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')