数值分析算法在matlab中的实现
插值MATLAB实现(牛顿差商插值误差龙格现象切比雪夫插值)
插值MATLAB实现（牛顿差商插值误差龙格现象切比雪夫插值）插值是数值分析中的一种方法，通过已知数据点的函数值来估计函数在其他点的值。
MATLAB提供了多种方法来实现插值，包括牛顿差商插值、插值误差分析、龙格现象和切比雪夫插值。
下面将详细介绍这些方法的实现原理和MATLAB代码示例。
1.牛顿差商插值：牛顿差商插值是一种基于多项式插值的方法，其中差商是一个连续性的差分商。
该方法的优势在于可以快速计算多项式的系数。
以下是MATLAB代码示例：```matlabfunction [coeff] = newton_interpolation(x, y)n = length(x);F = zeros(n, n);F(:,1)=y';for j = 2:nfor i = j:nF(i,j)=(F(i,j-1)-F(i-1,j-1))/(x(i)-x(i-j+1));endendcoeff = F(n, :);end```该代码中，输入参数x和y分别表示已知数据点的x坐标和y坐标，返回值coeff表示插值多项式的系数。
2.插值误差分析：插值误差是指插值函数与原始函数之间的差异。
一般来说，通过增加插值节点的数量或使用更高次的插值多项式可以减小插值误差。
以下是MATLAB代码示例：```matlabfunction [error] = interpolation_error(x, y, x_eval)n = length(x);p = polyfit(x, y, n-1);y_eval = polyval(p, x_eval);f_eval = sin(pi*x_eval);error = abs(f_eval - y_eval);end```该代码中，输入参数x和y分别表示已知数据点的x坐标和y坐标，x_eval表示插值节点的x坐标，error表示插值误差。
3.龙格现象：龙格现象是插值多项式在等距插值节点上错误增长的现象。
第十章MATLAB的数值分析
• 第一个问题可归结为“已知函数在x0,x1,
– …,xn处的值，求函数在区间[x0,xn]内其它点处的值”，这 种问题适宜用插值方法解决。 – 插值问题可描述为：已知函数在x0,x1,…,xn处的值 y0,y1,…,yn，求函数p(x)，使p(xi) = yi。
• 但对第二个问题不宜用插值方法,因为600米已超出所 给数据范围，用插值函数外推插值区间外的数据会 产生较大的误差。
– Q1=prctile(w,25); – Q3=prctile(w,75); – prctile( )函数实现计算样本的百分位数功能
分布形态的测定
• 只用集中趋势和离中趋势来表示所有数据，难免不 够准确。分析总体次数的分布形态有助于识别整个 总体的数量特征。总体的分布形态可以从两个角度 考虑，一是分布的对称程度，另一个是分布的高低。 前者的测定参数称为偏度或偏斜度，后者的测定参 数称为峰度。 • 峰度是掌握分布形态的另一指标，它能描述分布的 平缓或陡峭程度。如果峰度数值等于零，说明分布 为正态；若峰度数值大于零，说明分布呈陡峭状态； 若峰度数值小于零，说明分布形态趋于平缓。
– 解决第二个问题的常用方法是，根据地面到井下 500 处的 数据求出瓦斯浓度与地面到井下距离x之间的近似函数关 系f(x), 由f(x)求井下600米处的瓦斯浓度。
• 插值函数过已知点，拟合函数不一定过已知点。通 常, 插值主要用于求函数值，而拟合的主要目的是求 函数关系。当然，某些问题既可以用插值也可以用 拟合。
插值方法-概述
• 为什么需要插值？
(1) 函数关系y=f(x)没有明确的表达式
(2) y=f(x)表达式复杂，不便于研究和使用
-20 -15
沉陷量/mm 下沉方向为"+"
数值分析中求解非线性方程的MATLAB求解程序
数值分析中求解非线性方程的MATLAB求解程序1. fzero函数：fzero函数是MATLAB中最常用的求解非线性方程的函数之一、它使用了割线法、二分法和反复均值法等多种迭代算法来求解方程。
使用fzero函数可以很方便地求解单变量非线性方程和非线性方程组。
例如，要求解方程f(x) = 0，可以使用以下语法：``````2. fsolve函数：fsolve函数是MATLAB中求解多维非线性方程组的函数。
它是基于牛顿法的迭代算法来求解方程组。
