MATLAB插值函数

一、MATLAB插值函数概览

1)本节重点介绍的插值函数

MATLAB插值函数 适用情况 基础句式
interp1 函数 interp1 主要用于一维数据的插值 interp1(x, y, x_interp, 'linear'); 其中 x 和 y 是已知数据点,x_interp 是要插值的目标点。
interp2 函数 interp2 用于在二维平面上进行插值。适用于网格化的数据。 interp2(X, Y, Z, X_interp, Y_interp, 'linear'); 其中 X、Y、Z 是已知数据网格,X_interp 和 Y_interp 是要插值的目标点。
interpn 函数 多维插值,适用于处理高维数据。 interpn(X1, X2, ..., V, Xq1, Xq2, ...);
griddata 函数 griddata 用于在不规则的数据点上进行插值,支持生成二维或高维的插值结果。适用于处理散乱的数据。 interp_values = griddata(x, y, z, x_interp, y_interp, 'linear'); 其中,x、y、z 是已知的数据点和值。x_interp、y_interp 是要插值的目标点。
griddedInterpolant 类 griddedInterpolant 类是 MATLAB 中用于多维数据插值的类。这个类提供了一种高效的方法来进行插值,特别适用于规则网格上的数据,是 interp1、interp2、interp3 的通用化。 (区别:griddedInterpolant 类适用于规则网格上的数据,也就是说,输入的坐标 X 应该是一个多维的规则网格,而 griddata 函数适用于不规则的或者散乱的数据点,坐标信息 x、y 可以是任意形状。) F = griddedInterpolant(X, V, method); Vq = F(Xq); 其中,X:规则网格上的坐标信息,可以是一个多维数组,表示每个维度上的坐标。V:规则网格上对应坐标的值,与 X 的大小应该一致。method:插值方法,可以是 'linear'、'nearest'、'cubic' 等。 Xq:待插值点的坐标,可以是一个数组或多维数组。
scatteredInterpolant 类 scatteredInterpolant 类提供了更灵活的方式进行不规则数据点的插值,支持多种插值方法。适用于处理不规则或散乱的数据点,类似于 griddata 但提供更多的控制选项。 F = scatteredInterpolant(x, y, z, 'linear'); interp_values = F(x_interp, y_interp); 其中,x、y、z 是已知的数据点和值。x_interp、y_interp 是要插值的目标点。F 对象通过指定的插值方法进行插值。

2)MathWorks官网给出的其他插值函数:

网页链接: MathWorks-插值简介

二、插值方法

1)scatteredInterpolant 类

scatteredInterpolant 类支持的插值方法包括:

  • 'linear'(线性插值)(默认)

    适用于大部分情况,计算较快。对于不规则分布的数据点,表现良好。

  • 'nearest'(最近邻插值)

    适用于数据点分布较密集的情况。插值结果可能较粗糙。

  • 'natural'(自然样条插值)

    适用于平滑数据,对非线性特征有较好的适应性。

网页链接: Mathworks-scatteredInterpolant函数

2)griddata 函数

  • 'linear'(线性插值)

    适用于大部分情况,计算较快。线性插值在不规则数据点上表现良好,但对于数据的非线性特征可能表现不佳。

  • 'nearest'(最近邻插值)

    适用于数据点分布较密集的情况。插值结果可能较粗糙。

  • 'natural'(自然样条插值)

    适用于平滑数据,对非线性特征有较好的适应性。

  • 'cubic'(三次样条插值)

    适用于平滑数据,对非线性特征有较好的适应性。计算相对较慢。

  • 'v4'(Vandermonde 插值)

    适用于一维数据的插值。对于不规则分布的数据,可能表现不如其他插值方法。

网页链接: Mathworks-griddata 函数

三、插值代码实战

1)scatteredInterpolant 函数实战

针对下述相同的原始数据,采用 scatteredInterpolant 函数的不同插值方法('linear'、'nearest'、'natural'),进行对比。

