2.5离散数据的曲线拟合.ppt

第二章 插值与拟合 §2.5 离散数据的曲线拟合 总结 2.5.3 正交多项式拟合 2.5.2 多项式的拟合 2.5.1 最小二乘拟合 2.5 离散数据的曲线拟合 学习目标： 了解曲线拟合最小二乘法的意义。掌握线性拟合和二次多项式拟合的方法。 2.5 离散数据的曲线拟合 2.5.1 最小二乘拟合 　　对于已知的m+1的离散数据 和权数 ，记 在连续函数空间C[a,b]中选定n+1个线性无关的基函数 ，并记由它们生成的子空间 。如果存在 使得 (2.5.1) 则称 为离散数据 在子空间　中带权 的最小二乘拟合。 函数 在离散点处的值为 因此，（2.5.1）右边的和式是参数 的函数，记作 （2.5.2） 这样，求极小值问题（2.5.1）的解 　 ,就是求多元二次函数 　　　　　　　　的极小点 　使得 由求多元函数极值的必要条件有 按内积的定义，上式可写为 （2.5.3） 可以证明，这样得到的 ，对于任何 ，都有 这方程称为法方程(或正规方程)。这里， 由于 线性无关，故（2.5.3）的系数矩阵非奇异，方程组（2.5.3）存在唯一的解 从而得 . ) ( ) ( 0 * * F ? = ? = x a x k n k k j j 故 是所求的最小二乘拟合。记 ，显然，平方误差 或 均方误差 越小，拟合的效果越好。平方误差有与（2.4.15）相同形式的表达式。 2.5.2 多项式的拟合 例 2.13 用多项式拟合表2-7中的离散数据。 yi 0.10 0.35 0.81 1.09 1.96 xi 0.00 0.25 0.50 0.75 1.00 i 0 1 2 3 4 表2-7 即在多项是空间 　　中作曲线拟合，称为多项式拟合。这是一种特定的线性模型，因此可用上面讨论的方法求解。子空间 得基函数为 前面讨论了子空间 中的最小二乘拟合。这是一种线性拟合模型。在离散说据 　的最小二乘拟合中，最简单、最常用的数学模型是多项式 解 作数据点的图形如图2-2，从图形看出用二次多项式拟合比较合适。这时n=2，子空间 的基函数 。数据中没有给出权数，不妨都取为1，即 。 o y 1.96 1 x * * * * 图2-2 按（2.5.3）有 解此方程组得 。从而，拟合多项式为 其平方误差 。拟合曲线 　的图形见图2-2。 　　在许多实际问题中，变量之间的关系不一定能用多项式很好的拟合。如何找到更符合实际情况的数据拟合，一方面要根据专业知识和经验来确定拟合曲线的形式，另一方面要根据数据点的图形性状及特点来选择适当的曲线拟合这些数据。 例 2.14 已知函数y=f(x)的数据如表2-8。试选择适当的数学模型进行拟合。 yi 4.00 6.41 8.