使用fsolve函数可以非常方便地求解非线性方程组。
例如，要求解方程组F(x) = 0，可以使用以下语法：``````3. root函数：root函数是MATLAB中求解非线性方程组的函数之一、它采用牛顿法或拟牛顿法来求解方程组。
使用root函数可以非常方便地求解非线性方程组。
例如，要求解方程组F(x) = 0，可以使用以下语法：``````4. vpasolve函数：vpasolve函数是MATLAB中求解符号方程的函数。
它使用符号计算的方法来求解方程，可以得到精确的解。
vpasolve函数可以求解多变量非线性方程组和含有符号参数的非线性方程。
例如，要求解方程组F(x) = 0，可以使用以下语法：```x = vpasolve(F(x) == 0, x)```vpasolve函数会返回方程组的一个精确解x。
5. fsolve和lsqnonlin结合：在MATLAB中，可以将求解非线性方程转化为求解最小二乘问题的形式。
可以使用fsolve函数或lsqnonlin函数来求解最小二乘问题。
例如，要求解方程f(x) = 0，可以将其转化为最小二乘问题g(x) = min，然后使用fsolve或lsqnonlin函数来求解。
具体使用方法可以参考MATLAB官方文档。
6. Newton-Raphson法手动实现：除了使用MATLAB中的函数来求解非线性方程，还可以手动实现Newton-Raphson法来求解。
数值分析的matlab实现
第2章牛顿插值法实现参考文献：[1]岑宝俊. 牛顿插值法在凸轮曲线修正设计中的应用[J]. 机械工程师,2009,10:54-55.求牛顿插值多项式和差商的MA TLAB 主程序：function[A,C,L,wcgs,Cw]=newpoly(X,Y)n=length(X);A=zeros(n,n);A(:,1) =Y';s=0.0;p=1.0;q=1.0;c1=1.0;for j=2:nfor i=j:nA(i,j)=(A(i,j-1)-A(i-1,j-1))/(X(i)-X(i-j+1));endb=poly(X(j-1));q1=conv(q,b);c1=c1*j;q=q1;endC=A(n,n);b=poly(X(n));q1=conv(q1,b);for k=(n-1):-1:1C=conv(C,poly(X(k)));d=length(C);C(d)=C(d)+A(k,k);endL(k,:)=poly2sym(C);Q=poly2sym(q1);syms Mwcgs=M*Q/c1;Cw=q1/c1;（1）保存名为newpoly.m 的M 文件（2）输入MA TLAB 程序>> X=[242,243,249,250];>> Y=[13.681,13.526,13.098,13.095];>> [A,C,L,wcgs,Cw]=newpoly(X,Y)输出3阶牛顿插值多项式L 及其系数向量C 差商的矩阵A ，插值余项wcgs 及其)()()1(ξ+n n f x R 的系数向量Cw 。
A =13.6810 0 0 013.5260 -0.1550 0 013.0980 -0.0713 0.0120 013.0950 -0.0030 0.0098 -0.0003C =1.0e+003 *-0.0000 0.0002 -0.0551 4.7634L =- (23*x^3)/84000 + (2981*x^2)/14000 - (7757472138947345*x)/140737488355328 + 5237382665812919/1099511627776wcgs =(M*(x^4 - 984*x^3 + 363071*x^2 - 59535444*x + 3660673500))/24Cw =1.0e+008 *0.0000 -0.0000 0.0002 -0.0248 1.5253输入MATLAB程序>> x=244;>> y=- (23*x^3)/84000 + (2981*x^2)/14000 - (7757472138947345*x)/140737488355328 + 5237382665812919/1099511627776y =13.3976输入MATLAB程序>> x=[244,245,246,247,248];>> y=- (23.*x.^3)./84000 + (2981.*x.^2)./14000 - (7757472138947345.*x)./140737488355328 + 5237382665812919./1099511627776y =13.3976 13.2943 13.2143 13.1560 13.1178第4章 高斯-勒让德积分公式实现用高斯-勒让德积分公式计算dx e I x ⎰--=112221π，取代数精度为3和5，再根据截断误差公式写出误差公式，并将计算结果与精确值进行比较。
