下载文档原格式
matlab曲线插值方法摘要：一、引言1.MATLAB曲线插值方法背景介绍2.文章目的与意义二、MATLAB曲线插值方法分类1.线性插值2.二次多项式插值3.三次样条插值4.三次贝塞尔插值5.三次Hermite插值三、线性插值1.原理介绍2.示例代码及结果四、二次多项式插值1.原理介绍2.示例代码及结果五、三次样条插值1.原理介绍2.示例代码及结果六、三次贝塞尔插值1.原理介绍2.示例代码及结果七、三次Hermite插值1.原理介绍2.示例代码及结果八、比较与选择1.各种插值方法优缺点分析2.应用场景选择建议九、结论1.文章总结2.对未来研究的展望正文：matlab曲线插值方法在MATLAB中，曲线插值是一种常见的数据处理和可视化方法。
它可以将离散的数据点连接成平滑的曲线，以便于分析和理解数据。
本文将介绍MATLAB中几种常见的曲线插值方法，包括线性插值、二次多项式插值、三次样条插值、三次贝塞尔插值和三次Hermite插值。
同时，我们将通过示例代码和结果展示这些插值方法的实现过程，并对各种插值方法进行比较和选择，以提供实际应用中的指导。
一、引言MATLAB作为一种广泛应用于科学计算和工程领域的编程语言，其强大的绘图功能为研究人员提供了便利。
在许多应用场景中，需要将离散的数据点连接成平滑的曲线，以直观地表现数据的变化规律。
曲线插值方法正是为了解决这一问题而提出的。
接下来，我们将介绍MATLAB中几种常见的曲线插值方法。
二、MATLAB曲线插值方法分类1.线性插值线性插值是一种简单的插值方法，它通过连接数据点形成一条直线。
在MATLAB中，可以使用`polyfit`函数进行线性插值。
```matlabx = [1, 2, 3, 4];y = [2, 4, 6, 8];p = polyfit(x, y, 1);```2.二次多项式插值二次多项式插值使用一个二次方程来拟合数据点。
在MATLAB中，可以使用`polyfit`函数进行二次多项式插值。
牛顿插值matlab程序牛顿插值是一种多项式插值方法，其基本思想是利用分差表来构造一个一次到n 次多项式，从而逼近给定的数据点集合。
牛顿插值法有着计算简单，精度高，兼容性好等优点。
在Matlab中，牛顿插值法的实现非常简单。
接下来将介绍如何使用Matlab编写牛顿插值程序。
首先，我们需要明确牛顿插值法的基本思想，这可以用一个公式表示：f(x)≈Nn(x)=y0+C1(x−x0)+C2(x−x0)(x−x1)+⋯+Cn(x−x0)(x−x1)⋯(x−xn−1)其中y0即为给定数据点中的第一个点的纵坐标，x0到xn-1为已知的节点，Ci 表示节点x0到xi的差商，x为我们要求解的插值点。
据此，我们可以编写如下的Matlab代码实现牛顿插值：matlabfunction [result] = newton_interpolation(x, y, z)% x, y为已知的节点，z为插值点n = length(x);diff = zeros(n, n);diff(:, 1) = y';for j = 2:nfor i = j:ndiff(i, j) = (diff(i, j-1) - diff(i-1, j-1)) / (x(i) - x(i-j+1));endendresult = diff(n, n);for k = n-1:-1:1result = diff(k, k) + (z - x(k)) * result;end我们首先定义一个函数newton_interpolation，其输入为已知节点x和纵坐标y，以及插值点z。
接着，我们使用双重循环来计算分差表，并按照公式计算插值多项式的值。
最后，我们得到了插值点z处的函数值。
需要注意的是，在计算分差表时，我们需要根据已知的节点计算出所有的差商，并记录在diff中。
在计算插值点z处的函数值时，我们需要按照公式从n-1到0依次计算出多项式的各项系数。
matlab中积分插值求和在MATLAB中，积分插值求和是一种常见的数值计算方法，它可以用于近似计算函数的积分值。
本文将介绍积分插值求和的原理、方法和应用。
我们来了解一下积分插值的基本概念。
积分插值是一种通过在一定区间内取离散点的函数值，然后利用插值方法来求得函数在整个区间上的积分值的方法。
具体来说，我们可以将函数在区间上等分成若干小区间，然后在每个小区间上选取一些离散点，再通过插值方法来逼近函数在整个区间上的积分值。
在MATLAB中，有多种方法可以实现积分插值求和。
其中一种常用的方法是使用“trapz”函数，该函数可以通过梯形法则来计算函数在区间上的积分值。
具体来说，该函数会将区间分为多个小梯形，然后计算每个小梯形的面积，并将所有小梯形的面积相加，最后得到整个区间上的积分值。
除了“trapz”函数外，MATLAB还提供了其他一些函数和工具箱，可以用于实现积分插值求和。
例如，“quad”函数可以用于求解一维积分问题，而“quad2d”函数则可以用于求解二维积分问题。
此外，MATLAB的Symbolic Math Toolbox还提供了一些用于符号计算的函数，可以用于求解更复杂的积分插值问题。
