数据插值、数据拟合、最小二乘拟合、方程组解析解&迭代解法

最新推荐文章于 2026-07-06 18:11:15 发布
原创 最新推荐文章于 2026-07-06 18:11:15 发布 · 867 阅读 · 4 ·
本内容遵循CC 4.0 BY-SA版权协议
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
收录于
MATLAB基础

当前文章被收录于：

MATLAB基础
23 篇文章 10 人学习
订阅专栏 查看详情
基础数学

当前文章被收录于：

基础数学
13 篇文章 3 人学习
订阅专栏 查看详情
matlab科学计算

当前文章被收录于：

matlab科学计算
9 篇文章 0 人学习
订阅专栏 查看详情
本文探讨了数值计算中的多项式插值问题，包括拉格朗日插值、线性插值、立方插值以及最近邻插值、样条插值等方法。通过实例展示了不同插值方法在数据拟合上的表现，分析了它们的平滑度和计算复杂度。此外，还涉及到了最小二乘法在数据拟合中的应用，以及分段三次样条函数和B样条函数的使用。这些方法在解决实际问题中具有广泛的应用价值。

在这里插入图片描述
(欠定方程)

%解析解：
A = [2 -9 3 -2 -1; 10 -1 10 5 0; 8 -2 -4 -6 3; -5 -6 -6 -8 -4];
B = [-1 -4 0; -3 -8 -4; 0 3 3; 9 -5 3];
[rank(A), rank([A B])]
x0 = null(sym(A)); % 求AX=0的基础解
x_analytical = sym(A)\B; syms a;
x = a*[x0 x0 x0]+x_analytical
A*x - B

输出：

x =
 
[  - (127*a)/170 - 18/17,     193/170 - (127*a)/170,      5/34 - (127*a)/170]
[  (307*a)/408 + 347/204,     (307*a)/408 - 719/408,   (307*a)/408 - 103/408]
[(3659*a)/2040 + 587/204, (3659*a)/2040 - 8911/2040, (3659*a)/2040 - 283/408]
[- (1321*a)/680 - 265/68,   3069/680 - (1321*a)/680,   33/136 - (1321*a)/680]
[                      a,                         a,                       a]

ans =
 
[0, 0, 0]
[0, 0, 0]
[0, 0, 0]
[0, 0, 0]

%数值解：
x0=null(A); x_numerical=A\B; syms a;
x=a*[x0 x0 x0]+x_numerical; vpa(x,10)
A*x-B

ans =
 
[0.2474402553*a + 0.1396556436,  0.2474402553*a - 0.6840666849,  0.2474402553*a - 0.1418420333]
[0.4938507789 - 0.2492262414*a, 0.07023776988 - 0.2492262414*a, 0.03853511888 - 0.2492262414*a]
[              -0.5940839201*a,                -0.5940839201*a,                -0.5940839201*a]
[0.6434420813*a - 0.7805411315,  0.6434420813*a - 0.2178190763,  0.6434420813*a - 0.5086089095]
[- 0.3312192394*a - 1.60426346,   2.435364854 - 0.3312192394*a,  0.3867176824 - 0.3312192394*a]
 
ans =
 
[      a/36028797018963968,       a/36028797018963968,       a/36028797018963968]
[-(99*a)/36028797018963968, -(99*a)/36028797018963968, -(99*a)/36028797018963968]
[  (5*a)/18014398509481984,   (5*a)/18014398509481984,   (5*a)/18014398509481984]
[        a/562949953421312,         a/562949953421312,         a/562949953421312]

在这里插入图片描述

syms x1 x2
eqns = [x1^2 - x2 - 1 == 0, (x1-2)^2+(x2-0.5)^2 - 1== 0];
[x1,x2] = solve(eqns,[x1 x2]);
norm(double([x1.^2-x2-1 (x1-2).^2+(x2-0.5).^2-1]))

format long;
syms x1 x2
eqns = [x1^2 - x2 - 1 == 0, (x1-2)^2+(x2-0.5)^2 - 1== 0];
S = solve(eqns,[x1 x2]);
x1 = double(vpa(S.x1)) %将sym类型转换为double类型
x2 = double(vpa(S.x2)) %将sym类型转换为double类型
[res1,res2] = deal(zeros(length(x1),1),zeros(length(x2),1)); %建立残差矩阵
for i = 1:length(x(1))
res1(i) = x1(i)^2 - x2(i) - 1;
res2(i) = (x1(i)-2)^2+(x2(i)-0.5)^2 - 1;
end
res1,res2

