griddatan
Интерполируйте данные, имеющий разброс N-D
Описание
Примеры
Подбор кривой гиперповерхности
Интерполируйте 4-D набор данных, имеющий разброс и визуализируйте 3-D изоповерхность интерполированных данных.
Создайте рассеянный набор точек выборки.
X = 2*gallery('uniformdata',[5000 3],0)-1;
Y = sum(X.^2,2);Создайте x, y, и z сетки, чтобы использовать в качестве 3-D набора точек запроса и интерполировать данные, имеющий разброс в этих точках.
d = -0.8:0.05:0.8; [y0,x0,z0] = ndgrid(d,d,d); XI = [x0(:) y0(:) z0(:)]; YI = griddatan(X,Y,XI);
Поскольку это затрудняет, чтобы визуализировать 4-D наборы данных, используйте изоповерхность в 0,8, чтобы визуализировать результат интерполяции.
YI = reshape(YI, size(x0)); p = patch(isosurface(x0,y0,z0,YI,0.8)); isonormals(x0,y0,z0,YI,p) p.FaceColor = 'blue'; p.EdgeColor = 'none'; view(3) axis equal camlight lighting phong
Самая близкая соседняя интерполяция
Используйте самую близкую соседнюю интерполяцию на 3-D наборе данных.
Создайте демонстрационный 3-D набор данных. Матричный X содержит xyz местоположения наблюдаемых данных и v содержит (случайным образом сгенерированный) наблюдаемые данные. Этот тип набора данных мог представлять, например, кислородные уровни в океанской воде в этих местоположениях.
X = [rand(100,1) rand(100,1) rand(100,1)]; v = rand(100,1);
Используйте самую близкую соседнюю интерполяцию, чтобы аппроксимировать значение базовой функции в некоторых точках запроса.
[xx,yy,zz] = meshgrid(0.2:0.025:0.8);
xq = [xx(:) yy(:) zz(:)];
vq = griddatan(X,v,xq,'nearest');Постройте срезы результата сверху местоположений точки выборки.
vq = reshape(vq,size(xx)); plot3(X(:,1),X(:,2),X(:,3),'r*') hold on slice(xx,yy,zz,vq,[0.2 0.4 0.6 0.8],0.5,0.5)
Входные параметры
Выходные аргументы
Советы
Это не практично, чтобы использовать
griddatanдля интерполяции в размерностях выше, чем о 6-D, потому что память, требуемая базовой триангуляцией, растет экспоненциально с количеством размерностей.Интерполяция данных, имеющий разброс с
griddatanиспользует Триангуляцию Делоне данных, так может быть чувствительно к масштабированию проблем вx. Когда это происходит, можно использоватьnormalizeповторно масштабировать данные и улучшить результаты. Смотрите Нормируют Данные с Отличающимися Величинами для получения дополнительной информации.