在实际应用中，积分插值求和常常用于数值计算、信号处理、图像处理等领域。
例如，在数值计算中，我们经常需要对函数进行积分求和来估计某个变量的取值；在信号处理中，我们可以利用积分插值求和来计算信号的平均值、功率等特征；在图像处理中，我们可以利用积分插值求和来计算图像的亮度、对比度等参数。
总的来说，积分插值求和是一种常见而重要的数值计算方法，在MATLAB中有多种实现方式。
通过积分插值求和，我们可以近似计算函数在给定区间上的积分值，并广泛应用于各个领域。
MATLAB的强大功能和丰富的工具箱使得积分插值求和变得更加简单和高效，帮助我们解决了许多实际问题。
无论是学术研究还是工程实践，积分插值求和都是一种不可或缺的数值计算方法。
牛顿插值法matlab
牛顿插值法是一种基于牛顿多项式的插值方法，它要求给定的插值点必须满足某种差分公式，且牛顿插值法的误差收敛速度非常快。
牛顿插值法的Matlab实现分为以下几步：
1.给定插值点和插值函数的值。
2.确定多项式的阶数n。
3.根据牛顿插值法，构造一个n×n矩阵A，其中Aij等于第i个点处对x的第j次导数。
4.构造一个n×1矩阵B，其中Bi等于第i个点处的函数值。
5.通过消元法求解矩阵方程组Ax=B，从而求出牛顿插值法的系数。
6.应用求出的系数，构造出牛顿插值多项式。
7.根据牛顿插值多项式进行插值计算。
Matlab中插值函数汇总和使用说明MATLAB中的插值函数为interp1，其调用格式为： yi= interp1(x,y,xi,'method')其中x，y为插值点，yi为在被插值点xi处的插值结果；x,y为向量， 'method'表示采用的插值方法，MATLAB提供的插值方法有几种： 'method'是最邻近插值， 'linear'线性插值； 'spline'三次样条插值； 'cubic'立方插值．缺省时表示线性插值注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。
例如：在一天24小时内，从零点开始每间隔2小时测得的环境温度数据分别为12，9，9，10，18 ，24，28，27，25，20，18，15，13，推测中午12点（即13点）时的温度．x=0:2:24;y=[12 9 9 10 18 24 28 27 25 20 18 15 13];a=13;y1=interp1(x,y,a,'spline')结果为： 27.8725若要得到一天24小时的温度曲线，则：xi=0:1/3600:24;yi=interp1(x,y,xi, 'spline');plot(x,y,'o' ,xi,yi)命令1 interp1功能一维数据插值（表格查找）。
该命令对数据点之间计算内插值。
它找出一元函数f(x)在中间点的数值。
其中函数f(x)由所给数据决定。
x：原始数据点Y：原始数据点xi：插值点Yi：插值点格式(1)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。
Matlab中插值函数汇总和使用说明MATLAB中的插值函数为interp1，其调用格式为：yi= interp1(x,y,xi,'method')其中x，y为插值点，yi为在被插值点xi处的插值结果；x,y为向量， 'method'表示采用的插值方法，MATLAB提供的插值方法有几种： 'method'是最邻近插值， 'linear'线性插值； 'spline'三次样条插值； 'cubic'立方插值．缺省时表示线性插值注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。
例如：在一天24小时内，从零点开始每间隔2小时测得的环境温度数据分别为12，9，9，10，18 ，24，28，27，25，20，18，15，13，推测中午12点（即13点）时的温度．x=0:2:24;y=[12 9 9 10 18 24 28 27 25 20 18 15 13];a=13;y1=interp1(x,y,a,'spline')结果为： 27.8725若要得到一天24小时的温度曲线，则：xi=0:1/3600:24;yi=interp1(x,y,xi, 'spline');plot(x,y,'o' ,xi,yi)命令1 interp1功能一维数据插值（表格查找）。
该命令对数据点之间计算内插值。
它找出一元函数f(x)在中间点的数值。
其中函数f(x)由所给数据决定。
x：原始数据点Y：原始数据点xi：插值点Yi：插值点格式(1)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。