输出

x1 =

  1.067346085806690 + 0.000000000000000i
  1.546342883319945 + 0.000000000000000i
 -1.306844484563317 + 1.213690445160591i
 -1.306844484563317 - 1.213690445160591i


x2 =

  0.139227666886861 + 0.000000000000000i
  1.391176312794241 + 0.000000000000000i
 -0.765201989840551 - 3.172209328450632i
 -0.765201989840551 + 3.172209328450632i


res1 =

   1.0e-15 *

  -0.222044604925031
                   0
                   0
                   0


res2 =

     0
     0
     0
     0

在这里插入图片描述

a = [10 -1 -2; -1 10 -2; -1 -1 5];
b = [72; 83; 42];
jacobi(a,b,[0;0;0])
seidel(a,b,[0;0;0])

function y=jacobi(a,b,x0)
D = diag(diag(a)); U=-triu(a,1); L=-tril(a,-1);
B=D\(L+U); f=D\b;
y = B*x0+f;
n = 1;
while norm(y-x0)>=1.0e-6
x0 = y;
y = B*x0+f;
n = n+1;
end
N

function y=seidel(a,b,x0)
D = diag(diag(a)); U = -triu(a,1); L = -tril(a,-1);
G = (D-L)\U; f = (D-L)\b;
y = G*x0+f; 
n = 1;
while norm(y-x0)>=1.0e-6
x0 = y;
y = G*x0+f;
n = n+1;
end
n

(jacobi)输出：

n =
    17
ans =
   11.0000
   12.0000
   13.0000

n =
10

(seidel)输出：

ans =

   11.0000
   12.0000
   13.0000

在这里插入图片描述

x=[-2,-1.7,-1.4,-1.1,-0.8,-0.5,-0.2,0.1,0.4,0.7,1,1.3,...
1.6,1.9,2.2,2.5,2.8,3.1,3.4,3.7,4,4.3,4.6,4.9];
y=[0.10289,0.11741,0.13158,0.14483,0.15656,0.16622,0.17332,...
0.1775,0.17853,0.17635,0.17109,0.16302,0.15255,0.1402,...
0.12655,0.11219,0.09768,0.08353,0.07019,0.05786,0.04687,...
0.03729,0.02914,0.02236];
x1 = [-2:0.1:4.9];
subplot(1,2,1)
y1 = lagrange(x,y,x1);
y2 = interp1(x,y,x1,'linear');
y3 = interp1(x,y,x1,'cubic');
plot(x1,[y1',y2',y3'],':',x,y,'*');
title('拉格朗日、线性插值与立方插值'),legend('lagrange插值曲线','线性插值曲线','立方插值曲线','原始数据点')
subplot(1,2,2)
y4 = interp1(x,y,x1,'nearest');
y5 = interp1(x,y,x1,'spline'); 
y6 = interp1(x,y,x1,'pchip');
plot(x1,[y4',y5',y6'],':',x,y,'*');
title('nearest、spline、pchip插值'),legend('nearest插值曲线','spline插值曲线','pchip插值曲线','原始数据点')

在这里插入图片描述
优劣：拉格朗日插值曲线没有线性插值、立方插值曲线那么平滑，但计算复杂度低；nearest插值曲线没有spline插值、pchip插值曲线那么平滑，但计算简单，其中spline插值曲线效果最佳。

