【2024_CUMCM】插值算法（附代码）

Hole_up

已于 2024-07-12 17:11:30 修改

阅读量809

点赞数 11

分类专栏：数学建模 matlab 文章标签：数学建模 matlab 算法

于 2024-07-12 17:09:48 首次发布

本文链接：https://blog.csdn.net/2302_81240667/article/details/140379828

版权

数学建模同时被 2 个专栏收录

9 篇文章 0 订阅

订阅专栏

matlab

4 篇文章 0 订阅

订阅专栏

龙格现象(Runge phenomenon)

引言：在数模比赛中，常常会出现数据的分析时的数据不足或缺失，这时我们想要补数据，并且需要补上一些较为靠谱的数据，此时就需要用到插值法

一维插值问题

当我们有一些离散的点，想要插入任意插值点x*，此时我们可以通过构造函数，使得f(x)过所有节点，那由x*就可以求出y*。

插值法定义和分类

定义

这个一般定义想表达的就是我们刚刚说的一维插值问题

分类

插值多项式、分段插值都比较好理解

三角插值一般用到傅里叶变换，我想是傅里叶级数

一般插值多项式原理

证明多项式唯一，即要说明系数唯一。先构造方程组，然后写出系数矩阵，通过计算矩阵的行列式是否为0，判断是否有唯一解。

不难发现这是一个范德蒙德行列式，通过公式计算其行列式不等于0，方程组有唯一解。

范德蒙德行列式

范德蒙德行列式具有以下公式，可通过数学归纳法证明

证明：矩阵--范德蒙德行列式-CSDN博客

一些插值法

拉格朗日插值法

拉格朗日插值法可以找到一个拉格朗日多项式，其恰好在个观测的点取到y值

不难发现，代入之后，都只剩下了对应的y项

龙格现象(Runge phenomenon)

由图，拉格朗日插值会出现，n大时，尾部跳的很厉害。这就是龙格现象

也就是说，插值多项式的次数越高误差反而越大

分段线性插值

针对前面的龙格现象，提出了分段插值

分段二次插值

牛顿插值法

差商：f[ x0 , xk ] = f( xk ) - f( x0 ) / xk - x0

比较拉格朗日插值法与牛顿插值法

对于拉格朗日插值，当增加或减少一个插值点的计算，将需要重新计算相应的插值基函数，然后插值多项式的公式代入结果也会改变，大大增加了计算量，解题十分繁琐。

牛顿插值法的公式是另一种n次插值多项式的构造形式，然而它却克服了拉格朗日插值多项式的缺陷，它的一个显著优势就是每当增加一个插值节点，只要在原牛顿插值公式中增加一项就可形成高一次的插值公式。

但是，这两种插值方法还是避免不了龙格现象

埃尔米特(Hermite)插值法

要求很高，函数相等，导数相等

分段三次埃尔米特插值

% 分段三次埃尔米特插值
x = -pi:pi; y = sin(x); 
new_x = -pi:0.1:pi; % 以0.1为精度进行插值
p = pchip(x,y,new_x); % 内置函数
figure(1); % 在同一个脚本文件里面，要想画多个图，需要给每个图编号，否则只会显示最后一个图哦~
plot(x, y, 'o', new_x, p, 'r-')

补充：plot

plot是用来画图的

最简单的：plot(a,b) 表示画出以a为x轴，b为y轴的图像，如图1

plot(x, y, 'o', new_x, p, 'r-') 表示画出x与y的o图和 new_x与p的红（r）线图，如上图2

蓝o是原值，红线是插入值后连成的线

如果需要图例，加上legend('x-y','new_x-p','Location','SouthEast')，如下图

三次样条插值

为方便说明，我们之间将两者进行对比

x = -pi:pi; 
y = sin(x); 
new_x = -pi:0.1:pi;
p1 = pchip(x,y,new_x);   %分段三次埃尔米特插值
p2 = spline(x,y,new_x);  %三次样条插值
figure(2); % 需要注明figure，不然会覆盖
plot(x,y,'o',new_x,p1,'r-',new_x,p2,'b-')
legend('样本点','三次埃尔米特插值','三次样条插值','Location','SouthEast')

非常明显可以看出，三次样条插值的图像更加光滑

插值算法可用于短期预测

短期预测

例题：根据过去10年的中国人口数据，预测接下来三年的人口数据：

population=[133126,133770,134413,135069,135738,136427,137122,137866,138639, 139538];
year = 2009:2018;
p1 = pchip(year, population, 2019:2021)  %分段三次埃尔米特插值预测
p2 = spline(year, population, 2019:2021) %三次样条插值预测
figure(4);
plot(year, population,'o',2019:2021,p1,'r*-',2019:2021,p2,'bx-')
legend('样本点','三次埃尔米特插值预测','三次样条插值预测','Location','SouthEast')