matlab插值计算
插值方法
晚上做一个曲线拟合，结果才开始用最小二乘法拟合时，拟合出来的东西太难看了！
于是尝试用其他方法。
经过一番按图索骥，终于发现做曲线拟合的话，采用插值法是比较理想的方法。尤其是样条插值，插完后线条十分光滑。
方法付后，最关键的问题是求解时要积分，放这里想要的时候就可以直接过来拿，不用死去搜索啦。呵呵
插值方法的Matlab实现
一维数据插值
MATLAB中用函数interp1来拟合一维数据，语法是YI = INTERP1(X,Y,XI,方法)
其中（X，Y）是已给的数据点，XI 是插值点，
其中方法主要有
'linear' -线性插值，默认
'pchip' -逐段三次Hermite插值
'spline' -逐段三次样条函数插值
其中最后一种插值的曲线比较平滑
例：
x=0:.12:1; x1=0:.02:1;%（其中x=0:.12:1表示显示的插值点，x1=0:.02:1表示插值的步长）
y=(x.^2-3*x+5).*exp(-5*x).*sin(x);
plot(x,y,'o'); hold on;
y1=interp1(x,y,x1,'spline');
plot(x1,y1,':')
如果要根据样本点求函数的定积分，而函数又是比较光滑的，则可以用样条函数进行插值后再积分，在MATLAB中可以编写如下程序：
function y=quadspln(x0,y0,a,b)
f=inline('interp1(x0,y0,x,''spline'')','x','x0','y0');
y=quadl(f,a,b,1e-8,[],x0,y0);
现求sin(x)在区间[0，pi]上的定积分，只取5点
x0=[0,0.4,1,2,pi];
y0=sin(x0);
I=quadspln(x0,y0,0,pi)
结果得到的值为2.01905，精确值为2
求一段matlab插值程序
悬赏分：20 - 解决时间：2009-12-26 19:57
已知5个数据点：x=[0.25 0.5 0.75 1] y=[0 0.3104 0.6177 0.7886 1] ，求一段matlab插值程序，求过这5个数据点的插值多项式，并在x-y坐标中画出y=f（x）图形，并且求出f （x）与x轴围成图形的面积（积分），不胜感激！
使用Lagrange 插值多项式的方法：
首先把下面的代码复制到M文件中，保存成lagran
function [C,L]=lagran(X,Y)
% input - X is a vector that contains a list of abscissas
% - Y is a vector that contains a list of ordinates
% output - C is a matrix that contains the coefficients of the lagrange interpolatory polynomial
%- L is a matrix that contains the lagrange coefficients polynomial
w=length(X);
n=w-1;
L=zeros(w,w);
for k=1:n+1
V=1;
for j=1:n+1
if k~=j
V=conv(V,poly(X(j)))/(X(k)-X(j));
end
end
L(k,:)=V;
end
C=Y*L;
然后在命令窗口中输入以下内容：
x=[0 0.25 0.5 0.75 1];
y=[0 0.3104 0.6177 0.7886 1];
lagran(x,y)
ans =
3.3088 -6.3851 3.3164 0.7599 0
得到的数据就是多项式各项的系数，注意最后一个是常数项，即x^0，
所以表达式为:f=3.3088*x.^4-6.3851*x.^3+3.3164*x.^2 +0.7599*x
求面积就是积分求解
>> f=@(x)3.3088*x.^4-6.3851*x.^3+3.3164*x.^2 +0.7599*x;
>> quad(f,0,1)
ans =
0.5509
这些点肯定是通过这个多项式的！
MATLAB插值与拟合
§1曲线拟合
实例：温度曲线问题
气象部门观测到一天某些时刻的温度变化数据为：
试描绘出温度变化曲线。
曲线拟合就是计算出两组数据之间的一种函数关系，由此可描绘其变化曲线及估计非采集数据对应的变量信息。
曲线拟合有多种方式，下面是一元函数采用最小二乘法对给定数据进行多项式曲线拟合，最后给出拟合的多项式系数。
1.线性拟合函数：regress()
调用格式：b=regress(y,X)
[b,bint,r,rint,stats]= regress(y,X)
[b,bint,r,rint,stats]= regress(y,X,alpha)
说明：b=regress(y,X)返回X与y的最小二乘拟合值，及线性模型的参数值β、ε。该函数求解线性模型：
y=Xβ+ε
β是p′1的参数向量；ε是服从标准正态分布的随机干扰的n′1的向量；y为n′1的向量；X
为n′p矩阵。
bint返回β的95%的置信区间。r中为形状残差，rint中返回每一个残差的95%置信区间。Stats向量包含R2统计量、回归的F值和p值。
例1：设y的值为给定的x的线性函数加服从标准正态分布的随机干扰值得到。即y=10+x+ε ；求线性拟合方程系数。
程序：x=[ones(10,1) (1:10)'];
y=x*[10;1]+normrnd(0,0.1,10,1);
[b,bint]=regress(y,x,0.05)
结果：x =
1 1
1 2
1 3
1 4
1 5
1 6
1 7
1 8
1 9
1 10
y =
10.9567
11.8334
13.0125
14.0288
14.8854
16.1191
17.1189
17.9962
19.0327
20.0175
b =
9.9213
1.0143
bint =
9.7889 10.0537
0.9930 1.0357
即回归方程为：y=9.9213+1.0143x 2.多项式曲线拟合函数：polyfit( )
调用格式：p=polyfit(x,y,n)
[p,s]= polyfit(x,y,n)
说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。矩阵s 用于生成预测值的误差估计。(见下一函数polyval)
例2：由离散数据
拟合出多项式。
程序：
x=0:.1:1;
y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2];
n=3;
p=polyfit(x,y,n)
xi=linspace(0,1,100);%linspace用于创建向量，如：x=linspace(a1,a2,a3);
a1为第一个元素，a2为最末一个元素，a3表示x共有a3个元素，每个元素间距相
等。 z=polyval(p,xi); %多项式求值
plot(x,y,'o',xi,z,'k:',x,y,'b')
legend('原始数据','3阶曲线')
结果：
p =
16.7832 -25.7459 10.9802 -0.0035
多项式为：16.7832x3-25.7459x2+10.9802x-0.0035 曲线拟合图形：