在这里插入图片描述

[x,y]=meshgrid(0.1:0.1:1.1);
z=[0.83041,0.82727,0.82406,0.82098,0.81824,0.8161,0.81481,0.81463,0.81579,0.81853,0.82304;
0.83172,0.83249,0.83584,0.84201,0.85125,0.86376,0.87975,0.89935,0.92263,0.94959,0.9801;
0.83587,0.84345,0.85631,0.87466,0.89867,0.9284,0.96377,1.0045,1.0502,1.1,1.1529;
0.84286,0.86013,0.88537,0.91865,0.95985,1.0086,1.0642,1.1253,1.1904,1.257,1.3222;
0.85268,0.88251,0.92286,0.97346,1.0336,1.1019,1.1764,1.254,1.3308,1.4017,1.4605;
0.86532,0.91049,0.96847,1.0383,1.118,1.2046,1.2937,1.3793,1.4539,1.5086,1.5335;
0.88078,0.94396,1.0217,1.1118,1.2102,1.311,1.4063,1.4859,1.5377,1.5484,1.5052;
0.89904,0.98276,1.082,1.1922,1.3061,1.4138,1.5021,1.5555,1.5573,1.4915,1.346;
0.92006,1.0266,1.1482,1.2768,1.4005,1.5034,1.5661,1.5678,1.4889,1.3156,1.0454;
0.94381,1.0752,1.2191,1.3624,1.4866,1.5684,1.5821,1.5032,1.315,1.0155,0.62477;
0.97023,1.1279,1.2929,1.4448,1.5564,1.5964,1.5341,1.3473,1.0321,0.61268,0.14763];
[x1,y1]=meshgrid(0.1:0.02:1.1);
z1 = interp2(x,y,z,x1,y1);  % z1=interp2(x,y,z,x1,y1,'spline');
figure,surf(x1,y1,z1),axis([0.1,1.1,0.1,1.1,0,1.8])
% axis([0.1,1.1,0.1,1.1,min(z1(:)),max(z1(:))])

在这里插入图片描述
前面给出的数据分别为一元数据和二元数据，试用分段三次样条函数和B样条函数对其进行拟合。

x=[-2,-1.7,-1.4,-1.1,-0.8,-0.5,-0.2,0.1,0.4,0.7,1,1.3,...
1.6,1.9,2.2,2.5,2.8,3.1,3.4,3.7,4,4.3,4.6,4.9];
y=[0.10289,0.11741,0.13158,0.14483,0.15656,0.16622,0.17332,...
0.1775,0.17853,0.17635,0.17109,0.16302,0.15255,0.1402,...
0.12655,0.11219,0.09768,0.08353,0.07019,0.05786,0.04687,...
0.03729,0.02914,0.02236];
figure, plot(x,y,'k*'), hold on;
sp1 = csapi(x,y); fnplt(sp1,'--'), hold on;
sp2 = spapi(5,x,y); fnplt(sp2,':')
title('一元数据拟合'),legend('原始数据','三次样条函数','5次B样条函数')

在这里插入图片描述

x1 = 0.1:0.1:1.1; y1 = 0.1:0.1:1.1;
subplot(121), sp1 = csapi({x1,y1},z); fnplt(sp1);axis([0.1,1.1,0.1,1.1,0,1.8])
subplot(122), sp2 = spapi({5,5},{x1,y1},z); fnplt(sp2);axis([0.1,1.1,0.1,1.1,0,1.8])

在这里插入图片描述
上面给出的数据，试考虑用多项式插值的方法对其数据进行逼近，并选择一个能较好拟合原数据的多项式阶次。

x=[-2,-1.7,-1.4,-1.1,-0.8,-0.5,-0.2,0.1,0.4,0.7,1,1.3,...
1.6,1.9,2.2,2.5,2.8,3.1,3.4,3.7,4,4.3,4.6,4.9];
y=[0.10289,0.11741,0.13158,0.14483,0.15656,0.16622,0.17332,...
0.1775,0.17853,0.17635,0.17109,0.16302,0.15255,0.1402,...
0.12655,0.11219,0.09768,0.08353,0.07019,0.05786,0.04687,...
0.03729,0.02914,0.02236];
x0=-2:0.02:4.9;
p3=polyfit(x,y,3); y3=polyval(p3,x0);
p5=polyfit(x,y,5); y5=polyval(p5,x0);
p7=polyfit(x,y,7); y7=polyval(p7,x0);
p9=polyfit(x,y,9); y9=polyval(p9,x0);
p11=polyfit(x,y,11); y11=polyval(p11,x0);
plot(x0,[y3; y5; y7; y9; y11])

