计算方法5讲述.pptVIP

于是法方程组为： 所求经验公式为：f (x) =10.675 + 0.137 x3. 例5.1.7 用给定数据求经验公式：y = a ebx。 x 1 2 3 4 5 6 7 8 y 15.3 20.5 27.4 36.6 49.1 65.6 87.8 117.6 四、非线性拟合 在实际问题中，无论是一元函数或多元函数，在求最小二乘逼近时，拟合函数的形式往往是未知的。例如对于一元函数，拟合曲线究竟取多项式，还是三角函数，或指数函数或其它？ 解 线性化。对经验公式取自然对数 ln y = ln a + bx （令u = ln y ，b0 = ln a ，则 u=b0+bx） 代入数据的矛盾方程组 由法方程 ATAB=ATy，B =（lna, b) T, 即 所以 a = e2.4369 =11.4375. y =11.4375e0.2912x. 拟合曲线的残差平方和为： 拟合曲线的图形为 例5.1.8 在某化学反应里,测得生成物浓度y%与时间t的 数据如下，试建立y关于t的经验公式 t=1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16 y=4.00,6.40,8.00,8.80,9.22,9.50,9.70,9.86,10.00, 10.20,10.32,10.42,10.50,10.55,10.58,10.60 解 具有图示的图形的曲线很多，本题特提供两种形式： 两边取对数,得 得 即为拟合函数 基函数为 解法方程组得 残差的平方和为 用最小二乘法得 即 无论从图形还是从残差平方和考虑 在本例中指数函数拟合比双曲线拟合要好 残差的平方和为 §2. 最佳平方逼近 定义5.2.1 一、 内积空间 定义5.2.2 * 第 5 章 函数最佳逼近 二、最佳平方逼近 一、离散最小二乘逼近 1．掌握最佳平方逼近以及多项式最小二乘拟合的基本方法与思想； 2．掌握常见非线性拟合的线性化技术； 重点：最佳平方逼近及最小二乘多项式拟合。 本章要求 §1. 离散最小二乘逼近 例5.1.1 考察某种纤维的强度与其拉伸倍数的关系,下表是实际测定的24个纤维样品的强度与相应的拉伸倍数的记录: 科学试验、统计分析获得大量数据。 试确定因变量 y与自变量 x之间的近似表达式。 已知一组数据 (xi, yi), yi = f (xi)，i = 1,2,…, m。 方法一：插值 方法二：曲线拟合 或记 Q =(φ(x1) , φ(x2) ,…,φ(xm) ), Y = (y1, y2,…,ym), 则有 Q = Y. 构造插值函数φ(x) 来逼近 f (x), 则有 φ(xi) = f (xi) = yi, i = 1,2,…, m。 如果数据不能同时满足某个特定函数，而要求所求的逼近函数“最优地”靠近数据点，即向量Q与Y 的误差或距离最小。按 Q 与Y 的误差最小原则作为最优标准所构造出的函数，我们称为拟合函数。 拟合和插值都可构造逼近函数 当数据量特别大时一般不用插值法。这是因为数据量很大时所求插值曲线中的未知参数就很多，而且数据量很大时，多项式插值会出现高次插值（效果不理想）或分段低次插值（精度不高）；另外，测量数据本身往往就有误差，所以，使插值曲线刻意经过这些点也没有必要。 而曲线拟合首先根据物理规律或描点画草图确定一条用来拟合的函数曲线形式，也可选择低次多项式形式（所含参数比较少），然后按最小二乘法求出该曲线，它未必经过所有已知点，但它能反映出数据的基本趋势，且误差最小，效果比较好。 纤维强度随拉伸倍数增加而增加 并且24个点大致分 布在一条直线附近 从一组试验数据中 寻找自变量 x 与因 变量 y之间的函数关系 y=F(x). 必须找到一种度量标准来衡量什么曲线最接近所有数据点！ 常见做法有： 在回归分析中称为残差 称为最小 二乘逼近 太复杂 不可导，求解困难 确定拟合曲线的方法： 例5.1.2 在多个景点之间修一条主干道。 已知景点(xi, yi), i=1,2,…, m. 设 φ(x) = a +b x, 求 a，b 使残差的平方和达到最小。记δi = φ(xi)