如果是n=6，则如下图：
也可由函数给出数据。
例3：x=1:20,y=x+3*sin(x)
程序：
x=1:20;
y=x+3*sin(x);
p=polyfit(x,y,6)
xi=linspace(1,20,100);
z=polyval(p,xi); %多项式求值函数
plot(x,y,'o',xi,z,'k:',x,y,'b')
legend('原始数据','6阶曲线')
结果：
p =
0.0000 -0.0021 0.0505 -0.5971 3.6472 -9.7295 11.3304
再用10阶多项式拟合
程序：x=1:20;
y=x+3*sin(x);
p=polyfit(x,y,10)
xi=linspace(1,20,100);
z=polyval(p,xi);
plot(x,y,'o',xi,z,'k:',x,y,'b') legend('原始数据','10阶多项式')结果：p =
Columns 1 through 7
0.0000 -0.0000 0.0004 -0.0114 0.1814 -1.8065 11.2360 Columns 8 through 11
-42.0861 88.5907 -92.8155 40.2671
可用不同阶的多项式来拟合数据，但也不是阶数越高拟合的越好。
3. 多项式曲线求值函数：polyval( )
调用格式：y=polyval(p,x)
[y,DELTA]=polyval(p,x,s)
说明：y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。
[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。
(未完)
4. 多项式曲线拟合的评价和置信区间函数：polyconf( )
调用格式：[Y,DELTA]=polyconf(p,x,s)
[Y,DELTA]=polyconf(p,x,s,alpha)
说明：[Y,DELTA]=polyconf(p,x,s)使用polyfit函数的选项输出s给出Y的95%置信区间Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。1-alpha为置信度。
例4：给出上面例1的预测值及置信度为90%的置信区间。
程序：x=0:.1:1;
y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2]
n=3;
[p,s]=polyfit(x,y,n)
alpha=0.05;
[Y,DELTA]=polyconf(p,x,s,alpha)
结果：
p =
16.7832 -25.7459 10.9802 -0.0035
s =
R: [4x4 double]
df: 7
normr: 1.1406
Y =
Columns 1 through 9
-0.0035 0.8538 1.2970 1.4266 1.3434 1.1480 0.9413 0.8238 0.8963 Columns 10 through 11
1.2594
2.0140
5. 稳健回归函数：robust( )
稳健回归是指此回归方法相对于其他回归方法而言，受异常值的影响较小。
调用格式：b=robustfit(x,y)
[b,stats]=robustfit(x,y)
[b,stats]=robustfit(x,y,’wfun’,tune,’const’)
说明：b返回系数估计向量；stats返回各种参数估计；’wfun’指定一个加权函数；tune为调协常数；’const’的值为’on’(默认值)时添加一个常数项；为’off ’时忽略常数项。
例5：演示一个异常数据点如何影响最小二乘拟合值与稳健拟合。首先利用函数y=10-2x加上一些随机干扰的项生成数据集，然后改变一个y的值形成异常值。调用不同的拟合函数，通过图形观查影响程度。
程序：x=(1:10)’;
y=10-2*x+randn(10,1);
y(10)=0;
bls=regress(y,[ones(10,1) x]) %线性拟合
brob=robustfit(x,y) %稳健拟合
scatter(x,y)
hold on
plot(x,bls(1)+bls(2)*x,’:’)
plot(x,brob(1)+brob(2)*x,’r’)
结果：bls =
8.4452
-1.4784
brob =
10.2934
-2.0006
分析：稳健拟合(实线)对数据的拟合程度好些，忽略了异常值。最小二乘拟合(点线)则受到异常值的影响，向异常值偏移。
6. 向自定义函数拟合
对于给定的数据，根据经验拟合为带有待定常数的自定义函数。
所用函数：nlinfit( )
调用格式：[b eta,r,J]=nlinfit(X,y,’fun’,beta0)
说明：beta返回函数’fun’中的待定常数；r表示残差；J表示雅可比矩阵。X,y为数据；‘fun’自定义函数；beta0待定常数初值。
例6：在化工生产中获得的氯气的级分y随生产时间x下降，假定在x≥8时，y与x之间有
如下形式的非线性模型：
现收集了44组数据，利用该数据通过拟合确定非线性模型中的待定常数。
x y x y x y
8 0.49 16 0.43 28 0.41
8 0.49 18 0.46 28 0.40
10 0.48 18 0.45 30 0.40
10 0.47 20 0.42 30 0.40
10 0.48 20 0.42 30 0.38
10 0.47 20 0.43 32 0.41
12 0.46 20 0.41 32 0.40
12 0.46 22 0.41 34 0.40
12 0.45 22 0.40 36 0.41
12 0.43 24 0.42 36 0.36
14 0.45 24 0.40 38 0.40
14 0.43 24 0.40 38 0.40
14 0.43 26 0.41 40 0.36
16 0.44 26 0.40 42 0.39
16 0.43 26 0.41
首先定义非线性函数的m文件：fff6.m
function yy=model(beta0,x)
a=beta0(1);
b=beta0(2);
yy=a+(0.49-a)*exp(-b*(x-8));
程序：
x=[8.00 8.00 10.00 10.00 10.00 10.00 12.00 12.00 12.00 14.00 14.00 14.00...
16.00 16.00 16.00 18.00 18.00 20.00 20.00 20.00 20.00 22.00 22.00 24.00...
24.00 24.00 26.00 26.00 26.00 28.00 28.00 30.00 30.00 30.00 32.00 32.00...
34.00 36.00 36.00 38.00 38.00 40.00 42.00]';
y=[0.49 0.49 0.48 0.47 0.48 0.47 0.46 0.46 0.45 0.43 0.45 0.43 0.43 0.44 0.43...
0.43 0.46 0.42 0.42 0.43 0.41 0.41 0.40 0.42 0.40 0.40 0.41 0.40 0.41 0.41...