从拟合的结果可以发现，选择5 次多项式就能较好地拟合原始数据。

x=[-2,-1.7,-1.4,-1.1,-0.8,-0.5,-0.2,0.1,0.4,0.7,1,1.3,...
1.6,1.9,2.2,2.5,2.8,3.1,3.4,3.7,4,4.3,4.6,4.9];
y=[0.10289,0.11741,0.13158,0.14483,0.15656,0.16622,0.17332,...
0.1775,0.17853,0.17635,0.17109,0.16302,0.15255,0.1402,...
0.12655,0.11219,0.09768,0.08353,0.07019,0.05786,0.04687,...
0.03729,0.02914,0.02236];

figure, plot(x,y,'k*'),hold on;
p2 = polyfit(x,y,2); y2 = polyval(p2,x);
p3 = polyfit(x,y,3); y3 = polyval(p3,x);
p4 = polyfit(x,y,4); y4 = polyval(p4,x);
p5 = polyfit(x,y,5); y5 = polyval(p5,x);
p6 = polyfit(x,y,6); y6 = polyval(p6,x);
plot(x,[y2',y3',y4',y5',y6']), title('多项式拟合'), legend('原始数据','2次拟合','3次拟合','4次拟合','5次拟合','6次拟合');
if(sum((y2-y).^2)>sum((y3-y).^2)>sum((y4-y).^2)>sum((y5-y).^2)>sum((y6-y).^2))
vpa(poly2sym(p6),4)
end

输出

ans =
 
- 6.457e-6*x^6 - 2.477e-5*x^5 + 0.0007888*x^4 - 0.0007826*x^3 - 0.01729*x^2 + 0.01175*x + 0.1765

在这里插入图片描述
在这里插入图片描述

x=[-2,-1.7,-1.4,-1.1,-0.8,-0.5,-0.2,0.1,0.4,0.7,1,1.3,...
1.6,1.9,2.2,2.5,2.8,3.1,3.4,3.7,4,4.3,4.6,4.9];
y=[0.10289,0.11741,0.13158,0.14483,0.15656,0.16622,0.17332,...
0.1775,0.17853,0.17635,0.17109,0.16302,0.15255,0.1402,...
0.12655,0.11219,0.09768,0.08353,0.07019,0.05786,0.04687,...
0.03729,0.02914,0.02236];

f = inline('exp(-(x-u(1)).^2/2/u(2).^2)/sqrt(2*pi)./u(2)','u','x')
[uu,res] = lsqcurvefit(f,[1,1],x,y)
figure, plot(x,y,'k*'); hold on;
y1 = f(uu,x); plot(x,y1), title('数据最小二乘法拟合'),legend('原始数据','最小二乘法拟合');

输出：

uu =

    0.3461    2.2340


res =

   1.8117e-09

在这里插入图片描述
在这里插入图片描述

[x,y]=meshgrid(0.1:0.1:1.1);
z=[0.83041,0.82727,0.82406,0.82098,0.81824,0.8161,0.81481,0.81463,0.81579,0.81853,0.82304;
0.83172,0.83249,0.83584,0.84201,0.85125,0.86376,0.87975,0.89935,0.92263,0.94959,0.9801;
0.83587,0.84345,0.85631,0.87466,0.89867,0.9284,0.96377,1.0045,1.0502,1.1,1.1529;
0.84286,0.86013,0.88537,0.91865,0.95985,1.0086,1.0642,1.1253,1.1904,1.257,1.3222;
0.85268,0.88251,0.92286,0.97346,1.0336,1.1019,1.1764,1.254,1.3308,1.4017,1.4605;
0.86532,0.91049,0.96847,1.0383,1.118,1.2046,1.2937,1.3793,1.4539,1.5086,1.5335;
0.88078,0.94396,1.0217,1.1118,1.2102,1.311,1.4063,1.4859,1.5377,1.5484,1.5052;
0.89904,0.98276,1.082,1.1922,1.3061,1.4138,1.5021,1.5555,1.5573,1.4915,1.346;
0.92006,1.0266,1.1482,1.2768,1.4005,1.5034,1.5661,1.5678,1.4889,1.3156,1.0454;
0.94381,1.0752,1.2191,1.3624,1.4866,1.5684,1.5821,1.5032,1.315,1.0155,0.62477;
0.97023,1.1279,1.2929,1.4448,1.5564,1.5964,1.5341,1.3473,1.0321,0.61268,0.14763];

figure, plot3(x,y,z,'k*'); hold on;