Matlab求解插值问题在应用领域中;由有限个已知数据点;构造一个解析表达式;由此计算数据点之间的函数值;称之为插值..实例：海底探测问题某公司用声纳对海底进行测试;在5×5海里的坐标点上测得海底深度的值;希望通过这些有限的数据了解更多处的海底情况..并绘出较细致的海底曲面图..1、一元插值一元插值是对一元数据点x i;y i进行插值..线性插值：由已知数据点连成一条折线;认为相临两个数据点之间的函数值就在这两点之间的连线上..一般来说;数据点数越多;线性插值就越精确..调用格式：yi=interp1x;y;xi;’linear’ %线性插值zi=interp1x;y;xi;’spline’ %三次样条插值wi=interp1x;y;xi;’cubic’ %三次多项式插值说明：yi、zi、wi为对应xi的不同类型的插值..x、y为已知数据点..例：已知数据：求当x i=0.25时的y i的值..程序：x=0:.1:1;y=.3 .5 1 1.4 1.6 1 .6 .4 .8 1.5 2;yi0=interp1x;y;0.025;'linear'xi=0:.02:1;yi=interp1x;y;xi;'linear';zi=interp1x;y;xi;'spline';wi=interp1x;y;xi;'cubic';plotx;y;'o';xi;yi;'r+';xi;zi;'g';xi;wi;'k.-'legend'原始点';'线性点';'三次样条';'三次多项式'结果：yi0 = 0.3500要得到给定的几个点的对应函数值;可用：xi = 0.2500 0.3500 0.4500yi=interp1x;y;xi;'spline'结果：yi =1.2088 1.5802 1.34542、二元插值二元插值与一元插值的基本思想一致;对原始数据点x;y;z构造见上面函数求出插值点数据xi;yi;zi..单调节点插值函数;即x;y向量是单调的..调用格式1：zi=interp2x;y;z;xi;yi;’linear’‘liner’ 是双线性插值缺省调用格式2：zi=interp2x;y;z;xi;yi;’nearest’’nearest’ 是最近邻域插值调用格式3：zi=interp2x;y;z;xi;yi;’spline’‘spline’是三次样条插值说明：这里x和y是两个独立的向量;它们必须是单调的..z是矩阵;是由x和y确定的点上的值..z和x;y之间的关系是zi;:=fx;yi ;z:;j=fxj;y 即：当x变化时;z 的第i行与y的第i个元素相关;当y变化时z的第j列与x的第j个元素相关..如果没有对x;y赋值;则默认x=1:n; y=1:m..n和m分别是矩阵z的行数和列数..例2：已知某处山区地形选点测量坐标数据为：x=0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5y=0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6海拔高度数据为：z=89 90 87 85 92 91 96 93 90 87 8292 96 98 99 95 91 89 86 84 82 8496 98 95 92 90 88 85 84 83 81 8580 81 82 89 95 96 93 92 89 86 8682 85 87 98 99 96 97 88 85 82 8382 85 89 94 95 93 92 91 86 84 8888 92 93 94 95 89 87 86 83 81 9292 96 97 98 96 93 95 84 82 81 8485 85 81 82 80 80 81 85 90 93 9584 86 81 98 99 98 97 96 95 84 8780 81 85 82 83 84 87 90 95 86 8880 82 81 84 85 86 83 82 81 80 8287 88 89 98 99 97 96 98 94 92 87其地貌图为：对数据插值加密形成地貌图..程序：x=0:.5:5;y=0:.5:6;z=89 90 87 85 92 91 96 93 90 87 82 92 96 98 99 95 91 89 86 84 82 84 96 98 95 92 90 88 85 84 83 81 85 80 81 82 89 95 96 93 92 89 86 86 82 85 87 98 99 96 97 88 85 82 83 82 85 89 94 95 93 92 91 86 84 88 88 92 93 94 95 89 87 86 83 81 92 92 96 97 98 96 93 95 84 82 81 84 85 85 81 82 80 80 81 85 90 93 95 84 86 81 98 99 98 97 96 95 84 87 80 81 85 82 83 84 87 90 95 86 8880 82 81 84 85 86 83 82 81 80 8287 88 89 98 99 97 96 98 94 92 87;meshx;y;z %绘原始数据图xi=linspace0;5;50; %加密横坐标数据到50个yi=linspace0;6;80; %加密纵坐标数据到60个xii;yii=meshgridxi;yi; %生成网格数据zii=interp2x;y;z;xii;yii;'cubic'; %插值meshxii;yii;zii %加密后的地貌图hold on % 保持图形xx;yy=meshgridx;y; %生成网格数据plot3xx;yy;z+0.1;’ob’ %原始数据用‘O’绘出3、二元非等距插值调用格式：zi=griddatax;y;z;xi;yi;’指定插值方法’插值方法有：linear% 线性插值默认bilinear% 双线性插值cubic% 三次插值bicubic% 双三次插值nearest% 最近邻域插值例3：用随机数据生成地貌图再进行插值程序：x=rand100;14-2;y=rand100;14-2;z=x.exp-x.