转载:https://ww2.mathworks.cn/help/matlab/ref/interp1.html?s_tid=srchtitle
interp1
一维数据插值(表查找)
语法
vq = interp1x,v,xq)
vq = interp1x,v,xq,method)
vq = interp1x,v,xq,method,extrapolation)
vq = interp1v,xq)
vq = interp1v,xq,method)
vq = interp1v,xq,method,extrapolation)
说明
使用线性插值返回一维函数在特定查询点的插入值。向量 vq
= interp1x
,v
,xq
)x
包含样本点,v
包含对应值 vx)。向量 xq
包含查询点的坐标。
如果您有多个在同一点坐标采样的数据集,则可以将 v
以数组的形式进行传递。数组 v
的每一列都包含一组不同的一维样本值。
指定备选插值方法:vq
= interp1x
,v
,xq
,method
)'linear'
、'nearest'
、'next'
、'previous'
、'pchip'
、'cubic'
、'v5cubic'
、'makima'
或 'spline'
。默认方法为 'linear'
。
用于指定外插策略,来计算落在 vq
= interp1x
,v
,xq
,method
,extrapolation
)x
域范围外的点。如果希望使用 method
算法进行外插,可将 extrapolation
设置为 'extrap'
。您也可以指定一个标量值,这种情况下,interp1
将为所有落在 x
域范围外的点返回该标量值。
返回插入的值,并假定一个样本点坐标默认集。默认点是从 vq
= interp1v
,xq
)1
到 n
的数字序列,其中 n
取决于 v
的形状:
当 v 是向量时,默认点是 1:lengthv)
。
当 v 是数组时,默认点是 1:sizev,1)
。
如果您不在意点之间的绝对距离,则可使用此语法。
指定备选插值方法中的任意一种,并使用默认样本点。vq
= interp1v
,xq
,method
)
指定外插策略,并使用默认样本点。vq
= interp1v
,xq
,method
,extrapolation
)
使用 pp
= interp1x
,v
,method
,'pp')method
算法返回分段多项式形式的 vx)。
注意
不建议使用该语法。请改用 griddedInterpolant
。
示例
基于粗略采样的正弦函数进行插值
定义样本点 x
及其对应样本值 v
。
x = 0:pi/4:2*pi; v = sinx);
将查询点定义为 x
范围内更精细的采样点。
xq = 0:pi/16:2*pi;
在查询点插入函数并绘制结果。
figure vq1 = interp1x,v,xq); plotx,v,'o',xq,vq1,':.'); xlim[0 2*pi]); title'Default) Linear Interpolation');
现在使用 'spline'
方法计算相同点处的 v
。
figure vq2 = interp1x,v,xq,'spline'); plotx,v,'o',xq,vq2,':.'); xlim[0 2*pi]); title'Spline Interpolation');
在不指定样本点的情况下进行插值
定义一组函数值。
v = [0 1.41 2 1.41 0 -1.41 -2 -1.41 0];
定义一组介于默认点 1:9
之间的查询点。在这种情况下,默认点为 1:9
,因为 v
包含 9
个值。
xq = 1.5:8.5;
计算 xq
处的 v
。
vq = interp1v,xq);
绘制结果。
figure plot1:9),v,'o',xq,vq,'*'); legend'v','vq');
复数值插值
定义一组样本点。
x = 1:10;
定义函数 vx)=5x+x2i 在样本点处的值。
v = 5*x)+x.^2*1i);
将查询点定义为 x
范围内更精细的采样点。
xq = 1:0.25:10;
在查询点处进行 v
插值。
vq = interp1x,v,xq);
用红色绘制结果的实部,用蓝色绘制虚部。
figure plotx,realv),'*r',xq,realvq),'-r'); hold on plotx,imagv),'*b',xq,imagvq),'-b');
日期和时间的插值
对时间戳数据点进行插值。
以包含温度读数的数据集为例,这些读数每四个小时测量一次。创建包含一天的数据的表,并绘制数据图。
x = datetime2016,1,1):hours4):datetime2016,1,2))'; x.Format = 'MMM dd, HH:mm'; T = [31 25 24 41 43 33 31]'; WeatherData = tablex,T,'VariableNames',{'Time','Temperature'})
WeatherData=7×2 table
Time Temperature