0.40 0.40 0.40 0.38 0.41 0.40 0.40 0.41 0.38 0.40 0.40 0.39 0.39]';
beta0=[0.30 0.02];
betafit = nlinfit(x,y,@model ,beta0)
结果：betafit =
0.3896
0.1011
即：a=0.3896 ，b=0.1011 拟合函数为：
yy=0.3896+0.1004*exp(-0.1011*(x-8))
excell数据调入matlab中的方法：import data→data→x=data(:,所调出数据的列数)
如果想调出某列数据中间隔相等的数据则：x=data(1:2:10,colume2)则调用原始数据的第二列中前十个数据中1、3、5、7、9行数据。
§2 插值问题
在应用领域中，由有限个已知数据点，构造一个解析表达式，由此计算数据点之间的函数值，称之为插值。
实例：海底探测问题
某公司用声纳对海底进行测试，在5×5海里的坐标点上测得海底深度的值，希望通过这些有限的数据了解更多处的海底情况。并绘出较细致的海底曲面图。
一、一元插值
一元插值是对一元数据点(x i,y i)进行插值。
1．线性插值：由已知数据点连成一条折线，认为相临两个数据点之间的函数值就在这两点之间的连线上。一般来说，数据点数越多，线性插值就越精确。
调用格式：yi=interp1(x,y,xi,’linear’)%线性插值
zi=interp1(x,y,xi,’spline’)%三次样条插值
wi=interp1(x,y,xi,’cubic’)%三次多项式插值
说明：yi、zi、wi为对应xi的不同类型的插值。x、y为已知数据点。
例1：已知数据：
求当x i=0.25时的y i的值。
程序：
x=0:.1:1;
y=[.3 .5 1 1.4 1.6 1 .6 .4 .8 1.5 2];
yi0=interp1(x,y,0.025,'linear')
xi=0:.02:1;
yi=interp1(x,y,xi,'linear');
zi=interp1(x,y,xi,'spline');
wi=interp1(x,y,xi,'cubic');
plot(x,y,'o',xi,yi,'r+',xi,zi,'g*',xi,wi,'k.-')
legend('原始点','线性点','三次样条','三次多项式')结果：yi0 = 0.3500
要得到给定的几个点的对应函数值，可用：xi =[ 0.2500 0.3500 0.4500]
yi=interp1(x,y,xi,'spline')
结果：
yi =1.2088 1.5802 1.3454
(二) 二元插值
二元插值与一元插值的基本思想一致，对原始数据点(x,y,z)构造见世面函数求出插值点数据(xi,yi,zi)。
一、单调节点插值函数，即x,y向量是单调的。
调用格式1：zi=interp2(x,y,z,xi,yi,’linear’)
‘liner’ 是双线性插值(缺省)
调用格式2：zi=interp2(x,y,z,xi,yi,’nearest’)
’nearest’ 是最近邻域插值
调用格式3：zi=interp2(x,y,z,xi,yi,’spline’)
‘spline’是三次样条插值
说明：这里x和y是两个独立的向量，它们必须是单调的。z是矩阵，是由x和y确定的点上的值。z和x,y之间的关系是z(i,:)=f(x,y(i)) z(:,j)=f(x(j),y) 即：当x变化时，z的第i行与y 的第i个元素相关，当y变化时z的第j列与x的第j个元素相关。如果没有对x,y赋值，则默认x=1:n, y=1:m。n和m分别是矩阵z的行数和列数。
例2：已知某处山区地形选点测量坐标数据为：
x=0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5
y=0 0.5 1 1.5 2 2.5 3 3.5 4 4.5 5 5.5 6
海拔高度数据为：
z=89 90 87 85 92 91 96 93 90 87 82
92 96 98 99 95 91 89 86 84 82 84
96 98 95 92 90 88 85 84 83 81 85
80 81 82 89 95 96 93 92 89 86 86 82 85 87 98 99 96 97 88 85 82 83 82 85 89 94 95 93 92 91 86 84 88 88 92 93 94 95 89 87 86 83 81 92 92 96 97 98 96 93 95 84 82 81 84 85 85 81 82 80 80 81 85 90 93 95 84 86 81 98 99 98 97 96 95 84 87 80 81 85 82 83 84 87 90 95 86 88 80 82 81 84 85 86 83 82 81 80 82 87 88 89 98 99 97 96 98 94 92 87 其地貌图为：
对数据插值加密形成地貌图。
程序：
x=0:.5:5;
y=0:.5:6;
z=[89 90 87 85 92 91 96 93 90 87 82 92 96 98 99 95 91 89 86 84 82 84 96 98 95 92 90 88 85 84 83 81 85
matlab插值法实例
Several Typical Interpolation in Matlab Lagrange Interpolation Supposing： If x=175, while y=? Solution： Lagrange Interpolation in Matlab: function y=lagrange(x0,y0,x); n=length(x0);m=length(x); for i=1:m z=x(i); s=0.0; for k=1:n p=1.0; for j=1:n if j~=k p=p*(z-x0(j))/(x0(k)-x0(j)); end end s=p*y0(k)+s; end y(i)=s; end input： x0=[144 169 225] y0=[12 13 15] y=lagrange(x0,y0,175) obtain the answer： x0 = 144 169 225 y0 = 12 13 15 y = 13.2302
Spline Interpolation Solution ： Input x=[ 1 4 9 6]；y=[ 1 4 9 6]；x=[ 1 4 9 6]；pp=spline(x,y) pp = form: 'pp' breaks: [1 4 6 9] coefs: [3x4 double] pieces: 3 order: 4 dim: 1 output : pp.coefs ans = -0.0500 0.5333 -0.8167 1.0000 -0.0500 0.0833 1.0333 2.0000 -0.0500 -0.2167 0.7667 4.0000 It shows the coefficients of cubic spline polynomial , so: S （x ）=, 169,3)9(1484.0)9(0063.0)9(0008.0,94,2)4(2714.0)4(0183.0)4(0008 .0, 41,1)1(4024.0)1(0254.0)1(0008.0232 3 23≥≤+-+---≥≤+-+---≥≤+-+---x x x x x x x x x x x x Newton’s Interpolation Resolve 65 Solution: Newton’s Interpolation in matlab ： function yi=newint(x,y,xi); n=length(x); ny=length(y); if n~=ny error end Y=zeros(n);Y(:,1)=y';
