In the era of big data, we first need to manage the data, which requires us to find missing data or predict the trend, so we need operations including interpolation and data fitting. Interpolation is a process to discover deducing new data points in a range through known and discrete data points. When solving scientific and engineering problems, data points are usually obtained by sampling, experiments, and other methods. These data may represent a finite number of numerical functions in which the values of independent variables. According to these data, we often want to get a continuous function, i.e., curve; or more dense discrete equations are consistent with known data, while this process is called fitting. This article describes why the main idea come out logically and how to apply various method since the definitions are already written in the textbooks. At the same time, we give examples to help introduce the definitions or show the applications. We divide interpolation into several parts by their methods or functions for the structure. What comes first is the polynomial interpolation, which contains Lagrange interpolation and Newton interpolation, which are essential but critical. Then we introduce a typical stepwise linear interpolation - Neville's algorithm. If we are concerned about the derivative, it comes to Hermite interpolation; if we focus on smoothness, it comes to cubic splines and Chebyshev nodes. Finally, in the Data fitting part, we introduce the most typical one: the Linear squares method, which needs to be completed by normal equations.


翻译:在大数据时代,我们首先需要管理数据,这需要我们找到缺失的数据或预测趋势,因此我们需要包括内推和数据匹配在内的操作。 内插是一个通过已知和离散的数据点发现通过已知和离散的数据点在范围中显示新数据点的过程。 当解决科学和工程问题时, 数据点通常是通过抽样、 实验和其他方法获得的。 这些数据可能代表一个数量有限的数字函数, 其中独立变量的值。 根据这些数据, 我们常常想要获得一个连续的函数, 即曲线; 或更密集的离散方程式与已知的数据一致, 而这个过程被称作正常的。 此文章描述了为什么主要概念在逻辑上出现, 以及自定义已经在教科书中写入以来如何应用各种方法。 与此同时, 我们举例来帮助引入定义或显示应用程序。 我们用它们的方法或函数将内插的数个部分分隔。 根据这些数据, 我们通常想要获得一个连续的内插函数, 包含 Lagrange 内部和Newton 内插方程式, 它与已知的数据一致, 而这个过程又叫得恰妥。 然后, 我们引入一个典型的内定的内定式的内定式的内定式的内置法, 。

0
下载
关闭预览

相关内容

【如何做研究】How to research ,22页ppt
专知会员服务
108+阅读 · 2021年4月17日
专知会员服务
39+阅读 · 2020年9月6日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
专知会员服务
159+阅读 · 2020年1月16日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
VIP会员
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium8
中国图象图形学学会CSIG
0+阅读 · 2021年11月16日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium1
中国图象图形学学会CSIG
0+阅读 · 2021年11月3日
【ICIG2021】Latest News & Announcements of the Plenary Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年11月2日
【ICIG2021】Latest News & Announcements of the Industry Talk1
中国图象图形学学会CSIG
0+阅读 · 2021年7月28日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
0+阅读 · 2015年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Top
微信扫码咨询专知VIP会员