数据拟合_建模.pptVIP

* * 数据拟合 一、拟合的概念 二、调用MATLAB命令实现拟合 三、范例 在一项工程实践中，通过观测，得到了一个离散的函数关系(xi,yi) i=1,2,…,n。由于工程的需要，我们希望揭示出反映这组离散数据的一个解析的函数关系。 再用几何术语来表达：根据平面上的观测点,要求确定一个函数曲线y=f(x), 使曲线尽量接近这些点。实现这个愿望的方法简称为曲线拟合（fitting a curve). 在生产实践和科学实验中,经常会遇到大量的不同类型的数据(data).这些数据提供了有用的信息，可以帮助我们认识事物的内在规律等. 曲线拟合是根据实验获得的数据，建立自变量与因变量之间的函数关系，为进一步的深入研究提供工具。 一、拟合的概念 引例：浓度变化规律 在化学反应中，为研究某化合物的浓度随时间的变化规律，测得一组数据如表1 表 1 t 时间 1 2 3 4 5 6 7 8 y浓度 4 6.4 8.0 8.4 9.28 9.5 9.7 9.86 t时间 9 10 11 12 13 14 15 16 y浓度 10 10.2 10.32 10.42 10.5 10.55 10.58 10.6 表1中的数据反映了浓度随时间变化的函数关系,它是一种离散关系.若需要推断第20、40分钟的浓度值,就要用一个解析的函数y=f(t)来拟合表1中的离散数据,然后再算浓度f(20),f(40)。 首先将这些离散数据描绘在直角坐标系下，得到散点图。然后观察浓度与时间之间呈现什么规律。  图1,浓度 y 随时间 t 呈“抛物线”(二次函数)状变化. 根据散点图,可以认为y与t的函数为y=a+bt+ct2,其中a,b,c为待定，称为参数。参数的选择需要科学的方法和实验修正。 提示 函数形式确定以后，关键是要确定函数中含有的待定参数a,b,c.常用的方法是最小二乘法（method of least squares),下面介绍该方法的基本原理。 最小二乘法 平面上的点 (xi,yi) i=1,2,…,n。揭示出一个离散的函数关系; 设有连续可微的函数y=f(x)很接近上述离散的函数关系。但一般来说 因此，我们的愿望降低为是：如何选取 f(x) 的参数使达到 yi ≠ f(xi) i=1,2,…,n。 对应的几何意义：诸点到曲线的距离平方和最小 二、曲线拟合的MATLAB实现 多项式函数拟合： a=polyfit(xdata,ydata,n)其中(xdata,ydata)为观测数据，n为你认定的适合观测数据的多项式的次数。输出为 a =[a1…,an,an+1] 即与多项式f(x)=a1xn+…+anx+an+1对应 回到引例中的问题 t=1:16; y=[4 6.4 8.0 8.4 9.28 9.5 9.7 9.86 10 10.2 10.32 10.42 10.5 10.55 10.58 10.6]; a=polyfit(t,y,2) a = -0.0445 1.0711 4.3252 即拟合函数为f(t)=a(1)*t^2+a(2)*t+a(3) 对拟合函数的拟合效果如何检测？仍然以图形来检测，我们将客观的散点与主观的拟合曲线画在一个画面上即可看出。 xi=linspace(0,16,160); yi=polyval(a,xi); plot(x,y,’o’,xi,yi) %图略 右图是以8次多项式拟合的效果 a=polyfit(t,y,8); xi=linspace(0,16,160); yi=polyval(a,xi); plot(t,y,o,xi,yi, g) 一般的曲线拟合：p=lsqcurvefit(’Fun’,p0,xdata,ydata) (xdata,ydata)是观测数据。对于这组观测数据我们选择了自认为是拟合效果比较好的函数形式f(x),其中参数以字母表示，取值待定 .我们把这个函数形式写入名为Fun的M文件. 例如：对于上述观测数据所选择的拟合函数为