《数值分析》课程数值积分的Matlab实现问题的教学研究
ｑ ａ ｇ ｕｄｋ ｑ ａ ｇ （ ｎｘ ｎ ｍａ ） ｕ ｄ ｋｆ ，ｍｉ， ｘ ｕ ｘ Ｇ
自适应
高， 支持无穷区间积 分 ， 供 ｔｈＴ １ 提 Ａｓｎ， ’
ａ 一 ｒｎｏ 算 法 ’ｄＴ ｌ． ｌ Ｋｏ ｒｄ Ｒ ｏ’ Ｍａ［ｌｒａｅ ｔ ｜等 ｘｎｅｖｌｏｔ ’ ｏ 选 项
思维能力 ， 又能够培养学生应用科学计算方法和计算机技术分析
解 决 实 际 问题 的 能力 。在 我 目 ， 乎 所 有 工 科 院 校 硕 ｉ 研 究 生 都 几
开设 了《 数值分析》 课程 。 近年来 ， 人们已意识到在数值分析课程的课堂教 学和实验教
学 中 引 入科 学 汁算 软 件 的重 要 性 ， ｔ ｂ 件 已替 代 Ｃ语 言 成 为 Ｍａ ａ 软 ｌ
其 中 ｆｎ 以是 匿名 函数 、 ｕ可 字符 串形式 的函数 、 内嵌 函数 、 Ｍ 函数文 件 的函数句 柄等 ， 函数 表达 式要遵 循 “ 组运 算 ”ｘ ｎ 数 ，ｍｉ， ｘ ａ， ｍｉ，ｍａ 分 别表示 两个积 分变量 的 七下 限 ， ｌ ｘｙ ｎｙ ｘ ｎ 都为确定 的 常数 ， 】 ｔ 是绝对误 差限 ， ｅｈｄ 积分方法 的选择 ， ｏ ｍ ｔｏ 是 缺省方法 是 ＠ｑ ａ， ｕｄ 还可 以选取＠ｑ ａｌ 自定义 的积分 方法 函数文件的函数 ｕ ｄ或
堕 塾查
ＮＯ． ７ Ｔ ＭＥ ＤＵＣＡＴ１ Ｉ Ｅ ０Ｎ Ｊｕｌ ｙ
《 数值分析》 课程数值积分的 Ｍａｌｂ ｔ 实现问题 的教学研究 ａ
戈 慈水
摘 要 ： 文 根 据 数 值 分 析 课 程 的 实践 性 特 点 ， 数 值 积 分 的 教 学 中融入 Ｍ ａａ 本 在 ｔｂ实现 问题 的教 学 ， 合 问 题 教 学 法 ， ｌ 结 以提 高 学生 对 数 值 积 分 方 法 的理 解和 应 用 能 力 ， 实现 本课 程 数值 积 分 内容 的 教 学 目标 。
数值分析matlab实验报告
数值分析matlab实验报告数值分析 Matlab 实验报告一、实验目的数值分析是研究各种数学问题数值解法的学科，Matlab 则是一款功能强大的科学计算软件。
本次实验旨在通过使用 Matlab 解决一系列数值分析问题，加深对数值分析方法的理解和应用能力，掌握数值计算中的误差分析、数值逼近、数值积分与数值微分等基本概念和方法，并培养运用计算机解决实际数学问题的能力。
二、实验内容（一）误差分析在数值计算中，误差是不可避免的。
通过对给定函数进行计算，分析截断误差和舍入误差的影响。
例如，计算函数＄f(x) ＝＼sin(x)＄在＄x ＝ 05$ 附近的值，比较不同精度下的结果差异。
（二）数值逼近1、多项式插值使用拉格朗日插值法和牛顿插值法对给定的数据点进行插值，得到拟合多项式，并分析其误差。
2、曲线拟合采用最小二乘法对给定的数据进行线性和非线性曲线拟合，如多项式曲线拟合和指数曲线拟合。
（三）数值积分1、牛顿柯特斯公式实现梯形公式、辛普森公式和柯特斯公式，计算给定函数在特定区间上的积分值，并分析误差。
2、高斯求积公式使用高斯勒让德求积公式计算积分，比较其精度与牛顿柯特斯公式的差异。
（四）数值微分利用差商公式计算函数的数值导数，分析步长对结果的影响，探讨如何选择合适的步长以提高精度。
三、实验步骤（一）误差分析1、定义函数｀compute_sin_error` 来计算不同精度下的正弦函数值和误差。
｀｀｀matlabfunction value, error ＝ compute_sin_error(x, precision)true_value ＝ sin(x)；computed_value ＝ vpa(sin(x)， precision)；error ＝ abs(true_value computed_value)；end｀｀｀2、在主程序中调用该函数，分别设置不同的精度进行计算和分析。
