分段线性插值法

插值法——线性分段插值 1.插值函数%%分段线性插值function PLI = Piecewise_linear_interpolation(X,f,precision)[m,n] = size(X);a = min(X);b = max(X);X = sort(X);F = subs(f,X);for k = 1:n-1B = Basic_fun(X,k);I = B(1)*F(k)+B(2)*F(k+1);PLI{1,k} = [X(k),X(k+1)];PLI{2,k} = I;t{k} = X(k):(X(k+1)-X(k))/precision:X(k+1);T{k} = subs(I,t{k});Y_real{k} = subs(f,t{k});endfor k = 1:n-1t_((precision+1)*(k-1)+1:(precision+1)*k) = t{k};T_((precision+1)*(k-1)+1:(precision+1)*k) = T{k};Y_real_((precision+1)*(k-1)+1:(precision+1)*k)= Y_real{k};endh = figure;set(h,'color','w');plot(X,F,'r*',t_,T_,'g',t_,Y_real_,'b');xlabel('x shaft');ylabel('y shaft');legend('F：节点对应函数值','T：分段线性插值函数图像','Y_real：真实函数图像');title('分段线性插值');grid onend 2.基函数%%基函数，max(X)>k>0function BF = Basic_fun(X,k)X = sort(X);syms x;BF(1) = (x-X(k+1))/(X(k)-X(k+1));BF(2) = (x-X(k))/(X(k+1)-X(k));end 3.拟合值函数%%线性插值拟合值function LIV = Linear_interpolation_value(X,f,precision,x_value)[m,n] = size(X);a = min(X);b = max(X);X = sort(X);Answer = Piecewise_linear_interpolation(X,f,precision);for i = 1:n-1if x_value >= X(i) && x_value <= X(i+1)s = i;endendLIV{1,1} = '线性插值拟合值';LIV{2,1} = vpa(subs(Answer{2,s},x_value),6);LIV{1,2} = '真实值';LIV{2,2} = vpa(subs(f,x_value),6);LIV{1,3} = '误差';LIV{2,3} = abs(LIV{2,1}-LIV{2,2});end 4.例⼦clear allclcX = -5:1:5;syms x;f = - 0.08858*x^8 + 3.694*x^7 - 64.7*x^6 + 617.8*x^5 - 3490.0*x^4 + 11820.0*x^3 - 23150.0*x^2 + 23580.0*x - 9319.0; precision = 200;%%分段线性插值disp('分段线性插值');Piecewise_linear_interpolation(X,f,precision) 结果分段线性插值S =2×10 cell 数组列 1 ⾄ 4{1×2 double} {1×2 double} {1×2 double} {1×2 double} {1×1 sym } {1×1 sym } {1×1 sym } {1×1 sym }列 5 ⾄ 8{1×2 double} {1×2 double} {1×2 double} {1×2 double} {1×1 sym } {1×1 sym } {1×1 sym } {1×1 sym }列 9 ⾄ 10{1×2 double} {1×2 double}{1×1 sym } {1×1 sym }>> S{2,:}ans =(227077586881*x)/50000 + 37695704689/2500ans =(3983468847*x)/2000 + 60987657739/12500ans =(7723057429*x)/10000 + 30518164433/25000ans =(2518396259*x)/10000 + 4494858583/25000ans =(3136314129*x)/50000 - 9319ans =(465835271*x)/50000 - 9319ans =(422501*x)/10000 - 1113617/25000ans =4111433/25000 - (622509*x)/10000ans =- (271*x)/80 - 151661/12500ans =2072089/2500 - (10681481*x)/50000 图像如下。

分段线性插值分段线性插值是一种在机器学习、数学、信号处理等领域中广泛应用的方法。

分段线性插值的主要目的是为漏洞、持续时间等数据展示提供更好的视觉效果，同时也可以使数据更容易进行处理。

在分段线性插值中，每一段数据都可以看作是一条直线段。

通过在相邻数据点之间插入一条直线来实现插值。

每个数据点或任意数段可以称为一个插值区间，插值区间内部的数据点都采用一条直线进行插值，直线的斜率由插值区间上下数据点构成。

例如：在一个区间（x1,y1）和（x2,y2）之间进行插值，其中x1<x<x2。

那么，我们可以使用线性公式y = mx + b来估计数据点的y值。

方程中m是插值区间的斜率，通过公式m = (y2-y1)/(x2-x1)计算。

而b是在插值区间x1和x2之间的截距，通过公式b = y1 - m x1计算。

最后，我们就可以通过已知的数据点，估计同一段中任意点的y值。

下面我们通过一个实例来进一步解释分段线性插值的应用。

比如我们有一组工作时间数据如下:|年份| 工作时间 ||----|----|| 2010 | 6.5 || 2011 | 7.0 || 2013 | 7.5 || 2015 | 8.0 |目前，我们需要在2012年估计工作时间。

