数学建模作业一

已于 2024-04-15 09:27:48 修改
阅读量253 收藏 3
点赞数 2
分类专栏： 数学建模 文章标签： matlab
于 2024-03-19 16:20:22 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_74919335/article/details/136843092
版权

已知一组观测数据，如表 5.17 所示

ALT

1. 试用插值方法绘制出 x ∈ [ − 2 , 4.9 ] x \in [-2,4.9] x∈[−2,4.9]区间内的曲线，并比较各种插值算法的优劣。

拉格朗日插值

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);
y = lagrange(x0, y0, x);

subplot(131), plot(x, y), title('拉格朗日插值');

分段线性插值

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);
y = interp1(x0, y0, x);

subplot(132), plot(x, y), title('分段线性插值');

三次样条插值

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);
y = interp1(x0, y0, x, 'spline');

subplot(133), plot(x, y), title('三次样条插值');

比较插值算法的优劣

拉格朗日插值分段线性插值三次样条插值
优点精度高，能完美拟合给定的数据点。易于实现，计算复杂度低。速度快，计算简单。在数据点范围内，线性插值准确。精度相对较高，能平滑地拟合数据点。满足指定边界条件。
缺点在数据点之外可能产生振荡。对于大量数据点，计算消耗大。精度低，可能出现不连续。在数据点之外，可能产生尖角。计算复杂度比拉格朗日插值高。对于不规则数据点，可能会产生过拟合。

alt

最近邻插值

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);
y1 = interp1(x0, y0, x, 'nearest');
y2 = interp1(x0, y0, x, 'next');
y3 = interp1(x0, y0, x, 'previous');

subplot(131), plot(x, y1), title('最近邻插值(nearest)'), hold on, subplot(132), plot(x, y2), title('最近邻插值(next)'), hold on, subplot(133), plot(x, y3), title('最近邻插值(previous)');

区别：它们在处理 x 值与 x0 中的元素完全相等时的行为略有不同。

**‘nearest’：**如果 x 中的元素与 x0 中的元素完全相等，则返回 y0 中对应于该相等元素的值。

‘next’: 与’nearest’相似，区别返回 y0 中对应于该相等元素的下一个元素的值。如果相等元素是 x0 中的最后一个元素，则返回 NaN。

‘previous’：与 ‘next’ 相似，但返回 y0 中对应于 x 中元素的前一个元素的值。如果相等元素是 x0 中的第一个元素，则返回 NaN。

alt

三次插值

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);
y1 = interp1(x0, y0, x, 'spline');
y2 = interp1(x0, y0, x, 'cubic');
y3 = interp1(x0, y0, x, 'makima');

subplot(131), plot(x, y1), title('spline'), hold on, subplot(132), plot(x, y2), title('cubic'), hold on, subplot(133), plot(x, y3), title('makima');

区别

它们之间的主要区别在于它们如何计算三次多项式系数以及它们产生的插值曲线的平滑度。

’spline‘：

使用三次样条函数来拟合数据点。样条函数是一种分段多项式函数，在每个数据点处都具有连续性，并且在连接点处具有连续的一阶和二阶导数。

通常会产生平滑的插值曲线，但可能会在数据点附近出现振荡。

’cubic‘：

使用三次多项式来拟合数据点，但不像样条函数那样强制执行连续性条件。

通常比 spline 方法产生更不平滑的曲线，但在数据点附近可能出现更少的振荡。

’makima‘：

一种改进的三次插值方法，它使用一种称为 “modified Akima interpolation” 的算法来计算三次多项式系数。

通常比 spline 和 cubic 方法产生更平滑的曲线，并且在数据点附近出现振荡的可能性更小。

alt

分段三次 Hermite 插值多项式

是一种形状保持插值方法，用于根据一组已知数据点创建平滑曲线。

PCHIP 的工作原理是将数据点分成多个段，并在每个段上使用三次 Hermite 多项式来拟合数据。Hermite 多项式是一种特殊的插值多项式，它不仅考虑数据点的值，还考虑数据点处的一阶导数（斜率）。

通过使用 Hermite 多项式，PCHIP 可以确保插值曲线在每个数据点处都具有连续性，并且在连接点处具有连续的一阶导数。这使得 PCHIP 能够产生比其他插值方法（例如线性插值或样条插值）更平滑的曲线。