（二）数值逼近1、拉格朗日插值法｀｀｀matlabfunction L ＝ lagrange_interpolation(x, y, xi)n ＝ length(x)；L ＝ 0;for i ＝ 1:nli ＝ 1;for j ＝ 1:nif j ～＝ ili ＝ li （xi x(j)）／（x(i) x(j)）；endendL ＝ L ＋ y(i) li;endend｀｀｀2、牛顿插值法｀｀｀matlabfunction N ＝ newton_interpolation(x, y, xi)n ＝ length(x)；％计算差商表D ＝ zeros(n, n)；D(：， 1) ＝ y'；for j ＝ 2:nfor i ＝ j:nD(i, j) ＝（D(i, j 1) D(i 1, j 1)）／（x(i) x(i j ＋ 1)）；endend％计算插值结果N ＝ D(1, 1)；term ＝ 1;for i ＝ 2:nterm ＝ term （xi x(i 1)）；N ＝ N ＋ D(i, i) term;endend｀｀｀3、曲线拟合｀｀｀matlab％线性最小二乘拟合p ＝ polyfit(x, y, 1)；y_fit_linear ＝ polyval(p, x)；％多项式曲线拟合p ＝ polyfit(x, y, n)；％ n 为多项式的次数y_fit_poly ＝ polyval(p, x)；％指数曲线拟合p ＝ fit(x, y, ＇exp1'）；y_fit_exp ＝ p(x)；｀｀｀（三）数值积分1、梯形公式｀｀｀matlabfunction T ＝ trapezoidal_rule(f, a, b, n)h ＝（b a) ／ n;x ＝ a:h:b;y ＝ f(x)；T ＝ h （（y(1) ＋ y(end)）／ 2 ＋ sum(y(2:end 1)））；end｀｀｀2、辛普森公式｀｀｀matlabfunction S ＝ simpson_rule(f, a, b, n)if mod(n, 2) ～＝ 0error(＇n 必须为偶数'）；endh ＝（b a) ／ n;x ＝ a:h:b;y ＝ f(x)；S ＝ h ／ 3 （y(1) ＋ 4 sum(y(2:2:end 1)）＋ 2 sum(y(3:2:end 2)）＋ y(end)）；end｀｀｀3、柯特斯公式｀｀｀matlabfunction C ＝ cotes_rule(f, a, b, n)h ＝（b a) ／ n;x ＝ a:h:b;y ＝ f(x)；w ＝ 7, 32, 12, 32, 7 ／ 90;C ＝ h sum(w y)；end｀｀｀4、高斯勒让德求积公式｀｀｀matlabfunction G ＝ gauss_legendre_integration(f, a, b)x, w ＝ gauss_legendre(5)；％选择适当的节点数t ＝（b a) ／ 2 x ＋（a ＋ b) ／ 2;G ＝（b a) ／ 2 sum(w f(t)）；end｀｀｀（四）数值微分｀｀｀matlabfunction dydx ＝ numerical_derivative(f, x, h)dydx ＝（f(x ＋ h) f(x h)）／（2 h)；end｀｀｀四、实验结果与分析（一）误差分析通过不同精度的计算，发现随着精度的提高，误差逐渐减小，但计算时间也相应增加。
数值分析在生活中的应用举例及Matlab实现
一、最小二乘法，用MATLAB实现1. 数值实例下面给定的是乌鲁木齐最近1个月早晨7：00左右（新疆时间）的天气预报所得到的温度，按照数据找出任意次曲线拟合方程和它的图像。
下面用MATLAB编程对上述数据进行最小二乘拟合。
下面用MATLAB编程对上述数据进行最小二乘拟合2、程序代码x=[1:1:30];y=[9,10,11,12,13,14,13,12,11,9,10,11,12,13,14,12,11,10,9,8,7,8,9,11,9,7,6,5,3,1];a1=polyfit(x,y,3) %三次多项式拟合%a2= polyfit(x,y,9) %九次多项式拟合%a3= polyfit(x,y,15) %十五次多项式拟合%b1=polyval(a1,x)b2=polyval(a2,x)b3=polyval(a3,x)r1= sum((y-b1).^2) %三次多项式误差平方和%r2= sum((y-b2).^2) %九次次多项式误差平方和%r3= sum((y-b3).^2) %十五次多项式误差平方和%plot(x,y,'*') %用*画出x,y图像%hold onplot(x,b1, 'r') %用红色线画出x,b1图像%hold onplot(x,b2, 'g') %用绿色线画出x,b2图像%hold onplot(x,b3, 'b:o') %用蓝色o线画出x,b3图像%3、数值结果不同次数多项式拟合误差平方和为：r1=67.6659r2=20.1060r3=3.7952r1、r2、r3分别表示三次、九次、十五次多项式误差平方和。
