数据处理方法2.pdfVIP

第十章 数据拟合与插值 §10.1 引言 在解决实际问题的生产（或工程）实践和科学实验过程中，通常需要通过研究某些变量之 间的函数关系来帮助我们认识事物的内在规律和本质属性，而这些变量之间的未知函数关系又 常常隐含在从试验、观测得到的一组数据之中。因此，能否根据一组试验观测数据找到变量之间 相对准确的函数关系就成为解决实际问题的关键。 (x ,y ) i = 0,1, , n 例如在工程实践和科学实验中，常常需要从一组试验观测数据 i j ， 之 x y y = f (x) 中找到自变量 与因变量 之间的函数关系，一般可用一个近似函数 来表示。函数 y = f (x) 的产生办法因观测数据和要求不同而异，通常可采用数据拟合与函数插值两种办法 来实现。 数据拟合主要是考虑到观测数据受随机观测误差的影响，进而寻求整体误差最小、能较好 反映观测数据的近似函数y = f (x) ，此时并不要求所得到的近似函数y = f (x) 满足 y = f (x ) i = 0,1, , n i i ， 。 函数插值则要求近似函数y = f (x) 在每一个观测点x 处一定要满足y = f (x ) ， i i i i = 0,1, , n 。在这种情况下，通常要求观测数据相对比较准确，即不考虑观测误差的影响。 在实际问题中，通过观测数据能否正确揭示某些变量之间的关系，进而正确认识事物的内 在规律与本质属性，往往取决于两方面因素。其一是观测数据的准确性或准确程度，这是因为 在获取观测数据的过程中一般存在随机测量误差，导致所讨论的变量成为随机变量。其二是对 观测数据处理方法的选择，即到底是采用插值方法还是用拟合方法，插值方法之中、拟合方法 之中又选用哪一种插值或拟合技巧来处理观测数据。插值问题忽略了观测误差的影响，而拟合 问题则考虑了观测误差的影响。但由于观测数据客观上总是存在观测误差，而拟合函数大多数 情况下是通过经验公式获得的，因此要正确揭示事物的内在规律，往往需要对大量的观测数据 进行分析，尤为重要的是进行统计分析。统计分析的方法有许多，如方差分析、回归分析等。数 据拟合虽然较有效地克服了随机观测误差的影响，但从数理统计的角度看，根据一个样本计算 出来的拟合函数（系数），只是拟合问题的一个点估计，还不能完全说明其整体性质。因此， 还应该对拟合函数作区间估计或假设检验，如果置信区间太大或包含零点，则由计算得到的拟 合函数系数的估计值就毫无意义。这里所采用的统计分析方法就是所谓的回归分析。另外还可用 方差分析的方法对模型的误差作定量分析。 对于插值方法，本章在第二节中简单介绍最常用的插值法的基本结论及其Matlab实现问题。 由于数据拟合问题必须作区间估计或假设检验，所以除了在本章第三节、第四节中介绍最基本 的数据拟合方法——最小二乘法的基本结论及其Matlab实现问题外，我们在第五节中专门介绍 了对数值拟合问题进行区间估计或假设检验的统计方法，即介绍回归分析方法及其Matlab实现。 数据处理问题通常情况下只是某个复杂实际问题的一个方面或部分内容，因而这里所介绍 的数据处理方法——函数插值和数据拟合的方法（包括回归分析）通常只能解决实际问题中的 部分问题——计算问题。一般来说，对实际问题进行数学建模需要用到多方面知识，只有很少 的情况下可以单独使用本章所介绍的内容，故我们只在本章最后一节以修改后的美国91年数学 建模A题为例说明如何使用数值计算知识建立数学模型，从而解决实际问题的方法。 §10.2 插值方法 在实际问题中所遇到的插值问题一般分为一维插值问题和二维插值问题。本节主要介绍最 常用的一维插值方法及其一些简单结果。