插值与拟合 - 插值与拟合讲义-课件PPT(精)

容易确定．例如知道时间与因变量有二次函数
关系，且过原点。
2019/7/27
mathworks
19
10.6 曲线拟合
• 所以选取 r1(x)x2,r2(x)x ，用
ya1x2 a2x
作拟合．若无法知道y与x之间的关系，
通常可以将数据（xi，yi），i＝1，2，…，
n作图，直观地判断应该用什么样的曲线 去作拟合．人们常用的曲线有（参见图7）
2019/7/27
mathworks
15
10.6 曲线拟合
• 1．线性最小二乘法
• 曲线拟合问题的提法是，已知一组 （二维）数据，即平面上的n个点（xi,yi)， i=1，2，…，n，xi互不相同，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 得最好，如下图， 图中δi为（x i ，y i） 与y=f(x)的距离）．
• 拟合准则是使n个点（xi，yi），i=1，2，…，
n，与y＝f（xi）的距离δi的平方和最小，称最 小二乘准则．
2019/7/27
mathworks
18
10.6 曲线拟合
2．函数rk (x) 的选取
• 面对一组数据（xi，yi）， i = 1， 2，…n，用
线性最小二乘法作曲线拟合时，首要的、也是 关键的一步是恰当地选取 r1(x)r,2(x) , rm (x) 如果通过机理分析、能够知道 y与 x之间应 该有什么样的函数关系，则 r1(x)r,2(x) , rm (x)
• 格式 yi = interp1(x,Y,xi) %返回插值向量yi， 每一元素对应于参量xi，同时由向量x与Y的内 插值决定。参量x指定数据Y的点。若Y为一矩 阵 ， 则 按 Y 的 每 列 计 算 。 yi 是 阶 数 为 length(xi)*size(Y,2)的输出矩阵。

• 代数多项式插值是最常用的插值方式，其内容也 是最丰富的，它又可分为以下几种插值方式： （1）非等距节点插值，包括拉格朗日插值、利用 均差的牛顿插值和埃特金插值； （2）非等距节点插值，包括利用差分的牛顿插值 和高斯插值等； （3）在插值中增加了导数的Hermite（埃尔米特） 插值； （4）分段插值，包括分段线性插值、分段Hermite （埃尔米特）插值和样条函数插值； （5）反插值。 • 按被插值函数的变量个数还可把插值法分为一元 插值和多元插值。
引言2---插值和拟合的联系与区别
联系：二者都是函数逼近的主要方法
• 区别： •运算过程上的区别：
– 拟合：是将数据点用最恰当的曲线描述出来，以反映问题的规律， 是特殊到一般的过程。 – 插值：是在知道曲线的形状后得出某些具体点的性质的过程,是 从一般到特殊。
•求解误差上的区别：
– 拟合：考虑观察值的误差（误差不可避免时）。以偏差的某种最 小为拟合标准
n n ik
0 i k 而： lk xi 1 i k
22
例1
x1 1, x2 2, x3 4, f ( x1 ) 8, f ( x2 ) 1, f ( x3 ) 5
求二次插值多项式。
解:
按拉格朗日方法，有：
L( x) y1l1 x y2l2 x y3l3 x ( x 2)( x 4) ( x 1)( x 4) ( x 1)( x 2) 8 1 5 (1 2)(1 4) (2 1)(2 4) (4 1)(4 2) 3x 2 16 x 21
4.2 插值方法 选用不同类型的插值函数，逼近的效 果就不同，一般有： （1）拉格朗日插值（lagrange插值） （2）分段线性插值 （3）Hermite （4）三次样条插值。

因此
li (x)

(x x0 )(x x1 ) (xi x0 )(xi x1 )
(x ( xi
xi1 )(x xi1 ) ( x xi1 )( xi xi1 ) ( xi
xn ) xn
)
n x x j . j0 xi x j ji
5.2.2 拉格朗日插值多项式
设用试验或观测方法得到函数 的如下函数y 值f表(x)
xi x0 , x1, , xn
yi y 0 , y1 , , y n
(5.11)
其中：yi f (xi )(i 0,1,..., n).我们用插值基函数li (x)(i 0, 1,..., n)的线性组合来构造满足式(5.11)的插值多项式，令
2020年1月26日星期日
主讲 韩光朋
17
(2) 将x 2.5代入，得L2 (2.5) 1.2625，因此
f (2.5) L2 (2.5) 1.2625.
(3)
f
(x)

ln(1
x), 求出f
''' ( x)

