企业官网建设流程全解析

1. 从离散数据到连续曲线：为什么我们需要插值？

在工程计算、数据分析乃至科研绘图里，我们常常会遇到一个看似简单却让人头疼的问题：手里只有一组离散的数据点，比如每隔一小时测量的温度、实验测得的材料应力-应变关系、或者地图上几个稀疏的采样点，但我们真正需要的，是一条能够平滑、合理地穿过所有这些点的连续曲线。这条曲线能让我们预测任意时刻的温度、计算任意应力下的应变、或者生成一张完整的地形图。这个“无中生有”的过程，就是插值。

插值不是乱猜，它背后有一套严格的数学逻辑。最朴素的想法是，直接用直线把相邻的点连起来，这就是线性插值。它简单粗暴，但问题也很明显：得到的是一条折线，在连接点（节点）处是尖锐的“棱角”，既不光滑，也不符合大多数物理过程的连续变化特性。想象一下气温变化，它通常是平滑过渡的，不会在整点时刻突然“拐弯”。

所以，我们需要更高级的插值方法，目标是在满足通过所有已知数据点（这个叫插值条件）的前提下，让生成的曲线尽可能光滑。光滑在数学上通常用“导数连续”来衡量。线性插值在节点处导数不连续（左右斜率不一样），所以是“C0连续”。如果我们要求曲线在节点处不仅连续，切线方向（一阶导数）也连续，那就是“C1连续”，看起来就平滑多了。如果再苛刻一点，要求曲率（二阶导数）也连续，就是“C2连续”，这样的曲线视觉上就非常光顺，接近手工绘制的效果。

今天要聊的分段三次埃尔米特（Hermite）插值和三次样条插值，就是为了实现不同等级的光滑性而生的两种经典方法。它们都用到了三次多项式，因为三次是能满足我们常见光滑性要求的最低次数多项式：它足够灵活，可以构造出有拐点的曲线，同时计算又不会太复杂。在MATLAB里实现这两种方法，是处理实验数据拟合、图形绘制、函数逼近等任务的必备技能。我在这十多年的仿真和数据处理工作中，无数次用到它们，也踩过不少坑。这篇笔记，我就结合MATLAB，把这两种插值方法的原理、实现、以及最关键——如何根据你的实际需求去选择和调整——掰开揉碎了讲清楚。

2. 分段三次埃尔米特插值：我不仅知道点，还知道点的“趋势”

我们先从分段三次埃尔米特插值说起。它的核心思想非常直观：我不光知道曲线要经过哪些点（函数值），我还知道在每个点处，曲线应该朝哪个方向走（导数值）。这就像你开车经过一系列路标（数据点），并且知道在每个路标处你的方向盘角度（导数值），那么你就能画出一条更符合你实际行驶路径的平滑轨迹。

2.1 数学原理：如何构造一段“知情”的曲线

假设我们有两个相邻的数据点(x_k, y_k)和(x_{k+1}, y_{k+1})，并且我们知道在这两个点处的导数值y'_k和y'_{k+1}。我们要找一段三次多项式曲线P(x) = ax^3 + bx^2 + cx + d，让它满足四个条件：

1. P(x_k) = y_k
2. P(x_{k+1}) = y_{k+1}
3. P'(x_k) = y'_k
4. P'(x_{k+1}) = y'_{k+1}

这四个条件正好可以解出三次多项式的四个未知系数a, b, c, d。解出来的形式可以写成一组基函数的线性组合，这就是埃尔米特插值公式。对于区间[x_k, x_{k+1}]上的任意点x，插值函数为：

P(x) = y_k * H_1(t) + y_{k+1} * H_2(t) + (x_{k+1} - x_k)[y'_k * H_3(t) + y'_{k+1} * H_4(t)]

其中，t = (x - x_k) / (x_{k+1} - x_k)是归一化的局部坐标，H1到H4是三次埃尔米特基函数。这个公式的美妙之处在于，它清晰地分离了函数值和导数值的贡献。分段的意思就是，在整个数据区间[x0, xn]上，我们对每一段[x_k, x_{k+1}]都按上述方法构造一个三次多项式，最后把它们拼起来。

由于我们在每个节点处都强制规定了左边段和右边段的函数值相等（都是给定的y_k），且导数值相等（都是给定的y'_k），所以拼起来的整体曲线自然是C1连续的——没有断点，也没有尖角。