_____________ ___________
Jan 01, 00:00 31
Jan 01, 04:00 25
Jan 01, 08:00 24
Jan 01, 12:00 41
Jan 01, 16:00 43
Jan 01, 20:00 33
Jan 02, 00:00 31
plotWeatherData.Time, WeatherData.Temperature, 'o')
插入数据集以预测一天中每一分钟内的温度读数。由于数据是周期性的,因此请使用 'spline'
插值方法。
xq = datetime2016,1,1):minutes1):datetime2016,1,2))'; V = interp1WeatherData.Time, WeatherData.Temperature, xq, 'spline');
绘制插入的点。
hold on plotxq,V,'r')
使用两种不同方法进行外插
定义样本点 x
及其对应样本值 v
。
x = [1 2 3 4 5]; v = [12 16 31 10 6];
指定查询点 xq
,这些查询点延伸到 x
的定义域以外。
xq = [0 0.5 1.5 5.5 6];
使用 'pchip'
方法计算 xq
处的 v
。
vq1 = interp1x,v,xq,'pchip')
vq1 = 1×5
19.3684 13.6316 13.2105 7.4800 12.5600
接着,使用 'linear'
方法计算 xq
处的 v
。
vq2 = interp1x,v,xq,'linear')
vq2 = 1×5
NaN NaN 14 NaN NaN
现在将 'linear'
方法与 'extrap'
选项结合使用。
vq3 = interp1x,v,xq,'linear','extrap')
vq3 = 1×5
8 10 14 4 2
'pchip'
默认外插,但 'linear'
不会。
为 x 域范围外的所有查询指定常量值
定义样本点 x
及其对应样本值 v
。
x = [-3 -2 -1 0 1 2 3]; v = 3*x.^2;
指定查询点 xq
,这些查询点延伸到 x
的定义域以外。
xq = [-4 -2.5 -0.5 0.5 2.5 4];
现在使用 'pchip'
方法计算 xq
处的 v
,并为 x
域范围外的所有查询点赋予值 27
。
vq = interp1x,v,xq,'pchip',27)
vq = 1×6
27.0000 18.6562 0.9375 0.9375 18.6562 27.0000
在一个传递点插入多组数据
定义样本点。
x = -5:5)';
在 x
所定义的点处对三个不同的抛物线函数采样。
v1 = x.^2; v2 = 2*x.^2 + 2; v3 = 3*x.^2 + 4;
创建矩阵 v
,其列为向量 v1
、v2
和 v3
。
v = [v1 v2 v3];
将一组查询点 xq
定义为 x
范围内更精细的采样点。
xq = -5:0.1:5;
计算 xq
处的全部三个函数,并绘制结果。
vq = interp1x,v,xq,'pchip'); figure plotx,v,'o',xq,vq); h = gca; h.XTick = -5:5;
绘图中的圆圈表示 v
,实线表示 vq
。
输入参数
x
– 样本点
向量
样本点,指定为一行或一列实数向量。x
中的值必须各不相同。x
的长度必须符合以下要求之一:
如果 v
为向量,则 lengthx)
必须等于 lengthv)
。
如果 v
为数组,则 lengthx)
必须等于 sizev,1)
。
示例: [1 2 3 4 5 6 7 8 9 10]
示例: 1:10
示例: [3 7 11 15 19 23 27 31]'
数据类型: single
| double
| duration
| datetime
v
– 样本值
向量 | 矩阵 | 数组
样本值,指定为实数/复数向量、矩阵或数组。如果 v
是矩阵或数组,则每列包含单独的一组一维值。
如果 v
包含复数,则 interp1
将分别插入实部和虚部。
示例: rand1,10)
示例: rand10,1)
示例: rand10,3)
数据类型: single
| double
| duration
| datetime
复数支持: 是
xq
– 查询点
标量 | 向量 | 矩阵 | 数组
查询点,指定为实数标量、向量、矩阵或数组。
示例: 5
示例: 1:0.05:10
示例: 1:0.05:10)'
示例: [0 1 2 7.5 10]
数据类型: single
| double
| duration
| datetime
method
– 插值方法
'linear'
(默认) | 'nearest'
| 'next'
| 'previous'
| 'pchip'
| 'cubic'
| 'v5cubic'
| 'makima'
| 'spline'
插值方法,指定为下表中的选项之一。
方法 |
说明 |
连续性 |
注释 |
---|---|---|---|
|
线性插值。在查询点插入的值基于各维中邻点网格点处数值的线性插值。这是默认插值方法。 |
C0 |
