《数学建模》 插值

数学建模数学实验插值及案例在科学研究和工程实践中，数学建模扮演着至关重要的角色。

通过建立数学模型，我们可以对现实世界的现象进行模拟和预测。

其中，插值方法是一种重要的数学建模工具，用于估计在给定数据点之间的未知值。

本文将探讨插值方法的基础理论以及一个具体的数学实验案例。

插值方法是一种数学技术，通过在给定的数据点之间估计未知的值。

最常用的插值方法包括线性插值、多项式插值和样条插值等。

线性插值是最简单的插值方法，它将数据点之间的变化视为线性的，即变化率保持恒定。

多项式插值方法则通过构建一个多项式函数来逼近数据点的变化趋势。

样条插值则通过将数据点连接成平滑的曲线来进行插值。

本案例将利用多项式插值方法对房价进行预测。

我们收集了一组房屋价格数据，包括房屋的面积、房龄、位置等信息。

然后，我们使用多项式插值方法构建一个函数来描述房价与这些因素之间的关系。

通过调整多项式的阶数，我们可以控制模型的复杂性。

我们使用该模型来预测新的房价。

在本案例中，我们使用了200个样本数据进行训练，并使用另外100个数据点进行测试。

我们发现，通过增加多项式的阶数，模型的预测精度可以得到提高。

然而，当阶数增加到一定程度后，模型的性能改善不再明显。

我们还发现模型的预测结果对训练数据的分布非常敏感，对于分布偏离较大的新数据点，预测结果可能会出现较大误差。

通过本次数学实验，我们深入了解了插值方法在数学建模中的应用。

在实际问题中，插值方法可以帮助我们更好地理解数据的变化趋势和预测未知的值。

然而，插值方法也存在一定的局限性，如本实验中模型对训练数据分布的敏感性。

未来工作中，我们可以尝试采用其他更加复杂的模型，如神经网络、支持向量机等来提高预测精度。

我们还应充分考虑数据的分布特性，以提高模型的泛化能力。

插值方法是数学建模中的重要工具之一，它可以让我们更好地理解和预测数据的趋势。

通过本次数学实验，我们深入了解了多项式插值方法的工作原理和实现过程，并成功地将其应用于房价预测问题中。

数学建模插值与拟合数据插值与拟合插值与插值函数：已知由(可能未知或⾮常复杂)产⽣的⼀批离散数据，且个互异插值节点，在插值区间内寻找⼀个相对简单的函数，使其满⾜下列插值条件：再利⽤已求得的计算任⼀⾮插值节点的近似值，这就是插值。

其中称为插值函数，称为被插函数。

最⼩⼆乘拟合：已知⼀批离散的数据，互不相同，寻求⼀个拟合函数，使与的误差平⽅和在最⼩⼆乘意义下最⼩。

在最⼩⼆乘意义下确定的称为最⼩⼆乘拟合函数。

1）Lagrange插值法a．待定系数法：假设插值多项式，利⽤待定系数法即可求得满⾜插值条件的插值函数。

关键在于确定待定系数。

b．利⽤基函数的构造⽅法⾸先构造个满⾜条件：的次插值基函数，再将其线性组合即可得如下的Lagrange插值多项式：其中c．Lagrange插值余项注：上述两种构造⽅法所得的Lagrange插值多项式是⼀样的，即满⾜插值条件的Lagrange插值多项式是唯⼀的。

2）分段线性插值作分段线性插值的⽬的在于克服Lagrange插值⽅法可能发⽣的不收敛性缺点。

所谓分段线性插值就是利⽤每两个相邻插值节点作线性插值，即可得如下分段线性插值函数：其中特点：插值函数序列具有⼀致收敛性，克服了⾼次Lagrange插值⽅法的缺点，故可通过增加插值节点的⽅法提⾼其插值精度。

