数学建模常用模型02:插值与拟合

简介: 今天一起学习第二个常用模型—插值与拟合。

今天一起学习第二个常用模型—插值与拟合。

参加2023年美赛的同学注意啦!为帮助大家在2023年美赛中取得优异成绩,开放美赛资料群,助力大家2023美赛获奖,点击下方链接获取美赛80G资料,全程免费无套路,抓紧上车

点击链接2023美赛建模思路:https://jq.qq.com/?_wv=1027&k=YyTS4dd0

01 何为插值与拟合

插值:求过已知有限个数据点的近似函数。

拟合:已知有限个数据点,求近似函数,可不过已知数据点,只要求在某种意义下它在这些点上的总偏差最小。

插值和拟合都是要根据一组数据构造一个函数作为近似,由于近似的要求不同,二者的数学方法上是完全不同的。而面对一个实际问题,究竟应该用插值还是拟合,有时容易确定,有时则并不明显。

常见的插值:拉格朗日多项式插值、牛顿插值、分段线性插值、 Hermite 插值和三次样条插值。

02 插值与拟合的实现

拟合:拟合的实现分为MATLAB和excel实现。MATLAB的实现就是polyfit函数:主要是多项式拟合。

更复杂的函数拟合,使用的是最小二乘法,或者其他方法。但是需要经验公式:

网络异常,图片无法展示
|
网络异常,图片无法展示
|
此代码比较简单,大家自己看书就能立刻看明白。 关于拟合:拟合可以用excel,也可以用MATLAB,关于excel的用法。大家自己探索,提示:添加趋势线。

关于matlab,需要了解一些函数:

Polyfit、polyval其余参考MATLAB汇总中的MATLAB常用函数参考。

Polyfit是多项式拟合:需要输入x,y的数据,x和y个数一致,然后polyfit(x,y,n)n表示需要拟合的次数。Polyval一般套用在polyfit后,用法看上图。

插值:插值是相对拟合略微麻烦一点点:

插值的函数 interp2,这个大家经常见,关于interp2的用法网上介绍的很多。这里有一个需要注意的事项就是:以下为例

网络异常,图片无法展示
|

03 meshgrid   intrerp  griddate

1、meshgrid

meshgrid用于从数组a和b产生网格。生成的网格矩阵A和B大小是相同的。它也可以是更高维的。

[A,B]=Meshgrid(a,b)

生成size(b)Xsize(a)大小的矩阵A和B。它相当于a从一行重复增加到size(b)行,把b转置成一列再重复增加到size(a)列。因此命令等效于:

A=ones(size(b))*a;

B=b'*ones(size(a))

举例如下:

网络异常,图片无法展示
|
2、 interp

interp1——一维数据插值函数

一维数据插值。该函数对数据点之间计算内插值,它找出一元函数f(x)在中间点的数值,其中函数表达式由所给数据决定。

yi=interp1(x,Y,xi):返回插值向量yi,每一元素对应于参量xi,同时由向量X与Y的内插值决定。参量x 指定数据Y的点。若Y为一矩阵,则按Y的每列计算。yi是阶数为length(xi)*size(Y,2)的输出矩阵。

yi=interp1(Y,xi):假定x=1:N,其中N为向量Y的长度,或者为矩阵Y的行数。

yi=interp1(x,Y,xi,method):用指定的算法计算插值。nearest为最近邻点插值,直接完成计算;linear为线性插值(默认方式),直接完成计算;spline为三次样条函数插值。

yi=interp1(x,Y,xi,method,'extrap'):对于超出x范围的xi中的分量将执行特殊的外插值法extrap。

yi=interp1(x,Y,xi,method,extrapval):确定超出x范围的xi中的分量的外插值extrapval,其值通常取NaN或0。

interp2函数——二维数据内插值

完成二维的数据插值。

ZI=interp2(X,Y,Z,XI,YI):返回矩阵ZI,其元素包含对应于参量XI与YI(可以是向量、或同型矩阵)的元素。用户可以输入行向量和列向量Xi与Yi,此时,输出向量Zi与矩阵meshgrid(xi,yi)是同型的。同时取决于由输入矩阵X、Y与Z确定的二维函数Z=f(X,Y)。