需要至少 2 个点。 比最近邻点插值需要更多内存和计算时间。 |
|
最近邻点插值。在查询点插入的值是距样本网格点最近的值。 |
不连续 |
需要至少 2 个点。 最低内存要求 最快计算时间 |
|
下一个邻点插值。在查询点插入的值是下一个抽样网格点的值。 |
不连续 |
需要至少 2 个点。 内存要求和计算时间与 |
|
上一个邻点插值。在查询点插入的值是上一个抽样网格点的值。 |
不连续 |
需要至少 2 个点。 内存要求和计算时间与 |
|
保形分段三次插值。在查询点插入的值基于邻点网格点处数值的保形分段三次插值。 |
C1 |
需要至少 4 个点。 比 |
注意
|
与 |
C1 |
此方法目前返回与 |
|
用于 MATLAB® 5 的三次卷积。 |
C1 |
点之间的间距必须均匀。 |
|
修正 Akima 三次 Hermite 插值。在查询点插入的值基于次数最大为 3 的多项式的分段函数。为防过冲,已修正 Akima 公式。 |
C1 |
需要至少 2 个点。 产生的波动比 计算成本高于 内存要求与 |
|
使用非结终止条件的样条插值。在查询点插入的值基于各维中邻点网格点处数值的三次插值。 |
C2 |
需要至少 4 个点。 比 |
extrapolation
– 外插策略
'extrap'
| 标量值
外插策略,指定为 'extrap'
或实数标量值。
如果希望 interp1
使用与内插所用相同的方法来计算落在域范围外的点,则指定 'extrap'
。
如果希望 interp1
为落在域范围外的点返回一个特定常量值,则指定一个标量值。
默认行为取决于输入参数:
如果您指定 'pchip'
、'spline'
或 'makima'
插值方法,则默认行为是 'extrap'
。
任何其他方法都会为落在域范围外的查询点默认返回 NaN
。
示例: 'extrap'
示例: 5
数据类型: char
| string
| single
| double
输出参数
vq
– 插入的值
标量 | 向量 | 矩阵 | 数组
插入的值,以标量、向量、矩阵或数组的形式返回。vq
的大小取决于 v
和 xq
的形状。
v 的形状 | xq 的形状 | Vq 的大小 | 示例 |
---|---|---|---|
向量 | 向量 | sizexq) |
如果 sizev) = [1 100] 且 sizexq) = [1 500] ,则 sizevq) = [1 500] 。 |
向量 | 矩阵 或 N 维数组 |
sizexq) |
如果 sizev) = [1 100] 且 sizexq) = [50 30] ,则 sizevq) = [50 30] 。 |
矩阵 或 N 维数组 |
向量 | [lengthxq) sizev,2),...,sizev,n)] |
如果 sizev) = [100 3] 且 sizexq) = [1 500] ,则 sizevq) = [500 3] 。 |
矩阵 或 N 维数组 |
矩阵 或 N 维数组 |
[sizexq,1),...,sizexq,n),... sizev,2),...,sizev,m)] |
如果 sizev) = [4 5 6] 且 sizexq) = [2 3 7] ,则 sizevq) = [2 3 7 5 6] 。 |
pp
– 分段多项式
结构体
分段多项式,以可传递到 ppval
函数进行计算的结构体的形式返回。
详细信息
Akima 和样条插值
[1] 和 [2] 中所述的一维插值 Akima 算法执行三次插值以生成具有连续一阶导数 C1) 的分段多项式。该算法保持斜率,避免平台区的波动。每当有三个或更多连续共线点时,就会出现平台区,算法将这些点用一条直线相连。为了确保两个数据点之间的区域是平坦的,请在这两个点之间插入一个额外的数据点。
当两个具有不同斜率的平台区相遇时,对原始 Akima 算法所做的修改会对斜率更接近于零的一侧赋予更多权重。此修改优先考虑更接近水平的一侧,这样更直观并可避免过冲。(原始 Akima 算法对两边的点赋予相等的权重,从而均匀地划分波动。)
另一方面,样条算法执行三次插值以产生具有连续二阶导数 C2) 的分段多项式。结果相当于常规多项式插值,但不太容易受到高次数据点之间剧烈振荡的影响。但这种方法仍容易受到数据点之间的过冲和振荡的影响。
与样条算法相比,Akima 算法产生的波动较少,更适合处理平台区之间的快速变化。下面使用连接多个平台区的测试数据来说明这种差异。
参考
[1] Akima, Hiroshi. “A new method of interpolation and smooth curve fitting based on local procedures.” Journal of the ACM JACM) , 17.4, 1970, pp. 589-602.
[2] Akima, Hiroshi. “A method of bivariate interpolation and smooth surface fitting based on local procedures.” Communications of the ACM , 17.1, 1974, pp. 18-20.