第11章曲线拟合与插值 在大量的应用领域中,人们经常面临用一个解析函数描述数据(通常是测量值)的任务。 对这个问题有两种方法。在插值法里,数据假定是正确的,要求以某种方法描述数据点之间 所发生的情况。这种方法在下一节讨论。这里讨论的方法是曲线拟合或回归。人们设法找出 某条光滑曲线,它最佳地拟合数据,但不必要经过任何数据点。图11.1说明了这两种方法 标有'o’的是数据点;连接数据点的实线描绘了线性内插,虚线是数据的最佳拟合 11.1曲线拟合 曲线拟合涉及回答两个基本问题:最佳拟合意味着什么?应该用什么样的曲线?可用许 多不同的方法定义最佳拟合,并存在无穷数目的曲线。所以,从这里开始,我们走向何方? 正如它证实的那样,当最佳拟合被解释为在数据点的最小误差平方和,且所用的曲线限定为 多项式时,那么曲线拟合是相当简捷的。数学上,称为多项式的最小二乘曲线拟合。如果这 种描述使你混淆,再研宄图11.1。虚线和标志的数据点之间的垂直距离是在该点的误差。对 各数据点距离求平方,并把平方距离全加起来,就是误差平方和。这条虚线是使误差平方和 尽可能小的曲线,即是最佳拟合。最小二乘这个术语仅仅是使误差平方和最小的省略说法 Second Order Curve Fitting 86420 0.2 0.4 0.6 0.8 图1112阶曲线拟合 在 MATLAB中,函数 polyfit求解最小二乘曲线拟合问题。为了阐述这个函数的用法 让我们以上面图11.1中的数据开始
第 11 章 曲线拟合与插值 在大量的应用领域中，人们经常面临用一个解析函数描述数据(通常是测量值)的任务。 对这个问题有两种方法。在插值法里，数据假定是正确的，要求以某种方法描述数据点之间 所发生的情况。这种方法在下一节讨论。这里讨论的方法是曲线拟合或回归。人们设法找出 某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。图 11.1 说明了这两种方法。 标有'o'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。 11.1 曲线拟合 曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用许 多不同的方法定义最佳拟合，并存在无穷数目的曲线。所以，从这里开始，我们走向何方？ 正如它证实的那样，当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为 多项式时，那么曲线拟合是相当简捷的。数学上，称为多项式的最小二乘曲线拟合。如果这 种描述使你混淆，再研究图 11.1。虚线和标志的数据点之间的垂直距离是在该点的误差。对 各数据点距离求平方，并把平方距离全加起来，就是误差平方和。这条虚线是使误差平方和 尽可能小的曲线，即是最佳拟合。最小二乘这个术语仅仅是使误差平方和最小的省略说法。 0 0.2 0.4 0.6 0.8 1 -2 0 2 4 6 8 10 12 x y=f(x) Second Order Curve Fitting 图 11.1 2 阶曲线拟合 在 MATLAB 中，函数 polyfit 求解最小二乘曲线拟合问题。为了阐述这个函数的用法， 让我们以上面图 11.1 中的数据开始
》X 0.1234567891} y=4471.9783.286.167087347.669.569489.30112] 为了用 polypi,我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的阶 次或度。如果我们选择n=1作为阶次,得到最简单的线性近似。通常称为线性回归。相反 如果我们选择n=2作为阶次,得到一个2阶多项式。现在,我们选择一个2阶多项式 n=2 polynomial order >p=polyfit(x, y, n) 9.810820.1293-0.0317 polyfit的输出是一个多项式系数的行向量。其解是y=-9.8108x2+20.1293x 0.0317。为了将曲线拟合解与数据点比较,让我们把二者都绘成图。 >)Xi=linspace(0, 1, 100); X-axis data for plotting 》z= polyval(p,xi) 为了计算在xi数据点的多项式值,调用 MATLAB的函数 polyval > plot(x, y, 'o,x,y, xi, z, 画出了原始数据x和y,用'o'标出该数据点,在数据点之间,再用直线重画原始数据, 并用点:线,画出多项式数据x和z >xlabel(x), ylabel( y=f(x)), title( Second Order Curve Fitting) 将图作标志。这些步骤的结果表示于前面的图11中 多项式阶次的选择是有点任意的。两点决定一直线或一阶多项式。三点决定一个平方或 2阶多项式。按此进行,n+1数据点唯一地确定n阶多项式。于是,在上面的情况下,有11 个数据点,我们可选一个高达10阶的多项式。然而,高阶多项式给出很差的数值特性,人 们不应选择比所需的阶次高的多项式。此外,随着多项式阶次的提高,近似变得不够光滑, 因为较高阶次多项式在变零前,可多次求导。例如,选一个10阶多项式 lyfit(x, y, 10) change display format display polynomial coefficients as a column