ZI=interp2(Z,XI,YI):默认地,X=1:n、Y=1:m,其中[m,n]=size(Z)。再按第一种情形进行计算。

ZI=interp2(Z,n):作n次递归计算,在Z的每两个元素之间插入它们的二维插值,这样,Z的阶数将不断增加。interp2(Z)等价于interp2(z,1)。

ZI=interp2(X,Y,Z,XI,YI,method):用指定的算法method计算二维插值。linear为双线性插值算法(默认算法),nearest为最临近插值,spline为三次样条插值,cubic为双三次插值。

interp3函数——三维数据插值

完成三维数据插值。

VI=interp3(X,Y,Z,V,XI,YI,ZI):求出由参量X,Y,Z决定的三元函数V=V(X,Y,Z)在点(XI,YI,ZI)的值。参量XI,YI,ZI是同型阵列或向量。若向量参量XI,YI,ZI是不同长度、不同方向(行或列)的向量,这时输出参量VI与Y1,Y2,Y3为同型矩阵。Y1,Y2,Y3为用函数meshgrid(XI,YI,ZI)生成的同型阵列。若插值点(XI,YI,ZI)中有位于点(X,Y,Z)之外的点,则相应地返回特殊变量值NaN。

VI=interp3(V,XI,YI,ZI):默认地,X=1:N,Y=1:M,Z=1:P,其中,[M,N,P]=size(V),再按上面的情形计算。

VI=interp3(V,n):作n次递归计算,在V的每两个元素之间插入它们的三维插值。这样,V的阶数将不断增加。interp3(V)等价于interp3(V,1)。

VI=interp3(...,method):用指定的算法method做插值计算。linear为线性插值(默认算法),cubic为三次插值,spline为三次样条插值,nearest为最邻近插值。

interpn函数——n维数据插值

完成n维数据插值。

VI=interpn(X1,X2,...,Xn,V,Y1,Y2,..,Yn):返回由参量X1,X2,..,Xn,V确定的n元函数V=V(X1,X2,..,Xn)在点(Y1,Y2,...,Yn)处的插值。参量Y1,Y2,...,Yn是同型的矩阵或向量。若Y1,Y2,...,Yn是向量,则可以是不同长度,不同方向(行或列)的向量。

VI=interpn(V,Y1,Y2,...,Yn):默认地,X1=1:size(V,1),X2=1:size(V,2),...,Xn=1:size(V,n),再按上面的情形计算。

VI=interpn(V,ntimes):作ntimes递归计算,在V的每两个元素之间插入它们的n维插值。这样,V的阶数将不断增加。interpn(V)等价于interpn(V,1)。

  1. griddata    功能 数据格点

格式

(1)ZI = griddata(x,y,z,XI,YI)

用二元函数z=f(x,y)的曲面拟合有不规则的数据向量x,y,z。griddata 将返回曲面z 在点(XI,YI)处的插值。曲面总是经过这些数据点(x,y,z)的。输入参量(XI,YI)通常是规则的格点(像用命令meshgrid 生成的一样)。XI 可以是一行向量,这时XI 指定一有常数列向量的矩阵。类似地,YI 可以是一列向量,它指定一有常数行向量的矩阵。

(2)[XI,YI,ZI] = griddata(x,y,z,xi,yi)

返回的矩阵ZI 含义同上,同时,返回的矩阵XI,YI 是由行向量xi 与列向量yi 用命令meshgrid 生成的。

(3)[XI,YI,ZI] = griddata(.......,method)

用指定的算法method 计算:

‘linear’:基于三角形的线性插值(缺省算法);

‘cubic’:基于三角形的三次插值;

‘nearest’:最邻近插值法;

‘v4’:MATLAB 4 中的griddata 算法。

  1. matlab二维插值--interp2与griddata

二者均是常用的二维差值方法,两者的区别是,interp2的插值数据必须是矩形域,即已知数据点(x,y)组成规则的矩阵,或称之为栅格,可使用meshgid生成。而griddata函数的已知数据点(X,Y)不要求规则排列,特别是对试验中随机没有规律采取的数据进行插值具有很好的效果。griddata(X,Y,XI,YI,'v4') v4是一种插值算法,没有具体的名字,原文称为“MATLAB 4 griddata method”,是一种很圆滑的差值算法,效果不错。X和Y提供的已知数据点,XI和YI是需要插值的数据点,一般使用meshgrid生成,当然也可以其他数据,但是那样绘图的时候就比较麻烦,不能使用mesh等,只能使用trimesh。

