曲线拟合的最小二乘法分析.pptVIP

jkhh Confidential, for review only 3.1 问题的提出 函数解析式未知,通过实验观测得到的一组数据, 即在某个区间[a, b]上给出一系列点的函数值 yi= f(xi) 一般曲线拟合的 最小二乘法的求法 ym …… y2 y1 y xm …… x2 x1 x 第三章 曲线拟合的最小二乘法 3.2. 曲线拟合的最小二乘法 数据含有误差。节点上的函数值是由实验或观测得到的数据，不可避免地带有测量误差，如果要求所得的近似函数曲线精确无误地通过所有的点(xi,yi),就会使曲线保留着一切测试误差。当个别数据的误差较大时,插值效果显然是不理想的。 数据量很大。由实验或观测提供的数据个数往往很多,如果用插值法,势必得到次数较高的插值多项式，这样是不可行的。 为此,我们希望从给定的数据(xi,yi)出发,构造一个近似函数 ,不要求函数 完全通过所有的数据点，只要求所得的近似曲线能反映数据的基本趋势，如图3.1所示。 图3.1 曲线拟合示意图 曲线拟合:求一条曲线,使数据点均在离此曲线的上方或下方不远处,所求的曲线称为拟合曲线,它既能反映数据的总体分布,又不至于出现局部较大的波动,更能反映被逼近函数的特性,使求得的逼近函数与已知函数从总体上来说其偏差按某种方法度量达到最小。 与函数插值问题不同,曲线拟合不要求曲线通过所有已知点,而是要求得到的近似函数能反映数据的基本关系。在某种意义上,曲线拟合更有实用价值。 函数插值是插值函数P(x)与被插函数f(x)在节点 处函数值相同,即 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xi处的偏差(亦称残差） 不都严格地等于零。但是,为了使近似曲线能尽量反 映所给数据点的变化趋势,要求 按某种度量标准 最小。若记向量 ,即要求向量 的 某种范数 最小,如 的1-范数 或∞-范数 即 或 最小。 为了便于计算、分析与应用，通常要求 的2-范数 即 为最小。这种要求误差（偏差）平方和最小的拟 合称为曲线拟合的最小二乘法。 例1 设有某实验数据如下： 1 2 3 4 1.36 1.37 1.95 2.28 14.094 16.844 18.475 20.963 用最小二乘法求以上数据的拟合函数. 解:把表中所给数据画在坐标纸上,将会看到数据点的分布可以用一条直线来近似地描述, 故设拟合直线为 记x1=1.36, x2=1.37, x3 =1.95 x4 =2.28, y1 =14.094, y2= 16.844, y3=18.475, y4=20.963 则正规方程组为 其中 将以上数据代入上式正规方程组,得 解得 即得拟合直线 例2 设某实验数据如下： 1 2 3 4 5 6 0 1 2 3 4 5 5 2 1 1 2 3 用最小二乘法求一个多项式拟合这组数据. 解：将已给数据点描在坐标系中，可以看出这些点 接近一条抛物线，因此设所求的多项式为 由法方程组, 经计算得 m=6, 其法方程组为 解之得 所求的多项式为 （4）可化为线性拟合的非线性拟合 对于一个实际的曲线拟合问题，一般先按观测值在直角坐标平面上描出散点图，看一看散点的分布同哪类曲线图形接近，然后选用合适的拟合函数。 非线性拟合函数可以通过变量替换转化为线性拟合问题，按线性拟合解出后再还原为原变量所表示的曲线拟合方程。 表3-4列举了几类经适当变换后化为线性拟合求解的曲线拟合方程及变换关系 表3-4 曲线拟合方程 变换关系 变换后线性拟合方程 几种常见的数据拟合情况。 图 ( a ) 数据接近于直线，故宜采用线性函数拟合； 图(b)数据分布接近于抛物线可采拟合二次多项式拟合； (a) (b) 图(c)：开始曲线上升较快随后逐渐变慢,宜采用双曲线型函数 或指数型函数 图(d)：开始曲线下降快,随后逐渐变慢,宜采用 或 或 等数据拟合