一、问题引入
对于给出如下的离散的数据点,现在想根据如下的数据点来推测x=5时的值,我们应该采用什么方法呢?
用于拟合样条函数的数据:
x f ( x)
3.02.5
4.51.0
7.02.5
9.00.5
我们知道在平面上两个点确定一条直线,三个点确定一条抛物线(假设曲线的类型是抛物线),那么现在有四个点,我们很自然的会想到,既然两个点确定一条直线,那么最简单的方法就是,两个点之间连一条线,两个点之间连一条线,最后得到的一种折线图如下:这样我们只要确定x=5时的直线,把自变量的值带进去,就显然会得到预测的函数值。但是,这种方法显然具有很明显的缺陷:曲线不够光滑,连接点处的斜率变化过大。可能会导致函数的一阶导数不连续。那么我们应该如何解决这个问题呢?
二次样条的原理
我们会想到既然直线不行,那么我们就用曲线来近似的代替和描述。最简单的曲线是二次函数,如果我们用二次函数:aX^2+bx+c来描述曲线,最后的结果可能会好一点,下图中一共有4个点,可以分成3个区间。每一个区间都需要一个二次函数来描述,一共需要9个未知数。下面的任务就是找出9个方程。
如下图所示:一共有x0,x1,x2,x3四个点,三个区间,每个区间上都有一个方程。
1>曲线方程在节点处的值必须相等,即函数在x1,x2两个点处的值必须符合两个方程,这里一共是4个方程:
a1*x1^2+b1*x1+c1=f(x1)
a2*x1^2+b2*x1+c2=f(x1)
a2*x2^2+b2*x2+c2=f(x2)
a3*x2^2+b3*x2+c3=f(x2)
2>第一个端点和最后一个端点必须过第一个和最后一个方程:这里一共是2个方程
3>节点处的一阶导数的值必须相等。这里为两个方程。
2*a1*x1+b1=2*a2*x1+b2
2*a2*x2+b2=2*a3*x2+b3
4>在这里假设第一个方程的二阶导数为0:这里为一个方程:
a1=0
上面是对应的9个方程,现在只要把九个方程联立求解,最后就可以实现预测x=5处节点的值。
下面是写成矩阵的形式,由于a1=0,所以未知数的个数少了一个。
下面是二次样条的python实现,最后将结果绘制在图上。
1 importnumpy as np2 importmatplotlib.pyplot as plt3 from pylab importmpl4 """
5 三次样条实现:6 函数x的自变量为:3, 4.5, 7, 97 因变量为:2.5, 1 2.5, 0.58 """
9 x = [3, 4.5, 7, 9]10 y = [2.5, 1, 2.5, 0.5]11
12
13 """
14 功能:完后对三次样条函数求解方程参数的输入15 参数:要进行三次样条曲线计算的自变量16 返回值:方程的参数17 """
18 defcalculateEquationParameters(x):19 #parameter为二维数组,用来存放参数,sizeOfInterval是用来存放区间的个数
20 parameter =[]21 sizeOfInterval=len(x)-1;22 i = 1
23 #首先输入方程两边相邻节点处函数值相等的方程为2n-2个方程
24 while i < len(x)-1:25 data = init(sizeOfInterval*4)26 data[(i-1)*4] = x[i]*x[i]*x[i]27 data[(i-1)*4+1] = x[i]*x[i]28 data[(i-1)*4+2] =x[i]29 data[(i-1)*4+3] = 1
30 data1 =init(sizeOfInterval*4)31 data1[i*4] =x[i]*x[i]*x[i]32 data1[i*4+1] =x[i]*x[i]33 data1[i*4+2] =x[i]34 data1[i*4+3] = 1
35 temp = data[2:]36 parameter.append(temp)37 temp = data1[2:]38 parameter.append(temp)39 i += 1
40 #输入端点处的函数值。为两个方程, 加上前面的2n - 2个方程,一共2n个方程
41 data = init(sizeOfInterval * 4 - 2)42 data[0] =x[0]43 data[1] = 1
44 parameter.append(data)45 data = init(sizeOfInterval * 4)46 data[(sizeOfInterval - 1) * 4 ] = x[-1] * x[-1] * x[-1]47 data[(sizeOfInterval - 1) * 4 + 1] = x[-1] * x[-1]48 data[(sizeOfInterval - 1) * 4 + 2] = x[-1]49 data[(sizeOfInterval - 1) * 4 + 3] = 1
50 temp = data[2:]51 parameter.append(temp)52 #端点函数一阶导数值相等为n-1个方程。加上前面的方程为3n-1个方程。
53 i=1
54 while i <55 data="init(sizeOfInterval" x>
59 data[i * 4] = -3 * x[i] *x[i]60 data[i * 4 + 1] = -2 *x[i]61 data[i * 4 + 2] = -1
62 temp = data[2:]63 parameter.append(temp)64 i += 1
65 #端点函数二阶导数值相等为n-1个方程。加上前面的方程为4n-2个方程。且端点处的函数值的二阶导数为零,为两个方程。总共为4n个方程。
