以唯一确定一个次数不超过ｎ的插值多项式满足上述条件．从几何上看可以理解为：已知平面上n+1个不同点，要寻找一条次数不超过ｎ的多项式曲线通过这些点．插值多项式一般有两种常见的表达形式，一个是拉格朗日(Lagrange)插值多项式，另一个是牛顿(Newton)插值多项式．且 Ｌａｇｒａｎｇｅ插值公式恒等于Ｎｅｗｔｏｎ插值公式．分段线性插值与三次样条插值可以避免高次插值可能出现的大幅度波动现象(龙格现象)，在实际应用中通常采用分段低次插值来提高近似程度，比如可用分线性插值或分段三次埃尔米特插值来逼近已知函数，但它们的总体光滑性较差．为了克服这一缺点，一种全局化的分段插值方法———三次样条插值成为比较理想的工具。
有限元插值算法
有限元插值是有限元法中的一种数值插值方法，主要用于在有限元分析中估算非网格节点的物理量。
这种插值方法通常用于处理复杂几何形状和非结构化网格。
以下是有限元插值的一些常见算法：线性插值：最简单的插值方法，假定物理量在两个相邻节点之间是线性变化的。
线性插值通常用于三角形和四边形元素。
二次插值（Quadratic Interpolation）：在三角形或四边形元素上，使用二次插值以提高精度。
这包括二次三角形元素（如Serendipity 元素）和二次四边形元素。
Lagrange 插值：使用拉格朗日插值多项式，在元素内节点上定义插值函数。
这种插值方法适用于任何形状的元素。
Hermite 插值：使用Hermite 插值多项式，在节点上定义插值函数，并且同时给定节点处的导数。
这可以用于更好地逼近非光滑的解。
Barycentric 插值：基于三角形或四边形的重心坐标，通过求解权重系数进行插值。
这对于处理不规则网格和自适应网格特别有用。
自然坐标插值：使用元素的自然坐标系统进行插值。
对于三角形元素，通常使用重心坐标（Barycentric Coordinates）；对于四边形元素，使用自然坐标。
这些插值方法的选择取决于问题的性质、元素的形状和所需的精度。
在实际应用中，根据问题的要求和计算效率，可以选择不同的插值算法。
有限元法广泛应用于结构分析、热传导、流体动力学等领域，插值算法是其中关键的数值技术之一。
1。
我们要了解三条插值算法是什么。
插值算法通常用于在给定一些数据点的情况下，预测或估计在这些数据点之间的数值。
通常，插值算法用于数学、科学和工程中对数据进行拟合。
三条插值算法（Three-Point Interpolation）是一个简单的插值方法，它基于三个数据点来进行预测。
假设我们有三个数据点 (x0, y0), (x1, y1) 和 (x2, y2)。
其中，x0 < x1 < x2。
三条插值算法的公式为：
y = y0 + (x - x0) * (y1 - y0) / (x1 - x0)
当 x = x2 时，我们使用类似的公式来预测 y 的值。
这个公式通过使用线性插值来预测 x0 和 x2 之间的 y 值。
使用三条插值算法，我们预测 x = 2 时的 y 值为：5。
请注意，这个方法仅适用于三个数据点，并且假设x 的变化与y 线性相关。
对于更复杂的情况，可能需要使用更复杂的插值方法，如多项式插值或样条插值。
6.1 插值问题及其误差 6.1.2 与插值有关的MATLAB 函数 (一) POLY2SYM 函数 调用格式一：poly2sym (C) 调用格式二：f1=poly2sym(C,'V') 或 f2=poly2sym(C, sym ('V') ), (二) POLYVAL 函数 调用格式：Y = polyval(P,X) (三) POLY 函数 调用格式：Y = poly (V) (四) CONV 函数 调用格式：C =conv (A, B) 例 6.1.2 求三个一次多项式、和的积.它们的零点分别依次为0.4,0.8,1.2. 解 我们可以用两种MATLAB程序求之. 方法1 如输入MATLAB程序 >> X1=[0.4,0.8,1.2]; l1=poly(X1), L1=poly2sym (l1) 运行后输出结果为 l1 = 1.0000 -2.4000 1.7600 -0.3840 L1 = x^3-12/5*x^2+44/25*x-48/125 方法2 如输入MATLAB程序 >> P1=poly(0.4);P2=poly(0.8);P3=poly(1.2); C =conv (conv (P1, P2), P3) , L1=poly2sym (C) 运行后输出的结果与方法1相同.