» x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1]; » y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; 为了用 polyfit，我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的阶 次或度。如果我们选择 n=1 作为阶次，得到最简单的线性近似。通常称为线性回归。相反， 如果我们选择 n=2 作为阶次，得到一个 2 阶多项式。现在，我们选择一个 2 阶多项式。 » n=2; % polynomial order » p=polyfit(x, y, n) p = -9.8108 20.1293 -0.0317 polyfit 的输出是一个多项式系数的行向量。其解是 y = －9.8108x2 ＋20.1293x－ 0.0317。为了将曲线拟合解与数据点比较，让我们把二者都绘成图。 » xi=linspace(0, 1, 100); % x-axis data for plotting » z=polyval(p, xi); 为了计算在 xi 数据点的多项式值，调用 MATLAB 的函数 polyval。 » plot(x, y, ' o ' , x, y, xi, z, ' : ' ) 画出了原始数据 x 和 y，用'o'标出该数据点，在数据点之间，再用直线重画原始数据， 并用点' : '线，画出多项式数据 xi 和 z。 » xlabel(' x '), ylabel(' y=f(x) '), title(' Second Order Curve Fitting ') 将图作标志。这些步骤的结果表示于前面的图 11.1 中。 多项式阶次的选择是有点任意的。两点决定一直线或一阶多项式。三点决定一个平方或 2 阶多项式。按此进行，n+1 数据点唯一地确定 n 阶多项式。于是，在上面的情况下，有 11 个数据点，我们可选一个高达 10 阶的多项式。然而，高阶多项式给出很差的数值特性，人 们不应选择比所需的阶次高的多项式。此外，随着多项式阶次的提高，近似变得不够光滑， 因为较高阶次多项式在变零前，可多次求导。例如，选一个 10 阶多项式 » pp=polyfit(x, y, 10) ; » format short e % change display format » pp.' % display polynomial coefficients as a column ans =
-4.6436e+005 2.2965e+006 -4.8773e+006 5.8233e+006 -42948e+006 2.021le+006 6.0322e+005 1.0896e+005 -1.0626e+004 4.3599c+002 -4.4700e-00l 要注意在现在情况下,多项式系数的规模与前面的2阶拟合的比较。还要注意在最小 (-44700c-001)和最大(5.8233+006)系数之间有7个数量级的幅度差。将这个解作图,并把此 图与原始数据及2阶曲线拟合相比较,结果如何呢? -polyval(pp, xi); evaluate 1Oth order polynomial > plot(x, y,o, xi, z,:, xi, zz) plot data >)xlabel(x), ylabel(y=f(x)), title( 2nd and 10th Order curve Fitting) 在下面的图112中,原始数据标以'o',2阶曲线拟合是虚线,10阶拟合是实线。注意, 在10阶拟合中,在左边和右边的极值处,数据点之间出现大的纹波。当企图进行高阶曲线 拟合时,这种纹波现象经常发生。根据图11.2,显然,‘越多就越好’的观念在这里不适 用 2nd and 10th Order curve Fitting 10 04 0.6
-4.6436e+005 2.2965e+006 -4.8773e+006 5.8233e+006 -4.2948e+006 2.0211e+006 -6.0322e+005 1.0896e+005 -1.0626e+004 4.3599e+002 -4.4700e-001 要注意在现在情况下，多项式系数的规模与前面的 2 阶拟合的比较。还要注意在最小 (-4.4700e-001)和最大(5.8233e+006)系数之间有 7 个数量级的幅度差。将这个解作图，并把此 图与原始数据及 2 阶曲线拟合相比较，结果如何呢？ » zz=polyval(pp, xi); % evaluate 10th order polynomial » plot(x, y, ' o ' , xi, z, ' : ' , xi, zz) % plot data » xlabel(' x '), ylabel(' y=f(x) '), title(' 2nd and 10th Order curve Fitting ') 在下面的图 11.2 中，原始数据标以'o'，2 阶曲线拟合是虚线，10 阶拟合是实线。注意， 在 10 阶拟合中，在左边和右边的极值处，数据点之间出现大的纹波。当企图进行高阶曲线 拟合时，这种纹波现象经常发生。根据图 11.2，显然，‘ 越多就越好 ’的观念在这里不适 用。 0 0.2 0.4 0.6 0.8 1 -2 0 2 4 6 8 10 12 14 16 x y=f(x) 2nd and 10th Order curve Fitting