[x1,y1,z1] = deal(x(:),y(:),z(:));
A = [sin(x1.^2.*y1), cos(y1.^2.*x1), x1.^2, x1.*y1, ones(size(x1))];
uu = A\z1
[x,y] = meshgrid(0.1:0.02:1.1);
zz = uu(1)*sin(x.^2.*y) + uu(2)*cos(y.^2.*x) + uu(3)*x.^2 + uu(4)*x.*y + uu(5);
surf(x,y,zz), title('数据最小二乘法拟合');

或者

figure, plot3(x,y,z,'k*'); hold on;
[x,y] = meshgrid(0.1:0.02:1.1);
zz = A*uu;
zz = reshape(zz,size(x));
surf(x,y,zz), title('数据最小二乘法拟合');

输出：

uu =
  -0.892046932516342
   3.093786470903605
  -0.122032779311857
   2.708280894352104
  -2.425070282206750

在这里插入图片描述
假设已知一组实测数据在文件c8pdat.dat中给出，试通过插值的方法绘制出三维曲面。

c8pdata = load('c8pdat.dat');
[x, y, z] = deal(c8pdata(:,1), c8pdata(:,2), c8pdata(:,3));
[max(x), min(x) max(y), min(y) max(z),min(z)] % 找出插值区域
[x1,y1] = meshgrid(0:0.02:1,0:0.02:1);
z1 = griddata(x,y,z,x1,y1,'v4');
figure, plot3(x,y,z,'k*'); hold on;
surf(x1,y1,z1), axis([0,1,0,1,0,2])
title('插值三维曲面');legend('原始数据','插值曲面')