^2-y.^2;ti=-2:.25:2;xi;yi=meshgridti;ti; % 加密数据zi=griddatax;y;z;xi;yi;% 线性插值meshxi;yi;zihold onplot3x;y;z;'o'该例中使用的数据是随机形成的;故函数griddata可以处理无规则的数据..。
matlab给定大量点的组合用插值法计算函数结果文章标题：从点的组合到插值法：Matlab如何计算函数结果在数字化时代的今天，大量的数据点和离散化的信息成为了我们面对的一个主要问题。
特别是在科学计算和工程领域，我们经常需要处理大量的数据点，并且需要通过插值法计算出函数的结果。
在如何用Matlab给定大量点的组合用插值法计算函数结果这一主题上，我们来深入探讨和讨论。
一、点的组合让我们来探讨点的组合。
在实际应用中，我们经常面对海量的数据点，它们可能来自于实验测量、物理仿真、数值计算等。
这些数据点往往是离散分布的，我们需要对其进行组合和整理。
在Matlab中，可以利用数据结构和数组操作来对大量数据点进行组合，从而为后续的插值计算做准备。
二、插值法原理接下来，我们需要了解插值法的原理。
插值法是一种通过已知数据点来估计其他位置的数值的数值分析方法。
它的基本思想是通过已知的数据点之间的关系来推断其他位置的数值，以实现对连续函数的逼近。
在Matlab中，可以利用interp1函数来进行一维插值计算，通过线性插值、多项式插值或样条插值等方法来得到函数在其他位置的近似值。
三、大量点的插值计算针对给定大量点的组合，我们需要考虑如何在Matlab中进行插值计算。
我们可以利用interp1函数来实现一维插值，但是对于大量点的情况，我们可能需要考虑使用更高级的插值方法，以提高计算的精度和效率。
在Matlab中，可以使用griata函数来进行多维插值计算，通过线性、立方体和三角形插值等方法来处理大量点的情况，从而得到函数在高维空间的逼近值。
四、个人观点和总结回顾在处理大量点的组合和插值计算时，Matlab提供了丰富的函数和工具，可以帮助我们高效地进行计算和分析。
通过对点的组合和插值法原理的深入理解，我们可以更好地利用Matlab来处理实际问题，并且在科学研究和工程实践中取得更好的效果。
了解如何在Matlab中给定大量点的组合用插值法计算函数结果，不仅有助于提高计算效率，还有助于提高对方法原理的理解和应用的灵活性。
在Matlab中如何进行数据插值与拟合引言：数据处理是科学研究与工程开发中不可或缺的环节之一。
而数据插值和拟合则是数据处理中常用的技术手段。
在Matlab这一强大的数值分析工具中，提供了丰富的函数与工具箱，使得数据插值与拟合变得更加便捷高效。
本文将详细阐述在Matlab中如何进行数据插值与拟合，并介绍几个常用的插值与拟合方法。
一、数据插值数据插值是通过已知的有限个数据点，推导出数据点之间未知位置上的数值。
在Matlab中，可以利用interp1函数进行数据插值。
假设我们有一组离散的数据点，存储为两个向量x和y。
那么，可以通过以下步骤进行数据插值：1. 调用interp1函数，并传入x和y作为输入参数。
```matlabxi = linspace(min(x), max(x), n);yi = interp1(x, y, xi, '方法');```其中，xi是插值点的位置，min和max分别是x向量的最小值和最大值，n是插值点的数量。
'方法'是要使用的插值方法，可以选择线性插值(method='linear')、样条插值(method='spline')等。
2. 绘制插值结果曲线。
```matlabplot(x, y, 'o', xi, yi)legend('原始数据','插值结果')```使用plot函数可以绘制原始数据点和插值结果的曲线。
通过设置不同的插值方法和插值点的数量，可以探索不同的插值效果。
二、数据拟合数据拟合是通过已知的一组数据点，找到一个符合数据趋势的函数模型。
在Matlab中，可以利用polyfit函数进行多项式拟合。
假设我们有一组离散的数据点，存储为两个向量x和y。
那么，可以通过以下步骤进行数据拟合：1. 调用polyfit函数，并传入x和y作为输入参数。
```matlabp = polyfit(x, y, n);```其中，n是多项式的次数，p是拟合多项式的系数。
插值方法晚上做一个曲线拟合，结果才开始用最小二乘法拟合时，拟合出来的东西太难看了！于是尝试用其他方法。