但存在于节点处不光滑、插值精度低的缺点。

3）三次样条插值三次样条插值的⽬的在于克服Lagrange插值的不收敛性和提⾼分段线性插值函数在节点处的光滑性。

所谓三次样条插值⽅法就是在满⾜下列条件：a．b．在每个⼦区间上是三次多项式的三次样条函数中寻找满⾜如下插值条件：以及形如等边界条件的插值函数的⽅法。

特点：三次样条插值函数序列⼀致收敛于被插函数，因此可通过增加节点的⽅法提⾼插值的精度。

4）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;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six(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2⼆元函数插值：MATLAB中⽤函数interp2来拟合⼆维⽹格（X，Y）上的数据Z，语法是YI = INTERP2(X,Y, Z，XI, YI，⽅法)其中（X，Y，Z）是已给的数据点，（XI，YI）是插值点坐标，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⾯⽐较平滑例：[x,y]=meshgrid(-3:.6:3,-2:.4:2);z=(x.^2-2*x).*exp(-x.^2-y.^2-x..*y);[x1,y1]=meshgrid(-3:.2:3,-2:.2:2);%⽣成⽹格，x1和y1均为同样size的矩阵z1=interp2(x,y,z,x1,y1,’spline’); %z1是矩阵，size 和x1，y1相同surf(x1,y1,z1);axis([-3,3,-2,2,-0.7,1.5]);-33如果数据不是在⽹格上取的，则可⽤函数griddata 来解决语法是YI = griddata(X,Y, Z ，XI, YI ，‘v4’)其中（X ， Y ，Z ）是已给的数据点，（XI ，YI ）是插值点坐标，其中除了⽅法‘v4’外还有 'linear' -线性插值，默认 'cublc' -逐段三次Hermite 插值 'nearest' 其中‘v4’⽅法⽐较好例x=-3+6*rand(200,1); %⽣成随机点的x坐标向量xy=-2+4*rand(200,1); %⽣成随机点的y坐标向量yz=(x.^2-2*x).*exp(-x.^2-y.^2-x.*y); % 上述点的样本值向量z[x1,y1]=meshgrid(-3:.2:3,-2:.2:2); %⽣成⽹格，x1和y1均为同样size的矩阵z1=griddata(x,y,z,x1,y1,’v4’);surf(x1,y1,z1);axis([-3,3,-2,2,-0.7,1.5]);⽣成的图类似上图。

第十章 插值与拟合方法建模在生产实际中，常常要处理由实验或测量所得到的一批离散数据，插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。

插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。

相应的理论和算法是数值分析的内容，这里不作详细介绍，请参阅有关的书籍。

§1 数据插值方法及应用在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。

与此有关的一类问题是当原始数据),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。

1、分段线性插值这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。

如果b x x x a n =<<<= 10那么分段线性插值公式为n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11111 =≤<--+--=-----可以证明，当分点足够细时，分段线性插值是收敛的。

其缺点是不能形成一条光滑曲线。

例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。

根据地图的比例，18 mm 相当于40 km 。

根据测量数据，利用MA TLAB 软件对上下边界进行线性多项式插值，分别求出上边界函数)(2x f ，下边界函数)(1x f ，利用求平面图形面积的数值积分方法—将该面积近似分成若干个小长方形，分别求出这些长方形的面积后相加即为该面积的近似解。