图1122阶和10阶曲线拟合 11.2一维插值 正如在前一节对曲线拟合所描述的那样,插值定义为对数据点之间函数的估值方法,这 些数据点是由某些集合给定。当人们不能很快地求出所需中间点的函数值时,插值是一个有 价值的工具。例如,当数据点是某些实验测量的结果或是过长的计算过程时,就有这种情况。 或许最简单插值的例子是 MATLAB的作图。按缺省, MATLAB用直线连接所用的数 据点以作图。这个线性插值猜测中间值落在数据点之间的直线上。当然,当数据点个数的增 加和它们之间距离的减小时,线性插值就更精确。例如, >)xI=linspace(0, 2*pi, 60); >)x2=linspace(0, 2* pi, 6): >plot(xl, sin(x1), X2, sin(x2),-") >xlabel(x), ylabel( sin(x)), title(' Linear Interpolation) Linear Interpolation 0.5 -0.5 X 图11.3线性插值 图113是sine函数的两个图,一个在数据点之间用60个点,它比另一个只用6个点更 光滑和更精确 如曲线拟合一样,插值要作决策。根据所作的假设,有多种插值。而且,可以在一维以 上空间中进行插值。即如果有反映两个变量函数的插值,z=f(x,y),那么就可在x之间和在
图 11.2 2 阶和 10 阶曲线拟合 11.2 一维插值 正如在前一节对曲线拟合所描述的那样，插值定义为对数据点之间函数的估值方法，这 些数据点是由某些集合给定。当人们不能很快地求出所需中间点的函数值时，插值是一个有 价值的工具。例如，当数据点是某些实验测量的结果或是过长的计算过程时，就有这种情况。 或许最简单插值的例子是 MATLAB 的作图。按缺省，MATLAB 用直线连接所用的数 据点以作图。这个线性插值猜测中间值落在数据点之间的直线上。当然，当数据点个数的增 加和它们之间距离的减小时，线性插值就更精确。例如， » x1=linspace(0, 2*pi, 60); » x2=linspace(0, 2*pi, 6); » plot(x1, sin(x1), x2, sin(x2), ' - ') » xlabel(' x '), ylabel(' sin(x) '), title(' Linear Interpolation ') 0 1 2 3 4 5 6 7 -1 -0.5 0 0.5 1 x sin(x) Linear Interpolation 图 11.3 线性插值 图 11.3 是 sine 函数的两个图，一个在数据点之间用 60 个点，它比另一个只用 6 个点更 光滑和更精确。 如曲线拟合一样，插值要作决策。根据所作的假设，有多种插值。而且，可以在一维以 上空间中进行插值。即如果有反映两个变量函数的插值，z=f(x, y)，那么就可在 x 之间和在
y之间,找出z的中间值进行插值。 MATLAB在一维函数 interp和在二维函数 interp.2中, 提供了许多的插值选择。其中的每个函数将在下面阐述 为了说明一维插值,考虑下列问题,12小时内,一小时测量一次室外温度。数据存储 在两个 MATLAB变量中。 >> hours=1: 12: index for hour data was recorded mps=[589152529313022252724;% recorded >plot(hours, temps, hours, temps, + view temperatures title( Temperature 当 图114在线性插值下室外温度曲线 如图114看到的, MATLAB画出了数据点线性插值的直线。为了计算在任意给定时 间的温度,人们可试着对可视的图作解释。另外一种方法,可用函数 interp >)tinterpl(hours, temps, 9.3) estimate temperature at hour=9.3 22.9000
y 之间，找出 z 的中间值进行插值。MATLAB 在一维函数 interp1 和在二维函数 interp2 中， 提供了许多的插值选择。其中的每个函数将在下面阐述。 为了说明一维插值，考虑下列问题，12 小时内，一小时测量一次室外温度。数据存储 在两个 MATLAB 变量中。 » hours=1:12; % index for hour data was recorded » temps=[5 8 9 15 25 29 31 30 22 25 27 24]; % recorded temperatures » plot(hours, temps, hours, temps,' + ') % view temperatures » title(' Temperature ') » xlabel(' Hour '), ylabel(' Degrees Celsius ') 0 2 4 6 8 10 12 5 10 15 20 25 30 35 Hour Degrees Celsius Temperature 图 11.4 在线性插值下室外温度曲线 正如图 11.4 看到的，MATLAB 画出了数据点线性插值的直线。为了计算在任意给定时 间的温度，人们可试着对可视的图作解释。另外一种方法，可用函数 interp1。 » t=interp1(hours, temps, 9.3) % estimate temperature at hour=9.3 t = 22.9000
