07_插值与数据拟合.ppt

谢谢 % 采用双三次样条插值方法，并画图 figure(4) zi = interp2(x, y, z, xi, yi, spline); surf(xi, yi, zi) xlabel(‘纬度’), ylabel(‘月份’), zlabel(‘气旋) axis([0 90 0 12 0 50]) title(‘双三次样条插值的南半球气旋可视化图形’) 例 7.3.2 用双三次样条对 Lena 图插值 Matlab 程序： §7.4 一维数据拟合的最小二乘法简介 数据拟合问题的形式多种多样，解决的方法也有许多。在此，我们只简单介绍以最小二乘法为准则的一维数据拟合方法。 §7.4.1 数据拟合的最小二乘法简介 对于给定的一组测量数据 设 y = ? (x) 为一拟合函数，记 ?i = ? (xi) ? yi (i = 1, 2, …, n)， (7.4.1) 则称 ?i 为拟合函数 ?.(x) 在 xi 点处的偏差或残量。 yn … y2 y1 y = f (x) xn … x2 x1 x 为使 ?.(x) 在整体上尽可能与给定数据的函数 f (x) 近似，我们常采用偏差的平方和达到最小，即 来保证每个偏差的绝对值 |?i| 都很小。 这一原则称为最小二乘原则，根据最小二乘原则确定拟合函数 ?.(x) 的方法称为最小二乘法。 1. 线性最小二乘拟合 我们知道，函数系 {xk | k = 0, 1, …, m} 的线性组合 ? (x) = a0 ? a1x ? a2x2 ? … ? amxm 为 m 次多项式。 一般地，若函数系 {?k(x) | k = 0, 1, …, m} 是线性无关的，则其线性组合 称为函数系 {?k(x) | k = 0, 1, …, m} 的广义多项式。 如三角多项式 就是函数系 {1, cosx, sinx, cos2x, sin2x, …, cosmx, sinmx } 的广义多项式。 设 {?k(x) | k = 0, 1, …, m} 为一线性无关的函数系，取拟合函数为 (7.4.3) 式给出的广义多项式，使得 (7.4.2) 成立。由于 ? (x) 的待定系数a0, a1, a2, …, am 全部以线性形式出现，故我们称之为线性最小二乘拟合。 在式 (7.4.2) 中，目标函数 S 是关于参数 a0, a1, a2 , …, am 的多元函数，由多元函数取得最小值的必要条件知，欲使 S 达到极小，须满足 即 亦即 其中 k = 0, 1, …, m，式 (7.4.4) 是关于 a0, a1, a2 , …, am 的线性方程组，称为正规方程组。 从正规方程组 (7.4.4) 中解出 a0, a1, a2 , …, am，于是就得到了最小二乘拟合函数 ? (x)。 2．非线性最小二乘拟合 如果拟合函数 ? (x) = ? (x, a0, a1, a2 , …, am) 的待定参数 a0, a1, a2 , …, am 不能全部以线性形式出现，如指数拟合函数 等，这便是非线性最小二乘拟合问题。 一般地，非线性最小二乘拟合问题是一个非线性函数的极小化问题，可用非线性优化方法求解。 3．最小二乘拟合函数的选择 最小二乘法中，拟合函数的选择是很重要的。可以通过对给定数据的分析来选择，也可以直接由实际问题给定。最常用的是多项式和样条函数，尤其是当不知道该选择什么样的拟合函数时，通常可以考虑选择样条函数。 另外，对同一问题，也可选择不同的函数进行最小二乘拟合，比较各自误差的大小，从中选出误差较小的作为拟合函数。 为了恰当地选取拟合函数，下面给出一些常见曲线与方程所对应的图形。 (1) 幂函数 y = axb (2) 指数函数 y = aebx (3) 指数函数 (4) 双曲函数 (5) 对数函数 y = a + blnx (6) S 形曲线 (7) 具有 S 形曲线的常见方程有： ? 罗杰斯蒂(logistic)模型： ? 龚帕兹(Gomperty)模型： ? 理查德(Richards)模型： ? 威布尔(Weibull)模型： 4．采用数据拟合方法