  • 原始数据
c 复制代码
x = -3 + 6*rand(50,1);
y = -3 + 6*rand(50,1);
v = sin(x).^4 .* cos(y);
F = scatteredInterpolant(x,y,v);
[xq,yq] = meshgrid(-3:0.1:3);
  • 'nearest'方法代码:
c 复制代码
F.Method = 'nearest';
vq1 = F(xq,yq);
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,vq1)
title('Nearest Neighbor')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'nearest'运行结果:
  • 'linear'方法代码:
c 复制代码
F.Method = 'linear';
vq2 = F(xq,yq);
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,vq2)
title('Linear')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'linear'运行结果:
  • 'natural'方法代码:
c 复制代码
F.Method = 'natural';
vq3 = F(xq,yq);
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,vq3)
title('Natural Neighbor')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'natural'运行结果:
  • 绘制精确解。
c 复制代码
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,sin(xq).^4 .* cos(yq))
title('Exact Solution')
legend('Sample Points','Exact Surface','Location','NorthWest')
  • 对比可知,这三种插值方法,性能都一般。

2)griddata 函数实战

针对下述相同的原始数据,采用 griddata 函数的不同插值方法('linear'、'nearest'、'natural'、'cubic'),进行对比。

  • 原始数据
c 复制代码
x = -3 + 6*rand(50,1);
y = -3 + 6*rand(50,1);
v = sin(x).^4 .* cos(y);
[xq,yq] = meshgrid(-3:0.1:3);
  • 'nearest'方法代码:
c 复制代码
z1 = griddata(x,y,v,xq,yq,'nearest');
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,z1)
title('Nearest Neighbor')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'nearest'运行结果:
  • 'linear'方法代码:
c 复制代码
z2 = griddata(x,y,v,xq,yq,'linear');
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,z2)
title('Linear')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'linear'运行结果:
  • 'natural'方法代码:
c 复制代码
z3 = griddata(x,y,v,xq,yq,'natural');
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,z3)
title('Natural Neighbor')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'natural'运行结果:
  • 'cubic'方法代码:
c 复制代码
z4 = griddata(x,y,v,xq,yq,'cubic');
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,z4)
title('Cubic')
legend('Sample Points','Interpolated Surface','Location','NorthWest')
  • 'cubic'运行结果:
  • 绘制精确解。
c 复制代码
figure
plot3(x,y,v,'mo')
hold on
mesh(xq,yq,sin(xq).^4 .* cos(yq))
title('Exact Solution')
legend('Sample Points','Exact Surface','Location','NorthWest')

注意:griddata 函数相比 scatteredInterpolant 函数,多了 cubic 插值。

四、网页链接

  1. MathWorks-插值简介

  2. Mathworks-scatteredInterpolant函数

  3. Mathworks-griddata 函数

相关推荐
胖哥真不错15 小时前
基于MATLAB的Lasso回归的数据回归预测方法应用
机器学习·matlab·项目实战·lasso回归
机器学习之心HML21 小时前
分类预测 | Matlab基于KPCA-ISSA-SVM和ISSA-SVM和SSA-SVM和SVM多模型分类预测对比
支持向量机·matlab·分类·kpca-issa-svm
2zcode1 天前
基于Matlab多特征融合的可视化指纹识别系统
人工智能·算法·matlab
蓝桉(努力版)2 天前
MATLAB可视化5:华夫图(饼图的平替可以表示种类的分布,附有完整代码详细讲解)(求个关注、点赞和收藏)(对配色不满意可以自己调节配色,附调色教程)
开发语言·数学建模·matlab·信息可视化·matlab可视化
freexyn2 天前
Matlab自学笔记六十二:求解三角函数方程的通解周期解
笔记·算法·matlab
DesolateGIS4 天前
数学建模:非线性规划:凸规划问题
数学建模·matlab
IT猿手5 天前
2025最新智能优化算法:沙狐优化(Rüppell‘s Fox Optimizer,RFO)算法求解23个经典函数测试集,完整MATLAB代码
android·算法·matlab·迁移学习·优化算法·动态多目标优化·动态多目标进化算法
rit84324995 天前
MATLAB基于voronoi生成三维圆柱形
开发语言·人工智能·matlab
微光-沫年5 天前
141-CEEMDAN-VMD-Transformer-BiLSTM-ABKDE多变量区间预测模型!
算法·matlab·回归
Akangya5 天前
Matlab-Simulink之步长
matlab