此外，PCHIP 是一种形状保持插值方法，这意味着插值曲线不会超过数据点的范围。这使得 PCHIP 非常适合插值单调数据或有尖锐峰值或谷值的数据。

PCHIP 的优点：

  • 产生平滑的插值曲线。

  • 保持数据的形状。

  • 适用于单调数据或有尖锐峰值或谷值的数据。

PCHIP 的缺点：

  • 比其他插值方法（例如线性插值）计算量更大。

  • 可能无法准确地捕捉数据的某些特征，例如高频振荡。

    clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);
y = interp1(x0, y0, x, 'pchip');

subplot(111), plot(x, y), title('分段三次 Hermite 插值多项式');

    alt

    牛顿插值（Newton Interpolation）

    牛顿插值法使用一系列多项式来逼近目标函数。它从一个常数多项式开始，然后逐步添加更高阶的多项式项，直到达到所需的精度。每个多项式项都使用称为“差商”的系数进行加权，差商是根据已知数据点计算的。

    clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

f = polyfit(x0, y0, length(x0) - 1);

x = linspace(-2, 4.9, 100);
y = polyval(f, x);

subplot(111), plot(x, y), title('牛顿插值');

    alt

2. 试用最小二乘多项式拟合方法拟合表中数据，选择一个能较好拟合数据点的多项式的阶次，给出相应多项式的系数和剩余标准差。

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);

for i = 1 : 4
	s = ['poly', int2str(i)];
	[fx, st] = fit(x0, y0, s);
end;

alt

s = 'poly1'
fx = 线性模型 Poly1:
     fx(x) = p1*x + p2
     系数(置信边界为 0.95):
       p1 = -0.01794 (-0.02519, -0.0107)
       p2 = 0.1443 (0.1259, 0.1626)
st = 包含以下字段的 struct:
           sse: 0.0278
       rsquare: 0.5453
           dfe: 22
    adjrsquare: 0.5247
          rmse: 0.0355
          
s = 'poly2'
fx = 线性模型 Poly2:
     fx(x) = p1*x^2 + p2*x + p3
     系数(置信边界为 0.95):
       p1 = -0.008212 (-0.009703, -0.006721)
       p2 = 0.005869 (0.0007391, 0.011)
       p3 = 0.1624 (0.1547, 0.1701)
st = 包含以下字段的 struct:
           sse: 0.0038
       rsquare: 0.9373
           dfe: 21
    adjrsquare: 0.9313
          rmse: 0.0135

s = 'poly3'
fx = 线性模型 Poly3:
     fx(x) = p1*x^3 + p2*x^2 + p3*x + p4
     系数(置信边界为 95%):
       p1 = 0.001718 (0.001448, 0.001989)
       p2 = -0.01569 (-0.01696, -0.01441)
       p3 = 0.0034 (0.001669, 0.005131)
       p4 = 0.1765 (0.1731, 0.1798)

st = 包含以下字段的 struct:
           sse: 3.9219e-04
       rsquare: 0.9936
           dfe: 20
    adjrsquare: 0.9926
          rmse: 0.0044

s = 'poly4'
fx = 线性模型 Poly4:
     fx(x) = p1*x^4 + p2*x^3 + p3*x^2 + p4*x + p5
     系数(置信边界为 95%):
       p1 = 0.0002859 (0.0002124, 0.0003594)
       p2 = 6.035e-05 (-0.0003859, 0.0005066)
       p3 = -0.01523 (-0.01586, -0.0146)
       p4 = 0.009054 (0.007374, 0.01073)
       p5 = 0.1751 (0.1735, 0.1768)
st = 包含以下字段的 struct:
           sse: 8.7435e-05
       rsquare: 0.9986
           dfe: 19
    adjrsquare: 0.9983
          rmse: 0.0021