> )t=interp(hours, temps, 4.7) estimate temperature at hour=4.7 >)tinterpl(hours, temps, 3.2 6.5 7.1 11.7) find temp at many points 10.2000 30.0000 30.9000 interp的缺省用法是由 interp(xy,xo)来描述,这里x是独立变量(横坐标),y是应变 量(纵坐标),xo是进行插值的一个数值数组。另外,该缺省的使用假定为线性插值。 若不采用直线连接数据点,我们可采用某些更光滑的曲线来拟合数据点。最常用的方法 是用一个3阶多项式,即3次多项式,来对相继数据点之间的各段建模,每个3次多项式的 头两个导数与该数据点相一致。这种类型的插值被称为3次样条或简称为样条。函数 interp 也能执行3次样条插值 >)tinterpl(hours, temps, 9.3, 'spline) estimate temperature at hour=9.3 21.8577 >)tinterpl(hours, temps, 4.7, 'spline) estimate temperature at hour=4.7 22.3143 >)t=interp(hours, temps, 3.2 6.5 7.1 11.7],spline 9.6734 30.0427 31.1755 25.3820 注意,样条插值得到的结果,与上面所示的线性插值的结果不同。因为插值是一个估计 或猜测的过程,其意义在于,应用不同的估计规则导致不同的结果。 个最常用的样条插值是对数据平滑。也就是,给定一组数据,使用样条插值在更细的 间隔求值。例如 h=1:0.1:12; estimate temperature every 1/10 hour >)t=interp(hours, temps, h, ' spline
» t=interp1(hours, temps, 4.7) % estimate temperature at hour=4.7 t = 22 » t=interp1(hours, temps, [3.2 6.5 7.1 11.7]) % find temp at many points! t = 10.2000 30.0000 30.9000 24.9000 interp1 的缺省用法是由 interp1(x, y, xo)来描述，这里 x 是独立变量(横坐标)，y 是应变 量(纵坐标)，xo 是进行插值的一个数值数组。另外，该缺省的使用假定为线性插值。 若不采用直线连接数据点，我们可采用某些更光滑的曲线来拟合数据点。最常用的方法 是用一个 3 阶多项式，即 3 次多项式，来对相继数据点之间的各段建模，每个 3 次多项式的 头两个导数与该数据点相一致。这种类型的插值被称为 3 次样条或简称为样条。函数 interp1 也能执行 3 次样条插值。 » t=interp1(hours, temps, 9.3, ' spline ') % estimate temperature at hour=9.3 t = 21.8577 » t=interp1(hours, temps, 4.7, ' spline ') % estimate temperature at hour=4.7 t = 22.3143 » t=interp1(hours, temps, [3.2 6.5 7.1 11.7], ' spline ') t = 9.6734 30.0427 31.1755 25.3820 注意，样条插值得到的结果，与上面所示的线性插值的结果不同。因为插值是一个估计 或猜测的过程，其意义在于，应用不同的估计规则导致不同的结果。 一个最常用的样条插值是对数据平滑。也就是，给定一组数据，使用样条插值在更细的 间隔求值。例如， » h=1:0.1:12; % estimate temperature every 1/10 hour » t=interp1(hours, temps, h, ' spline ') ;
> plot(hours, temps, - hours, temps, +' h, t) plot comparative results >)title( Springfield Temperature >xlabel(, Hour ), ylabel( Degrees Celsius ') 在图11.5中,虚线是线性插值,实线是平滑的样条插值,标有'+'的是原始数据。如要 求在时间轴上有更细的分辨率,并使用样条插值,我们有一个更平滑、但不一定更精确地对 温度的估计。尤其应注意,在数据点,样条解的斜率不突然改变。作为这个平滑插值的回报, 3次样条插值要求更大量的计算,因为必须找到3次多项式以描述给定数据之间的特征 于样条的更详细信息可见下一章 Springfield Temperat 0 2 8 图11.5在不同插值下室外温度曲线 在讨论二维插值之前,了解 interp所强制的二个强约束是很重要的。首先,人们不能 要求有独立变量范围以外的结果,例如, interp( hours., temps,135)导致一个错误,因为 hours在1到12之间变化。其次,独立变量必须是单调的。即独立变量在值上必须总是增 加的或总是减小的。在我们的例子里, hours是单调的。然而,如果我们已经定义独立变量 为一天的实际时间, fday=[7:1216