2 (1 x)3
,
从而max f ''' ( x) 1 .
1 x3
Rn (x)
f (n1) ( )
(n 1)!

n1
(
x)
,
(5.6)
其中： （a,b)且依赖于x,而x [a,b].
证明（见P111)略
2020年1月26日星期日
主讲 韩光朋
9
在实际插值问题中，由 于一般不知道，且实
际插值中f (x)一般较复杂或者未知， 因此用余项公 式（5.6）求误差是较困难的， 只能对其进行估计。 若

在大量的应用领域中，人们经常面临用一个解析 函数描述数据(通常是测量值)的任务。对这个问 题有两种方法。
一种是插值法，数据假定是正确的，要求以某种方法描述数 据点之间所发生的情况。
另一种方法是曲线拟合或回归。人们设法找出某条光滑曲线， 它最佳地拟合数据，但不必要经过任何数据点。
本专题的主要目的是：了解插值和拟合的基本内容； 掌握用Matlab求解插值与拟合问题的基本命令。
cj 103 4.54 4.99 5.35 5.65 5.90 6.10 6.26 6.39 6.50 6.59
该问题即解最优化问题：
min 1 F (a,b, k)
2
1 2
10
[a be0.02kt j
j 1
c j ]2
解法1. 用命令lsqcurvefit
F(x，tdata)= (a be0.02kt1 ,, a be0.02kt10 )T ，x=(a，b，k)
ydata=（ydata1，ydata2，…，ydatan） lsqcurvefit用以求含参量x（向量）的向量值函数
F(x,xdata)=（F（x，xdata1），…，F（x，xdatan））T
中的参变量x(向量),使得
1
2
n i 1
( F ( x,
xdatai )
2
ydatai )
最小
输入格式: (1) x = lsqcurvefit (‘fun’,x0,xdata,ydata); (2) x =lsqcurvefit (‘fun’,x0,xdata,ydata,lb, ub);
1）编写M-文件 curvefun1.m
function f=curvefun1(x,tdata)
f=x(1)+x(2)*exp(-0.02*x(3)*tdata)

f (n1) (x
(n 1)!
)
wn1(x)
,
x (a,b)
n
Ln(x) f (xi)li(x)
i0
其中
li(x ) (( x x i x x 0 0 ))(( x x i x x ii 1 1 ) )( (x x i x x ii 1 1 ) )
(x x n ) ,i
(x i x n )
计算各阶差分可按如下差分表进行.
向前差分表
xi fi fi 2 fi 3 fi
n fi
x0 f0 x1 f1 f0 x2 f2 f1 2 f0 x3 f3 f2 2 f1 3 f0
xn fn fn1 2 fn2 3 fn3
n f0
差分具有如下性质:
.
性质1(差分与函数值的关系) 各阶差分均可表示为函值
(1)
使满足
cn(xx0)(xx1)(xx2) (xxn 1)
N n (x i) f(x i), i 0 ,1 , n
(2)
为了使 N n ( x ) 的形式得到简化,引入如下记号
0(x)1
i(x)(xxi1)i1(x)
(3)
(xx0)(xx1) (xxi1), i1,2, n
定义 由式(3)定义的n+1个多项式 0(x),1(x), ,n(x)
表示f(x)在x0及x1两点的一阶差商. 用记号 f[x0,x1,x2]f[x0,xx10 ] xf2[x1,x2]
表示f(x)在x0,x1,x2三点的二阶差商. 一般地,有了k-1阶差商之后, 可以定义f(x)在x0,x1,..,xk的k阶差商
f[x 0 ,x 1 ,
,x k] f[x 0 ,x 1 ,
2 f (xi ) (f (xi )) ( f (xi h) f (xi )) f (xi h) f (xi ) f (xi 2h) 2 f (xi h) f (xi )

