数学建模函数拟合.pptVIP

曲线拟合Curve Fitting 1.曲线拟合问题的提法 曲线拟合是进行数据分析时经常遇到的问题，它指根据一组或多组测量数据找出一条数学上可描述的曲线的过程。这条曲线有时穿过测量的数据点，有时将会非常接近但不会穿过测量的数据点。 平面上n个点互不相同，寻求一个函数(或者曲线) y=f(x)，使f(x)在某种准则下与所有数据点最为接 近，即曲线拟合得最好。 如图所示 2.线性最小二乘法的基本思想 其中 是事先选定的一组函数, 是待定系数.拟 合准则是使n个点与 的距离的平方和最小. 3.多项式拟合程序 A=polyfit(x,y,m) 其中输入参数x,y为要拟合的数据,是长度自定义的数 组,m为拟合多项式的次数(阶),输出参数为多项式 的系数 注:(1)m=1，表示要进行最佳直线拟合(又叫线性回归)； m=2，表示要找出一个二次多项式拟合曲线； (2)尽管m越大，越能精确拟合数据，但是不需要采取太高阶多项式拟合:越高阶多项式其数值特性越差，计算起来耗时;随多项式次数的升高,拟合的曲线变得越来越不平滑,常会有用户不愿意看到的局部波形;由于数据本身的近似性,没有必要仅考虑使拟合曲线无限接近数据点，而要在曲线的阶次和均方误差间综合考虑，越是高阶多项式物理实现时越困难. 多项式在x处的值y可用下面的程序计算 y=polyval(a,x) 例1 有一对温度敏感的电阻,已经测得一组数据试拟合温度与电阻的函数,并求在温度为60时的电阻. clear; clf; t=[20.5 32.5 51 73 95.7]; r=[765 826 873 942 1032]; p=polyfit(t,r,1); a=p(1); b=p(2); y=polyval(p,t); plot(t,r,k+,t,y,r) xlabel(t) ylabel(R) y=polyval(p,60) 例2 现有如下离散点,试拟合函数 (37,3.4),(37.5,3),(38,3),(38.5,2.27),(39,2.1), (39.5,1.83),(40,1.53),(40.5,1.7),(41,1.8), (41.5,1.9),(42,2.35),(42.5,2.54),(43,2.9) clear clf x=37:0.5:43; y=[3.4,3,3,2.27,2.1,1.83,1.53,1.7,1.8,1.9,2.35,2.54,2.9]; p=polyfit(x,y,2); a=p(1); b=p(2); c=p(3); Y=polyval(p,x); plot(x,y,*,x,Y,g:); 例3 用二次多项式拟合数据对 (1,1),(2,3),(3,11),(4,12),(5,28),(6,32),(7,45), (8,70),(9,80),(10,104) x=1:1:10; y=[1 3 11 12 28 32 45 70 80 104]; b=polyfit(x,y,2); x1=0:0.05:10; y2=b(1)*x1.^2+b(2)*x1+b(3); plot(x,y, k+,x1,y2, r-.); 例4 现有如下离散点,试拟合函数 (0,-0.447)(0.1,1.978)(0.2,3.28)(0.3,6.16)(0.4,7.08)(0.5,7.34) (0.6,7.66)(0.7,9.56)(0.8,9.48)(0.9,9.30)(1.0,11.2) clear clf x=[0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0]; y=[-0.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; n=2; p=polyfit(x,y,n); x1=linspace(0,1,100); y1=polyval(p,x1); plot(x,y,-o,x1,y1,--); xlabel(x); ylabel(y=f(x)); title(Second Order Curve Fitting); pp=polyfit(x,y,10); pp.; y10=polyval(pp,x1); plot(x,y, o,x1,y1, --,x1,y10); xlabel(x); ylabel(y=f(x)); title(2nd and 10th Order Curve Fitting); 曲线拟合时多项式阶次的选择：不需要采取太 高阶。原因： (1)阶次越高其数值特性越差，计算起来耗时； (2)阶次越高，拟合曲线越来越不平滑，常会出