注意：这里隐藏了一个关键前提：你必须事先知道每个节点处的导数值y'_k。如果数据来自一个已知的数学函数，你可以直接求导得到。但现实中，我们的数据往往是测量得到的，导数信息是缺失的。这时就需要用数值方法去“猜”，比如用中心差分公式y'_k ≈ (y_{k+1} - y_{k-1}) / (x_{k+1} - x_{k-1})来近似。这个“猜”的过程，是影响最终插值效果的最大变数，后面会详细说。

2.2 MATLAB实战：pchip函数与手动实现

MATLAB内置了一个非常强大的函数来做分段三次埃尔米特插值：pchip。它的全称是“Piecewise Cubic Hermite Interpolating Polynomial”。很多人误以为pchip就是三次样条，其实不然，它是埃尔米特插值的一种智能变体。

pchip的聪明之处在于，当你不提供导数值时，它会根据数据点自动计算一组“保形”的导数。它的目标不是追求绝对的光滑（C2连续），而是追求保单调性。也就是说，如果原始数据是单调递增（或递减）的，那么pchip插值出来的曲线也会是单调的，不会产生非物理的振荡。这对于很多工程数据（如特性曲线）的插值至关重要。

% 示例1：使用 pchip 进行插值 x = [0, 1, 2, 3, 4, 5]; y = [0, 0.5, 0.4, 1.2, 1.0, 0.8]; % 非单调数据 % 生成密集的插值点 xq = linspace(min(x), max(x), 100); yq_pchip = pchip(x, y, xq); % 绘图对比 figure; plot(x, y, 'o', 'MarkerSize', 8, 'LineWidth', 2); % 原始数据点 hold on; plot(xq, yq_pchip, '-', 'LineWidth', 2); legend('原始数据', 'PCHIP插值'); title('分段三次埃尔米特插值 (MATLAB pchip)'); xlabel('x'); ylabel('y'); grid on; hold off;

那么，如果我们想手动实现一个“标准”的埃尔米特插值，即自己指定导数，该怎么做呢？我们可以利用MATLAB的插值基础。一个清晰的做法是，先构造一个griddedInterpolant对象，并指定方法为'pchip'，但更重要的是理解其分段构造的过程。下面是一个更贴近原理的示意性代码，展示了在单个区间上的计算：

% 示例2：理解性手动计算（单区间） x_k = 1; x_k1 = 2; y_k = 1; y_k1 = 3; dy_k = 0; % 在x_k处指定斜率为0 dy_k1 = 2; % 在x_k1处指定斜率为2 % 计算区间长度 h = x_k1 - x_k; % 定义归一化变量 t 的函数 % 对于给定区间 [x_k, x_k1] 和待求点 xq， t = (xq - x_k)/h % 这里我们直接生成该区间上的插值曲线 t = linspace(0, 1, 50)'; % 归一化坐标 xq_local = x_k + t * h; % 三次埃尔米特基函数 H1 = (1 - t).^2 .* (1 + 2*t); H2 = t.^2 .* (3 - 2*t); H3 = t .* (1 - t).^2; H4 = (t - 1) .* t.^2; % 应用插值公式 P_local = y_k * H1 + y_k1 * H2 + h * (dy_k * H3 + dy_k1 * H4); figure; plot([x_k, x_k1], [y_k, y_k1], 'ro', 'MarkerSize', 10, 'LineWidth', 2); hold on; plot(xq_local, P_local, 'b-', 'LineWidth', 2); % 画出切线方向 quiver(x_k, y_k, 0.2, 0.2*dy_k, 'k', 'LineWidth', 1.5, 'MaxHeadSize', 0.5); quiver(x_k1, y_k1, 0.2, 0.2*dy_k1, 'k', 'LineWidth', 1.5, 'MaxHeadSize', 0.5); legend('数据点', '埃尔米特插值曲线', '指定导数方向'); title('手动计算单区间三次埃尔米特插值'); xlabel('x'); ylabel('y'); grid on; hold off;