首先，我们需要找到分段线性插值的区间。

2012年的数据点在2011年和2013年之间。

因此，我们可以使用2011年和2013年之间的数据点进行插值。

然后，通过计算斜率来确定m和b的值。

斜率可以通过公式m = (y2-y1)/(x2-x1)来计算。

2011年和2013年的工作时间分别是7.0和7.5，年份分别是2011和2013。

因此，斜率为：（7.5-7.0）/（2013年-2011年）= 0.25/2 = 0.125插值区间的y截距b可以通过公式b = y1 - m x1来计算。

这使得我们可以计算出截距：接下来，我们就可以使用斜率和截距来计算2012年的工作时间，这将是我们所需的数据点的估计值：y = mx + b= 0.125 * 2012 + 258.375= 259.875。

摘要用函数来表示变量间的数量关系广泛应用于各学科领域，但是在实际问题中，往往是通过实验、观测以及计算等方法，得到的是函数在一些点上的函数值。

如何通过这些离散数据找到函数的一个满足精度要求且便于使用的近似表达式，是经常遇到的问题。

对于这类问题我们解决的方法为插值法，而最常用也最简单的插值方法就是多项式插值。

当然用插值法得到的近似表达式必须满足插值条件即假设给定了n+1个点的自变量的值以及函数值，近似函数必须要过这n+1（x）通个点。

多项式插值，从几何角度看，就是寻求n次代数曲线y=Pn过n+1个点作为f（x）的近似。

但是随着插值节点个数的增加，高次插值多项式的近似效果并不理想。

根据大量实验得出，在进行高次多项式插值时，会出现龙格现象。

龙格（Runge）现象即当n趋于无穷大时，x在某一邻域内,f(x)收敛，而在这个区域外f(x)发散。

因此，为了解决这样的一个问题，我们可以通过缩小插值区间的办法达到减小误差的目的，所以本实验将针对低次分段插值多项式来做具体的讨论和学习。

关键词：龙格现象分段差值1、实验目的1)通过对分段线性插值算法程序的编写，提高自己编写程序的能力2)体会分段线性插值是如何消除龙格现象的。

3)用实验报告的形式展现，提高自己在写论文方面的能力2、算法理论设在节点处的函数值为,i=0,1,,n。

为了提高近似程度，可以考虑用分段线性插值来逼近原函数，这时的插值函数为分段函数：在区间上的线性函数为误差为：易见，是平面上以点为节点的折线，有如下的特点：1.在上为次数不超过一次的多项式；2.；3.；如果,由线性插值的误差公式得到令,则有关于整体误差：可以按如下方式考虑，若记则对任一都有于是，当时，说明分段线性插值收敛于。

3、数值算例已知点坐标如下表所示：xiyi用分段线性插值法，求解当x为时，对应y的值解：具体程序如下所示：#include ""float Fdline(float x[],float y[],float x1,int len){int i=0;float s=0;for(i=0;i<len-1;i++){if(x1>=x[i] && x1<x[i+1])break;}s=(x1-x[i])/(x[i-1]-x[i])*y[i-1]+(x1-x[i-1])/(x[i]-x[i-1])* y[i];return s;}float Fdline(float x[],float y[],float x1,int len);void main(){float x[]={,,,,};float y[]={,,,,};int len=sizeof(x)/sizeof(x[0]);float x1=0;float s=0;printf("请输入要求解的x1的值:\n");scanf("%f",&x1);s=Fdline(x,y,x1,len);printf("经过分段三次Hermite插值的结果为:\n");printf("%f\n",s);}运行结果：5、对结果进行分析根据分段线性插值的原理，可以看出分段线性插值虽然有很好的收敛性质，但却不是光滑的，所以线性插值的结果和实际的结果差距较大。