为了了解刹车距离与车速的关系，美国交通部门进行了一系 列刹车实验，实验结果见表3-1所示。
问若车速分别为37、72英里/小时(分别约 60、115 Km/h)， 问刹车距离是多少？保持多大车距才是安全的？
显然，实际观测没有针对这两个点的观测结果， 这就需要我们根据已有的观测数据进行估算。进一 步地，若要估算车速在区间[20,80]（英里/小时）内 任意一点的反应距离、制动距离和刹车距离，应如 何估算。 处理此类问题，插值方法与数据拟合方法是两 类常见的建模方法
用线性插值法估算 y x11.5 的近似值.
解：由于 x 11.5 在插值节点 x0 11, x1 12之间， 故依此二点构造Lagrange线性插值多项式，并代 入 x 11.5 得
即 y x11.5 的近似估计值为2.4414. 例2 已知观测数据如表3-3所示
11.5 12 11.5 11 p1 (11.5) 2.3979 2.4849 2.4414 11 12 12 11
类似地，可得 ( x x0 )(x x1 ) ( x x0 )(x x2 ) l 2 ( x) l1 ( x) ( x2 x0 )(x2 x1 ) ( x1 x0 )(x1 x2 ) 进而，Lagrange二次插值（抛物型）多项式可表述为
p2 ( x) y0l0 ( x2 ) ( x x0 )(x x1 ) ( x x1 )(x x2 ) y0 y1 y2 ( x0 x1 )(x0 x2 ) ( x1 x0 )(x1 x2 ) ( x2 x0 )(x2 x1 )
（3.8） 且也可以很容易地验证上式满足所要求的插值条件。 利用构造插值基函数的思想，可非常方便地给出 n 次 Lagrange插值多项式的表达式，有兴趣的同学不妨试一下。 理论上，只要给出足够多的观测点，就可以构造任意次插值 多项式，但高次插值多项式存在着不可控制的数值震荡现象， 在实际问题建模中一般不推荐使用。

当 x ∈ [ x i 1 , x i ] 时, S ( x ) 的表达式由(2.3.4)平移下标可得 的表达式由 平移下标可得, 平移下标可得 因此有
S ′( x i 0) = f [ x i 1 , x i ] + hi 1 ( M i 1 + 2 M i ). 6
利用条件 S ′( x i + 0) = S ′( x i 0) 得
第二章 插值与拟合
2.3.2 三弯矩算法
可以有多种表达式， 三次样条插值函数 S ( x ) 可以有多种表达式，有时用二阶导数
S′ 值′ ( x i ) = M
i
( i = 0 ,1 , , n )
M
i
表示时，使用更方便。 表示时，使用更方便。 在力学上解释 ( x) 处的弯矩，并且得到的弯矩与相邻两个弯矩有关， 为细梁在 S处的弯矩，并且得到的弯矩与相邻两个弯矩有关，故 Mi 的算法为三弯矩算法 三弯矩算法。 称用 表示 的算法为三弯矩算法。 由于 S ( x )在区间 [ x i , x i + 1]( i = 0 ,1, , n 1) 上是三次多项式， 上是三次多项式， 故 S ′′( ) [ , ]
0
先消去 M 3 和 M 3 得
3 .5 1 1 3 .5
M M
1
5 .1 = 10 . 5 2
由此解得 M 1 = 2.52, M 2 = 3.72 。 代回方程组得 M 0 = 0.36, M 3 = 0.36. 的值代入三次样条插值函数的表达式（ ），经化简有 用 M 0 , M 1 , M 2 , M 3的值代入三次样条插值函数的表达式（2.3.4），经化简有 ），
n
=λn0来自= 0,第二章 插值与拟合

2021/8/17
插值问题实例1
机翼下 轮廓线
y
x
19
第19页/共47页
插值问题的提法 已知 n+1个节点 (xj,yj)(j 0 ,1 ,L n ,其中 x j
互不相同，不妨设 a x 0 x 1 L x n b ) , 求任一插值点 x*( xj )处的插值 y * .
节点可视为由
y* y1
2[a1
xi
a2)
yi ]xi
0
i1
2[a1xi
a2 )
yi
]
0
a1,a2
2021/8/17
13
第13页/共47页
用MATLAB作线性最小二乘拟合 1. 作多项式f(x)=a1xm+ …+amx+am+1拟合,可利用已有程序:
a=polyfit(x,y,m)
输出拟合多项式系数 a=[a1, …,am , am+1] (数组）
1200
1000
800
600
400
200
0
0
2
4
6
8
10
12
14
2021/8/17
17
第17页/共47页
二、插 值
1. 插值的基本原理；三种插值方法：拉格朗日 插值，分段线性插值，三次样条插值。
2. 面 对 一 个 实 际 问 题，应 该 用 插 值，还 是 拟 合。
2021/8/17
18
第18页/共47页
y* y1
y0 •
• •
• •
x0 x1 x*
xn
2021/8/17
21
第21页/共47页