Matlab中插值函数汇总和使用说明
MATLAB中的插值函数 命令1：interp1 功能：一维数据插值（表格查找）。该命令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f(x)由所给数据决定。 x：原始数据点 Y：原始数据点 xi：插值点 Yi：插值点 格式 (1) 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。 (2) 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。 (3) yi = interp1(x,Y,xi,method) 用指定的算法计算插值： ’nearest’：最近邻点插值，直接完成计算； ’linear’：线性插值（缺省方式），直接完成计算； ’spline’：三次样条函数插值。对于该方法，命令interp1 调用函数spline、ppval、mkpp、umkpp。这些命令生成一系列用于分段多项式操作的函数。命令spline 用它们执行三次样条函数插值； ’pchip’：分段三次Hermite 插值。对于该方法，命令interp1 调用函数pchip，用于对向量x 与y 执行分段三次内插值。该方法保留单调性与数据的外形； ’cubic’：与’pchip’操作相同； ’v5cubic’：在MATLAB 5.0 中的三次插值。 对于超出x 范围的xi 的分量，使用方法’nearest’、’linear’、’v5cubic’的插值算法，相应地将返回NaN。对其他的方法，interp1 将对超出的分量执行外插值算法。 (4)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。 (5)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。
拉格朗日插值matlab程序
拉格朗日插值的调用函数 function y=lagrange(x0,y0,x) n=length(x0);m=length(x); for i=1:m z=x(i); L=0.0; for j=1:n T=1.0; for k=1:n if k~=j T=T*(z-x0(k))/(x0(j)-x0(k)); end end L=T*y0(j)+L; end y(i)=L; end 四个图在一起： x=[-1:0.05:1]; y=1./(1+25*x.^2); x0=[-1:0.4:1]; y0=1./(1+25*x0.^2); y1=lagrange(x0,y0,x); x0=[-1:0.2:1]; y0=1./(1+25*x0.^2); y2=lagrange(x0,y0,x); x0=[-1:0.1:1]; y0=1./(1+25*x0.^2); y3= lagrange(x0,y0,x); plot(x,y,'-r') hold on plot(x,y1,'-b',x,y2,'-r',x,y3,'-r')
l5和fx在一起： x=[-1:0.05:1]; y=1./(1+25*x.^2); x0=[-1:0.4:1]; y0=1./(1+25*x0.^2); y1=lagrange(x0,y0,x); plot(x,y,'-r') hold on plot(x,y1,'-b') l10和fx在一起： x=[-1:0.05:1]; y=1./(1+25*x.^2); x0=[-1:0.2:1]; y0=1./(1+25*x0.^2); y2= lagrange(x0,y0,x); plot(x,y,'-r') hold on plot(x,y2,'-b') l20和fx在一起： x=[-1:0.05:1]; y=1./(1+25*x.^2); x0=[-1:0.1:1]; y0=1./(1+25*x0.^2); y3= lagrange(x0,y0,x); plot(x,y,'-r') hold on plot(x,y3,'-b')
matlab插值(详细 全面)
Matlab中插值函数汇总和使用说明 MATLAB中的插值函数为interp1，其调用格式 为： yi= interp1(x,y,xi,'method') 其中x，y为插值点，yi为在被插值点xi处的插值结果；x,y为向量， 'method'表示采用的插值方法，MATLAB提供的插值方法有几种： 'method'是最邻近插值， 'linear'线性插值； 'spline'三次样条插值； 'cubic'立方插值．缺省时表示线性插值 注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。 例如：在一天24小时内，从零点开始每间隔2小时测得的环境温度数据分别为 12，9，9，10，18 ，24，28，27，25，20，18，15，13， 推测中午12点（即13点）时的温度． x=0:2:24; y=[12 9 9 10 18 24 28 27 25 20 18 15 13]; a=13; y1=interp1(x,y,a,'spline') 结果为： 27.8725 若要得到一天24小时的温度曲线，则： xi=0:1/3600:24; yi=interp1(x,y,xi, 'spline'); plot(x,y,'o' ,xi,yi)
命令1 interp1 功能一维数据插值（表格查找）。该命令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f(x)由所给数据决定。 x：原始数据点 Y：原始数据点 xi：插值点 Yi：插值点 格式 (1)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。(2)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。 (3)yi = interp1(x,Y,xi,method) 用指定的算法计算插值： ’nearest’：最近邻点插值，直接完成计算； ’linear’：线性插值（缺省方式），直接完成计算； ’spline’：三次样条函数插值。对于该方法，命令interp1 调用函数spline、ppval、mkpp、umkpp。这些命令生成一系列用于分段多项式操作的函数。命令spline 用它们执行三次样条函数插值； ’pchip’：分段三次Hermite 插值。对于该方法，命令interp1 调用函数pchip，用于对
matlab插值法,迭代法程序
数值分析作业 姓名王建忠 学号132080202006 学院能源与动力工程 专业机械电子工程 2013年12月16日
https://www.360docs.net/doc/3b224010.html,grange插值多项式程序 function f=nalagr(x,y,xx) %x为节点向量 %y为节点函数值 %xx是插值点 syms s if(length(x)==length(y)) n=length(x); else disp('x和y的维数不相等!'); return; end f=0.0; for(i=1:n) l=y(i); for(j=1:i-1) l=l*(s-x(j))/(x(i)-x(j)); end; for(j=i+1:n) l=l*(s-x(j))/(x(i)-x(j));%计算拉格朗日基函数end; f=f+l;%计算拉格朗日插值函数 simplify(f); if(i==n) if(nargin==3) f=subs(f,'s');%计算插值点的函数值else f=collect(f);%将插值多项式展开 f=vpa(f,6);%将插值多项式的系数化成6位精度的小数 end end end >>x=[-2,-1,0,1];%已知节点向量y=[3,1,1,6];%节点函数值向量 f=nalagr(x,y) f= 0.5*s^3+ 2.5*s^2+ 2.0*s+ 1.0 >>f=nalagr(x,y,0) f=1 >>