66 i = 1
67 while i < len(x) - 1:68 data = init(sizeOfInterval * 4)69 data[(i - 1) * 4] = 6 *x[i]70 data[(i - 1) * 4 + 1] = 2
71 data[i * 4] = -6 *x[i]72 data[i * 4 + 1] = -2
73 temp = data[2:]74 parameter.append(temp)75 i += 1
76 returnparameter77
78
79
80 """
81 对一个size大小的元组初始化为082 """
83 definit(size):84 j =0;85 data =[]86 while j <87 data.append j>
89 returndata90
91 """
92 功能:计算样条函数的系数。93 参数:parametes为方程的系数,y为要插值函数的因变量。94 返回值:三次插值函数的系数。95 """
96
97 defsolutionOfEquation(parametes,y):98 sizeOfInterval = len(x) - 1;99 result = init(sizeOfInterval*4-2)100 i=1
101 while i<102 result i>
105 result[(sizeOfInterval-1)*2]=y[0]106 result[(sizeOfInterval-1)*2+1]=y[-1]107 a =np.array(calculateEquationParameters(x))108 b =np.array(result)109 for data_x inb:110 print(data_x)111 returnnp.linalg.solve(a,b)112
113 """
114 功能:根据所给参数,计算三次函数的函数值:115 参数:parameters为二次函数的系数,x为自变量116 返回值:为函数的因变量117 """
118 defcalculate(paremeters,x):119 result=[]120 for data_x inx:121 result.append(paremeters[0]*data_x*data_x*data_x+paremeters[1]*data_x*data_x+paremeters[2]*data_x+paremeters[3])122 returnresult123
124
125 """
126 功能:将函数绘制成图像127 参数:data_x,data_y为离散的点.new_data_x,new_data_y为由拉格朗日插值函数计算的值。x为函数的预测值。128 返回值:空129 """
130 defDraw(data_x,data_y,new_data_x,new_data_y):131 plt.plot(new_data_x, new_data_y, label="拟合曲线", color="black")132 plt.scatter(data_x,data_y, label="离散数据",color="red")133 mpl.rcParams['font.sans-serif'] = ['SimHei']134 mpl.rcParams['axes.unicode_minus'] =False135 plt.title("三次样条函数")136 plt.legend(loc="upper left")137 plt.show()138
139
140 result=solutionOfEquation(calculateEquationParameters(x),y)141 new_data_x1=np.arange(3, 4.5, 0.1)142 new_data_y1=calculate([0,0,result[0],result[1]],new_data_x1)143 new_data_x2=np.arange(4.5, 7, 0.1)144 new_data_y2=calculate([result[2],result[3],result[4],result[5]],new_data_x2)145 new_data_x3=np.arange(7, 9.5, 0.1)146 new_data_y3=calculate([result[6],result[7],result[8],result[9]],new_data_x3)147 new_data_x=[]148 new_data_y=[]149 new_data_x.extend(new_data_x1)150 new_data_x.extend(new_data_x2)151 new_data_x.extend(new_data_x3)152 new_data_y.extend(new_data_y1)153 new_data_y.extend(new_data_y2)154 new_data_y.extend(new_data_y3)155 Draw(x,y,new_data_x,new_data_y)
二次插值
二次样条函数运行之后的结果如下,从图像中,我们可以看出,二次样条在函数的连接处的曲线是光滑的。这时候,我们将x=5输入到函对应的函数端中,就可以预测相应的函数值。但是,这里还有一个问题,就是二次样条函数的前两个点是直线,而且函数的最后一个区间内看起来函数凸出很高。我们还想解决这些问题,这时候,我们想是否可以用三次样条函数来进行函数的模拟呢?
