5. 数据分析与多项式计算

A 数据统计分析

A.a 求最大值与最小元素

例子：

x = [-43,72,9,16,23,47];
y = max(x)
[y,k] = max(x)

（3）中的[]不可省略

例子：

A = [13,-56,78;25,63,-235;78,25,563;1,0,-1];
max(A)
max(A,[],2)
max(max(A))

A.b 求平均值和中值

mean()      % 求算术平均值
median（）  % 求中值 

x = [1200,800,1500,1000,5000];
mean(x)
median(x)

A.c 求和与求积

sum()    % 求和
prod（） % 求积

A.d 累加和与累乘积

x = [1,2,3,4,5,6,7,8,9,10]
y1 = prod(x)
y2 = cumprod(x)

A.e 求标准差与相关系数

x = randn(50000,4);
y1 = std(x,0,1)
y2 = std(x,1,1)
x1 = x';
y3 = std(x1,0,2)
y4 = std(x1,1,2)

---

A.f 排序

例子：

A = [1,-8,5;4,12,6;13,7,-13];
sort(A)
sort(A,2,'descend')
[X,I] = sort(A)

B 多项式计算

B.a 多项式的表示

---

B.b 多项式的四则运算

例子：

f = [3,-5,0,-7,5,6];g = [3,5,-3];g1 = [0,0,0,g];f + g1f- g1conv(f,g)

---

B.c 多项式的求导(polyder)

例子：

a = [3,1,0,-6];b = [1,2];polyder(a)c = polyder(a,b)[p,q] = polyder(a,b)

B.d 多项式积分(polyint)

q = polyint(p,k) 使用积分常量 k 返回 p 中系数所表示的多项式积分。
示例：计算定积分

B.e 多项式的求值(polyval;polyvalm)

a = [1,8,0,0,-10];x = [-1,1.2;2,-1.8];y1 = polyval(a,x)y2 = polyvalm(a,x)

B.f 多项式的求根(roots;poly)

a = [1,8,0,0,-10];x = roots(a)p = ploy(x)

p = [-38.89,126.11,-3.42];q = polyder(p);r = roots(q);y = polyval(p,r);x = 0:0.1:2;plot(x,polyval(p,x),r,y,'rp')

C 数据插值(interp)

C.a 引例-零件加工问题

x = [0,3,5,7,9,11,12,13,14,15];y = [0,1.2,1.7,2.0,2.1,2.0,1.8,1.2,1.0,1.6];x1 = 0:0.5:15;y1 =interp1(x,y,x1,'spline');plot(x1,y1)

C.b 数据插值的计算机制

C.c 数据插值的实现方法

引例用四种方法插值：

C.d 应用案例1-粮储仓的通风控制问题

在某粮情自动测控系统中，根据粮温、粮湿计算平衡点湿度，与大气湿度进行比较，再根据通风模拟情况决定是否自动进行通风。已测得平衡点湿度与粮温、粮湿关系的部分数据如下表，请推算相应范围内温度每变化1度、湿度每变化1个点的平衡点湿度。

平衡点湿度与粮温、粮湿度关系表

（第一列：粮温，第一行：粮湿，其余：平衡点湿度）

粮温\粮湿	20	30	40	50	60	70	80	90
0	8.9	10.32	11.3	12.5	13.9	15.3	17.8	21.3
5	8.7	10.8	11	12.1	13.2	14.8	16.55	20.8
10	8.3	9.65	10.88	12	13.2	14.6	16.4	20.5
15	8.1	9.4	10.7	11.9	13.1	14.5	16.2	20.3
20	8.1	9.2	10.8	12	13.2	14.8	16.9	20.9

x=20:10:90;y=(0:5:20)';z=[8.9,10.32,11.3,12.5,13.9,15.3,17.8,21.3;8.7,10.8,11,12.1,13.2,14.8,16.55,20.8;8.3,9.65,10.88,12,13.2,14.6,16.4,20.5;8.1,9.4,10.7,11.9,13.1,14.5,16.2,20.3;8.1,9.2,10.8,12,13.2,14.8,16.9,20.9];xi=20:90;yi=(0:20)';zi=interp2(x,y,z,xi,yi,'spline');surf(xi,yi,zi)1234567

C.e 应用案例2-机动车刹车距离问题

在车辆行驶中，从驾驶员看到障碍物开始，到作出判断而采取制动措施停车所需的最短距离叫停车视距。停车视距由三部分组成：一是驾驶员反应时间内行驶的距离（即反应距离）；二是开始制动到车辆完全停止所行驶的距离（即制动距离）；三是车辆停止时与障碍物应该保持的安全距离。其中，制动距离主要与行驶速度和路面类型有关。根据测试，某型车辆在潮湿天气于沥青路面行驶时，其行车速度（单位：km/h）与制动距离（单位：m）的关系如下表所示。