2.牛顿插值多项式程序 function[p2,z]=newTon(x,y,t) %输入参数中x,y为元素个数相等的向量，t为待估计的点，可以为数字或向量。%输出参数中p2为所求得的牛顿插值多项式，z为利用多项式所得的t的函数值。 n=length(x); chaS(1)=y(1); for i=2:n x1=x;y1=y; x1(i+1:n)=[]; y1(i+1:n)=[]; n1=length(x1); s1=0; for j=1:n1 t1=1; for k=1:n1 if k==j continue; else t1=t1*(x1(j)-x1(k)); end end s1=s1+y1(j)/t1; end chaS(i)=s1; end b(1,:)=[zeros(1,n-1)chaS(1)]; cl=cell(1,n-1); for i=2:n u1=1; for j=1:i-1 u1=conv(u1,[1-x(j)]); cl{i-1}=u1; end cl{i-1}=chaS(i)*cl{i-1}; b(i,:)=[zeros(1,n-i),cl{i-1}]; end p2=b(1,:); for j=2:n p2=p2+b(j,:); end if length(t)==1 rm=0;
MATLAB三次样条插值之三转角法
非常类似前面的三弯矩法，这里的sanzhj函数和intersanzhj作用相当于前面的sanwanj和intersanwj，追赶法程序通用，代码如下。 %%%%%%%%%%%%%%%%%%% function [newu,w,newv,d]=sanzhj(x,y,x0,y0,y1a,y1b) % 三转角样条插值 % 将插值点分两次输入，x0 y0 单独输入 % 边值条件a的一阶导数 y1a 和b的一阶导数 y1b n=length(x);m=length(y); if m~=n error('x or y 输入有误，再来'); end v=ones(n-1,1); u=ones(n-1,1); d=zeros(n-1,1); w=2*ones(n-1,1); h0=x(1)-x0; h=zeros(n-1,1); for k=1:n-1 h(k)=x(k+1)-x(k); end v(1)=h0/(h0+h(1)); u(1)=1-v(1); d(1)=3*(v(1)*(y(2)-y(1))/h(1)+u(1)*((y(1)-y0))/h0); % for k=2:n-1 v(k)=h(k-1)/(h(k-1)+h(k)); u(k)=1-v(k); d(k)=3*(v(k)*(y(k+1)-y(k))/h(k)+u(k)*(y(k)-y(k-1))/h(k-1)); end d(1)=d(1)-u(1)*y1a; d(n-1)=d(n-1)-v(n-1)*y1b; newv=v(1:n-2,:); newu=u(2:n-1,:); %%%%%%%%%%%% function intersanzhj(x,y,x0,y0,y1a,y1b) % 三转角样条插值
函数的插值方法及matlab程序
6.1 插值问题及其误差 6.1.2 与插值有关的MATLAB 函数 (一) POLY2SYM函数 调用格式一：poly2sym (C) 调用格式二：f1=poly2sym(C,'V') 或f2=poly2sym(C, sym ('V') ), (二) POLYVAL函数 调用格式：Y = polyval(P,X) (三) POLY函数 调用格式：Y = poly (V) (四) CONV函数 调用格式：C =conv (A, B) 例 6.1.2求三个一次多项式、和的积.它们的零点分别依次为0.4,0.8,1.2. 解我们可以用两种MATLAB程序求之. 方法1如输入MATLAB程序 >> X1=[0.4,0.8,1.2]; l1=poly(X1), L1=poly2sym (l1) 运行后输出结果为 l1 = 1.0000 - 2.4000 1.7600 -0.3840 L1 = x^3-12/5*x^2+44/25*x-48/125 方法2如输入MATLAB程序 >> P1=poly(0.4);P2=poly(0.8);P3=poly(1.2); C =conv (conv (P1, P2), P3) , L1=poly2sym (C) 运行后输出的结果与方法1相同. (五) DECONV 函数 调用格式：[Q,R] =deconv (B,A) (六) roots(poly(1:n))命令 调用格式：roots(poly(1:n)) (七) det(a*eye(size (A)) - A)命令 调用格式：b=det(a*ey e(size (A)) - A) 6.2 拉格朗日（Lagrange）插值及其MATLAB程序 6.2.1 线性插值及其MATLAB程序 例 6.2.1 已知函数在上具有二阶连续导数，，且满足条件 .求线性插值多项式和函数值，并估计其误差. 解输入程序 >> X=[1,3];Y=[1,2]; l01= poly(X(2))/( X(1)- X(2)), l11= poly(X(1))/( X(2)- X(1)), l0=poly2sym (l01),l1=poly2sym (l11), P = l01* Y(1)+ l11* Y(2), L=poly2sym (P),x=1.5; Y = polyval(P,x) 运行后输出基函数l0和l1及其插值多项式的系数向量P（略）、插值多项式L和插值Y为l0 = l1 = L = Y = -1/2*x+3/2 1/2*x-1/2 1/2*x+1/2 1.2500 输入程序 >> M=5;R1=M*abs((x-X(1))* (x-X(2)))/2
Matlab求解插值问题
Matlab求解插值问题 在应用领域中，由有限个已知数据点，构造一个解析表达式，由此计算数据点之间的函数值，称之为插值。 实例：海底探测问题 某公司用声纳对海底进行测试，在5×5海里的坐标点上测得海底深度的值，希望通过这些有限的数据了解更多处的海底情况。并绘出较细致的海底曲面图。 1、一元插值 一元插值是对一元数据点(x i,y i)进行插值。 线性插值：由已知数据点连成一条折线，认为相临两个数据点之间的函数值就在这两点之间的连线上。一般来说，数据点数越多，线性插值就越精确。 调用格式：yi=interp1(x,y,xi,’linear’) %线性插值 zi=interp1(x,y,xi,’spline’) %三次样条插值 wi=interp1(x,y,xi,’cubic’) %三次多项式插值说明：yi、zi、wi为对应xi的不同类型的插值。x、y为已知数据点。 例：已知数据： 求当x i=0.25时的y i的值。 程序： x=0:.1:1; y=[.3 .5 1 1.4 1.6 1 .6 .4 .8 1.5 2]; yi0=interp1(x,y,0.025,'linear') xi=0:.02:1; yi=interp1(x,y,xi,'linear'); zi=interp1(x,y,xi,'spline'); wi=interp1(x,y,xi,'cubic'); plot(x,y,'o',xi,yi,'r+',xi,zi,'g*',xi,wi,'k.-') legend('原始点','线性点','三次样条','三次多项式') 结果：yi0 = 0.3500