经过一番按图索骥，终于发现做曲线拟合的话，采用插值法是比较理想的方法。
尤其是样条插值，插完后线条十分光滑。
方法付后，最关键的问题是求解时要积分，放这里想要的时候就可以直接过来拿，不用死去搜索啦。
呵呵插值方法的Matlab实现一维数据插值MATLAB中用函数interp1来拟合一维数据，语法是YI = INTERP1(X,Y,XI,方法)其中（X，Y）是已给的数据点，XI 是插值点，其中方法主要有'linear' -线性插值，默认'pchip' -逐段三次Hermite插值'spline' -逐段三次样条函数插值其中最后一种插值的曲线比较平滑例：x=0:.12:1; x1=0:.02:1;%（其中x=0:.12:1表示显示的插值点，x1=0:.02:1表示插值的步长）y=(x.^2-3*x+5).*exp(-5*x).*sin(x);plot(x,y,'o'); hold on;y1=interp1(x,y,x1,'spline');plot(x1,y1,':')如果要根据样本点求函数的定积分，而函数又是比较光滑的，则可以用样条函数进行插值后再积分，在MATLAB中可以编写如下程序：function y=quadspln(x0,y0,a,b)f=inline('interp1(x0,y0,x,''spline'')','x','x0','y0');y=quadl(f,a,b,1e-8,[],x0,y0);现求sin(x)在区间[0，pi]上的定积分，只取5点x0=[0,0.4,1,2,pi];y0=sin(x0);I=quadspln(x0,y0,0,pi)结果得到的值为2.01905，精确值为2求一段matlab插值程序悬赏分：20 - 解决时间：2009-12-26 19:57已知5个数据点：x=[0.25 0.5 0.75 1] y=[0 0.3104 0.6177 0.7886 1] ，求一段matlab插值程序，求过这5个数据点的插值多项式，并在x-y坐标中画出y=f（x）图形，并且求出f （x）与x轴围成图形的面积（积分），不胜感激！使用Lagrange 插值多项式的方法：首先把下面的代码复制到M文件中，保存成lagranfunction [C,L]=lagran(X,Y)% input - X is a vector that contains a list of abscissas% - Y is a vector that contains a list of ordinates% output - C is a matrix that contains the coefficients of the lagrange interpolatory polynomial%- L is a matrix that contains the lagrange coefficients polynomialw=length(X);n=w-1;L=zeros(w,w);for k=1:n+1V=1;for j=1:n+1if k~=jV=conv(V,poly(X(j)))/(X(k)-X(j));endendL(k,:)=V;endC=Y*L;然后在命令窗口中输入以下内容：x=[0 0.25 0.5 0.75 1];y=[0 0.3104 0.6177 0.7886 1];lagran(x,y)ans =3.3088 -6.3851 3.3164 0.7599 0得到的数据就是多项式各项的系数，注意最后一个是常数项，即x^0，所以表达式为:f=3.3088*x.^4-6.3851*x.^3+3.3164*x.^2 +0.7599*x求面积就是积分求解>> f=@(x)3.3088*x.^4-6.3851*x.^3+3.3164*x.^2 +0.7599*x;>> quad(f,0,1)ans =0.5509这些点肯定是通过这个多项式的！MATLAB插值与拟合§1曲线拟合实例：温度曲线问题气象部门观测到一天某些时刻的温度变化数据为：试描绘出温度变化曲线。
曲线拟合就是计算出两组数据之间的一种函数关系，由此可描绘其变化曲线及估计非采集数据对应的变量信息。
曲线拟合有多种方式，下面是一元函数采用最小二乘法对给定数据进行多项式曲线拟合，最后给出拟合的多项式系数。
1.线性拟合函数：regress()调用格式：b=regress(y,X)[b,bint,r,rint,stats]= regress(y,X)[b,bint,r,rint,stats]= regress(y,X,alpha)说明：b=regress(y,X)返回X与y的最小二乘拟合值，及线性模型的参数值β、ε。
该函数求解线性模型：y=Xβ+εβ是p´1的参数向量；ε是服从标准正态分布的随机干扰的n´1的向量；y为n´1的向量；X为n´p矩阵。
bint返回β的95%的置信区间。
r中为形状残差，rint中返回每一个残差的95%置信区间。
Stats向量包含R2统计量、回归的F值和p值。
例1：设y的值为给定的x的线性函数加服从标准正态分布的随机干扰值得到。
即y=10+x+ε ；求线性拟合方程系数。
