数学建模案例分-- 插值与拟合方法建模2数据拟合方法及应用.docVIP

§2 数据拟合方法及应用 在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。与此有关的另一类问题是拟合问题。当原始数据有误差时，我们确定的初等函数并不要求经过数据点，而是要求在某种距离意义下的误差达到最小（通常考虑使各数据点误差平方和最小）。 假设已知函数（这里可以是多个未知参数）的一批有误差的数据 要求据此确定参数，这样的问题称为数据拟合。最小二乘法就是求使得残差平方和 达到最小。这里的建模原理实质上就是数理统计中的回归分析。 1、线性函数 （1）建立回归方程 若离散样点集中在一条直线的附近，这时可建立线性回归方程 按最小二乘法得到的具体算法是 记 则有 （2）线性回归的显著性检验 采用如下检验统计量： ，其中的 若，则认为所建立的线性回归方程正确。 （3）利用回归方程作区间预测 当时，的置信度为的预测区间是： 例1、为研究某一化学反应过程中温度x对产品得率y的影响，测得数据如下。 x ( ℃) 100 110 120 130 140 150 160 170 180 190 y ( % ) 45 51 54 61 66 70 74 78 85 89 要求拟合出它们的函数关系。 x=[100 110 120 130 140 150 160 170 180 190]; y=[45 51 54 61 66 70 74 78 85 89]; close; plot(x,y,’o’); 由于这些点落在一条直线附近，可以用线性函数来拟合，按上面算法通过命令p=polyfit(x,y,1) 求出。 2、可线性化的函数 根据专业知识或离散样点的形状，有时可选择适当的非线性函数来拟合。为确定其中的未知参数，可通过变量转换，把非线性函数转换成线性函数，然后借助线性函数的方法来实现数据拟合。诸如下面所列的曲线函数都能做到线性化： （1） （2） （3） （4） （5） （6） 以为例，我们只要作变换，就可化为线性函数。 例2、电容器充电后，电压达到100伏，然后开始放电，测得时刻（秒）时电压（伏）如下表。 t 0 1 2 3 4 5 6 7 8 9 10 u 100 75 55 40 30 20 15 10 10 5 5 要求拟合电压u与放电时间t的函数关系。 t=[0 1 2 3 4 5 6 7 8 9 10]; u=[100 75 55 40 30 20 15 10 10 5 5]; close; plot(t,u,’o’) 由于这些点落在曲线附近，可通过变量转换，化成线性函数 。按上面算法通过如下命令来实现： T=t; U=log(u); p=polyfit(T, U,1) b=p(1) a=exp(p(2)) 求出，这样所拟合的函数 3、多项式函数 若离散样点的形状表明既不能用线性函数来拟合，又不能用可以线性化的函数来拟合的话，从理论上讲，用一个多项式函数来拟合总是可行的。在实际应用中，最常用的是二次和三次多项式函数。下面通过一个例子来说明。 例3、某种产品在生产过程中的废品率y与它所含的某种物质量x有关，现将试验所得16组数据记录列于下表。 x 34 36 37 38 39 39 39 40 y 1.30 1.00 0.73 0.90 0.81 0.70 0.60 0.50 x 40 41 42 43 43 45 47 48 y 0.44 0.56 0.30 0.42 0.35 0.40 0.41 0.60 要求拟合y与x的函数关系。 x=[34 36 37 38 39 39 39 40 40 41 42 43 43 45 47 48]; y=[1.30 1.00 0.73 0.90 0.81 0.70 0.60 0.50 0.44 0.56 0.30 0.42 0.35 0.40 0.41 0.60]; close; plot(x,y,’o’) 这些