4、拟合曲线如下图二、 线性方程组的求解（ 高斯-塞德尔迭代算法 ）1、实例： 求解线性方程组（见书P233页）⎪⎪⎩⎪⎪⎨⎧=++=-+=+-3612363311420238321321321x x x x x x x x x 记A x=b, 其中⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--=363320,,12361114238321b x A x x x任取初始值()()Tx0000=，进行迭代。
数值研究分析试验幂法与反幂法matlab
数值分析试验幂法与反幂法matlab————————————————————————————————作者：————————————————————————————————日期：一、问题的描述及算法设计（一）问题的描述我所要做的课题是：对称矩阵的条件数的求解设计1、求矩阵A 的二条件数问题 A=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡----210121012 2、设计内容：1）采用幂法求出A 的. 2）采用反幂法求出A 的.3）计算A 的条件数 ⅡA Ⅱ2* ⅡA -1Ⅱ2=cond2（A ）=/.（精度要求为10-6） 3、设计要求1）求出ⅡA Ⅱ2。
2）并进行一定的理论分析。
（二）算法设计1、幂法算法（1）取初始向量u )0(（例如取u )0(=(1,1,…1)T ）,置精度要求ε，置k=1.（2）计算v )(k =Au )1(-k ,m k =max(v )(k ), u )(k = v )(k / m k（3）若| m k = m 1-k |<ε，则停止计算（m k 作为绝对值最大特征值1λ，u )(k 作为相应的特征向量）否则置k=k+1，转（2）2、反幂法算法（1）取初始向量u )0(（例如取u )0(=(1,1,…1)T ）,置精度要求ε，置k=1.（2）对A 作LU 分解，即A=LU（3）解线性方程组 Ly )(k =u )1(-k ,Uv )(k =y )(k（4）计算m k =max(v )(k ), u )(k = v )(k / m k（5）若|m k =m 1-k |<ε，则停止计算（1/m k 作为绝对值最小特征值n λ，u )(k 作为相应的特征向量）;否则置k=k+1，转（3）.二、算法的流程图（一）幂法算法的流程图noyes开始k=0;m1=0 v=A*u [vmax,i]=max(abs(v m=v(i);u=v/mabs(m-m1)< 1e-6 index=1;break; 输出：m ，u ，index 结束m1=m;k=k+1（二）反幂法算法的流程图no yes开始输入A ；[m ,u,index] =pow_inv(A,1e-6) k=0;m1=0 v=invA*u [vmax,i]=max(abs(v)) m=v(i);u=v/mabs(m-m1)< 1e-6 index=1;break; 输出：m ，u ，index结束 m1=m;k=k+1 输入A ；三、算法的理论依据及其推导（一）幂法算法的理论依据及推导幂法是用来确定矩阵的主特征值的一种迭代方法，也即，绝对值最大的特征值。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
