该部分是基于克里金插值（Kriging）在MATLAB中的实现（克里金工具箱），由于在运行过程中有部分问题，基于此做的一些理解+优化。

工具箱的下载见上面的链接，其提供了工具箱。

clc
clear

load('data_kriging.mat')  %载入数据；我在这里将工具箱中的data1替换了名字

%模型参数设置，无特殊情况不需修改，见说明书
theta = [10 10]; lob = [1e-1 1e-1]; upb = [20 20];

[dmodel, perf] = dacefit(S, Y, @regpoly0, @corrgauss, theta, lob, upb);
% corrgauss表示高斯相关函数
% lob：相关函数参数的下界向量
% upb：相关函数参数的上界向量

%S存储了点位坐标值，Y为观测值
X = gridsamp([0 0;100 100], 40);  %创建一个40*40的格网，标注范围为0-100，即格网间距为2.5

% X=[83.731	32.36];     %单点预测的实现
%格网点的预测值返回在矩阵YX中，预测点的均方根误差返回在矩阵MSE中
[YX,MSE] = predictor(X, dmodel);    
X1 = reshape(X(:,1),40,40); X2 = reshape(X(:,2),40,40);
YX = reshape(YX, size(X1));         %size(X1)=40*40

figure(1), mesh(X1, X2, YX)         %绘制预测表面
hold on,
plot3(S(:,1),S(:,2),Y,'.k', 'MarkerSize',10)    %绘制原始散点数据
hold off

figure(2),mesh(X1, X2, reshape(MSE,size(X1)));  %绘制每个点的插值误差大小

在dacefit函数中，参数的含义如下：

• S：输入变量的样本数据矩阵，每一行代表一个样本点，每一列代表一个输入变量。
• Y：响应变量的样本数据矩阵，每一行代表一个样本点，每一列代表一个响应变量。
• @regpoly0：回归多项式函数的句柄，用于拟合输入变量和响应变量之间的回归关系。regpoly0表示零阶多项式，即常数回归模型。
• @corrgauss：相关函数的句柄，用于描述输入变量之间的相关性。corrgauss表示高斯相关函数。
• theta：相关函数的参数向量，用于调整相关函数的形状和范围。具体含义根据相关函数的定义而定。
• lob：相关函数参数的下界向量，用于限制参数的范围。
• upb：相关函数参数的上界向量，用于限制参数的范围。

函数返回值包括：

• dmodel：拟合好的DACE模型，可以用于进行预测和插值。
• perf：拟合模型的性能指标，如均方根误差（RMSE）、均方误差（MSE）等。

通过调整相关函数的参数和范围，可以对DACE模型进行优化，以最好地拟合输入变量和响应变量之间的关系。

备注：如果缺失数据不是规整的，这种方法还是比较难应用。
相关的原理可借鉴：
克里金插值MATLAB程序