综上所述，四次多项式拟合能够较好拟合数据点，剩余标准差为0.0021，相应多项式的系数为：

p1 = 0.0002859 
p2 = 6.035e-05
p3 = -0.01523
p4 = 0.009054
p5 = 0.1751
偏最小二乘算法
clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

ncomp = 1;
[XL, YL, XS, YS, BETA, PCTVAR, MSE] = plsregress(x0, y0, ncomp);
yfit = [ones(size(x0, 1), 1) x0] * BETA;

subplot(111), plot(x0, y0, 'bo', x0, yfit, 'r-'), legend('原始数据', '拟合曲线'),title('偏最小二乘拟合');

alt

3. 若表中数据满足正态分布函数 f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 f(x) = \frac{1}{\sqrt{2\pi}\sigma}e^{\frac{-(x - \mu)^2}{2\sigma^2}} f(x)=2π ​σ1​e2σ2−(x−μ)2​，试用最小二乘非线性拟合方法求出分布参数 μ , σ \mu,\sigma μ,σ值，并利用所求参数值绘制拟合曲线，观察拟合效果。

clc, clear, close all;

x0 = [-2 : 0.3 : 4.9]';
y0 = [0.1029, 0.1174, 0.1316, 0.1448, 0.1566, 0.1662, 0.1733, 0.1775, 0.1785, 0.1764, 0.1711, 0.1630, 0.1526, 0.1402, 0.1266, 0.1122, 0.0977, 0.0835, 0.0702, 0.0588, 0.0479, 0.0373, 0.0291, 0.0224]';

x = linspace(-2, 4.9, 100);

ft = fittype('1/(sqrt(2 * pi) * s) * exp(-(x - mu) ^2/(2 * s ^2))');
[f, st] = fit(x0, y0, ft, 'StartPoint', rand(1,2));

subplot(122), plot(x, f(x)), title('拟合的正态分布密度函数')