三次样条的原理:
三次样条的原理和二次样条的原理相同,我们用函数aX^3+bX^2+cX+d这个函数来进行操作,这里一共是4个点,分为3个区间,每个区间一个三次样条函数的话,一共是12个方程,只要我们找出这12个方程,这个问题就算解决了。
1>内部节点处的函数值应该相等,这里一共是4个方程。
2>函数的第一个端点和最后一个端点,应该分别在第一个方程和最后一个方程中。这里是2个方程。
3>两个函数在节点处的一阶导数应该相等。这里是两个方程。
4>两个函数在节点处的二阶导数应该相等,这里是两个方程。
5>端点处的二阶导数为零,这里是两个方程。
a1=0
b1=0
三次样条的phthon实现
1 importnumpy as np2 importmatplotlib.pyplot as plt3 from pylab importmpl4 """
5 三次样条实现:6 函数x的自变量为:3, 4.5, 7, 97 因变量为:2.5, 1 2.5, 0.58 """
9 x = [3, 4.5, 7, 9]10 y = [2.5, 1, 2.5, 0.5]11
12
13 """
14 功能:完后对三次样条函数求解方程参数的输入15 参数:要进行三次样条曲线计算的自变量16 返回值:方程的参数17 """
18 defcalculateEquationParameters(x):19 #parameter为二维数组,用来存放参数,sizeOfInterval是用来存放区间的个数
20 parameter =[]21 sizeOfInterval=len(x)-1;22 i = 1
23 #首先输入方程两边相邻节点处函数值相等的方程为2n-2个方程
24 while i < len(x)-1:25 data = init(sizeOfInterval*4)26 data[(i-1)*4] = x[i]*x[i]*x[i]27 data[(i-1)*4+1] = x[i]*x[i]28 data[(i-1)*4+2] =x[i]29 data[(i-1)*4+3] = 1
30 data1 =init(sizeOfInterval*4)31 data1[i*4] =x[i]*x[i]*x[i]32 data1[i*4+1] =x[i]*x[i]33 data1[i*4+2] =x[i]34 data1[i*4+3] = 1
35 temp = data[2:]36 parameter.append(temp)37 temp = data1[2:]38 parameter.append(temp)39 i += 1
40 #输入端点处的函数值。为两个方程, 加上前面的2n - 2个方程,一共2n个方程
41 data = init(sizeOfInterval * 4 - 2)42 data[0] =x[0]43 data[1] = 1
44 parameter.append(data)45 data = init(sizeOfInterval * 4)46 data[(sizeOfInterval - 1) * 4 ] = x[-1] * x[-1] * x[-1]47 data[(sizeOfInterval - 1) * 4 + 1] = x[-1] * x[-1]48 data[(sizeOfInterval - 1) * 4 + 2] = x[-1]49 data[(sizeOfInterval - 1) * 4 + 3] = 1
50 temp = data[2:]51 parameter.append(temp)52 #端点函数一阶导数值相等为n-1个方程。加上前面的方程为3n-1个方程。
53 i=1
54 while i <55 data="init(sizeOfInterval" x>
59 data[i * 4] = -3 * x[i] *x[i]60 data[i * 4 + 1] = -2 *x[i]61 data[i * 4 + 2] = -1
62 temp = data[2:]63 parameter.append(temp)64 i += 1
65 #端点函数二阶导数值相等为n-1个方程。加上前面的方程为4n-2个方程。且端点处的函数值的二阶导数为零,为两个方程。总共为4n个方程。
66 i = 1
67 while i < len(x) - 1:68 data = init(sizeOfInterval * 4)69 data[(i - 1) * 4] = 6 *x[i]70 data[(i - 1) * 4 + 1] = 2
71 data[i * 4] = -6 *x[i]72 data[i * 4 + 1] = -2
73 temp = data[2:]74 parameter.append(temp)75 i += 1
76 returnparameter77
78
79
80 """
81 对一个size大小的元组初始化为082 """
83 definit(size):84 j =0;85 data =[]86 while j <87 data.append j>
89 returndata90
91 """
92 功能:计算样条函数的系数。93 参数:parametes为方程的系数,y为要插值函数的因变量。94 返回值:三次插值函数的系数。95 """