三次样条插值的MATLAB实现
MATLAB 程序设计期中考查 在许多问题中，通常根据实验、观测或经验得到的函数表或离散点上的信息，去研究分析函数的有关特性。其中插值法是一种最基本的方法，以下给出最基本的插值问题——三次样条插值的基本提法： 对插值区间[]b a ,进行划分：b x x x a n ≤
双线性插值Matlab程序
I=imread('flower.jpg'); %读入原图像 [nrows,ncols]=size(I);%读取图像矩阵大小，方便后面操作 K = str2double(inputdlg('please input scale factor (must between 0.2 - 5.0)', 'INPUT scale factor', 1, {'0.5'})); width = K * nrows; height = K * ncols; J = uint8(zeros(width,height)); widthScale = nrows/width; heightScale = ncols/height; for x = 5:width - 5 % 5是为了防止矩阵超出边界溢出 for y = 5:height - 5 xx = x * widthScale; % xx, yy为原坐标，x,y为新坐标 yy = y * heightScale; if (xx/double(uint16(xx)) == 1.0) & (yy/double(uint16(yy)) == 1.0) J(x,y) = I(int16(xx),int16(yy));%若xx，yy为整数，直接赋值 else a = double(uint16(xx)); b = double(uint16(yy)); x11 = double(I(a,b)); % x11 <- I(a,b) x12 = double(I(a,b+1)); % x12 <- I(a,b+1) x21 = double(I(a+1,b)); % x21 <- I(a+1,b) x22 = double(I(a+1,b+1)); % x22 <- I(a+1,b+1) J(x,y) = uint8( (b+1-yy) * ((xx-a)*x21 + (a+1-xx)*x11) + (yy-b) * ((xx-a)*x22 +(a+1-xx)
Matlab 一维插值interp1 例子 及 可视拟合界面
一维插值： 已知离散点上的数据集，即已知在点集X上对应的函数值Y，构造一个解析函数（其图形为一曲线）通过这些点，并能够求出这些点之间的值，这一过程称为一维插值。 MATLAB命令：yi=interp1(X, Y, xi, method) 一些个人经验说明: ①关于拟合参数的,X必须是向量,行向量或列向量均可,不可以是复数 ②Y是向量或矩阵.但必须满足行数与length(X)相同即size(Y,1)==length (X) ③针对以上说明的例子 function tu x=[5 1 2 20 14 21]' y=rand(6,2)%按列计算的 xi=linspace(0,21,100); yi=interp1(x,y,xi,'cubic') plot(x,y,'o',xi,yi) size(x) size(y,1) length(x) 结果 size(x) 6 1 size(y,1) 6 length(x) 6
该命令用指定的算法找出一个一元函数，然后以给出处的值。xi可以是一个标量，也可以是一个向量，是向量时，必须单调，method可以下列方法之一：‘nearest’：最近邻点插值，直接完成计算； ‘spline’：三次样条函数插值； ‘linear’：线性插值（缺省方式），直接完成计算； ‘cubic’：三次函数插值； 对于[min{xi},max{xi}]外的值，MATLAB使用外推的方法计算数值。
%-- 09-4-1 下午8:38 --% %已知数据 t=1900:10:1990; p=[75.995,91.972,105.711,123.203,131.669,150.697,179.323,203.212,226.505,249.633];
Matlab插值与拟合教程
MATLAB插值与拟合 §1曲线拟合 实例：温度曲线问题 曲线拟合就是计算出两组数据之间的一种函数关系，由此可描绘其变化曲线及估计非采集数据对应的变量信息。 曲线拟合有多种方式，下面是一元函数采用最小二乘法对给定数据进行多项式曲线拟合，最后给出拟合的多项式系数。 1. 1.线性拟合函数：regress() 调用格式：b=regress(y,X) [b,bint,r,rint,stats]= regress(y,X) [b,bint,r,rint,stats]= regress(y,X,alpha) 说明：b=regress(y,X)返回X处y的最小二乘拟合值。该函数求解线性模型： y=Xβ+ε β是p?1的参数向量；ε是服从标准正态分布的随机干扰的n?1的向量；y为n?1的向量；X为n?p矩阵。 bint返回β的95%的置信区间。r中为形状残差，rint中返回每一个残差的95%置信区间。Stats向量包含R2统计量、回归的F值和p值。 例1：设y的值为给定的x的线性函数加服从标准正态分布的随机干扰值得到。即y=10+x+ε；求线性拟合方程系数。 程序：x=[ones(10,1) (1:10)’] y=x*[10;1]+normrnd(0,0.1,10,1) [b,bint]=regress(y,x,0.05) 结果：x = 1 1 1 2 1 3 1 4 1 5 1 6 1 7 1 8 1 9 1 10 y = 10.9567 11.8334
13.0125 14.0288 14.8854 16.1191 17.1189 17.9962 19.0327 20.0175 b = 9.9213 1.0143 bint = 9.7889 10.0537 0.9930 1.0357 即回归方程为：y=9.9213+1.0143x 2. 2.多项式曲线拟合函数：polyfit( ) 调用格式：p=polyfit(x,y,n) [p,s]= polyfit(x,y,n) 说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。矩阵s用于生成预测值的误差估计。(见下一函数polyval) 程序： x=0:.1:1; y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2] n=3; p=polyfit(x,y,n) xi=linspace(0,1,100); z=polyval(p,xi); %多项式求值 plot(x,y,’o’,xi,z,’k:’,x,y,’b’) legend(‘原始数据’,’3阶曲线’) 结果： p = 16.7832 -25.7459 10.9802 -0.0035 多项式为：16.7832x3-25.7459x2+10.9802x-0.0035 曲线拟合图形：
matlab插值程序设计
