利用Python进行一维插值处理

总有一天你会出现在我的身边

于 2024-08-22 21:41:00 发布

阅读量629

点赞数 19

文章标签： python 机器学习人工智能

本文链接：https://blog.csdn.net/2201_76133789/article/details/141438416

版权

今天给大家介绍几种插值方法：线性插值分段多项式插值，线性插值、多项式插值、样条插值、拉格朗日插值、牛顿插值、，并提供Python实现案例。

一维插值是指给定若干离散数据点，通过构造一个函数或多项式，使得这个函数在这些已知点上与数据完全吻合，并且在未知点上能够进行推算。这是数值分析中常用的技术，广泛应用于数据拟合、信号处理、图像处理等领域。

下面介绍一些常见的一维插值方法：

1. 拉格朗日插值

拉格朗日插值是一种经典的多项式插值方法。给定 n+1n + 1n+1 个已知点 (x0,y0),(x1,y1),…,(xn,yn)(x_0, y_0), (x_1, y_1), \dots, (x_n, y_n)(x0,y0),(x1,y1),…,(xn,yn)，拉格朗日插值多项式 P(x)P(x)P(x) 是唯一的，并且通过每个已知点。

拉格朗日插值多项式的形式为：

$p=\sum_{i=0}^{n}yi*Li(x)$

其中，基函数 Li(x)L_i(x)Li(x) 为：

Li(x)=∏j=0j≠inx−xjxi−xjL_i(x) = \prod_{\substack{j=0 \\ j \neq i}}^{n} \frac{x - x_j}{x_i - x_j}Li(x)=j=0j=i∏nxi−xjx−xj

这个多项式会在已知的插值点上精确地通过，并能够对其他位置进行插值计算。

优点：计算简单，适合较少的已知点。
缺点：对于较多的插值点，计算复杂度较高，可能产生震荡现象（Runge现象）。

2. 牛顿插值

牛顿插值也是一种多项式插值方法，区别在于其通过递推形式构造插值多项式。牛顿插值的优点在于，当新增数据点时，可以直接更新多项式而不必重新计算整个多项式。

牛顿插值多项式的形式为：

P(x)=a0+a1(x−x0)+a2(x−x0)(x−x1)+⋯+an(x−x0)(x−x1)…(x−xn−1)P(x) = a_0 + a_1(x - x_0) + a_2(x - x_0)(x - x_1) + \dots + a_n(x - x_0)(x - x_1)\dots(x - x_{n-1})P(x)=a0+a1(x−x0)+a2(x−x0)(x−x1)+⋯+an(x−x0)(x−x1)…(x−xn−1)

其中，系数 aia_iai 是通过已知数据点计算得到的“差商”。

优点：计算递推形式简单，增加数据点时可以增量计算。
缺点：如果数据点分布不均匀，可能产生数值不稳定的问题。

3. 样条插值

样条插值是一种分段插值方法。与多项式插值不同，样条插值通过拼接多个低次多项式来构造一个光滑的插值函数，尤其适合处理大量数据点且避免高次多项式产生的震荡问题。

最常用的是三次样条插值，即在每两个已知点之间构造一个三次多项式，同时保证多项式在拼接点处的连续性及其一阶和二阶导数的连续性。

样条插值的优点是：

光滑性好，尤其是三次样条，常常被用来生成平滑曲线。
避免了高次多项式插值可能产生的数值不稳定性和震荡问题。

4. 线性插值

线性插值是最简单的插值方法之一，它在每两个相邻的已知点之间使用一条直线来进行插值。

线性插值公式如下：对于两个点 (x0,y0)(x_0, y_0)(x0,y0) 和 (x1,y1)(x_1, y_1)(x1,y1)，当 xxx 在区间 [x0,x1][x_0, x_1][x0,x1] 内时，插值函数为：

f(x)=y0+y1−y0x1−x0(x−x0)f(x) = y_0 + \frac{y_1 - y_0}{x_1 - x_0}(x - x_0)f(x)=y0+x1−x0y1−y0(x−x0)

优点：简单，计算速度快。
缺点：插值结果不光滑，特别是在数据点间会产生折线。

5. 最近邻插值

最近邻插值是一种非常简单的方法，用来对给定点附近的值进行估计。具体做法是在已知数据点中选择与待插值点最接近的点，并直接使用该点的函数值作为插值结果。

优点：计算非常简单，适合快速估算。
缺点：不连续，插值结果不光滑，通常用于图像处理中的像素插值。

6. 分段多项式插值

分段多项式插值是介于拉格朗日插值和样条插值之间的一种方法。它在每两个相邻的数据点之间构造一个低次多项式（通常是二次或三次多项式），并在每个区间内独立拟合数据。

分段多项式插值适合处理在局部区域具有较强非线性行为的数据。

7.案例

代码如下：

import numpy as np
import pylab as plt

x0 = np.arange(1, 7); y0 = np.array([16, 18, 21, 17, 15, 12])
A = np.vander(x0)
p = np.linalg.inv(A) @ y0  #求插值多项式的系数
print('从高次幂到低次幂的系数为：', np.round(p,4))
yh = np.polyval(p, [1.5, 2.6])  #计算函数值
print('预测值为：', np.round(yh,4))
plt.plot(x0, y0, 'o')  #画出已知数据点的散点
xt = np.linspace(1,  6,  100)
plt.plot(xt, np.polyval(p, xt))  #画插值曲线
plt.show()

x0 = np.arange(1, 7)：生成已知数据的横坐标，x0 是一个从 1 到 6 的整数数组，代表自变量的值。
y0 = np.array([16, 18, 21, 17, 15, 12])：已知数据的纵坐标，y0 是对应于 x0 的函数值（即 y0[i] 对应 x0[i] 的函数值）。

np.vander(x0)：生成范德蒙德矩阵（Vandermonde matrix）。范德蒙德矩阵是插值多项式的一种标准矩阵，它根据 x0 的值生成矩阵，每一行是对应 x0 的升幂的排列。
范德蒙德矩阵 A 的每一行的形式是 [x0[i]**(n-1), x0[i]**(n-2), ..., x0[i]**1, x0[i]**0]，其中 n 是 x0 的长度。

例如，对于 x0 = [1, 2, 3]，范德蒙德矩阵可能是：

[[1, 1, 1],
[8, 4, 2, 1],
[27, 9, 3, 1]]