速度	20	30	40	50	60	70	80	90	100	110	120	130	140	150
制动距离	3.15	7.08	12.59	19.68	28.34	38.57	50.4	63.75	78.71	95.22	113.29	132.93	154.12	176.87

假设驾驶员的反应时间为10s，安全距离为10m。请问：
①根据某驾驶员的实际视力和视觉习惯，其驾驶时的有效视距为120m，则其在该路面行车时，时速最高不能超过多少（结果取整）？
②若以表中数据为参考，设计一条最高时速为125km/h的高速公路，则设计人员应该保证驾驶者在公路上任一点的可视距离为多少米？
设速度为v vv，停车视距为d dd，反应距离为d 1 d_1d1​，制动距离为d 2 d_2d2​，安全距离为d 3 d_3d3​，反应时间为a s a_sa**s​，则
d = d 1 + d 2 + d 3 d=d_1+d_2+d_3d=d1​+d2​+d3​其中，d 1 = a s v d_1=a_svd1​=a**s​v，d 2 d_2d2​为v的函数，d 3 d_3d3​已知。
第一问：根据某驾驶员的实际视力和视觉习惯，其驾驶时的有效视距为120m，则其在该路面行车时，时速最高不能超过多少（结果取整）？
已知反应时间为10s，安全距离为10m，可采用解方程方法：
10 v + d 2 + 10 = 120 10v+d_2+10=12010v+d2​+10=120存在的问题是，d 2 d_2d2​是v vv的函数，但是函数关系未知，方程不可解。
下面考虑数据插值方法，以表格中的数据为样本，进行数据插值，计算出与120m的停车视距所对应的速度指标。
编程思路：
第一步：建立速度和停车视距向量。
第二步：以1为单位，对采样区间内所有速度进行插值，计算出相应的停车视距。
第三步：求出停车视距120所对应的速度。
第四步：绘图展示。
如何根据停车视距120找到对应的速度？
第一步：令代表停车视距的向量di减去120，再取绝对值，得到一个新的向量x。
第二步：将x按升序排列，并记录最小元素的序号，该序号即为停车视距120所对应的速度数据在向量vi中的序号。
第三步：根据序号取得速度数据。

v=20:10:150;vs=v.*(1000/3600);d1=10.*vs;d2=[3.15,7.08,12.59,19.68,28.34,38.57,50.4,63.75,78.71,95.22,113.29,132.93,154.12,176.87];d3=10;d=d1+d2+d3;vi=20:1:150;di=interp1(v,d,vi,'spline');x=abs(di-120);[y,i]=sort(x);vi(i(1))plot(vi,di,vi(i(1)),di(i(1)),'rp')123456789101112

停车视距的增长随着车速增加呈非线性增长。速度越快，要求视线越远。
第二问：设计一条最高时速为125km/h的高速公路，则设计人员应该保证驾驶者在公路上任一点的可视距离为多少米？

>>j=find(vi==125);>>di(j)>>ans= 480.14>>plot(vi,di,125,480.14,'rp')12345

C.f 应用案例3-沙盘制作问题

某地面部队分成红蓝两方在指定的陌生区域（平面区域[0，2000]*[0，2000]内，单位：m）进行作战演习。在演习过程中，红方侦查单位已经测得一些地点的高程如下表所示。

y/x	0	200	400	600	800	1000	1200	1400	1600	1800
0	2000	2000	2001	1992	1954	1938	1972	1995	1999	1999
200	2000	2002	2006	1908	1533	1381	1728	1959	1998	2000
400	2000	2005	2043	1921	977	897	1310	1930	2003	2000
600	1997	1978	2009	2463	2374	1445	1931	2209	2050	2003
800	1992	1892	1566	1971	2768	2111	2653	2610	2121	2007
1000	1991	1875	1511	1556	2221	1986	2660	2601	2119	2007
1200	1996	1950	1797	2057	2849	2798	2608	2303	2052	2003
1400	1999	1999	2079	2685	3390	3384	2781	2165	2016	2000
1600	2000	2002	2043	2271	2668	2668	2277	2049	2003	2000
1800	2000	2000	2004	2027	2067	2067	2027	2004	2000	2000

