插值与拟合模型（一）插值算法

1、一维插值问题

（1）拉格朗日插值和牛顿插值

牛顿插值法的计算过程具有继承性，但都存在龙格现象而且不能全面反映被插值函数的性态

（2）埃尔米特(Hermite)插值

原理：

也存在龙格现象，所以使用分段三次Hermite 插值多项式 (PCHIP)

（3）分段三次埃尔米特插值

p = pchip(x,y, new_x)

（4）三次样条插值

 

 p = spline (x,y, new_x)

2、n维数据的插值(了解)

p = interpn(x1,x2,...,xn, y, new_x1,new_x2,...,new_xn, method)

（1）x1,x2,...,xn是已知的样本点的横坐标

（2）y是已知的样本点的纵坐标坐标

（3）new_x1,new_x2,...,new_xn是要插入点的横坐标

（4）method是要插值的方法

‘linear’：线性插值（默认算法）

‘cubic’：三次插值

 ‘spline’：三次样条插值法 (最为精准)

‘nearest’：最邻近插值算法

（5）p = spline(x, y, new_x); 等价于 p = interpn (x, y, new_x, ’spline’);

3、线方式： ‐ 实线 :点线 ‐. 虚点线 ‐ ‐ 波折线

点方式： . 圆点 +加号 * 星号 x x形 o 小圆

颜色： y黄； r红； g绿； b蓝； w白； k黑； m紫； c青

4、一般需要配图展示，可做短期预测

5、代码

% 分段三次埃尔米特插值
x = -pi:pi; y = sin(x); 
new_x = -pi:0.1:pi;
p = pchip(x,y,new_x);
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
plot(x, y, 'o', new_x, p, 'r-')

% 三次样条插值和分段三次埃尔米特插值的对比
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);
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')   %图例，Location显示在东南方向

% n维数据的插值
x = -pi:pi; y = sin(x); 
new_x = -pi:0.1:pi;
p = interpn (x, y, new_x, 'spline');
% 等价于 p = spline(x, y, new_x);
figure(3);
plot(x, y, 'o', new_x, p, 'r-')

% 人口预测（注意：一般我们很少使用插值算法来预测数据，随着课程的深入，后面的章节会有更适合预测的算法供大家选择，例如灰色预测、拟合预测等）
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')