计算方法分段线性_三次样条插值分段线性和三次样条插值是两种常用的插值方法，在数值分析和插值问题中广泛使用。

1.分段线性插值分段线性插值是一种简单直观的插值方法，将插值区间划分为若干个子区间，在每个子区间上用线性函数进行插值。

假设给定的插值节点有n+1 个，节点为 (x0, y0), (x1, y1), ..., (xn, yn)，并且满足 x0 <x1 < ... < xn。

则对于任意 xx 使得 x 在 [xi, xi+1] 之间，可以通过线性插值得到其函数值 yy，即：yy = yi + (xx - xi) * (yi+1 - yi) / (xi+1 - xi)分段线性插值方法简单易懂，适用于一些较简单的插值问题。

但是由于插值函数在节点之间是线性的，可能不能准确地反映出数据的特征，因此不适用于一些需要高精度的插值问题。

三次样条插值是一种更复杂、更精确的插值方法，将插值区间划分为若干个子区间，在每个子区间上用三次多项式进行插值。

三次样条插值方法的基本思想是找到一组三次多项式，满足在每个子区间内插值点的函数值和一阶导数值相等，并且两个相邻多项式在节点处的二阶导数值也相等。

具体的求解步骤如下：(1) 假设有 n+1 个插值节点 (x0, y0), (x1, y1), ..., (xn, yn)，构造 n 个三次多项式，即每个多项式在 [xi, xi+1] 之间插值。

(2) 对每个子区间内的多项式进行插值，设第 i 个子区间的多项式为 Si(x) = ai + bi(x-xi) + ci(x-xi)^2 + di(x-xi)^3、将插值节点的函数值和一阶导数值代入多项式中，可以得到 n 个线性方程，利用这 n 个线性方程可以求解出 n 个子区间的系数。

(3)由于n个子区间的多项式必须在节点处一阶导数值相等，因此再设立n-1个方程，利用这些方程可以求解出n-1个子区间的二阶导数值。

(4)将求解得到的系数和二阶导数值代入每个子区间的多项式中，得到完整的三次样条插值函数。

插值法公式简单记忆方法插值法是一种求取某些数据点之间数值的方法，其公式可以根据不同的情况而有所不同。

以下是一些简单记忆插值法公式的方法：1. 拉格朗日插值法：根据已知数据点的函数值构造一个多项式函数，并使用该函数进行插值计算。

公式为：$$f(x) = sum_{i=0}^n y_i L_i(x)$$其中，$L_i(x)$ 是拉格朗日基函数，表示为：$$L_i(x) = prod_{jeq i} frac{x-x_j}{x_i-x_j}$$2. 牛顿插值法：通过已知数据点的差商来构造一个插值多项式。

公式为：$$f(x) = f[x_0] + (x-x_0)f[x_0,x_1] +(x-x_0)(x-x_1)f[x_0,x_1,x_2] + cdots +(x-x_0)cdots(x-x_{n-1})f[x_0,cdots,x_n]$$其中，$f[x_i]$ 表示 $i$ 阶差商，$f[x_i,x_{i+1},cdots,x_{i+j}]$ 表示 $i$ 到 $i+j$ 阶差商。

3. 分段线性插值法：将插值区间分成若干个小区间，每个小区间内用一条直线来近似表示函数。

公式为：$$f(x) = begin{cases}frac{x-x_0}{x_1-x_0}y_1 + frac{x_1-x}{x_1-x_0}y_0, &x_0leq x leq x_1frac{x-x_1}{x_2-x_1}y_2 + frac{x_2-x}{x_2-x_1}y_1, &x_1leq x leq x_2cdots & cdotsfrac{x-x_{n-1}}{x_n-x_{n-1}}y_n +frac{x_n-x}{x_n-x_{n-1}}y_{n-1}, & x_{n-1}leq x leq x_nend{cases}$$其中，$x_i$ 和 $y_i$ 分别表示已知数据点的自变量和因变量。

几种常用的插值方法数学系信息与计算科学1班平指导老师：唐振先摘要:插值在诸如机械加工等工程技术和数据处理等科学研究中有许多直接的应用,在很多领域都要用插值的办法找出表格和中间值,插值还是数值积分微分方程数值解等数值计算的基础。