程序：x=[ones(10,1) (1:10)'];y=x*[10;1]+normrnd(0,0.1,10,1);[b,bint]=regress(y,x,0.05)结果：x =1 11 21 31 41 51 61 71 81 91 10y =10.956711.833413.012514.028814.885416.119117.118917.996219.032720.0175b =9.92131.0143bint =9.7889 10.05370.9930 1.0357即回归方程为：y=9.9213+1.0143x 2.多项式曲线拟合函数：polyfit( )调用格式：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。
矩阵s 用于生成预测值的误差估计。
(见下一函数polyval)例2：由离散数据拟合出多项式。
程序：x=0:.1:1;y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2];n=3;p=polyfit(x,y,n)xi=linspace(0,1,100);%linspace用于创建向量，如：x=linspace(a1,a2,a3);a1为第一个元素，a2为最末一个元素，a3表示x共有a3个元素，每个元素间距相等。
z=polyval(p,xi); %多项式求值plot(x,y,'o',xi,z,'k:',x,y,'b')legend('原始数据','3阶曲线')结果：p =16.7832 -25.7459 10.9802 -0.0035多项式为：16.7832x3-25.7459x2+10.9802x-0.0035 曲线拟合图形：如果是n=6，则如下图：也可由函数给出数据。
例3：x=1:20,y=x+3*sin(x)程序：x=1:20;y=x+3*sin(x);p=polyfit(x,y,6)xi=linspace(1,20,100);z=polyval(p,xi); %多项式求值函数plot(x,y,'o',xi,z,'k:',x,y,'b')legend('原始数据','6阶曲线')结果：p =0.0000 -0.0021 0.0505 -0.5971 3.6472 -9.7295 11.3304再用10阶多项式拟合程序：x=1:20;y=x+3*sin(x);p=polyfit(x,y,10)xi=linspace(1,20,100);z=polyval(p,xi);plot(x,y,'o',xi,z,'k:',x,y,'b') legend('原始数据','10阶多项式')结果：p =Columns 1 through 70.0000 -0.0000 0.0004 -0.0114 0.1814 -1.8065 11.2360 Columns 8 through 11-42.0861 88.5907 -92.8155 40.2671可用不同阶的多项式来拟合数据，但也不是阶数越高拟合的越好。
3. 多项式曲线求值函数：polyval( )调用格式：y=polyval(p,x)[y,DELTA]=polyval(p,x,s)说明：y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。
[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。
它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。
则Y DELTA将至少包含50%的预测值。
(未完)4. 多项式曲线拟合的评价和置信区间函数：polyconf( )调用格式：[Y,DELTA]=polyconf(p,x,s)[Y,DELTA]=polyconf(p,x,s,alpha)说明：[Y,DELTA]=polyconf(p,x,s)使用polyfit函数的选项输出s给出Y的95%置信区间Y DELTA。
它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。
1-alpha为置信度。
例4：给出上面例1的预测值及置信度为90%的置信区间。
程序：x=0:.1:1;y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2]n=3;[p,s]=polyfit(x,y,n)alpha=0.05;[Y,DELTA]=polyconf(p,x,s,alpha)结果：p =16.7832 -25.7459 10.9802 -0.0035s =R: [4x4 double]df: 7normr: 1.1406Y =Columns 1 through 9-0.0035 0.8538 1.2970 1.4266 1.3434 1.1480 0.9413 0.8238 0.8963 Columns 10 through 111.25942.01405. 稳健回归函数：robust( )稳健回归是指此回归方法相对于其他回归方法而言，受异常值的影响较小。