2.3 核心陷阱：导数从哪里来？pchip、spline与手动赋值的抉择

这是使用埃尔米特插值时最核心、也最容易出错的地方。你的结果好坏，很大程度上取决于你给（或算法猜）的导数值是否合理。

1. 使用pchip（MATLAB推荐）：在绝大多数你不知道导数、且数据可能来自物理测量或实验的情况下，直接用pchip是最稳妥的选择。它的内置算法（Fritsch-Carlson方法）能很好地平衡光滑性和保形性，避免产生过冲（Overshoot）或虚假波动。我处理传感器数据、绘制实验曲线时，pchip是我的首选。

2. 自己估算导数：如果你有理由相信数据背后是一个光滑函数，且数据点足够密集，可以用数值微分来估算导数。中心差分法是个不错的选择，但对于边界点，需要用前向或后向差分。

   % 示例：使用中心差分估算导数（假设x等间距） x = linspace(0, 2*pi, 10); y = sin(x); n = length(x); dy_approx = zeros(size(y)); % 内部点用中心差分 for i = 2:n-1 dy_approx(i) = (y(i+1) - y(i-1)) / (x(i+1) - x(i-1)); end % 边界点用单侧差分 dy_approx(1) = (y(2) - y(1)) / (x(2) - x(1)); dy_approx(end) = (y(end) - y(end-1)) / (x(end) - x(end-1)); % 然后用 interp1 和 'pchip' 方法，并结合自定义导数进行插值，这需要更底层的操作。 % 更简单的方式是使用 griddedInterpolant，但设置自定义导数较为复杂。 % 一种实用的“手动”分段实现方式是循环每个区间，利用上述公式计算。

   踩坑实录：数据稀疏时，数值微分对噪声极度敏感。一个离群点会导致估算的导数严重失真，进而让整段插值曲线变得怪异。在估算导数前，务必先进行数据平滑或去噪处理。

3. 物理或几何约束：有时你知道某些点处的导数必须是多少。比如，模拟一个对称的物理过程，在起点和终点导数应为零；或者你知道曲线在某点与另一条线相切。这时，你可以手动指定这些关键点的导数值，其他点用pchip或数值微分来补全。这需要你对问题背景有深刻理解。

一个重要的对比：你可以试试用同样的数据，分别运行pchip和spline（三次样条，下一节讲）。对于单调数据，pchip产生的曲线更“紧贴”数据，而spline可能会产生轻微的波动。对于快速变化的数据，spline通常更光滑，但可能不保单调。

3. 三次样条插值：追求极致的光滑性

如果说分段三次埃尔米特插值满足于C1连续（没有尖角），那么三次样条插值的目标就是更高级的C2连续——连曲率都是平滑变化的。这使它看起来更加“优雅”，像是用一根有弹性的木条（样条）压在所有数据点上形成的曲线，故名“样条”。

3.1 数学原理：全局耦合的导数条件

三次样条也是分段三次多项式，但它确定系数的方式完全不同。它不再要求预先知道每个节点的导数值，而是施加一个全局性的条件：在所有的内部节点处，不仅函数值连续、一阶导数连续，二阶导数也要连续。此外，我们还需要两个额外的边界条件来确定整个系统。

假设我们有 n+1 个数据点，就有 n 个区间。每个区间上一个三次多项式，共有 4n 个未知系数。我们的条件是：

• 插值条件(n+1个)：S(x_i) = y_i。
• 内部节点一阶导数连续(n-1个)：S'_{i}(x_{i+1}) = S'_{i+1}(x_{i+1})。
• 内部节点二阶导数连续(n-1个)：S''_{i}(x_{i+1}) = S''_{i+1}(x_{i+1})。

这样加起来有 (n+1) + 2*(n-1) = 3n -1 个条件。还差 n+1 个条件才能确定 4n 个未知数。这额外的 n+1 个条件就是边界条件。常用的边界条件有：

1. 自然样条 (Natural Spline)：指定起点和终点的二阶导数为零，即S''(x0) = S''(xn) = 0。这相当于让样条在两端放松，没有弯矩。这是最常用的边界条件之一，尤其当你对边界行为一无所知时。
2. 固定斜率样条 (Clamped Spline)：指定起点和终点的一阶导数值。如果你知道边界处的趋势，比如物理过程的初始速度或最终速度，就用这个。MATLAB的spline函数默认不是这种，它使用另一种称为“非节点(not-a-knot)”的条件。
3. 非节点样条 (Not-a-knot Spline)：强制第一个和第二个区间在第一个内节点处的三阶导数也连续，最后一个和倒数第二个区间在最后一个内节点处的三阶导数也连续。这相当于“抹去”了第一个和最后一个内部节点，让样条在边界处更光滑。这是MATLABspline函数默认使用的边界条件。