例1、 已知数据x=[0,3,5,7,9,11,12,13,14,15]， y=[0,1.2,1.7,2.0,2.1,2.0,1.8,1.2,1.4,1.6]，采用四种方法进行插值，得到每隔0.5的数据。P96 课本 编写脚本文件： %Interpolation using the four methods x=[0,3,5,7,9,11,12,13,14,15]; y=[0,1.2,1.7,2.0,2.1,2.0,1.8,1.2,1.4,1.6]; length_of_x=length(x); scalar_x=[x(1):0.5:x(length_of_x)]; length_of_sx=length(scalar_x); for i=1: length_of_x y_nearst(i)=interp1(x,y,scalar_x(i), ‘nearst ’); y_linear(i)=interp1(x,y,scalar_x(i), ‘linear ’); y_spline(i)=interp1(x,y,scalar_x(i), ‘spline ’); y_cubic(i)=interp1(x,y,scalar_x(i), ‘cubic ’); end subplot(2,2,1),plot(x,y,‘*’ ),hold on ,plot(scalar_x,y_nearest),titie(‘menthod=‘nearest ’); subplot(2,2,2),plot(x,y,’*’ ),hold on ,plot(scalar_x,y_linear),titie(‘menthod= linear ’); subplot(2,2,3),plot(x,y,’*’ ),hold on ,plot(scalar_x,y_spline),titie(‘menthod= spline ’); subplot(2,2,4),plot(x,y,’*’ ),hold on ,plot(scalar_x,y_cubic),titie(‘menthod= cubic ’); ‘’函数的运算 1、2211()6(0.3)0.01(0.9)0.04 f x x x =+--+-+ P100 2、f(x)=lo g x+sin x-2在6附近的解 3、32()f x x ax bx c =+++ 求它的极小值
MATLAB程序 插值
例1 用不同插值方法对一维数据进行插值。 程序代码 %interp1_example.m %用不同插值方法对一维数据进行插值，并比较其不同 x=0:1.2:10; y=sin(x); xi=0:0.1:10; yi_nearest=interp1(x,y,xi,'nearst');%最邻近插值 yi_linear=interp1(x,y,xi);% 默认插值方法线性插值 yi_spline=interp1(x,y,xi,'spline');% 三次样条插值 yi_cubic=interp1(x,y,xi,'cubic');% 三次多项式插值 yi_v5cubic=interp1(x,y,xi,'v5cubic'); %MATLAB5中使用的三次多项式插值hold on; subplot(2,3,1); plot(x,y,'ro',xi,yi_nearest,'b-'); title('最邻近插值'); subplot(2,3,2); plot(x,y,'ro',xi,yi_linear,'b-'); title('线性插值'); subplot(2,3,3); plot(x,y,'ro',xi,yi_spline,'b-'); title('三次样条插值'); subplot(2,3,4); plot(x,y,'ro',xi,yi_cubic,'b-'); title('三次多项式插值'); subplot(2,3,5); plot(x,y,'ro',xi,yi_v5cubic,'b-'); title('三次多项式插值（MATLAB5）');
运行结果
matlab线性插值
Matlab线性插值 已知离散点上的数据集，即已知在点集X上对应的函数值Y，构造一个解析函数（其图形为一曲线）通过这些点，并能够求出这些点之间的值，这一过程称为一维插值。 MATLAB命令：yi=interp1(X, Y, xi, method) 该命令用指定的算法找出一个一元函数，然后以给出xi处的值。xi可以是一个标量，也可以是一个向量，是向量时，必须单调，method可以下列方法之一： 'nearest'：最近邻点插值，直接完成计算； 'spline'：三次样条函数插值； 'linear'：线性插值（缺省方式），直接完成计算； 'cubic'：三次函数插值； 对于[min{xi},max{xi}]外的值，MATLAB使用外推的方法计算数值。下面是一个例子：t=1900:10:1990; p=[75.995,91.972,105.711,123.203,131.669,150.697,179.323,203.212,226.505,249.633]; x=1900:0.01:1990; %使用不同的方法进行一维插值 yi_linear=interp1(t,p,x); %线性插值 yi_spline=interp1(t,p,x,'spline');%三次样条插值 yi_cubic=interp1(t,p,x,'cubic');%三次多项式插值 yi_v5cubic=interp1(t,p,x,'v5cubic');%matlab5中使用的三次多项式插值 %绘制图像对比 %subplot是将多个图画到一个平面上的工具。其中，m表示是图排成m行，n表示图排成n列，也就是整个figure中有n个图是排成一行的，一共m行，如果第一个数字是2就是表示2行图。p是指你现在要把曲线画到figure中哪个图上，最后一个如果是1表示是从左到右第一个位置。 subplot(2,1,1); plot(t,p,'ko'); hold on; plot(x,yi_linear,'g','LineWidth',1.5);grid on; plot(x,yi_spline,'y','LineWidth',1.5);
插值MATLAB程序-数值分析
插值MATLAB程序（可以输出多项式）—数值分析 1.拉格朗日多项式逼近 function [C,L,y]=lagran(X,Y) %拉格朗日多项式逼近 w=length(X); L=zeros(w,w); for k=1:w V=1; for j=1:w if k~=j V=conv(V,poly(X(j)))/(X(k)-X(j)); end end L(k,:)=V; end C=Y*L; y=poly2sym(C,'x'); 2.牛顿插值多项式 function [C,D,y]=newpoly(X,Y) %牛顿插值多项式 n=length(X); D=zeros(n,n); D(:,1)=Y'; for j=2:n for k=j:n D(k,j)=(D(k,j-1)-D(k-1,j-1))/(X(k)-X(k-j+1)); end end C=D(n,n); for k=(n-1):-1:1 C=conv(C,poly(X(k))); m=length(C); C(m)=C(m)+D(k,k); end y=poly2sym(C,'x'); 3.切比雪夫逼近 function [C,X,Y]=cheby(fun,n,a,b) %切比雪夫逼近 if nargin==2 a=-1;b=1; end
d=pi/(2*n+2); C=zeros(1,n+1); for k=1:n+1 X(k)=cos((2*k-1)*d); end X=(b-a)*X/2+(a+b)/2; x=X; Y=eval(fun); for k=1:n+1 z=(2*k-1)*d; for j=1:n+1 C(j)=C(j)+Y(k)*cos((j-1)*z); end end C=2*C/(n+1); C(1)=C(1)/2;
hermite插值以及两种MATLAB程序