在这里插入图片描述

标签
#数据插值 #最小二乘拟合 #数据拟合 #样条插值 #线性插值
用Python复现数值分析经典算法：从插值到方程组求解（附Jupyter Notebook）
weixin_30415113的博客
03-22 34
本文详细介绍了如何使用Python和Jupyter Notebook复现数值分析中的经典算法，包括Lagrange插值、最小二乘拟合、Gauss消元法等。通过代码实现和可视化展示，帮助读者深入理解这些算法在科学计算和工程实践中的应用。附带的Jupyter Notebook示例代码可直接运行，适合编程学习者和数值分析研究者参考。
工程师必备的多项式插值实战指南：牛顿法、龙格现象与数值稳定性
weixin_32430941的博客
06-24 290
多项式插值是数值分析中最基础的函数逼近技术，核心在于构造一个精确穿过给定离散点的多项式，实现数据补全、信号重建与物理建模。其原理源于线性方程组存在唯一解的代数保证，技术价值体现在零误差内插、导数连续性及与样条、微分方程求解的底层关联。典型应用场景包括传感器缺值修复、CAD曲线生成、电机控制参数预测等工程任务。然而，实际应用中极易遭遇龙格现象、范德蒙德矩阵病态、浮点精度崩溃等陷阱。本文聚焦牛顿插值法——凭借差商表的增量更新能力与优异数值稳定性，成为工业级首选方案，并结合切比雪夫节点选择、分段策略与健壮性检查，
新能源汽车滑行阻力参数计算全解析：从理论推导到MATLAB工具实现
CSDN-新能源汽车研发测试专业博主
05-23 2682
本文系统讲解了新能源汽车滑行阻力参数的计算方法，涵盖数据插值、理论推导、工具开发全流程。新能源轻卡行驶阻力模型参数计算实战：从国标试验到续航优化国标GB/T 12536-90滑行试验全解析：纯电动轻卡行驶阻力模型参数精准标定新能源汽车制动系统建模全解析——从理论到工程应用讨论话题你在实际项目中如何应用阻力参数？对MATLAB工具有何改进建议？你的团队如何平衡实测数据与仿真模型的精度？欢迎评论区交流！**常见误区：列举3-5个开发者易犯的错误。扩展场景：说明技术在其他领域的应用。
自动驾驶中的曲率计算：车道线检测如何用离散点估算弯道半径？
weixin_30275415的博客
03-29 489
本文深入探讨了自动驾驶系统中车道线检测的曲率计算技术，重点解析如何从离散点实时估算弯道半径。通过介绍三点定圆法和最小二乘拟合优化等核心算法，并结合工程实现中的关键优化策略，如计算效率提升和异常处理，为ADAS系统开发提供了实用解决方案。文章还展望了深度学习端到端估计等前沿改进方向。
matlab中欠定方程组超定方程组_浅谈用Matlab求解微分方程
weixin_39747049的博客
11-20 598
这里总结一点matlab在微分方程中的应用，解微分方程有两种解，一种是解析解，一种是数值解，这两种分别对应不同的解法，下面就粗略的介绍一下两种解的解法。解析解利用dsolve函数进行求解syms 1.求解析解求 的解析解s = dsolve('D2y=3*y+2*x','x'); % D2y用以表示y的二阶导数，默认是以t为自变量的，所以最好指明自变量为x. syms y(x); s = ds...
（二）插值与拟合模型
weixin_49865619的博客
07-20 697
https://blog.csdn.net/qq_36607894/article/details/100012334?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522162678321416780269872462%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=162678321416780269872462&biz_id=0
matlab在不规则区域插值,插值 – 如何在两组不规则数据之间插入点？
weixin_34327800的博客
03-18 1862
好主人,我终于明白了.这是最终结果：美丽！但它做了很多工作.我的代码太粗糙,而且对我的项目来说太具体了,对其他任何人都没用.但这是潜在的逻辑.您必须有两组数据才能进行插值.我将这些称为“外部”曲线和“内部”曲线.假设“外部”曲线完全包围“内部”曲线,而不与“内部”曲线相交.曲线实际上只是X,Y数据的集合,并且对应于定义为Z的一组值.在此处使用的示例中,“外部”曲线对应于Z = 50并且“内部”曲线...
解析解和数值解
thankyvision
03-18 4136
数值解：是指用近似的方法获得的解，如各种最优化方法，获得的解一般与真实解有误差的存在；比如 {yi, xi},为N个样本点，拟合一条最优曲线 y = a1*x^1 + a2 * x^2+......+ an * x^n, 使得拟合差最小，则最终获得的系数an(n : 1....n), 为最优数值解； 解析解，也叫做闭式解，在论文中经常有如此的表述形式close-form, 如在Late
[科学计算]曲线拟合——最小二乘法
OnePlus+博客
06-16 1460
????宁可十年不将军，不可一日不拱卒 问题：已知 x1,x2,⋯ ,xm;y1,y2,⋯ ,ym.x_1,x_2,\cdots,x_m;y_1,y_2,\cdots,y_m.x1​,x2​,⋯,xm​;y1​,y2​,⋯,ym​. 求一个简单易算的近似函数 P(x)≈f(x)P(x) \approx f(x)P(x)≈f(x) 。 但是此时 mmm 很大，而且 yi≠f(xi)y_i \neq f(x_i)yi​​=f(xi​) ，因此这个时候数值插值就无可奈何了，没有必要再令 P(xi)=yi.i=1
