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lagranfunction [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 polynomialw=length(X);n=w-1;L=zeros(w,w);for k=1:n+1V=1;for j=1:n+1if k~=jV=conv(V,poly(X(j)))/(X(k)-X(j));endendL(k,:)=V;endC=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+εβ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 11 21 31 41 51 61 71 81 91 10y =10.956711.833413.012514.028814.885416.119117.118917.996219.032720.0175b =9.92131.0143bint =9.7889 10.05370.9930 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 70.0000 -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 -0.0035s =R: [4x4 double]df: 7normr: 1.1406Y =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 111.25942.01405. 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。