数值分析matlab实现高斯消元法：function[RA,RB,n,X]=gaus(A,b)B=[A b];n=length(b);RA=rank(A);RB=rank(B);zhica=RB-RA;if zhica>0,disp('请注意：因为RA~=RB，所以此方程组无解.')returnendif RA==RBif RA==ndisp('请注意：因为RA=RB=n，所以此方程组有唯一解.')X=zeros(n,1);C=zeros(1,n+1);for p=1:n-1for k=p+1:nm=B(k,p)/B(p,p);B(k,p:n+1)=B(k,p:n+1)-m*B(p,p:n+1); endendb=B(1:n,n+1);A=B(1:n,1:n);X(n)=b(n)/A(n,n);for q=n-1:-1:1X(q)=(b(q)-sum(A(q,q+1:n)*X(q+1:n)))/A(q,q);endelsedisp('请注意：因为RA=RB<n，所以此方程组有无穷多解.')endendX列主元消去法：function[RA,RB,n,X]=liezhu(A,b)B=[A b];n=length(b);RA=rank(A);RB=rank(B);zhica=RB-RA;if zhica>0,disp('请注意：因为RA~=RB，所以此方程组无解.')returnendif RA==RBif RA==ndisp('请注意：因为RA=RB=n，所以此方程组有唯一解.')X=zeros(n,1);C=zeros(1,n+1);for p=1:n-1[Y,j]=max(abs(B(p:n,p)));C=B(p,:);B(p,:)=B(j+p-1,:);B(j+p-1,:)=C;for k=p+1:nm=B(k,p)/B(p,p);B(k,p:n+1)=B(k,p:n+1)-m*B(p,p:n+1);endendb=B(1:n,n+1);A=B(1:n,1:n);X(n)=b(n)/A(n,n);for q=n-1:-1:1X(q)=(b(q)-sum(A(q,q+1:n)*X(q+1:n)))/A(q,q);endelsedisp('请注意：因为RA=RB<n，所以此方程组有无穷多解.')endendXJacobi迭代法：例1用jacobi迭代法求解代数线性代数方程组,保留四位有效数字(err＝1e-4)其中A=[8-11;2 10-1;11-5];b=[1;4;3]。
解：编写jacobi迭代法的函数文件，保存为jacobi.mfunction[x,k]=jacobi(A,b,x0,eps,N)%求解Ax=b；x0为初始列向量；eps为误差容限；N为最大迭代次数%输出x为近似解；k为迭代次数n=length(A);x=zeros(n,1);for k=1:Nfor i=1:n―――――――endif norm(x-x0,inf)<eps%迭代终止条件%if(max(abs(x-x0)))<epsbreak;endx0=x;end编写主程序如下format longclearA=[8-11;210-1;11-5];b=[1;4;3];x0=[0.125;0.4;-0.6];%x0为初始列向量N为最大迭代次数err=1e-4;%err为误差容限N=25;%N为最大迭代次数[x,k]=jacobi(A,b,x0,err,N)得到结果如下x=0.224923156250000.30561995000000-0.49388680000000k=6024681012HourD e g r e e s C e l s i u sGauss-seidel 迭代法：例2用Gauss-seidel 迭代法求解代数线性代数方程组,保留四位有效数字(err ＝1e-4)其中A=[8-11;210-1;11-5];b=[1;4;3]。
解：编写Gauss-seidel 迭代法的函数文件，保存为gaus.mfunction [x,k]=gaus(A,b,x0,eps,N)%求解Ax=b ；x0为初始列向量；eps 为误差容限；N 为最大迭代次数%输出x 为近似解；k 为迭代次数n=length(A);x=zeros(n,1);for k=1:Nfor i=1:n――――――endif norm(x-x0,inf)<eps %迭代终止条件%if (max(abs(x-x0)))<epsbreak;end x0=x;end编写主程序如下format long clearA=[8-11;210-1;11-5];b=[1;4;3];x0=[0.125;0.4;-0.6];%x0为初始列向量N 为最大迭代次数err=1e-4;%err 为误差容限N=25;%N 为最大迭代次数[x,k]=gaus(A,b,x0,err,N)输出结果为x =0.224939378906250.30562326171875-0.49388747187500k =5用matlab 做插值计算一维插值函数：Yi=interp1(x,y,xi,’method’)其中yi ——xi 处的插值结果；x,y ——插值节点；xi ——被插值点；’method’——插值方法，分为’nearest’—最邻近插值；’linear’—线性插值；’spline’—三次样条插值；’cubic’—立方插值。
