第二讲数据拟合.docVIP

第二讲 数据拟合 问题的提出及最小二乘原理 引例（略）。 取的个不全相同的值作独立试验，得到样本，，…，，则 ， 设，各 相互独立 于是，。且由的独立性，知的联合概率密度为 （1） 现用最大似然估计法来估计未知参数。对于任意一组观察值，（1）式就是样本的似然函数。显然，要取最大值，只需函数 取最小值。 如果不是正态变量，则直接用（1）式估计使的观察值 与 偏差的平方和 为最小。这种方法叫最小二乘法。如果是正态变量，则最小二乘法与最大似然估计法给出相同的结果。 取分别关于的偏导数，并令它们等于0，得到应满足方程 （2） （2）式称为正规方程组。解此方程组即可确定，从而得到直线方程 。 对一组测定数据用最小二乘原理找出其合适的数学公式，可以分以下几步： 由观测数据作出散点图 根据散点图确定近似公式的函数类 用最小二乘原理确定函数中的未知参数 这一方法称为数据拟合法。 常用的曲线（函数类）有直线、多项式、双曲线、指数曲线等，实际操作中可以在直观判断的基础上，选几种曲线分别做拟合，然后比较看哪条曲线的最小二乘指标最小。 多变量的数据拟合 若影响变量的因素不只是一个，而是几个，譬如有个因素，这时通过次实验可以得到数据表： 实验 … 1 … 2 … … … … … … … … 一般说来,如果选择近似方程为 和前面一样,用最小二乘原理可确定此方程中的全部系数。 非线性曲线的数据拟合 多项式数据拟合有它特殊的重要性，因为任何连续函数，至少在一个比较小的领域内可以用多项式任意逼近。因此，在许多实际问题中，可以不问与诸因素的确切关系如何，而用多项式进行拟合。 数据拟合总是在一组选定的基函数上，构造基函数的线性组合，并从这个组合函数类中对给定数据找出最好的拟合曲线。例如，线性拟合是在基函数上构造一次函数类，找出对给定数据最好的直线方程；多项式拟合是在基函数上构造次多项式，在全部次多项式中选取对给定数据拟合的最好的一个次多项式。因此，怎样选择基函数来构造函数类是非常重要的，也比较困难，它主要靠对问题的仔细分析和搞清物理背景的办法来解决，但在数学上也有行之有效的方法——正交筛选法。 数据拟合的MATLAB实现 命令: polyfit、polyval、 curvefit、leastsq 例子。 范例：薄膜渗透率的测定 实验：三选一 5