①根据表中数据，制作军事沙盘。
②在演习范围内，占领最大高地的一方将获得居高临下的优势。请问红方应第一时间抢占哪块区域。
解题思路：
第一问：用二维插值估算数据，以方便制作军事沙盘。
第二问：在插值的基础上，绘制等高线图，找到最大高地。

x=0:200:1800;y=x';z=[2000,2000,2001,1992,1954,1938,1972,1995,1999,1999;2000,2002,2006,1908,1533,1381,1728,1959,1998,2000;2000,2005,2043,1921,977,897,1310,1930,2003,2000;1997,1978,2009,2463,2374,1445,1931,2209,2050,2003;1992,1892,1566,1971,2768,2111,2653,2610,2121,2007;1991,1875,1511,1556,2221,1986,2660,2601,2119,2007;1996,1950,1797,2057,2849,2798,2608,2303,2052,2003;1999,1999,2079,2685,3390,3384,2781,2165,2016,2000;2000,2002,2043,2271,2668,2668,2277,2049,2003,2000;2000,2000,2004,2027,2067,2067,2027,2004,2000,2000];surf(x,y,z);x1=0:100:1800;y1=x1';z1=interp2(x,y,z,x1,y1,'spline');surf(x1,y1,z1);x2=0:50:1800;y2=x2';z2=interp2(x1,y1,z1,x2,y2,'spline');surf(x2,y2,z2);contour(x2,y2,z2,12)12345678910111213141516171819202122

从图中可以看出最大高地的位置。

D 曲线拟合(plotfit)

插值要求逼近函数在采样点的数值与原函数相等，然而在实验中，测量的数据不一定准确，如果强求逼近函数过样本点，显然是不合理的。使用曲线拟合可以避免这种情况。

D.a 引例-人口预测问题

x = 1790:10:2010;y = [3.9,5.3,7.2,9.6,12.9,17.1,23.2,31.4,38.6,50.2,63,76,92,105.7,122.8,131.7,150.7,179.3,203.2,226.5,248.7,281.4,308.7];plot(x,y,'*');%生成多项式 拟合曲线p = polyfit(x,y,3);%计算在2020处的值polyval(p,2020)%画两个图plot(x,y,'*',x,polyval(p,x))

D.b 曲线拟合的原理

---

D.c 曲线拟合的实现方法

---

股票预测

x = [2,3,4,5,8,9,10,11,12,15,16,17,18,19,22,23,24,25,26,29,30];y = [7.74,7.84,7.82,7.78,7.91,7.97,7.9,7.76,7.9,8.04,8.06,8.11,8.08,8.13,8.03,8.01,8.06,8.0,8.3,8.41,8.28];plot(x,y,'*')p = polyfit(x,y,3);plot(x,y,'*',x,polyval(p,x))%时间太长 选一部分x1 = [31,32,33];%替代xi = [x,x1];plot(x,y,'*',xi,polyval(p,xi));y1 = [8.27,8.17,9.54];%原来的  推测出来的 真实的plot(x,y,'*',xi,polyval(p,xi),x1,y1,'rp')

D.d 算法参数优化问题

多样性和收敛性的交点

x = 0.03:0.03:0.3;y1 = [0.01,0.01,0.02,0.03,0.06,0.07,0.13,0.17,0.25,0.37];y2 = [0.85,0.76,0.68,0.62,0.56,0.52,0.49,0.46,0.43,0.39];plot(x,y1,'*',x,y2,'o')p1 = polyfit(x,y1,2);p2 = polyfit(x,y2,2);p = p1-p2;xi = roots(p);xj = 0:0.03:0.36;yj1 = polyval(p1,xj);yj2 = polyval(p2,xj);%第一个根为负数 选第二个yi = polyval(p1,xi(2))plot(x,y1,'*',x,y2,'o',xj,yj1,xj,yj2,xi(2),yi,'rp')

D.e 实际应用-家庭储蓄规律问题

以下是某市家庭收入x与家庭储蓄y之间的一组调查数据（单位：万元），试建立x与y的线性函数经验公式。

x	0.6	1.0	1.4	1.8	2.2	2.6	3.0	3.4	3.8	4
y	0.08	0.22	0.31	0.4	0.48	0.56	0.67	0.75	0.8	1.0

x=[0.6,1.0,1.4,1.8,2.2,2.6,3.0,3.4,3.8,4];y=[0.08,0.22,0.31,0.4,0.48,0.56,0.67,0.75,0.8,1.0];p=polyfit(x,y,1)plot(x,y,'*',x,polyval(p,x))p=0.2390-0.0418  %经验公式：y=0.239x-0.0418123456

F 数据插值与曲线拟合的比较

功能

• 估算数据
• 预测趋势
• 总结规律

相同点

• 都属于函数逼近的方法；
• 都可以通过离散有限的数据估算其他数据。

不同点

• 实现方法上，数据插值要求逼近函数经过样本点，而曲线拟合只需要每个数据点的误差平方和最小；
• 结果形式上，数据插值往往没有统一的逼近函数，而数据拟合有统一的逼近函数；
• 侧重点上，数据插值一般用于样本点区间内的数据计算，而曲线拟合不光可以估算区间内的数据，也可以对区间外的进行预测；
• 应用场合上，如果样本点为精确数据，使用数据插值比较好，如果数据为统计数据，则使用曲线拟合更优。