示例如下:

网络异常,图片无法展示
|


相关文章
|
存储 算法 固态存储
【计算机组成原理】存储系统
【计算机组成原理】存储系统
8911 0
【计算机组成原理】存储系统
|
8月前
|
人工智能 安全 Linux
OpenClaw(大龙虾)阿里云/本地部署教程+ Coding Plan免费大模型API配置+实战案例解析+常见问题解答
2026年,一款名为OpenClaw(原Clawdbot/Moltbot,因Logo酷似小龙虾被网友亲切称为“大龙虾”)的开源AI智能体,以“两周17万GitHub星标”的爆发式增长席卷全球。它彻底打破了传统聊天机器人的边界,以无头架构(Headless Architecture)作为后台守护进程运行,无需专门界面,通过WhatsApp、Telegram、钉钉等日常聊天工具即可交互,拥有文件读写、终端命令执行、浏览器操控等系统级权限,更具备跨会话持久记忆,能像隐形员工一样7×24小时替人类处理各类事务。
1339 4
|
8月前
|
人工智能 安全 API
从0到1上手OpenClaw:阿里云轻量服务器+本地部署步骤流程+免费大模型配置+Skill使用指南
2026年,OpenClaw(曾用名Clawdbot、Moltbot)凭借开源特性、灵活的Skill扩展生态和强大的自动化能力,成为AI智能体领域的热门工具,GitHub Star数暴涨至183K,堪称近年来增长最迅猛的开源AI项目。它并非单一的聊天工具,而是一款可定制、可扩展的开源AI智能体框架,核心价值在于通过插件化的Skill体系实现任务自动化,让AI真正落地办公、研发、数据分析等实际工作场景——其运行逻辑可概括为「框架+大脑+插件」:本体是AI代理与自动化框架,大模型是「智能大脑」,Skill则是实现各类功能的「插件」,三者结合才能完成从指令理解到任务执行的全流程。
1267 4
|
程序员 开发工具 git
一文彻底搞懂 Git:程序员必备的版本控制神器!
你是否饱受代码混乱、协作冲突之苦?Git 作为全球主流的分布式版本控制系统,能帮你轻松实现版本回退、分支管理、多人协作与 Bug 追踪。本文带你从零入门,详解核心概念、基础操作、常用命令及分支策略,助你掌握现代开发必备技能,提升协作效率与代码质量。#Git入门 #版本控制
2677 0
|
SQL 关系型数据库 MySQL
Pandas获取SQL数据库read_sql()函数及参数一文详解+实例代码
Pandas获取SQL数据库read_sql()函数及参数一文详解+实例代码
9456 0
Pandas获取SQL数据库read_sql()函数及参数一文详解+实例代码
|
前端开发 jenkins 测试技术
自动化测试介绍,为何 Apifox 是进行自动化测试的最佳工具
自动化测试利用专用软件执行测试用例,比手动测试更高效准确。Apifox是一款集API文档、调试与自动化测试于一体的工具,提供一体化解决方案,简化API变更管理。其强大的测试功能支持丰富的断言及测试场景组合,便于模拟真实业务流程。Apifox还提供详尽的测试报告与分析功能,有助于快速定位问题。此外,它能轻松集成到CI/CD流程中,并支持定时任务及多分支管理,极大提升了测试效率和团队协作。相较于其他工具,Apifox以其全面的功能和友好的界面脱颖而出。
|
存储 JSON 前端开发
JSON与现代Web开发:数据交互的最佳选择
JSON(JavaScript Object Notation)是一种轻量级的数据交换格式,易于人阅读和编写,同时也便于机器解析和生成。它以文本格式存储数据,常用于Web应用中的数据传输,尤其是在客户端和服务器之间。
1551 1
|
网络协议 算法 程序员
【网络】TCP/IP 五层网络模型:网络层
【网络】TCP/IP 五层网络模型:网络层
1199 2
|
安全 数据库 数据格式
Python量化炒股的获取数据函数—get_fundamentals()
Python量化炒股的获取数据函数—get_fundamentals()
2532 0