最小二乘法 线性与非线性拟合.docVIP

最小二乘法?线性与非线性拟合 ? 最小二乘法实现数据拟合 ?最小二乘法原理 函数插值是差值函数p(x)与被插函数f(x)在节点处函数值相同，即p( )=f( )??(i=0,1,2,3……,n)，而曲线拟合函数 不要求严格地通过所有数据点( )，也就是说拟合函数 在 处的偏差 ????????????????????????= 不都严格地等于零。但是，为了使近似曲线能尽量反应所给数据点的变化趋势，要求| |按某种度量标准最小。 即 ?????????????????????= 为最小。这种要求误差平方和最小的拟合称为曲线拟合的最小二乘法。 (一)线性最小二乘拟合 根据线性最小二乘拟合理论，我们得知关于系数矩阵A的解法为A＝R\Y。 例题?假设测出了一组，由下面的表格给出，且已知函数原型为 y(x)=c1+c2*e^(-3*x)+c3*cos(-2*x)*exp(-4*x)+c4*x^2 ? ? x 0 0.2 0.4 0.7 0.9 0.92 0.99 1.2 1.4 1.48 1.5 y 2.88 2.2576 1.9683 1.9258 2.0862 2.109 2.1979 2.5409 2.9627 3.155 3.2052 ? ? 试用已知数据求出待定系数的值。 ???????在Matlab中输入以下程序 x=[0,0.2,0.4,0.7,0.9,0.92,0.99,1.2,1.4,1.48,1.5]; y=[2.88;2.2576;1.9683;1.9258;2.0862;2.109; ??2.1979;2.5409;2.9627;3.155;3.2052]; A=[ones(size(x)) exp(-3*x),cos(-2*x).*exp(-4*x) x.^2]; c=A\y; c 运行结果为 ans = ????????1.2200????2.3397???-0.6797????0.8700 ????下面画出由拟合得到的曲线及已知的数据散点图 x1=[0:0.01:1.5]; A1=[ones(size(x1)) exp(-3*x1),cos(-2*x1).*exp(-4*x1) x1.^2]; y1=A1*c; plot(x1,y1,x,y,o) ? ????事实上，上面给出的数据就是由已知曲线 y(x)= 0.8700-0.6797*e^(-3*x)+ 2.3397*cos(-2*x)*exp(-4*x)+ 1.2200*x^2 产生的，由上图可见拟合效果较好。 ? 多项式最小二乘拟合 在Matlab的线性最小二乘拟合中，用得较多的是多项式拟合，其命令是 A=polyfit(x,y,m) 其中 表示函数中的自变量矩阵， 表示因变量矩阵，是输出的系数矩阵，即多项式的系数。 多项式在自变量x处的函数值y可用以下命令计算： y=polyval(A,x) 例题?对下面一组数据作二次多项式拟合，即要求出二次多项式 中的 ，使最小。 ? ? x 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 y －0.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2 ? ? 在Matlab中输入以下命令 x=0:.1:1; y=[-0.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; a=polyfit(x,y,2) 运行结果为 a = ???-9.8108???20.1293???-0.0317 f=vpa(poly2sym(a),5) %vpa（polyval2sym（），n）只适用于关于多项式函数的拟合。因为此函数对于自变量统一规定为“x”，将由polyfit（）所得出的系数按自变量幂次升降放在相应的位置。 运行结果为 f = ???-9.8108*x^2+20.129*x-.31671e-1 下面画出由拟合得到的曲线及已知的数据散点图 y1=polyval(a,x); plot(x,y,o,x,y1) ? （二）非线性最小二乘拟合 （1）lsqcurvefit( ) lsqcurvefit( )是非线性最小二乘拟合函数，其本质上是求解 最优化问题。其使用格式为 x=lsqcurvefit(fun,x0,xdata,ydata) 其中，fun是要拟合的非线性函数，x0是初始参数，xdata，ydata是拟合点的数据，该函数最终返回系数矩阵。 例题?假设已知 并已知该函数满足原型为 ，其中 为待定系数。 在Matlab中输入以下命令 x=0:.1:10; y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x); f=in