MATLAB 曲线拟合方法全解析：多项式、加权最小方差与非线性拟合
超级学长(博士研究生)
01-08 2230
主要介绍了MATLAB中的曲线拟合方法，涵盖多项式拟合、加权最小方差拟合及非线性曲线拟合。在多项式拟合中，函数polyfit()可通过最小二乘法找到合适多项式系数，不同阶次拟合效果不同，阶次最高不超length(x)-1。加权最小方差拟合根据数据准确度赋予不同加权值，更符合拟合初衷，文中还给出其原理及求解公式，并通过实例展示拟合结果。对于非线性曲线拟合，已知输入输出向量及函数关系但未知系数向量时，可利用lsqcurvefit函数求解，同时介绍了该函数多种调用格式，最后通过具体实例阐述其应用及结果。
函数拟合中涉及的矩阵运算
Mine268的博客
02-16 908
函数拟合中涉及的矩阵运算 简便起见，采用幂函数作为基函数。 插值 插值问题要求对于数据 {(xi,yi):i=0,⋯ ,n−1}\{(x_i,y_i):i=0,\cdots,n-1\}{(xi​,yi​):i=0,⋯,n−1}，找到 nnn 个基函数 bi(x)b_i(x)bi​(x) 的线性组合参数 w0,⋯ ,wn−1w_0,\cdots,w_{n-1}w0​,⋯,wn−1​ 使得函数 f(x)=w0+w1x+⋯+wn−1xn−1 f(x)=w_0+w_1x+\cdots+w_{n-1}x^{n-1}
mumuisapig
weixin_45776347的博客
08-17 288
前言：插值算法与拟合算法的思想比较接近。两者的区别：拟合问题中不需要曲线一定经过给定的点，拟合问题的目标在于寻求一个函数（曲线），使得该曲线在某种准则下与所有的数据点最为接近，即曲线拟合的最好（也叫做最小化损失函数）。 在插值算法中，得到的多项式f(x)f(x)f(x)必须经过每一个已知点，如果样本点太多会造成插值多项式太复杂，产生龙格现象。即使使用分段插值的方法固然可以避免龙格现象，但是这样一来为了经过每一个点，多项式的解析式必定十分复杂。但是更多时候，我们更倾向于得到一个确定简洁的曲线（用数学的思维去衡
机器学习金典算法（二）--梯度下降法（1）
Mingx9527
09-01 1410
机器学习金典算法（二）–梯度下降法（1）        本文旨在深刻总结梯度下降法的思想和原理，本人也再次学习总结相关知识；关于梯度下降法法博文和资料已经有很多，但个人觉得没有一篇讲得非常到位的（有点大言不惭哈
数值计算Numerical Recipes 3rd Edition学习:插值多项式的系数（Numerical Recipes §3.5）
最新发布
虾球
07-06 81
前面几节（§3.1–3.3）教的是：给定一堆数据点 (xi,yi)(x_i, y_i)(xi​,yi​)，如果我想知道某个新的 xxx 对应的插值结果是多少，该怎么算。那些算法算的是一个"数值"。 而 本节要算的不是数值，而是一整条多项式的系数。也就是说，我不满足于"告诉我 x=2.5x=2.5x=2.5 时函数值是多少"，我要的是那个唯一穿过所有数据点的多项式长什么样： y=c0+c1x+c2x2+⋯+cN−1xN−1 y = c_0 + c_1 x + c_2 x^2 + \cdots + c_{N-1
南京邮电大学 数学实验A 实验报告 23-24-2学期
Admire0v0的博客
05-19 1万+
南京邮电大学 数学实验A 实验报告 23-24-2学期。留档使用
ISP-CCM（Color Correction Matrix）
m0_66890670的博客
03-24 817
颜色校正矩阵（CCM）是一个 **3×3矩阵**，其作用是将图像中每个像素的RGB通道值通过矩阵运算调整为目标颜色空间中的RGB值。简单来说，CCM将图像从传感器输出的原始颜色空间转换为标准色彩空间（如sRGB、XYZ或Rec.2020），或者对颜色进行校正，以达到色彩还原的目标。
（高阶干货）棋盘格角点检测算法对比：亚像素级精度如何实现？
FastDebug的博客
12-13 1247
掌握高精度传感器标定的棋盘格角点检测方法，提升标定准确性。对比主流亚像素级算法，解析其在相机、激光雷达等多传感器标定中的应用原理与实现步骤。精度更高、稳定性更强，值得收藏。
详解样条曲线（上）（包含贝塞尔曲线）
热门推荐
deepsprings的博客
08-06 4万+
样条曲线（Spline Curves） 前言： 关于样条曲线的一些总结和使用，其中包含贝塞尔曲线的介绍。内容实际是为了解决在给定控制点的条件下，如何确定一个光滑曲线的问题。样条曲线被广泛应用于模型的几何重构平滑中。 文章目录样条曲线（Spline Curves）0. 基本概念1. 起源2. 贝塞尔曲线（Bézier curve）1.1 直线段表示（2 points）1.2 抛物线三切线定理（3 points）1.3 通用公式1.4 代码实现3. 曲线连续性描述4. B样条基函数（B-Spline Bas
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

qq-120

你的鼓励将是我创作的最大动力

¥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

实付元
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