» plot(hours, temps, ' - ' , hours, temps, ' + ' , h, t) % plot comparative results » title(' Springfield Temperature ') » xlabel(' Hour '), ylabel(' Degrees Celsius ') 在图 11.5 中，虚线是线性插值，实线是平滑的样条插值，标有' + '的是原始数据。如要 求在时间轴上有更细的分辨率，并使用样条插值，我们有一个更平滑、但不一定更精确地对 温度的估计。尤其应注意，在数据点，样条解的斜率不突然改变。作为这个平滑插值的回报， 3 次样条插值要求更大量的计算，因为必须找到 3 次多项式以描述给定数据之间的特征。关 于样条的更详细信息可见下一章。 0 2 4 6 8 10 12 5 10 15 20 25 30 35 Hour Degrees Celsius Springfield Temperature 图 11.5 在不同插值下室外温度曲线 在讨论二维插值之前，了解 interp1 所强制的二个强约束是很重要的。首先，人们不能 要求有独立变量范围以外的结果，例如，interp1(hours, temps, 13.5)导致一个错误，因为 hours 在 1 到 12 之间变化。其次，独立变量必须是单调的。即独立变量在值上必须总是增 加的或总是减小的。在我们的例子里，hours 是单调的。然而，如果我们已经定义独立变量 为一天的实际时间， » time_of_day=[7:12 1:6] % start at 7AM,end at 6PM
time of day 则独立变量将不是单调的,因为 time of day增加到12,然后跌到1,再然后增加。如果用 time_ of day代替 interp中的 hours,将会返回一个错误。同样的理由,人们不能对 temps 插值来找出产生某温度的时间(小时),因为 temps不是单调的。 11.3二维插值 二维插值是基于与一维插值同样的基本思想。然而,正如名字所隐含的,二维插值是对 两变量的函数z=f(x,y)进行插值。为了说明这个附加的维数,考虑一个问题。设人们对平 板上的温度分布估计感兴趣,给定的温度值取自平板表面均匀分布的格栅 采集了下列的数据: ) width=1: 5 %o index for width of plate (i.e, the x-dimension) >)depth=1: 3 index for depth of plate(i, e, the y-dimension) temps[8281808284;7963616581;8484828586]% 如同在标引点上测量一样,矩阵 temps表示整个平板的温度分布。 temps的列与下标 depth或y-维相联系,行与下标wdth或x-维相联系(见图116)。为了估计在中间点的温度, 我们必须对它们进行辨识 >)Wi=1: 0. 2: 5; estimate across width of plate d=2 at a depth of 2 >)linear=interp2( width, depth, temps, wi, d) linear interpolation >)cubic=interp(width, depth, temps, wi, d, 'cubic) cubic interpolation >plot( wi, zlinear, - wi, cubic) plot results >)xlabel( width of Plate), ylabel( Degrees Celsius)
time_of_day = 7 8 9 10 11 12 1 2 3 4 5 6 则独立变量将不是单调的，因为 time_of_day 增加到 12，然后跌到 1，再然后增加。如果用 time_of_day 代替 interp1 中的 hours，将会返回一个错误。同样的理由，人们不能对 temps 插值来找出产生某温度的时间(小时)，因为 temps 不是单调的。 11.3 二维插值 二维插值是基于与一维插值同样的基本思想。然而，正如名字所隐含的，二维插值是对 两变量的函数 z=f(x, y) 进行插值。为了说明这个附加的维数，考虑一个问题。设人们对平 板上的温度分布估计感兴趣，给定的温度值取自平板表面均匀分布的格栅。 采集了下列的数据： » width=1:5; % index for width of plate (i.e.,the x-dimension) » depth=1:3; % index for depth of plate (i,e,,the y-dimension) » temps=[82 81 80 82 84; 79 63 61 65 81; 84 84 82 85 86] % temperature data temps = 82 81 80 82 84 79 63 61 65 81 84 84 82 85 86 如同在标引点上测量一样，矩阵 temps 表示整个平板的温度分布。