alt

其中 μ = 0.3483 , σ = 2.2349 \mu = 0.3483,\sigma = 2.2349 μ=0.3483,σ=2.2349。

鷸鰥
关注
专栏目录
小白零基础学数学建模系列-Day1-数学建模入门介绍与案例实践
全栈川川
08-08 1622
数学建模入门介绍
数学建模国赛入门指南
起心动念皆是因，当下所受皆是果。
07-09 6145
数学模型（Mathematical Model）是一种模拟，是用数学符号、数学式子、程序、图形等对实际课题本质属性的抽象而又简洁的刻画，它或能解释某些客观现象，或能预 测未来的发展规律，或能为控制某一现象的发展提供某种意义下的最优策略或较好策略。数学模型一般并非现实问题的直接翻版，它的建立常常既需要人们对现实问题深入细微的观察和分析，又需要人们灵活巧妙地利用各种数学知识。这种应用知识从实际课题中抽象、提炼出数学模型的过程就称为数学建模（Mathematical Modeling）。
数学建模作业与学习笔记
LongXinKou的博客
04-10 1564
文章目录拟合插值题目1：海水深度问题微分方程模型 拟合插值 题目1：海水深度问题 首先想到，可以使用一般的二维插值方法interp2(X,Y,Z,x,y,‘method’)求解，但是该方法要求X,Y为递增向量。本题中给定的平面坐标为离散点，不能使用该方法求值。此时便可以尝试girddata处理不规则的数据向量。 %x y z初始数据（平面坐标与对应深度）向量化 x =[129 140 103.5 88 185.5 195 105 157.5 107.5 77 81 162 162 117.5]; y =[
数学建模反思
what_how_why2020的博客
09-15 700
2021年数学建模国赛反思
【数学建模】高温作业专用服装设计(2018A)隐式差分推导
weixin_72899100的博客
07-14 1357
数学建模2018A题隐式差分推导
数学建模作业二
bestkain的博客
05-08 2605
利用Lingo来求解一些线性规划问题。
清风数学建模排版
BDS的朝圣路
01-04 529
链接：https://pan.baidu.com/s/11QBw3zBFNicwQWvWCfW1Gg?pwd=epnz提取码：epnz。
数学建模-MatLab绘图作业
HYC591145022的博客
09-21 1087
刚学数学建模这门课，这篇文章是老师布置的作业，感觉对于代码能力的需求比较低，有些C语言基础就能应对，主要还是对于数学能力的要求更多一些，但是勤查官方文档的好习惯不能丢，有想法多查查文档总能有收获。
数学建模 书面大作业 存贮模型
Admire0v0的博客
03-23 1137
设生产速率为常数 k，销售速率为常数 r，k>r，在每个生产周期T内，开始的一段时间(为了建模方便，假设生产量和销售量的变化都是连续的，生产周期T可以不是整数。)只销售不生产，画出存贮量 q(t) 的图形。停止生产后，库存数逐渐减少，直至库存数变为0，此时一个周期结束。，以平均每天总费用最小为目标确定最优生产周期。所以，这段周期内的总费用为：总存储费用+生产准备费。对(4)式除以周期T，求平均每天的费用。，生产周期无限长，几乎无法产生贮存量。式子(6)即为我们要求的最佳生产周期。的速率增长，达到最大值。
数学建模作业1.pdf
10-02
综上所述，文档【数学建模作业1.pdf】的内容涉及到数学建模中使用微分方程进行模型建立和分析的相关知识点。由于内容的不完整性和可能的OCR识别错误，上述提到的概念和知识点可能并不完全准确，但它们为理解文档可能...
数学建模作业
01-02
数学建模作业 数学建模作业是将数学和物理知识结合，解决实际问题的过程。通过建立优化模型，探讨了在行走时每秒走几步做功最小的问题。该模型将人体重心升高所需势能与两腿运动所需动能之和作为人在单位时间内消耗...
奶制品的生产与销售模型数学建模作业
04-22
奶制品的生产与销售模型数学建模作业 本资源摘要信息将讨论奶制品的生产与销售模型数学建模作业，涵盖生产计划、销售计划、深加工技术等方面的内容。通过数学建模和线性规划模型，解决了该奶制品加工厂的生产和销售...
桂电数学建模作业答案.pdf
05-18
1. **矩阵输出**：在数学建模中，屏幕输出矩阵A与B是基本操作，可直接显示矩阵的元素值。 2. **矩阵转置**：矩阵A的转置A′，即将矩阵A的行变为列，列变为行。在给定文件中，矩阵A的转置为： \[ \begin{bmatrix} ...
数学建模算法与应用 第13章 数字图像处理
weidl001的博客
10-12 711
数字图像是由离散的像素组成的，每个像素通常表示为一个数值，代表其灰度级或颜色信息。数字图像处理的核心在于对这些像素值进行各种数学运算，从而达到增强图像质量、提取有用信息等目的。灰度图像：灰度图像是只有一个通道的图像，每个像素的值表示亮度，通常在0到255之间。彩色图像：彩色图像通常由三个通道组成（如RGB），每个通道表示不同的颜色分量。分辨率：图像的分辨率表示图像的清晰度，通常以像素数来衡量。第十三章介绍了数字图像处理的基本概念和常见方法，包括空域处理、频域处理、边缘检测和形态学操作等。
粒子扩展卡尔曼滤波PEKF的MATLAB源代码
2401_86544394的博客
10-12 94
粒子滤波PF与扩展卡尔曼滤波EKF结合，命名为PEKF，主要思想是：对状态量进行采样，并对其粒子进行EKF的求解，得到的粒子再经过加权平均得到估计的状态量。状态协方差、一步转移噪声协方差、观测协方差均遵循EKF。
一区大黄蜂！人工蜂群算法优化！ABC-CNN-LSTM-MATT多特征分类预测
最新发布
关注并私信文章链接，获取对应文章源码和数据，机器学习之心的博客。
10-12 434
一区大黄蜂！人工蜂群算法优化！ABC-CNN-LSTM-MATT多特征分类预测
基于方块编码的图像压缩matlab仿真,带GUI界面
MATLAB,verilog,python,opencv,tensorflow,caffe,C,C++
10-08 608
随着信息技术的飞速发展，图像数据在各个领域中的应用越来越广泛。然而，图像数据通常具有较大的数据量，这给存储、传输和处理带来了很大的挑战。为了解决这个问题，图像压缩技术应运而生。图像压缩的目的是在不损失图像质量的前提下，尽可能地减少图像数据的存储空间和传输带宽。方块编码是一种基于区域划分的图像压缩方法，它将图像划分为若干个大小相同的方块，然后对每个方块进行编码。方块编码具有简单、高效、易于实现等优点，在图像压缩领域得到了广泛的应用。（一）方块的划分。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

鷸鰥

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值