Вы находитесь на странице: 1из 3

TUGAS

PROGRAM INTERPOLASI DEMENSIONAL

I.

Procedure Interpolasi Spline


Interpolasi spline membutuhkan dua langkah penting: (1) representasi spline kurva
dihitung, dan (2) spline dievaluasi pada titik-titik yang diinginkan. Dalam rangka
untuk mencari representasi spline, ada dua cara yang berbeda untuk mewakili
kurva dan memperoleh (smoothing) koefisien spline: langsung dan parametrically.
Metode langsung menemukan representasi spline kurva dalam pesawat dua
dimensi menggunakan fungsi splrep. Dua yang pertama argumen adalah satusatunya yang dibutuhkan, dan ini memberikan \ (x \) dan \ (y \) komponen kurva.
Output yang normal adalah 3-tupel, \ (\ left (t, c, k \ right) \), yang berisi simpulpoin, \ (t \), koefisien \ (c \) dan urutan \ (k \) dari spline. Urutan spline default
adalah kubik, tetapi hal ini dapat diubah dengan keyword, k.

II.

Untuk kurva di \ (N \) ruang berdimensi fungsi splprep memungkinkan


mendefinisikan kurva parametrically. Untuk fungsi ini hanya 1 input argumen
diperlukan. Masukan ini adalah daftar \ (N \) -arrays mewakili kurva di \ (N \)
ruang berdimensi. Panjang setiap array adalah jumlah titik kurva, dan setiap array
menyediakan salah satu komponen dari \ (N \) data titik berdimensi. Variabel
parameter yang diberikan dengan argumen keword, u, yang defaultnya urutan
monoton sama-spasi antara \ (0 \) dan \ (1 \). Output standar terdiri dari dua benda:
3-tupel, \ (\ left (t, c, k \ right) \), yang berisi representasi spline dan variabel
parameter \ (. U \)

III.

Argumen kata kunci, s, digunakan untuk menentukan jumlah smoothing untuk


melakukan selama spline fit. Nilai default \ (s \) adalah \ (s = m \ sqrt {} 2m \) di
mana \ (m \) adalah jumlah data-poin yang fit. Oleh karena itu, jika tidak ada
smoothing diinginkan nilai \ (\ mathbf {s} = 0 \) harus dilewatkan ke rutinitas.

IV.

Setelah representasi spline data telah ditentukan, fungsi yang tersedia untuk
mengevaluasi spline (splev) dan turunannya (splev, spalde) pada setiap titik dan
integral dari spline antara dua titik . Selain itu, untuk splines kubik (\ (k = 3 \))
dengan 8 atau lebih knot, akar spline dapat diperkirakan (sproot).

Beberapa Fungsi Pada Phyton


1. SciPy
SciPy adalah modul untuk melakukan beberapa perhitungan scientific dengan python.
Sedikit contohnya adalah integral numerik, menyelesaikan persamaan differensial
secara numerik, optimisasi, interpolasi, pemrosesan sinyal, dll
2. NumPy

NumPy adalah modul yang menyediakan objek-objek matematika yang memudahkan


dalam melakukan perhitungan. Untuk menggunakan SciPy, biasanya kita
membutuhkan NumPy. Objek utama yang disediakan NumPy adalah array yang dapat
berperan sebagai matrix.
3. Matplotib
Modul berfungsi untuk membuat grafik. Jika tidak ada modul ini, data-data yang
diperoleh menggunakan NumPy dan SciPy tidak dapat divisualisasikan. Matplotlib
menyediakan banyak fungsi di antaranya untuk menggambar grafik biasa, grafik
polar, plot kontur, grafik 3D, dll.
Kode Progam Menggunakan Phyton
import numpy as np
import matplotlib.pyplot as plt
from scipy import interpolate
x = np.arange(0, 2*np.pi+np.pi/4, 2*np.pi/8)
y = np.sin(x)
tck = interpolate.splrep(x, y, s=0)
xnew = np.arange(0,2*np.pi,np.pi/50)
ynew = interpolate.splev(xnew, tck, der=0)
plt.figure()
plt.plot(x, y, 'x', xnew, ynew, xnew, np.sin(xnew), x, y, 'b')
plt.legend(['Linear', 'Cubic Spline', 'True'])
plt.axis([-0.05, 6.33, -1.05, 1.05])
plt.title('Cubic-spline interpolation')
plt.show()

Proses Pada Phyton

Output dari Interpolasi Spline

Вам также может понравиться