matlab数据拟合实验.pdf

? 实验八? Matlab 数据拟合实验? 在科学实验和生产实践中，往往需要从一组实验数据 (,xiiy )(1,2,)in= 中，寻找变 量 x 和 y 之间的函数关系 yfx= ()的某种近似表达式 sx()。上一个实验中介绍的插值方法 可以构造一个插值函数逼近已知函数。但是，一般来说，给定的实验数据 (,xiiy ) (1,2,)in= 的数量较大，且由于观测误差的原因，准确度不一定高，甚至在个别点有很 大的误差，形象地称之为“噪声”。如果用插值法来求 yfx= ()的近似表达式，要使? sx() 满足插值条件，势必将“噪声”带进近似函数 sx()，因而不能较好地描绘 yfx= ()。为了 尽可能减少这种观测误差的影响，本次实验我们介绍数据拟合相关的方法及其 Matlab 实现。? 8.1? 实验目的? 1、熟悉掌握 Matlab 中各种常见的拟合方法；? 2、能够灵活编程来解决数据拟合的实际问题。? 大工数模班8.2? 实验基本知识? 数据的拟合主要分为曲线拟合(curve?fitting)、曲面拟合(surface?fitting)。它试图从散点数 据中拟合出一个有规律的解析式，而该解析式的某些参数(系数)是不定的未知量。数据拟合 的目的就是要根据散点数据在“最小误差”的意义下确定出解析式中这些不定参数。举一个 简单的例子，对于一条直线 ykxb=+，该式中有 k 和 b 两个未知参数需要求出。由基本的 数学知识我们可以知道，只要有两个点就可以确定出这两个参数。但是若有更多的点，比如 实验数据往往有很多点，这些点由于有误差并不一定在一条直线上，需要找一条直线离这些内部资料 点“最近”，这就是拟合。从上面的例子我们可以看出，拟合具有两个特点：? (1)? 点数(已知数据数目)即方程的个数要大于待求参数的个数；? (2)? 方程所代表的曲线、曲面等并不一定通过这些已知的点。? 在上一段中，“最近”的定义有很多种，不同的定义对应着数据拟合的不同准则。下面我 们介绍常见的几种数据拟合的准则。? 切比雪夫(Chebyshev)近似准则? 给定某种函数类型 yfx= ()和 m 个数据点 (,xiiy )的一个集合，对整个集合极小化最大 绝对偏差 yfxii? ()，即确定函数类型 yfx= ()的参数从而极小化数量：? Maxinum yii?= f() x i 1,2,, m ? 这种准则通常被称为切比雪夫(Chebyshev)近似准则。这种准则在实际应用中通常很复 杂，应用这一准则所产生的最优化问题通常可以表示为线性规划问题，这可能需要高级的数 学方法，或者要用计算机的数值算法。所以在对有限的数据点拟合一条曲线时不常使用该准 则，然而当极小化最大绝对偏差很重要的时候仍应考虑这一准则。另外，用一个简单函数代 ? 替在一个区间上定义的另一个复杂函数时，构成该准则的原则是极其重要的，在该区间上两 个函数间的最大差异必须达到最小，因此这一准则在函数逼近问题中具有很重要的应用。? 极大化绝对偏差之和? 极小化绝对偏差之和准则可以归纳为：给定某种函数类型 yfx= ()和 m 个数据点 (,xiiy )的集合，极小化绝对偏差 yfxii? ()的和，也就是确定函数类型 yfx= ()的参数， 极小化：? m ∑ yfxii? ()?