给定矢量P 0, P 1, R 0, R 1,称满足下列条件的参数三次多项式曲线P (t ),t ∈[0,1]为Hermite 曲线： H (x 0)=y 0,H (x 1)=y 1, H ′(x 0)=m 0,H ′(x 1)=m 1, 即Hermite 曲线两个端点为P 0, P 1,在两端点的切矢量分别R 0, R 1。记几何矩阵和基矩阵分别为G H , M H , G H , M H 是未知的.取G H =[P 0,P 1,R 0,R 1],则只要M H 就可以了。一般的曲线经过多项式分解, 得到参数多项式曲线的矩阵表示: P (t )=G ?M ?T 将（1）式代入（2）得到： G H ?M H ?T H |t=0=G H ?M H ?(1,0,0,0)T =P 0, G H ?M H ?T H |t=1=G H ?M H ?(1,1,1,1)T =P 1, G H ?M H ?T H |t=0=G H ?M H ?(0,1,0,0)T =R 0, G H ?M H ?T H |t=0=G H ?M H ?(0,1,2,3)T =R 1, 将上面四个式子合并如下形式： G H ?M H ?[1 01001111020103 ]=[P 0,P 1,R 0,R 1]=G H 上面方程的解不唯一，不妨取 M H =[1 01001111020103]?1=[1000?320?3?21?2100?11 ] 从而得到三次Hermite 曲线的方程：
P(t)=G H?M H?T 其中M H?T确定了一组Hermite基函数G0(t)，G1(t)，H0(t)，H1(t)，即 M H?T=[1 0?32 0?3?2 1?21 00?11 ][ 1 t t2 t3 ]=[ 1?3t2+2t3 3t2?2t3 t?2t2+t3 ?t2+t3 ] 附：MATLAB程序 function yy=hermite(x,y,dy,xx) % 输入 X——左右两个端点的X轴坐标 Y——左右两个端点的Y轴坐标 dy——左右两个端点的切矢 xx——中间插值的点X轴坐标 %输出 yy——中间插值的点Y轴坐标 function yy=hermite(x,y,dy,xx) k=length(xx); z=zeros(1,k); for i=1:k; s=0; xaix=xx(i); a=1-3.*(xaix)^2+2.*(xaix)^3; b=2.*(xaix)^2-2.*(xaix)^3; c=xaix-2.*(xaix)^2+(xaix)^3; d=-2.*(xaix)^2+(xaix)^3; s=y(1)*a+y(2)*b+dy(1)*c+dy(2)*d; z(i)=s; end yy=z;
MATLAB三次样条插值之三弯矩法
ＭATLＡＢ三次样条插值之三弯矩法 首先说这个程序并不完善，为了实现通用（１，２，…,ｎ）格式解题，以及为调用追赶法程序，没有针对节点数在三个以下的情况进行分类讨论。希望能有朋友给出更好的方法。 首先，通过函数saｎwanｊ得到方程的系数矩阵，即追赶法方程的四个向量参数,接下来调 用追赶法(在inteｒｓaｎwj函数中），得到三次样条分段函数系数因子,然后进行多项式合并 得到分段函数的解析式，程序最后部分通过判断输入值的区间自动选择对应的分段函数并计算 改点的值。附:追赶法程序cｈase ％%%％％%%%%%%%％% fｕncｔiｏｎ [nｅwv,w,newu，neｗd]=sanwj（ｘ,y,x０,y0,y1ａ,y1b）?％三弯矩样 条插值?％将插值点分两次输入，x0y０单独输入?% 边值条件a的二阶导数 y1a 和ｂ 的二阶导数ｙ1b，这里建议将y１ａ和y1b换成y2a和ｙ2b,以便于和三转角代码相区别 ?n=length(x);m=leｎgth(y); ｉf m~=n?errｏｒ(＇x or y 输入有误,再来'）; end?v=ｏneｓ(ｎ-１，1);u=ｏnes(n－１,1）;d=zeros（n－１,１）;?w=２*ｏ nes(n+１)；?h0=x（１）-x0;?h=zerｏs(n-１,1); for k＝1:n-１?ｈ(k)＝x（k+1)－x（k);?enｄ ｖ(1)＝h0/(ｈ0+h(1）); u(1)＝1－v（1）; ｄ（１)＝6*((y（2）-y(1）)/h（1)-(y(1)-y０)/ｈ0）/(h0+ｈ(１）);?% ｆoｒ k＝2:ｎ-1?ｖ(ｋ）＝h(ｋ-１)/(ｈ(k-１)+h(ｋ)）;?u(k)=1－v(k);?d（k)＝ 6*((y(ｋ+１)-ｙ（ｋ)）/h（k）-(ｙ(k）-y(ｋ-1）)/ｈ(k－1))／(h（k-1)+h(k)); ｅnd newv=[v;1］;?newu=［1;u]； d0=6＊（(y(1)-y0)/h0-y1a)/h0; d(n)=6＊（y1ｂ-(ｙ(n）－ｙ(n-1))／ｈ(n-1))／h(ｎ-1）; newd=［d0;d]; %%%%%%％％%％％％ ｆunctｉon iｎｔersａnｗj（x，y,ｘ0,y0,y1a，y1b) %三弯矩样条插值?%第一部分?n=leｎgtｈ(ｘ）;ｍ＝length(y); iｆ m~＝n?eｒror（'ｘｏｒy 输入有误，再来'); enｄ?%重新定义h?h=zｅｒｏs(n,1）; h(1)=x（1）-ｘ０; fｏr k=2:n h（k)=ｘ(ｋ)－x(k-1)；?end ％sptep1调用三弯矩函数?[a,b,c,d]=sanwj(x，ｙ,ｘ0,ｙ0,y１ａ,y1b);
Matlab中插值函数汇总和使用说明
告： Matlab中插值函数汇总和使用说明收藏 命令1 interp1 功能一维数据插值（表格查找）。该命令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f(x)由所给数据决定。x：原始数据点 Y：原始数据点 xi：插值点 Yi：插值点 格式 (1)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。 (2)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。 (3)yi = interp1(x,Y,xi,method) 用指定的算法计算插值： ’nearest’：最近邻点插值，直接完成计算； ’linear’：线性插值（缺省方式），直接完成计算； ’spline’：三次样条函数插值。对于该方法，命令interp1 调用函数spline、ppval、mkpp、umkpp。这些命令生成一系列用于分段多项式操作的函
数。命令spline 用它们执行三次样条函数插值； ’pchip’：分段三次Hermite 插值。对于该方法，命令interp1 调用函数p chip，用于对向量x 与y 执行分段三次内插值。该方法保留单调性与数据的外形； ’cubic’：与’pchip’操作相同； ’v5cubic’：在MATLAB 5.0 中的三次插值。 对于超出x 范围的xi 的分量，使用方法’nearest’、’linear’、’v5cubic’的插值算法，相应地将返回NaN。对其他的方法，interp1 将对超出的分量执行外插值算法。 (4)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。 (5)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。 例1 1.>>x = 0:10; y = x.*sin(x); 2.>>xx = 0:.25:10; yy = interp1(x,y,xx); 3.>>plot(x,y,'kd',xx,yy) 复制代码 例2 1.>> year = 1900:10:2010; 2.>> product = [75.995 91.972 105.711 12 3.203 131.669 150.697 179.323 203.212 226.505