第五章最小二乘法和曲线拟合.pptVIP

1 利用最小二乘拟合的矩阵运算式，可得基本参数 及误差 ，再将其代入上式，就得所有参数的估计值 。再利用误差传递公式，得到所有参数估计值的误差，即协方差矩阵 。 为线性方程组（5.6.4）的系数矩阵。 （二）拉格朗日乘子法 利用拉格朗日乘子法也能得到同样的结果，其优点为，不必要选择基本参数，对各参数同对待。 主要思想： 引入 个拉格朗日不定乘子 ，结合原来m个参数C组成 个待定参数。 目标函数为： 由极值条件有： 目标任务为求使 有极小值的参数值 。 其矩阵的表示形式为： 上式的后一表达式为约束方程。 前一个方程的矩阵展开为 其中 为实验值， 为拟合值； 为在有约束条件下求得的参数， 为不考虑约束条件下求得的参数； 。 求解上式得 令 ，利用（5.3.3）得到 结合（5.6.9）得 上式两边同乘 ，结合约束方程 ，经过一些推导，解出有约束条件下参数的估计值： 参数的协方差矩阵为 由上式可得出，约束条件下的参数解由两部分构成：①无约束时的参数估计值；②正比于 部分，为满足约束时所需要的调节量。 例：测量一个三角形的三个角。得值分别为 。设为等精度测量，误差为 。试用参数变换法和拉格朗日乘子法求拟合值。 解： 由于三角形三内角和为180度。因而此问题为含约束的参数拟合。 1.参数变换法 此问题有3个参数，1个约束条件，因而任选2个为基本参数。 选 ，作为基本参数，标记为 约束方程为 由此得 矩阵表示为 其中 利用（5.3.6）有 测量角的方差为 ，误差为 。 2.拉格朗日乘子法 满足的方程为 代入（5.6.11）式，其中 得 三、拟合优度 最小二乘拟合的好坏或“拟合优度”可用加权的残差平方和来度量。 设 围绕期望值成正态分布，且标度因子 已知，则 服从自由度为n-m的 分布。 取显著水平为 ，若 则认为这个拟合是不好的，可以舍弃。 存在的问题可能属于下列情况之一： 3.遗漏某些必要的成分； 4.计算方法中存在问题等。 2.所给出的 的方差不合适； i y 1. 和 间的函数关系式 可能不适用，或其中某些认为已知的参数是不对的； 测量放射性衰变曲线 例： 式中 相当于 时的计数率。试估计衰变常数 。 解： 由于是指数问题，因而取对数，可将其化为直线方程拟合。 设 内测到的 个计数，近似折合到 时的计数率 为 相应的 以及 为 这里的 由最小二乘估计的矩阵表示形式有 其中 代入得 第四节 非线性参数的估计 一、高斯牛顿法 二、麦夸特法 三、半线性最小二乘拟合 对于非线性参数进行最小二乘拟合，原理跟线性的一致。但具体做法不同。 设要由一组观测值 ，对函数 中的非线性参数 进行估计。 由最小二乘原理有 取极值，由极值条件可得正则方程。由于参数是非线性的，因而不能解析求解。必须采用其他办法求解。 解决的一般方法是把非线性参数的函数按泰勒级数展开近似化成线性参数函数形式，然后再按线性参数的估计方法进行。 一、高斯牛顿法 选取诸参数的一组初值，以 表示。将函数在参数初值处展开并略去高于一阶项得 将非线性参数线性化，转化为对参数增量 的拟合。 由最小二乘准则有 矩阵表示为 解为 其中 把增量 加到原来的初值上就得到参数的一次迭代结果 如此继续下去，把上述公式中的 换成 ，可得到 的二次近似值，如此反复迭代计算。 一般，有K次近似值 求K+1次近似值 的公式为： 此时的 都是在参数K次估计值 条件下计算得到的。 相应的残差加权平方和R为： 迭代过程常由满足以下几个条件之一而停止： 1.若从迭代的第K次到第K+1次，参数 值的相对变化很小，即 为预先给定的一个小数； 2.连续两次迭代结果的R值变化很小（即R值趋于稳定）； 3.超过允许的最大迭代次数（通常由这一条件停止迭代作为无解处 理）。 将迭代的结果代入到协方差矩阵即可得到参数估计值的误差。 迭代流程图见下图 二、麦夸特(Marquardt)法 由前面分析知，高斯牛顿法对初值的要求较高，若初值选取不好，收敛较慢甚至发散。为了克服上述的困难，对上述方法做了很多修改，最常见的一个就是麦夸特法。 麦夸特法基本做法跟高斯牛顿法相同，只是在求解 方程组时，加了一个“阻尼因子” 即 为n阶对角矩阵，当 时， ；当 时，