数学思想与数学文化论文.doc

包罗万象的数学 －—论最小二乘法在曲线拟合、自动控制及系统辨识领域的应用 一、最小二乘法概述 LS方法首先是由Gauss在1809年研究行星轨道预测时提出的，现在这一方法已经成为从试验数据中进行参数估计的主要手段之一。尽管还有其他有效的估计方法，如极大似然法、梯度法、Bayes法等，但LS法一直为科学家和工程师们所青睐。 二、最小二乘法在曲线拟合中的应用 1.原理： 未知量的最可能值是使各项实际观测值和计算值之间差的平方乘以其精确度的数值以后的和为最小。 2.公式推导： 通过试验确定热敏电阻阻值和温度间的关系 注意： 当测量没有任何误差时，仅需2个测量值。 每次测量总是存在随机误差。 根据最小二乘的准则有 根据求极值的方法，对上式求导 实例： 3.用MATLAB实现最小二乘法曲线拟合 算法分析： 对给定数据 (i=0 ,1,2,3,..,m),一共m+1个数据点，取多项式P(x),使 函数P(x)称为拟合函数或最小二乘解，使得 其中，a0，a1,a2,…,an为待求未知数，n为多项式的最高次幂，由此，该问题化为求 的极值问题。由多元函数求极值的必要条件： j=0,1,…,n 得到： j=0,1,…,n 这是一个关于a0，a1,a2,…,an的线性方程组，用矩阵表示如下： 因此，只要给出数据点及其个数m，再给出所要拟合的参数n，则即可求出未知数矩阵（a0，a1,a2,…,an） 实例： 编制以函数 为基的多项式最小二乘拟合程序，并用于对下列数据作三次多项式最小二乘拟合(取权函数w=1) xi -1.0 -0.5 0.0 0.5 1.0 1.5 2.0 yi -4.447 -0.452 0.551 0.048 -0.447 0.549 4.552 总共有7个数据点，令m=6 第一步：画出已知数据的的散点图，确定拟合参数n; x=-1.0:0.5:2.0;y=[-4.447,-0.452,0.551,0.048,-0.447,0.549,4.552]; plot(x,y,*) xlabel x轴 ylabel y轴 title 散点图 hold on 因此将拟合参数n设为3. 第二步：计算矩阵 A= 注意到该矩阵为（n+1）*(n+1)矩阵， 多项式的幂跟行、列坐标（i,j）的关系为i+j-2,由此可建立循环来求矩阵的各个元素，程序如下： m=6;n=3; A=zeros(n+1); for j=1:n+1 for i=1:n+1 for k=1:m+1 A(j,i)=A(j,i)+x(k)^(j+i-2) end end end; 再来求矩阵 B= B= zeros(n+1); for j=1:n+1 for i=1:m+1 B(j)=B(j)+y(i)*x(i)^(j-1) end end 第三步：写出正规方程，求出a0,,a1…,an. B=B; a=inv(A)*B; 第四步：画出拟合曲线 x=[-1.0:0.0001:2.0]; z=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3; plot(x,z) legend(离散点,y=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3) title(拟合图) 总程序附下： x=-1.0:0.5:2.0;y=[-4.447,-0.452,0.551,0.048,-0.447,0.549,4.552]; plot(x,y,*) xlabel x轴 ylabel y轴 title 散点图 m=6;n=3; A=zeros(n+1); for j=1:n+1 for i=1:n+1 for k=1:m+1 A(j,i)=A(j,i)+x(k)^(j+i-2) end end end; B=[0 0 0 0]; for j=1:n+1 for i=1:m+1 B(j)=B(j)+y(i)*x(i)^(j-1) end end B=B; a=inv(A)*B; x=[-1.0:0.0001:2.0]; z=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3; plot