Задайте некоторые точки выборки и вычислите значение тригонометрической функции при тех местоположениях. Эти точки являются демонстрационными значениями для interpolant.

t = linspace(3/4*pi,2*pi,50)';
x = [3*cos(t); 2*cos(t); 0.7*cos(t)];
y = [3*sin(t); 2*sin(t); 0.7*sin(t)];
v = repelem([-0.5; 1.5; 2],length(t));

Создайте interpolant.

F = scatteredInterpolant(x,y,v);

Оцените interpolant в местоположениях запроса (xqyq ).

tq = linspace(3/4*pi+0.2,2*pi-0.2,40)';
xq = [2.8*cos(tq); 1.7*cos(tq); cos(tq)];
yq = [2.8*sin(tq); 1.7*sin(tq); sin(tq)];
vq = F(xq,yq);

Постройте результат.

plot3(x,y,v,'.',xq,yq,vq,'.'), grid on
title('Linear Interpolation')
xlabel('x'), ylabel('y'), zlabel('Values')
legend('Sample data','Interpolated query data','Location','Best')

Создайте interpolant для набора рассеянных точек выборки, затем оцените interpolant в наборе 3-D точек запроса.

Задайте 200 случайных точек и произведите тригонометрическую функцию. Эти точки являются демонстрационными значениями для interpolant.

rng default;
P = -2.5 + 5*rand([200 3]);
v = sin(P(:,1).^2 + P(:,2).^2 + P(:,3).^2)./(P(:,1).^2+P(:,2).^2+P(:,3).^2);

Создайте interpolant.

F = scatteredInterpolant(P,v);

Оцените interpolant в местоположениях запроса (xqyq , zq).

[xq,yq,zq] = meshgrid(-2:0.25:2);
vq = F(xq,yq,zq);

Постройте срезы результата.

xslice = [-.5,1,2]; 
yslice = [0,2]; 
zslice = [-2,0];
slice(xq,yq,zq,vq,xslice,yslice,zslice)

Замените элементы в Values свойство, когда это необходимо, чтобы изменить значения в точках выборки. Вы получаете непосредственные результаты, когда вы оцениваете новый interpolant, потому что исходная триангуляция не изменяется.

Создайте 50 случайных точек и произведите показательную функцию. Эти точки являются демонстрационными значениями для interpolant.

rng('default')
x = -2.5 + 5*rand([50 1]);
y = -2.5 + 5*rand([50 1]);
v = x.*exp(-x.^2-y.^2);

Создайте interpolant.

F = scatteredInterpolant(x,y,v)

F = 
  scatteredInterpolant with properties:

                 Points: [50x2 double]
                 Values: [50x1 double]
                 Method: 'linear'
    ExtrapolationMethod: 'linear'

Оцените interpolant в (1.40,1.90).

F(1.40,1.90)

ans = 0.0069

Измените interpolant демонстрационные значения и переоцените interpolant в той же точке.

vnew = x.^2 + y.^2;
F.Values = vnew;
F(1.40,1.90)

ans = 5.6491

Используйте groupsummary устранить дублирующиеся точки выборки и управлять, как они объединены до вызова scatteredInterpolant.

Создайте матрицу местоположений точек выборки с размерами 200x3. Добавьте дублирующие точки в последних пяти строках.

P = -2.5 + 5*rand(200,3);
P(197:200,:) = repmat(P(196,:),4,1);

Создайте вектор из случайных значений в точках выборки.

V = rand(size(P,1),1);

При попытке использовать scatteredInterpolant с дублирующимися точками выборки это выдает предупреждение и составляет в среднем соответствующие значения в V произвести одну уникальную точку. Однако можно использовать groupsummary устранить дублирующиеся точки до создания interpolant. Это особенно полезно, если вы хотите объединить дублирующиеся точки с помощью метода кроме усреднения.

Используйте groupsummary устранить дублирующиеся точки выборки и сохранить максимальное значение в V в дублирующемся местоположении точки выборки. Задайте матрицу точек выборки как сгруппированную переменную и соответствующие значения как данные.

[V_unique,P_unique] = groupsummary(V,P,@max);

Поскольку сгруппированная переменная имеет три столбца, groupsummary возвращает уникальные группы P_unique как массив ячеек. Преобразуйте массив ячеек назад в матрицу.

P_unique = [P_unique{:}];

Создайте interpolant. Поскольку точки выборки теперь уникальны, scatteredInterpolant не выдает предупреждение.

I = scatteredInterpolant(P_unique,V_unique);

Сравните результаты нескольких различных алгоритмов интерполяции, предлагаемых scatteredInterpolant.

Создайте набор выборочных данных 50 рассеянных точек. Число точек искусственно мало, чтобы подсветить различия между методами интерполяции.

x = -3 + 6*rand(50,1);
y = -3 + 6*rand(50,1);
v = sin(x).^4 .* cos(y);

Создайте interpolant и сетку точек запроса.

F = scatteredInterpolant(x,y,v);
[xq,yq] = meshgrid(-3:0.1:3);

Постройте результаты с помощью 'nearest', 'linear', и 'natural' методы. Каждый раз изменения метода интерполяции, необходимо повторно запросить interpolant, чтобы получить обновленные результаты.

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')

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')

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')

Постройте точное решение.

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')

Запросите interpolant в одной точке вне выпуклой оболочки с помощью самой близкой соседней экстраполяции.

Задайте матрицу 200 случайных точек и произведите показательную функцию. Эти точки являются демонстрационными значениями для interpolant.

rng('default')
P = -2.5 + 5*rand([200 2]);
x = P(:,1);
y = P(:,2);
v = x.*exp(-x.^2-y.^2);

Создайте interpolant, задав линейную интерполяцию и самую близкую соседнюю экстраполяцию.

F = scatteredInterpolant(P,v,'linear','nearest')

F = 
  scatteredInterpolant with properties:

                 Points: [200x2 double]
                 Values: [200x1 double]
                 Method: 'linear'
    ExtrapolationMethod: 'nearest'

Оцените interpolant вне выпуклой оболочки.

vq = F(3.0,-1.5)

vq = 0.0029

Отключите экстраполяцию и оцените F в той же точке.

F.ExtrapolationMethod = 'none';
vq = F(3.0,-1.5)

vq = NaN