例如：>>hours=1:12;>>temps=[589152529313022252724];>>h=1:0.1:12;>>t=interp1(hours,temps,h,'linear');>>plot(hours,temps)>>xlabel('Hour'),ylabel('Degrees Celsius')二维插值：1，网格节点数据的插值24681012z=interp2(x0,y0,z0,x,y,’method’)其中，z ——被插值点的函数值；x0,y0,z0——插值节点；x,y ——被插值点；’method’——插值方法，与一维插值相同。
2，散点数据的插值计算cz=griddata(x,y,z,cx,cy,’method’)与网格节点数据相似。
Lagrange 多项式插值（n 次）：function f=Lagrange(x,fx,inx)n=length(x);m=length(inx);for i=1:m;z=inx(i);s=0.0;for k=1:np=1.0;for j=1:nif j~=kp=p*(z-x(j))/(x(k)-x(j));end end s=p*fx(k)+s;end f(i)=s;endplot(x,fx,'O',inx,f)例：例：已知数据如下，求1—12之间以0.2为间隔的所有值，并画出图形：xi=123456789101112；fxi=1223434-13425233494523。
解：图像如右图。
>>x=[1:12];>>fx=[1223434-13425233494523];>>xi=[1:0.2:12];>>Lagrange(x,fx,xi)ans =Columns 1through 912.0000-60.593718.2765124.9778202.5952234.0000223.3757184.1249131.4738Columns 10through 1878.425334.0000 2.9467-13.6885-17.5810-12.0379-1.000011.755623.1624Columns 19through 2731.161134.773034.000029.605422.833215.11537.8099 2.0000-1.6307Columns 28through 36-2.8397-1.7907 1.0404 5.00009.402413.664317.403320.483423.0000Columns37through4525.203727.376929.685832.040034.000034.774233.342628.7320 20.4439Columns46through549.0000-3.4848-12.8605-12.8873 4.059245.0000112.3788197.1817 267.9699Columns55through56254.343923.0000Hermite插值法：function f=Hermite(x,y,y_1,x0)syms t;f=0.0;if(length(x)==length(y))if(length(y)==length(y_1))n=length(x);elsedisp('y和y的导数的维数不相等！');return;endelsedisp('x和y的维数不相等！');return;endfor i=1:nh=1.0;a=0.0;for j=1:nif(j~=i)h=h*(t-x(j))^2/((x(i)-x(j))^2);a=a+1/(x(i)-x(j));endendf=f+h*((x(i)-t)*(2*a*y(i)-y_1(i))+y(i));if(i==n)if(nargin==4)f=subs(f,'t',x0);elsef=vpa(f,6);endendend三次样条插值：调用Matlab自带函数：spline。