数学建模中常用的十种算法在数学建模中，常用的算法有很多种。

以下是数学建模常用的十种算法：1.线性回归算法：线性回归是一种用于建立变量之间线性关系的统计算法。

它通过最小化预测值与实际值之间的均方误差来确定最佳拟合直线。

2.非线性回归算法：非线性回归是一种用于建立变量之间非线性关系的统计算法。

它通过最小化预测值与实际值之间的均方误差来确定最佳拟合曲线。

3.最小二乘法算法：最小二乘法是一种用于估计模型参数的优化算法。

它通过最小化观测值与预测值之间的平方差来确定最佳参数值。

4.插值算法：插值是一种用于根据已知数据点推断未知数据点的技术。

其中常用的算法包括线性插值、拉格朗日插值和样条插值。

5.数值积分算法：数值积分是一种用于计算函数的定积分的技术。

其中常用的算法包括梯形法则、辛普森法则和龙贝格积分。

6.数值优化算法：数值优化是一种用于求解最优化问题的技术。

其中常用的算法包括梯度下降法、牛顿法和拟牛顿法。

7.图形算法：图形算法是一种用于处理图像和图形数据的技术。

其中常用的算法包括图像滤波、图像分割和图像识别。

8.聚类算法：聚类是一种用于将数据集分组为不同类别的技术。

其中常用的算法包括K均值聚类、层次聚类和DBSCAN。

9.分类算法：分类是一种用于将数据分为不同类别的技术。

其中常用的算法包括支持向量机、决策树和随机森林。

10.贝叶斯算法：贝叶斯算法是一种用于计算后验概率的统计推断方法。

其中常用的算法包括贝叶斯分类、朴素贝叶斯和马尔科夫链蒙特卡洛。

以上是数学建模中常用的十种算法，它们在不同的应用领域和问题中具有广泛的应用价值，并且常常可以相互结合以获得更好的建模结果。

数学建模插值算法插值算法是数学建模中一种常用的技术，用于在已知数据点处的估计和未知数据点之间的预测。

插值算法可以帮助我们充分利用已知数据点的信息，获得更完整和连续的数据。

在数学建模中，插值算法有多种方法可选，常见的包括拉格朗日插值、牛顿插值、样条插值等。

拉格朗日插值是最常见和简单的插值方法之一、它的基本思想是通过构造一个n次多项式来近似通过已知数据点的曲线。

具体地说，我们可以根据已知数据点的横纵坐标，构造出n个满足这些坐标的插值基函数。

然后，将这些插值基函数分别与相应基函数在未知数据点处取值的乘积相加，得到插值多项式。

最后，利用这个多项式来估计未知数据点的纵坐标。

牛顿插值是另一种常用的插值方法。

它的基本思想是使用差商的概念来创建一个n次多项式。

差商是一个递归定义的概念，其基本思想是通过逐步添加一个已知数据点来计算多项式的高次项系数。

具体地说，我们可以根据已知数据点的横纵坐标，构造出n个差商。

然后，将这些差商与相应基函数在未知数据点处取值的乘积相加，得到插值多项式。

最后，利用这个多项式来估计未知数据点的纵坐标。

样条插值是一种更加复杂但更精确的插值方法。

它的基本思想是通过构造一组n次多项式的集合，使得每个多项式在相应数据点处完全符合已知数据。

具体地说，我们可以根据已知数据点的横纵坐标，构造出n个多项式，并设置它们在数据点处的约束条件。

然后，通过求解一个线性方程组来计算每个多项式的系数。

最后，利用这组多项式来估计未知数据点的纵坐标。

以上是数学建模中常用的几种插值算法，它们各有优缺点，在不同情景下有着不同的适用性。

插值算法在实际应用中具有广泛的用途，例如地图绘制、图像处理、信号处理等领域。

在进行插值计算时，要根据实际情况选择适当的算法，并合理处理计算误差，以提高插值结果的准确性和稳定性。

插值和数据拟合一、 插值方法问题：已知n+1个节点(x j ,y j )(j=0,1,…,n)，a=x 0<x 1<…< x n =b ，求任一插值点x*处的插值y*方法：构造一个相对简单的函数y=f(x)，使得f 通过所有节点，即f(x j )= y j ,再用y=f(x)计算x*的值。

1. 拉格朗日多项式插值设f(x)是n 次多项式，记作1110()n n n n n L x a x a x a x a --=++++要求对于节点(,)j j x y 有(),0,1,,n j j L x y j n ==将n+1个条件带入多项式，就可以解出多项式的n+1个系数。

实际上，我们有n 次多项式011011()()()()()()()()()i i n i i i i i i i n x x x x x x x x l x x x x x x x x x -+-+----=----满足1,()0,,,0,1,,i j i jl x i j i j n =⎧=⎨≠=⎩则0()()nn i i i L x y l x ==∑就是所要的n 次多项式，称为拉格朗日多项式。