通过求解这个大型的线性方程组（通常是三对角矩阵，高效可解），我们可以得到所有区间上多项式的系数。这个过程是全局的，改变一个数据点或一个边界条件，会影响整条曲线，这与分段埃尔米特插值的局部性形成对比。

3.2 MATLAB实战：spline函数与边界条件控制

MATLAB中实现三次样条插值的主力函数是spline。它的默认行为（非节点边界条件）在大多数情况下都能产生非常漂亮、光滑的结果。

% 示例3：使用 spline 进行插值（对比 pchip） x = [0, 1, 2, 3, 4, 5]; y = [0, 0.5, 0.4, 1.2, 1.0, 0.8]; xq = linspace(min(x), max(x), 100); yq_spline = spline(x, y, xq); % 默认 not-a-knot figure; plot(x, y, 'o', 'MarkerSize', 8, 'LineWidth', 2); hold on; plot(xq, yq_pchip, '-', 'LineWidth', 2); % 沿用之前计算的 pchip plot(xq, yq_spline, '--', 'LineWidth', 2); legend('原始数据', 'PCHIP插值', 'Spline插值 (not-a-knot)'); title('PCHIP 与 Spline 插值对比'); xlabel('x'); ylabel('y'); grid on; hold off;

运行这段代码，你通常会看到spline的曲线比pchip的曲线波动更“自由”一些，尤其在数据变化剧烈的区域，spline可能产生更大幅度的摆动，但整体看起来更光滑圆润。

如果你想使用其他边界条件，比如自然样条或固定斜率样条，spline函数也支持，但语法稍有不同。你需要以另一种形式输入y值。

% 示例4：使用自然样条边界条件 (二阶导为零) % 方法：使用 csape 函数（曲线拟合工具箱） % 如果没有该工具箱，可以手动构造方程组求解，或使用 ppval 和 spline 的另一种形式。 % 假设有曲线拟合工具箱 % pp_natural = csape(x, y, 'second'); % 'second' 指定二阶导边界，默认值为0 % yq_natural = ppval(pp_natural, xq); % 示例5：使用固定一阶导边界条件 (Clamped Spline) % 假设起点斜率为0，终点斜率为-1。 % 对于 spline 函数，需要将 y 向量的首尾替换为导数值 x_clamped = x; y_clamped = y; % 构造一个向量，首尾是导数，中间是函数值 endslopes = [0, -1]; % 起点导数，终点导数 y_for_spline = [endslopes(1), y_clamped, endslopes(2)]; % 注意：这种用法下，spline 会理解为首尾是导数值 % 更标准的做法是使用 csape: pp_clamped = csape(x, y, 'clamped', [0, -1]);

实操心得：对于大多数快速绘图和一般性数据插值，直接使用默认的spline或pchip就足够了。但当你需要将插值函数用于后续的数值积分或微分时，边界条件的选择就会影响结果。例如，对自然样条进行二次积分，其边界效应可能最小。在做任何严肃的数值分析前，花点时间思考边界行为的物理意义是值得的。

3.3 样条 vs 埃尔米特：一个关键的性能对比实验

光说不练假把式。我们用一个典型的例子来直观感受两者的区别：插值“龙格函数”（Runge‘s function）f(x) = 1 / (1 + 25*x^2)在区间 [-1, 1] 上的等距采样点。这个函数用高次多项式插值会在边界处产生剧烈的振荡（龙格现象），是检验插值方法稳定性的经典案例。