temps 的列与下标 depth 或 y-维相联系，行与下标 width 或 x-维相联系(见图 11.6)。为了估计在中间点的温度， 我们必须对它们进行辨识。 » wi=1:0.2:5; % estimate across width of plate » d=2; % at a depth of 2 » zlinear=interp2(width, depth, temps, wi, d) ; % linear interpolation » zcubic=interp2(width, depth, temps, wi,d, ' cubic ') ; % cubic interpolation » plot(wi, zlinear, ' - ' , wi, zcubic) % plot results » xlabel(' Width of Plate '), ylabel(' Degrees Celsius ')
str(d)]) 另一种方法,我们可以在两个方向插值。先在三维坐标画出原始数据,看一下该数据的 粗糙程度(见图117)。 esh( width, depth, temps) sh plot >)xlabel(, Width of Plate), ylabel(' Depth of Plate) zlabel( Degrees Celsius), axis(ij), grid Temperature at Depth= 2 70 Width of plate 图11.6在深度d=2处的平板温度
» title( [' Temperature at Depth = ' num2str(d) ] ) 另一种方法，我们可以在两个方向插值。先在三维坐标画出原始数据，看一下该数据的 粗糙程度(见图 11.7)。 » mesh(width, depth, temps) % use mesh plot » xlabel(' Width of Plate '), ylabel(' Depth of Plate ') » zlabel(' Degrees Celsius '), axis(' ij '), grid 1 2 3 4 5 60 65 70 75 80 85 Width of Plate Degrees Celsius Temperature at Depth = 2 图 11.6 在深度 d=2 处的平板温度
80 60 Depth of Plate Width of plate 图11.7平板温度 然后在两个方向上插值,以平滑数据 >)di=1: 0.2: 3; choose higher resolution for depth ))wi=1: 0.2: 5: choose higher resolution for width >cubic=interp2( width, depth, temps, wi, di, 'cubic); cubic >)mesh(w, di, cubic >>xlabel(,Width of Plate), ylabel(' Depth of Plat >)Zlabel( Degrees Celsius), axis(ij), grid 上面的例子清楚地证明了,二维插值更为复杂,只是因为有更多的量要保持跟踪。 interp2的基本形式是 interp2(x,y, z, xi, yi, method)。这里x和y是两个独立变量,z是一个 应变量矩阵。x和y对z的关系是 z(i)=f(x,y(1)和x(:,j)=f(x(j),y) 也就是,当x变化时,z的第i行与y的第i个元素y(相关,当y变化时,z的第j列 与x的第j个元素x(相关,。x是沿x-轴插值的一个数值数组;y是沿y轴插值的一个数 值数组
1 2 3 4 5 1 2 3 60 70 80 90 Depth of Plate Width of Plate Degrees Celsius 图 11.7 平板温度 然后在两个方向上插值，以平滑数据。 » di=1:0.2:3; % choose higher resolution for depth » wi=1:0.2:5; % choose higher resolution for width » zcubic=interp2(width, depth, temps, wi, di, ' cubic ') ; % cubic » mesh(wi, di, zcubic) » xlabel(' Width of Plate '), ylabel(' Depth of Plate ') » zlabel(' Degrees Celsius '), axis(' ij '), grid 上面的例子清楚地证明了，二维插值更为复杂，只是因为有更多的量要保持跟踪。 interp2 的基本形式是 interp2(x, y, z, xi, yi, method)。这里 x 和 y 是两个独立变量，z 是一个 应变量矩阵。x 和 y 对 z 的关系是 z(i, :) = f(x, y(i)) 和 z(:, j) = f(x(j), y). 也就是，当 x 变化时，z 的第 i 行与 y 的第 i 个元素 y(i)相关，当 y 变化时，z 的第 j 列 与 x 的第 j 个元素 x(j)相关，。xi 是沿 x-轴插值的一个数值数组；yi 是沿 y-轴插值的一个数 值数组