本文归纳了几种常用的插值方法,并简单分析了其各自的优缺点。

关键词:任意阶多项式插值,分段多项式插值。

引言:所谓插值,通俗地说就是在若干以知的函数值之间插入一些未知函数值,而插值函数的类型最简单的选取是代数多项式。

用多项式建立插值函数的方法主要用两种：一种是任意阶的插值多项式,它主要有三种基本的插值公式：单项式,拉格朗日和牛顿插值；另一种是分段多项式插值,它有Hermite和spine插值和分段线性插值。

一．任意阶多项式插值：1.用单项式基本插值公式进行多项式插值：多项式插值是求通过几个已知数据点的那个n-1阶多项式,即P n-1(X)=A1+A2X+…A n X n-1,它是一个单项式基本函数X0,X1…X n-1的集合来定义多项式,由已知n个点（X,Y）构成的集合,可以使多项式通过没数据点,并为n个未知系数Ai写出n个方程,这n个方程组成的方程组的系数矩阵为Vandermonde 矩阵。

虽然这个过程直观易懂,但它都不是建立插值多项式最好的办法,因为Vandermonde方程组有可能是病态的,这样会导致单项式系数不确定。

另外,单项式中的各项可能在大小上有很大的差异,这就导致了多项式计算中的舍入误差。

2.拉格朗日基本插值公式进行插值：先构造一组插值函数L i （x ）=011011()()()()()()()()i i n i i i i i i n x x x x x x x x x x x x x x x x -+-+--------，其中i=0，…n.容易看出n 次多项式L i （x ）满足L i （x ）=1，（i=j ）；L i （x ）=0，（i ≠j ），其中i=0，1…n ，令L i （x ）=0()ni i i y l x =∑这就是拉格朗日插值多项式。

几种常用的插值方法数学系 信息与计算科学1班 李平指导老师：唐振先摘要:插值在诸如机械加工等工程技术和数据处理等科学研究中有许多直接的应用,在很多领域都要用插值的办法找出表格和中间值,插值还是数值积分微分方程数值解等数值计算的基础。

本文归纳了几种常用的插值方法,并简单分析了其各自的优缺点。

关键词:任意阶多项式插值,分段多项式插值。

引言:所谓插值,通俗地说就是在若干以知的函数值之间插入一些未知函数值,而插值函数的类型最简单的选取是代数多项式。

用多项式建立插值函数的方法主要用两种：一种是任意阶的插值多项式,它主要有三种基本的插值公式：单项式,拉格朗日和牛顿插值；另一种是分段多项式插值,它有Hermite 和spine 插值和分段线性插值。

一．任意阶多项式插值：1.用单项式基本插值公式进行多项式插值：多项式插值是求通过几个已知数据点的那个n-1阶多项式,即P n-1(X)=A 1+A 2X+…A n X n-1,它是一个单项式基本函数X 0,X 1…X n-1的集合来定义多项式,由已知n 个点（X,Y ）构成的集合,可以使多项式通过没数据点,并为n 个未知系数Ai 写出n 个方程,这n 个方程组成的方程组的系数矩阵为Vandermonde 矩阵。

虽然这个过程直观易懂,但它都不是建立插值多项式最好的办法,因为Vandermonde 方程组有可能是病态的,这样会导致单项式系数不确定。

另外,单项式中的各项可能在大小上有很大的差异,这就导致了多项式计算中的舍入误差。

2.拉格朗日基本插值公式进行插值： 先构造一组插值函数L i （x ）=011011()()()()()()()()i i n i i i i i i n x x x x x x x x x x x x x x x x -+-+--------，其中i=0，…n.容易看出n 次多项式L i （x ）满足L i （x ）=1，（i=j ）；L i （x ）=0，（i ≠j ），其中i=0，1…n ，令L i （x ）=0()ni i i y l x =∑这就是拉格朗日插值多项式。