96
97 defsolutionOfEquation(parametes,y):98 sizeOfInterval = len(x) - 1;99 result = init(sizeOfInterval*4-2)100 i=1
101 while i<102 result i>
105 result[(sizeOfInterval-1)*2]=y[0]106 result[(sizeOfInterval-1)*2+1]=y[-1]107 a =np.array(calculateEquationParameters(x))108 b =np.array(result)109 for data_x inb:110 print(data_x)111 returnnp.linalg.solve(a,b)112
113 """
114 功能:根据所给参数,计算三次函数的函数值:115 参数:parameters为二次函数的系数,x为自变量116 返回值:为函数的因变量117 """
118 defcalculate(paremeters,x):119 result=[]120 for data_x inx:121 result.append(paremeters[0]*data_x*data_x*data_x+paremeters[1]*data_x*data_x+paremeters[2]*data_x+paremeters[3])122 returnresult123
124
125 """
126 功能:将函数绘制成图像127 参数:data_x,data_y为离散的点.new_data_x,new_data_y为由拉格朗日插值函数计算的值。x为函数的预测值。128 返回值:空129 """
130 defDraw(data_x,data_y,new_data_x,new_data_y):131 plt.plot(new_data_x, new_data_y, label="拟合曲线", color="black")132 plt.scatter(data_x,data_y, label="离散数据",color="red")133 mpl.rcParams['font.sans-serif'] = ['SimHei']134 mpl.rcParams['axes.unicode_minus'] =False135 plt.title("三次样条函数")136 plt.legend(loc="upper left")137 plt.show()138
139
140 result=solutionOfEquation(calculateEquationParameters(x),y)141 new_data_x1=np.arange(3, 4.5, 0.1)142 new_data_y1=calculate([0,0,result[0],result[1]],new_data_x1)143 new_data_x2=np.arange(4.5, 7, 0.1)144 new_data_y2=calculate([result[2],result[3],result[4],result[5]],new_data_x2)145 new_data_x3=np.arange(7, 9.5, 0.1)146 new_data_y3=calculate([result[6],result[7],result[8],result[9]],new_data_x3)147 new_data_x=[]148 new_data_y=[]149 new_data_x.extend(new_data_x1)150 new_data_x.extend(new_data_x2)151 new_data_x.extend(new_data_x3)152 new_data_y.extend(new_data_y1)153 new_data_y.extend(new_data_y2)154 new_data_y.extend(new_data_y3)155 Draw(x,y,new_data_x,new_data_y)
三次插值
三次样条函数运行结果如下:
原文转自:https://blog.csdn.net/deramer1/article/details/79034201
参考博客:https://www.cnblogs.com/ondaytobewhoyouwant/p/8989497.html
https://blog.csdn.net/flyingleo1981/article/details/53008931 c语言实现
https://blog.csdn.net/guanmao4322/article/details/85054189 原理及matlab实现
https://blog.csdn.net/zb1165048017/article/details/48311603 原理及matlab实现(有手稿哟)
https://blog.csdn.net/u012856866/article/details/23952819 c++实现
102>87>55>102>87>55>