matlab自带的插值函数interp1的四种插值方法

x=0:2*pi;
y=sin(x);
xx=0:0.5:2*pi;

%interp1对sin函数进行分段线性插值,调用interp1的时候,默认的是分段线性插值
y1=interp1(x,y,xx);
figure
plot(x,y,'o',xx,y1,'r')
title('分段线性插值')

%临近插值
y2=interp1(x,y,xx,'nearest');
figure
plot(x,y,'o',xx,y2,'r');
title('临近插值')

%球面线性插值
y3=interp1(x,y,xx,'spline');
figure
plot(x,y,'o',xx,y3,'r')
title('球面插值')

%三次多项式插值法
y4=interp1(x,y,xx,'cubic');
figure
plot(x,y,'o',xx,y4,'r');
title('三次多项式插值')

 

 

 

(1)    Nearest方法速度最快,占用内存最小,但一般来说误差最大,插值结果最不光滑。

(2)    Spline三次样条插值是所有插值方法中运行耗时最长的,插值函数及其一二阶导函数都连续,是最光滑的插值方法。占用内存比cubic方法小,但是已知数据分布不均匀的时候可能出现异常结果。

(3)    Cubic三次多项式插值法中,插值函数及其一阶导数都是连续的,所以插值结果比较光滑,速度比Spline快,但是占用内存最多。

语法形式

说明

y=interp1(x,Y,xi)

由已知点集(x,Y)插值计算xi上的函数值

y=interp1(x,Y,xi)

相当于x=1:length(Y)的interp(x,Y,xi)

y=interp1(x,Y,xi,method)

用指定插值方法计算插值点xi上的函数值

y=interp1(x,Y,xi,method,’extrap’)

对xi中超出已知点集的插值点用指定插值方法计算函数值

y=interp1(x,Y,xi,method,’extrap’,extrapval)

用指定方法插值xi上的函数值,超出已知点集处函数值取extrapval

y=interp1(x,Y,xi,method,’pp’)

用指定方法插值,但返回结果为分段多项式

 

 

 

 

Method

方法描述

‘nearest’

最邻近插值:插值点处函数值与插值点最邻近的已知点函数值相等

‘liner’

分段线性插值:插值点处函数值由连接其最邻近的两侧点的线性函数预测。Matlab中interp1的默认方法。

‘spline’

样条插值:默认为三次样条插值。可用spline函数替代

‘pchip’

三次Hermite多项式插值,可用pchip函数替代

‘cubic’

同’pchip’,三次Hermite多项式插值

更新日志2020-11-3

有个小老弟问我,怎么把这个插值函数获取到,后续调用,然后去看了一眼官方文档,有一句话

pp = interp1(x,v,method,'pp')

分段多项式,以可传递到 ppval 函数进行计算的结构体的形式返回。

也就是说这个插值函数可以使用上述代码获取到函数,然后使用ppval执行这个函数在某个特定位置的插值结果,比如

%test interpolate
clear;clc;close all
N=1200;
x = 1:0.5:6;
y = sin(x);
pp = interp1(x,y,'pchip','pp');

xq= 1:0.1:6;
result = ppval(pp,xq);
plot(x,y,'o',xq,result,'-.')

上述代码就是将函数以`pp`变量返回,然后使用ppval调用此函数,获取在xq处的值

 

  • 59
    点赞
  • 311
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 23
    评论
05-31
插值是一种在数据有限的情况下,通过已知数据点构造新数据点的方法插值可以用于图像处理、信号处理、数值分析等领域。 常见的插值方法包括线性插值、多项式插值、样条插值等。其中,线性插值是一种简单的插值方法,它假设函数在相邻的数据点之间是线性的,因此可以通过两个相邻数据点的函数值和位置来构造新的数据点。多项式插值则是通过已知数据点构造一个多项式,再用这个多项式来计算新的数据点。样条插值则是通过一组分段低次多项式来拟合数据点。 Python中,可以使用`scipy.interpolate`模块中的函数来进行插值操作。例如,使用`interp1d`函数进行线性插值: ```python import numpy as np from scipy.interpolate import interp1d x = np.array([0, 1, 2, 3, 4, 5]) y = np.array([0, 0.8, 0.9, 0.1, -0.8, -1]) f = interp1d(x, y) xnew = np.linspace(0, 5, num=41, endpoint=True) ynew = f(xnew) import matplotlib.pyplot as plt plt.plot(x, y, 'o', xnew, ynew, '-') plt.show() ``` 代码中,首先定义了一组数据点`(x, y)`,然后使用`interp1d`函数构造了一个线性插值函数`f`。最后,使用`np.linspace`生成了一组新的数据点`xnew`,并通过`f`计算出了这些新数据点的函数值`ynew`。最终,使用`matplotlib`库将原始数据点和插值结果绘制在同一张图中。 除了线性插值,`scipy.interpolate`模块还提供了多项式插值、样条插值方法,可以根据具体的需求选择不同的插值方法进行操作。
评论 23
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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

风翼冰舟

额~~~CSDN还能打赏了

¥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
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