数值分析中常用的插值方法在数值计算中，许多问题都可以用插值方法来近似求解，比如曲线拟合、函数逼近和图像重建等。

插值方法是指在已知数据点的情况下，通过一些数值计算技巧，在每个数据点处构造一个多项式函数，使得该函数在每个数据点处都能通过数据点。

在数据点之间计算函数值时，就可以使用这个多项式函数进行估算。

接下来，我们就来详细介绍一些常见的插值方法。

一、拉格朗日插值法拉格朗日插值法是一个经典的插值方法，它的思想是通过给定的数据点，构造一个经过这些点的多项式函数进行逼近。

具体来讲，拉格朗日插值法会首先构造一个基函数，该函数满足只在其对应的数据点处等于1，其余的数据点处等于0。

然后，根据基函数和数据点，构造一个多项式函数，使得该函数在每个数据点处都能通过数据点。

最终得到的多项式函数就是插值函数。

优点：简单易懂，使用较为广泛。

缺点：多项式次数较高时造成的误差会较大，且在数据点密集的区域可以出现龙格现象，使得插值函数在某些区间内呈现大幅度振荡。

二、牛顿插值法牛顿插值法是一种递推式的插值方法，它通过利用已知的数据点和前面已经计算出来的差商，得到一个逐步逼近的插值函数。

具体来讲，牛顿插值法会先将已知的数据点连成一条曲线，然后逐个向这条曲线添加新的数据点，每次添加一个新的数据点后，将差商计算出来并加入到之前的差商序列中，最终得到一个多项式函数，它在每个数据点处都能通过数据点。

牛顿插值法的优缺点与拉格朗日插值法相似，但是由于牛顿插值法是递推式的，可以方便的添加新的数据点，因此在数据点多变的情况下，牛顿插值法具有很大的优势。

三、分段插值法分段插值法是一种将插值区间划分为多个子区间的插值方法，在每个子区间内使用插值方法进行插值，然后将所有子区间内的插值函数拼接起来，得到最终的插值函数。

分段插值法主要分为两种：线性分段插值和三次样条插值。

1.线性分段插值线性分段插值的思路很简单，即在每个数据点处构造两条直线，在数据点之间的区间内使用一条直线作为插值函数。

分段线性插值法求插值摘要本文根据题目的要求,利用分段线性插值法对采样点和样本值进行插值计算。

为了更好的评断模型的优化性，我们同时采用了最近点插值，3次多项式插值和3次样条插值法来处理同样的问题，作为分段线性插值方法的参考模型。

根据插值函数计算区间内任意取样点的函数值。

最后再利用所得函数值画出相应的函数图象，并与原函数g(x)的图象进行对比。

通过对本题四个问题的解答，并观察对比函数图象我们得到了如下两个重要的结论：（1）在同一取样点，利用不同的插值方法可能会得到不同的函数值，所得函数值与原函数的标准函数值的误差大小决定了该插值方法的“好坏”。

而最优化的插值方法往往依赖于被插值函数。

本题中，在函数式g(x)对应X,Y的条件下，可以根据对比函数图象明显看出：分段线性插值方法和3次多项式插值方法优于3次样条插值和最近点插值。

（2）在插值计算中，取样点的多少往往会影响所得插值函数优化程度。

一般情况下，取样点越多所得插值函数越优化，对应的函数值与标准函数值越接近。

通过对本题四个问题相应对比函数图象的观察，我们也明显看出：在区间[-6 6]内，当取样点为21，41时，分段线性插值法进行插值计算得到的函数图象基本上与原函数g(x)吻合。

AbstractIn this article ,we use piecewise linear interpolation to compute the sampling point and sample value according to the request of question. In order to judge the model's quality in a better way, we use nearest interpolation, cubic interpolation and spline interpolation regarded as the model reference of piecewise linear interpolation to deal the question in the same way at the same time. Then draw the function picture by function value of any sampling point in the interval of interpolating function. Finally, we make a comparison between the original function g(x) image and the interpolating function image.At the base of analysing the final result and comparing the constrastive image . We can summarize two items of important conclusion as follows:(1)At the same sampling point , different interpolating method canobtain different function value. Usually , the optimizationalgorithm depends on the size of error between the objectfunction value .(2) When processing interpolating compute , the number of thesampling point will make an effect on the quality of a model.Commonly, the more multitudinous the sampling points wereused ,the more precise the interpolation model will be .目录一．问题的重述 (1)二．问题的分析 (1)三．问题的假设 (1)四．分段线性插值原理 (2)五．问题的求解 (2)六．插值方法的优劣性分析 (5)附录 (6)一．问题的重述已知211)(xx g +=,66≤≤-x 用分段线性插值法求插值，绘出插值结果图形，并观察插值误差。