(五) DECONV 函数 调用格式：[Q,R] =deconv (B,A) (六) roots(poly(1:n))命令 调用格式：roots(poly(1:n)) (七) det(a*eye(size (A)) - A)命令 调用格式：b=det(a*eye(size (A)) - A)
6.2 拉格朗日（Lagrange）插值及其MATLAB程序 6.2.1 线性插值及其MATLAB程序 例6.2.1 已知函数在上具有二阶连续导数，，且满足条件.求线性插值多项式和函数值，并估计其误差. 解 输入程序 >> X=[1,3];Y=[1,2]; l01= poly(X(2))/( X(1)- X(2)), l11= poly(X(1))/( X(2)- X(1)), l0=poly2sym (l01),l1=poly2sym (l11), P = l01* Y(1)+ l11* Y(2), L=poly2sym (P),x=1.5; Y = polyval(P,x) 运行后输出基函数l0和l1及其插值多项式的系数向量P（略）、插值多项式L和插值Y为 l0 = l1 = L = Y = -1/2*x+3/2 1/2*x-1/2 1/2*x+1/2 1.2500 输入程序 >> M=5;R1=M*abs((x-X(1))* (x-X(2)))/2 运行后输出误差限为 R1 = 1.8750
例6.2.2 求函数e在上线性插值多项式，并估计其误差. 解 输入程序 >> X=[0,1]; Y =exp(-X) , l01= poly(X(2))/( X(1)- X(2)), l11= poly(X(1))/( X(2)- X(1)), l0=poly2sym (l01), l1=poly2sym (l11), P = l01* Y(1)+ l11* Y(2), L=poly2sym (P), 运行后输出基函数l0和l1及其插值多项式的系数向量P和插值多项式L为 l0 = l1 = P = -x+1 x -0.6321 1.0000 L = -1423408956596761/2251799813685248*x+1 输入程序 >> M=1;x=0:0.001:1; R1=M*max(abs((x-X(1)).*(x-X(2))))./2 运行后输出误差限为 R1 = 0.1250.
6.2.2 抛物线插值及其MATLAB程序 例6.2.3 求将区间 [0, π/2] 分成等份，用产生个节点，然后根据（6.9）和（6.13）式分别作线性插值函数和抛物线插值函数.用它们分别计算cos (π/6) (取四位有效数字)，并估计其误差. 解 输入程序 >> X=[0,pi/2]; Y =cos(X) , l01= poly(X(2))/( X(1)- X(2)), l11= poly(X(1))/( X(2)- X(1)), l0=poly2sym (l01), l1=poly2sym (l11), P = l01* Y(1)+ l11* Y(2), L=poly2sym (P),x=pi/6; Y = polyval(P,x) 运行后输出基函数l0和l1及其插值多项式的系数向量P、插值多项式和插值为 l0 = -5734161139222659/9007199254740992*x+1 l1 = 5734161139222659/9007199254740992*x P = -0.6366 1.0000 L = -5734161139222659/9007199254740992*x+1 Y = 0.6667 输入程序 >> M=1;x=pi/6; R1=M*abs((x-X(1))*(x-X(2)))/2 运行后输出误差限为 R1 = 0.2742. （2） 输入程序 >> X=0:pi/4:pi/2; Y =cos(X) , l01= conv (poly(X(2)), poly(X(3)))/(( X(1)- X(2))* ( X(1)- X(3))), l11= conv (poly(X(1)), poly(X(3)))/(( X(2)- X(1))* ( X(2)- X(3))), l21= conv (poly(X(1)), poly(X(2)))/(( X(3)- X(1))* ( X(3)- X(2))), l0=poly2sym (l01),l1=poly2sym (l11),l2=poly2sym (l21), P = l01* Y(1)+ l11* Y(2) + l21* Y(3), L=poly2sym (P),x=pi/6; Y = polyval(P,x) 运行后输出基函数l01、l11和l21及其插值多项式的系数向量P、插值多项式L和插值Y为 l0 = 228155022448185/281474976710656*x^2-2150310427208497/1125899906842624*x+1 l1 = -228155022448185/140737488355328*x^2+5734161139222659/2251799813685248*x l2 = 228155022448185/281474976710656*x^2-5734161139222659/9007199254740992*x P = -0.3357 -0.1092 1.0000 L= -6048313895780875/18014398509481984*x^2-7870612110600739/72057594037927936*x+1 Y = 0.8508 输入程序 >> M=1;x=pi/6; R2=M*abs((x-X(1))*(x-X(2)) *(x-X(3)))/6 运行后输出误差限为 R2 = 0.0239. 6.2.3 次拉格朗日（Lagrange）插值及其MATLAB程序 例6.2.4 给出节点数据，，，，作三次拉格朗日插值多项式计算，并估计其误差. 解 输入程序 >> X=[-2,0,1,2]; Y =[17,1,2,17]; p1=poly(X(1)); p2=poly(X(2)); p3=poly(X(3)); p4=poly(X(4)); l01= conv ( conv (p2, p3), p4)/(( X(1)- X(2))* ( X(1)- X(3)) * ( X(1)- X(4))), l11= conv ( conv (p1, p3), p4)/(( X(2)- X(1))* ( X(2)- X(3)) * ( X(2)- X(4))), l21= conv ( conv (p1, p2), p4)/(( X(3)- X(1))* ( X(3)- X(2)) * ( X(3)- X(4))), l31= conv ( conv (p1, p2), p3)/(( X(4)- X(1))* ( X(4)- X(2)) * ( X(4)- X(3))), l0=poly2sym (l01), l1=poly2sym (l11),l2=poly2sym (l21), l3=poly2sym (l31), P = l01* Y(1)+ l11* Y(2) + l21* Y(3) + l31* Y(4), 运行后输出基函数l0，l1，l2和l3及其插值多项式的系数向量P（略）为 l0 = -1/24*x^3+1/8*x^2-1/12*x，l1 =1/4*x^3-1/4*x^2-x+1 l2 = -1/3*x^3+4/3*x，l3 =1/8*x^3+1/8*x^2-1/4*x 输入程序 >> L=poly2sym (P),x=0.6; Y = polyval(P,x) 运行后输出插值多项式和插值为 L = Y = x^3+4*x^2-4*x+1 0.2560. 输入程序 >> syms M; x=0.6; R3=M*abs((x-X(1))*(x-X(2)) *(x-X(3)) *(x-X(4)))/24 运行后输出误差限为 R3 =
