数值分析实验和题程序.docVIP

一、实验3.1 编制以函数危机的多项式最小二乘拟合程序，并用于对表3.11中的数据作3次多项式最小拟合。 -1.0 -.05 0.0 0.5 1.0 1.5 2.0 -4.447 -0.452 0.551 0.048 -0.447 0.549 4.552 取权数，求拟合曲线中的参数、平方误差，并作离散数据的拟合曲线的图形。 程序代码： x0=-1:0.5:2; y0=[-4.447 -0.452 0.551 0.048 -0.447 0.549 4.552]; n=3; alph=polyfit(x0,y0,n) %参数{ak} y=polyval(alph,x0); r=(y0-y)*(y0-y) %平方误差=r y=polyval(alph,x); x=-1:0.01:2; y=plot(x,y,k--); xlabel(x); ylabel(y0 * and polyfit.y--); hold on; plot(x0,y0,*); title(离散数据的3项拟合) grid on; 实验结果： 拟合函数的图形： 拟合曲线中的参数中依次为alph中的四个数值。 alph = 1.9991 -2.9977 -0.0000 0.5491 平方误差=r。 r = 2.1762e-005 实验分析： 最小二乘曲线拟合是在离散情形下的最佳平方逼近，拟合的曲线很光滑，而且所有的7个数值点均在曲线上，拟合效果很好；拟合的平方误差很小，为10-5量级。 二、实验3.2 编制正交化多项式最小二乘拟合程序，并用于求解上题中的3次多项式最小二乘拟合问题，作拟合曲线的图形，计算平方误差，并与上题结果进行比较。 程序代码： x=-1:0.5:2; y=[-4.447 -0.452 0.551 0.048 -0.447 0.549 4.552]; n=3; result=inputdlg({请输入权向量w:},charpt-3,1,{[1 1 1 1 1 1 1]}); w=str2num(char(result)); m=length(x)-1; s1=0;s2=ones(1,m+1);v2=sum(w); d(1)=y*w;c(1)=d(1)/v2; for k=1:n xs=x.*s2.^2*w;a(k)=xs/v2; if(k==1) b(k)=0; else b(k)=v2/v1; end s3=(x-a(k)).*s2-b(k)*s1; v3=s3.^2*w; d(k+1)=y.*s3*w;c(k+1)=d(k+1)/v3; s1=s2;s2=s3;v1=v2;v2=v3; end r=y.*y*w-c*d alph=zeros(1,n+1) T=zeros(n+1,n+2); T(:,2)=ones(n+1,1);T(2,3)=-a(1); if(n=2) for k=3:n+1 for i=3:k+1 T(k,i)=T(k-1,i)-a(k-1)*T(k-1,i-1)-b(k-1)*T(k-2,i-2); end end end for i=1:n+1 for k=i:n+1 alph(n+2-i)=alph(n+2-i)+c(k)*T(k,k+2-i); end end xmin=min(x);xmax=max(x);dx=(xmax-xmin)/(25*m); t=(xmin-dx):dx:(xmax+dx); s=alph(1); for k=2:n+1 s=s.*t+alph(k); end plot(x,y,x,t,s,-); xlabel(x); ylabel(y); grid on; disp(alph); disp(r); 实验结果： 拟合曲线图形： 参数中依次为alph中的四个数值：1.9991 -2.9977 -0.0000 0.5491 平方误差=r：2.1762e-005 实验分析： 比较实验3.1和3.2的结果发现：对于同一个数据表，两种方法的拟合参数、误差均是相等的，表示这两种方法的拟合效果是一样的。因为这个数据表不是病态的法方程组，所以没有体现出正交多项式曲线拟合的优点。根据这两个实验代码和运算时间来看，我们在做曲线拟合时可以先初步判断数据点是否病态，若否，就直接用最小二乘法拟合。以避免不必要的程序复杂化。 三、实验5.1 常微分方程性态和R-K法稳定性试验 实验目的：考察下面微分方程右端项中函数y前面的参数对方