% 示例6：龙格函数插值对比 f_runge = @(x) 1 ./ (1 + 25*x.^2); x_coarse = linspace(-1, 1, 7); % 仅用7个点 y_coarse = f_runge(x_coarse); x_fine = linspace(-1, 1, 200); y_true = f_runge(x_fine); yq_pchip_runge = pchip(x_coarse, y_coarse, x_fine); yq_spline_runge = spline(x_coarse, y_coarse, x_fine); figure; plot(x_fine, y_true, 'k-', 'LineWidth', 1.5, 'DisplayName', '真实函数'); hold on; plot(x_coarse, y_coarse, 'ko', 'MarkerSize', 8, 'DisplayName', '采样点'); plot(x_fine, yq_pchip_runge, 'b-', 'LineWidth', 1.5, 'DisplayName', 'PCHIP'); plot(x_fine, yq_spline_runge, 'r--', 'LineWidth', 1.5, 'DisplayName', 'Spline'); legend('Location', 'best'); title('龙格函数插值对比 (7个等距点)'); xlabel('x'); ylabel('f(x)'); grid on; hold off; % 计算均方根误差(RMSE) rmse_pchip = sqrt(mean((yq_pchip_runge - y_true).^2)); rmse_spline = sqrt(mean((yq_spline_runge - y_true).^2)); fprintf('PCHIP 插值 RMSE: %.4f\n', rmse_pchip); fprintf('Spline 插值 RMSE: %.4f\n', rmse_spline);

运行这个例子，你会清晰地看到：在数据点稀疏时，spline在边界区域产生了明显的振荡（过冲和欠冲），而pchip则表现得非常“克制”，曲线被牢牢限制在数据点的范围内，虽然光滑度稍差，但整体形状更忠实于数据的单调趋势。这个实验深刻地揭示了两者的核心哲学差异：样条追求数学上的高阶光滑，可能以牺牲局部保形性为代价；而分段三次埃尔米特插值（尤其是pchip）优先保证形状的合理性，牺牲了全局的二阶导数连续性。

4. 进阶应用与性能考量：超越基础插值

掌握了基本用法，我们来看看在实际项目中如何更深入地使用这两种工具，以及需要注意的性能和精度问题。

4.1 处理不等距数据与外推陷阱

现实中的数据点往往不是等距的。幸运的是，无论是pchip还是spline，它们都天然支持非均匀节点。算法内部会考虑节点间距h_k = x_{k+1} - x_k，公式中的基函数或方程组系数都会随之调整。所以，你完全可以直接输入你的x向量，无需预先处理。

但是，外推是另一个危险区域。插值是在数据范围[min(x), max(x)]内猜测，而外推是在范围外猜测，这本质上风险极高。MATLAB的pchip和spline在计算插值对象（如pp = pchip(x, y)）后，可以用ppval(pp, xq)求值。如果你给的xq超出了原始x的范围，ppval会使用边界区间的多项式进行外推。

% 示例7：外推的危险性 x = 1:5; y = [1, 4, 9, 16, 25]; % y = x.^2 pp = pchip(x, y); xq_ext = linspace(0, 7, 100); yq_ext = ppval(pp, xq_ext); x_true = linspace(0, 7, 100); y_true = x_true.^2; figure; plot(x, y, 'bo', 'MarkerSize', 8, 'DisplayName', '数据点 (x^2)'); hold on; plot(xq_ext, yq_ext, 'r-', 'LineWidth', 1.5, 'DisplayName', 'PCHIP 插值/外推'); plot(x_true, y_true, 'k:', 'LineWidth', 1, 'DisplayName', '真实函数 x^2'); legend('Location', 'northwest'); title('外推行为示例：可能严重偏离'); xlabel('x'); ylabel('y'); grid on; hold off;

你会发现，在x<1和x>5的区域，插值曲线迅速偏离了真实的二次函数。因此，除非有强有力的物理模型支持，否则绝对避免使用插值函数进行外推。如果必须预测范围外的值，应考虑回归或基于物理模型的预测方法。

4.2 获取插值函数与求导积分

有时我们需要的不是一组插值点，而是一个可以反复调用、甚至进行微积分运算的函数句柄。MATLAB的插值函数通常返回一个结构体，称为“分段多项式”（Piecewise Polynomial, pp）。