由拉格朗日多项式计算的插值称为拉格朗日插值。

一般来讲，并不是多项式的阶数越高就越精确，一般采用三阶、二阶或一阶（线性）多项式，对相邻点进行分段插值。

2. 样条插值在分段插值时，会造成分段点处不光滑，如果要求在分段点处光滑，即不仅函数值相同，还要一阶导数和二阶导数相同，则构成三阶样条插值。

一般用于曲线绘制，数据估计等。

例 对21,[5,5](1)y x x =∈-+，用n=11个等分节点做插值运算，用m=21个等分插值点作图比较结果。

见inter.m 程序二、 曲线拟合 三、 给药方案 １． 问题一种新药用于临床必须设计给药方案，在快速静脉注射的给药方式下，就是要确定每次注射剂量多大，间隔时间多长．我们考虑最简单的一室模型，即整个机体看作一个房室，称为中心室，室内血液浓度是均匀的．注射后浓度上升，然后逐渐下降，要求有一个最小浓度1c 和一个最大浓度2c ．设计给药浓度时，要使血药浓度保持在1c ~2c 之间．２． 假设（１）药物排向体外的速度与中心室的血药浓度成正比，比例系数是k(>0)，称为排出速度．（２）中心室血液容积为常数V ，t=0的瞬间注入药物的剂量为d ，血药浓度立即为dV． ３． 建模设中心室血药浓度为c(t)，满足微分方程(0)dckc dtd c V=-=用分离变量法解微分方程，有()ktd c te V-=(*) ４． 方案设计每隔一段时间τ，重复注入固定剂量D ，使血药浓度c(t)呈周期变化，并保持在1c ~2c 之间．如图：设初次剂量加大到D 0，易知0221,D Vc D Vc Vc ==-，2121()11ln[],()()ln c Vc t t t c t c k d k c τ=-=-= 那么，当12,c c 确定后，要确定给药方案0{,,}D D τ，就要知道参数V 和k ．５． 由实验数据做曲线拟合确定参数值已知1210,25(/)c c g ml μ==，一次注入300mg 药物后，间隔一定ln lndc kt V=- 记12ln ,,lndy c a k a V==-=，则有 12y a t a =+求解过程见medicine_1.m得120.2347, 2.9943a a =-=，由d=300(mg)代入算出k=0.2347,V=15.02(L) 从而有0375.5(),225.3(), 3.9()D mg D mg τ===小时四、 口服给药方案 １． 问题口服给药相当于先有一个将药物从肠胃吸收入血液的过程，可简化为一个吸收室，一个中心室，记t 时刻，中心室和吸收室的血液浓度分别是1()()c t c t 和，容积分别是V ,V1，中心室的排除速度为k ，吸收速度为k1，且k,k1分别是中心室和吸收室血液浓度变化率与浓度的比例系数，t=0口服药物的剂量为d ，则有11111,(0)dc dk c c dt V =-= (1) 111,(0)0V dckc k c c dt V=-+= (2) 解方程(1)有111()k td c te V -=代入方程(2)有111()()k t kt k d c t e e V k k--=--其中三个参数1,,dk k b V=,可由下列数据拟合得到：（非线性拟合）。

插值和拟合实验目的：了解数值分析建模的方法，掌握用Matlab进行曲线拟合的方法，理解用插值法建模的思想，运用Matlab一些命令及编程实现插值建模。

实验要求：理解曲线拟合和插值方法的思想，熟悉Matlab相关的命令，完成相应的练习，并将操作过程、程序及结果记录下来。

实验内容：一、插值1．插值的基本思想·已知有n +1个节点（xj,yj），j = 0,1,…, n，其中xj互不相同，节点(xj, yj)可看成由某个函数y= f （x）产生；·构造一个相对简单的函数y=P(x)；·使P通过全部节点，即P (xk) = yk，k=0,1,…, n ；·用P (x)作为函数f ( x )的近似。

2．用MA TLAB作一维插值计算yi=interp1(x，y，xi，'method')注：yi—xi处的插值结果；x，y—插值节点；xi—被插值点；method—插值方法（‘nearest’：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：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。

练习1：机床加工问题每一刀只能沿x方向和y方向走非常小的一步。

表3-1给出了下轮廓线上的部分数据但工艺要求铣床沿x方向每次只能移动0.1单位.这时需求出当x坐标每改变0.1单位时的y坐标。

试完成加工所需的数据，画出曲线.步骤1：用x0，y0两向量表示插值节点；步骤2：被插值点x=0:0.1:15; y=y=interp1(x0,y0,x,'spline');步骤3：plot(x0,y0,'k+',x,y,'r')grid on答：x0=[0 3 5 7 9 11 12 13 14 15 ];y0=[0 1.2 1.7 2.0 2.1 2.0 1.8 1.2 1.0 1.6 ];x=0:0.1:15;y=interp1(x0,y0,x,'spline');plot(x0,y0,'k+',x,y,'r')grid on3．用MA TLAB作网格节点数据的插值(二维) z=inte rp2(x0,y0,z0,x,y,’method’)注：z—被插点值的函数值；x0，y0，z0—插值节点；x，y—被插值点；method—插值方法（‘nearest’：最邻近插值；‘linear’：双线性插值；‘cubic’：双三次插值；缺省时：双线性插值）。