% 示例8：获取插值函数并求导、积分 x = linspace(0, 2*pi, 8); y = sin(x); % 生成 pp 结构 pp_spline = spline(x, y); % 返回 pp 形式 pp_pchip = pchip(x, y); % 1. 求值 xq = 1.5; yq_spline_val = ppval(pp_spline, xq); yq_pchip_val = ppval(pp_pchip, xq); fprintf('在 x=%.2f 处，Spline 插值: %.4f, PCHIP 插值: %.4f, 真实 sin: %.4f\n', ... xq, yq_spline_val, yq_pchip_val, sin(xq)); % 2. 求导：对 pp 形式求导 pp_deriv_spline = fnder(pp_spline); % fnder 函数对 pp 形式求导 % 求 x=1.5 处的导数值 dyq_spline = ppval(pp_deriv_spline, xq); fprintf('在 x=%.2f 处，Spline 一阶导数值: %.4f, 真实 cos: %.4f\n', xq, dyq_spline, cos(xq)); % 3. 积分：计算从 x(1) 到 xq 的定积分 int_spline = fnint(pp_spline); % fnint 函数对 pp 形式积分 integral_val = ppval(int_spline, xq) - ppval(int_spline, x(1)); fprintf('从 x=0 到 x=%.2f，Spline 积分值: %.4f, 真实积分: %.4f\n', ... xq, integral_val, (1-cos(xq)));

fnder和fnint函数（属于曲线拟合工具箱）非常强大，它们直接对分段多项式形式进行操作，得到的新pp结构可以继续用于求值，效率很高。如果没有该工具箱，你也可以手动实现：对每个分段的三次多项式ax^3+bx^2+cx+d，导数就是3ax^2+2bx+c，积分是(a/4)x^4+(b/3)x^3+(c/2)x^2+dx + C，需要注意区间连接处的常数项调整。

4.3 高维插值：从曲线到曲面

我们讨论的都是一维插值（一个自变量x）。在MATLAB中，对于二维数据（曲面插值）或更高维数据，有interp2,griddata,scatteredInterpolant等函数。这些高维插值方法，其核心思想在底层也有一维方法的延伸。例如，双三次样条插值可以看作是在两个方向上分别进行三次样条插值。

理解了一维的pchip和spline，再去学习这些高维工具，你会更容易理解它们的参数（如'cubic'对应样条，'spline'在interp2中也是样条）和行为。

5. 总结与选型指南：没有最好，只有最合适

经过上面的详细拆解，我们可以清晰地看到两种方法的特质：

• 分段三次埃尔米特插值（以pchip为代表）：

  • 优点：保单调性，形状保持好，对数据中的快速变化或平台区反应更“忠实”，不易产生非物理振荡。计算是局部的，效率高。
  • 缺点：整体只有C1连续，曲率可能不连续（视觉上在某些点可能感觉“硬度”有变化）。
  • 适用场景：实验数据拟合、物理量测量数据插值、需要保持数据单调性或凸性的场合（如经济学中的效用函数、工程中的材料特性曲线）。当你对数据光滑度要求不是极端高，但非常关心插值结果是否“看起来合理”时，选pchip。

• 三次样条插值（以spline为代表）：

  • 优点：C2连续，整体非常光滑，视觉上更优美。数学性质优良，常用于需要后续进行数值微积分的场合。
  • 缺点：可能产生过冲和振荡，尤其在不均匀或稀疏数据中。不保单调。计算是全局的，所有数据点共同影响整条曲线。
  • 适用场景：计算机图形学中的路径绘制、CAD/CAM中的曲线设计、数值分析中需要光滑逼近的函数。当你追求极致的光滑视觉效果，或者需要插值函数的二阶导数也连续时，选spline。

最后的建议：

1. 永远先画图。在决定使用哪种方法前，把原始数据点画出来，观察其分布和趋势。对于看起来平滑变化的数据，两者差异不大。对于有平台、跳跃或明显单调段的数据，pchip通常更安全。
2. 进行交叉验证。如果你的数据量足够，可以尝试留出一部分点作为测试集，用不同的方法插值训练集，然后计算在测试集上的误差。这能给你一个量化的选择依据。
3. 理解你的数据来源。数据是来自一个理论上无限光滑的物理过程，还是来自可能存在噪声或量测误差的传感器？前者可能更适合spline，后者则更需要pchip的稳健性。
4. 边界条件不容忽视。使用spline时，思考一下边界行为。如果没把握，not-a-knot（默认）是个不错的折中选择。如果知道边界导数为零（如静止状态），可以考虑自然样条或固定斜率样条。

在我处理过的无数数据集中，pchip因其稳健性成为了我的默认选择。而spline则是我需要生成报告图表、追求出版级光滑曲线时的利器。希望这篇结合了原理、MATLAB实现和实战经验的笔记，能帮你下次面对离散数据时，不再犹豫，精准地选出那把合适的“插值”钥匙。