拟合与插值(2013年1月4日).ppt

拟合与插值 邹战勇 广东商学院数学与计算科学学院 E-mail: yong_china@126.com 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。 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 之中找到自变量x与因变量y之间的函数关系，一般可用一个近似函数y=f(x)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。 1．拟合模型 1．2 拟合模型的分类 1．2．1 直线拟合 假设所给数据点 i=1,2,……N的分布大致成一条直 线，虽然我们并不要求所作的拟合直线严格地通过所有的 数据点 ，但总希望它尽可能地从所给数据点附近通 过，就是说，要求近似成立，i=1,2,……N。这里，数据点 数目通常远大于待定系数的数目即N2，因此，拟合直线 的构造，本质上是个解超定方程组的代数问题。 设　　　 i=1,2,……N表示按拟合直线 求得的近似值，一般地说，它不同于实测值，两者之差称 残差。显然，残差的大小是衡量拟合好坏的重要标志，具体地说，我们可以采用下列三种准则： （1）使残差的最大绝对值为最小： （2）使残差的绝对值之和最小： （3）使残差的平方和为最小： 分析以上三种准则，（1） 、（2）两种提法比较自然，但由于含有绝对值运算不方便于实际应用，而基于（3）来选取拟合曲线的方法称曲线拟合的最小二乘法。    有时候所给出数据点用直线拟合不合适，这时可考虑用多项式拟合，而多项式拟合也是多项式运算的一个重要组成部分，在工程应用及科研工作中都得到了广泛的应用。用数学语言描述如下：  对于给定的一组数据 ， ，寻求m次多项式（ ）使总误差 为最小。 1．2．3 分段拟合和观察数据修匀 提高拟合多项式的次数不一定能改善逼近效果，实际计算时常用不同的低次多项式去拟合不同的分段，这种方法称分段拟合。 设已给一批实测数据，由于实测方法、实验环境等一些外界因素的影响，不可避免地会产生随机干扰和误差。我们自然希望根据数据分布的总趋势去剔除观察数据中的偶然误差，这就是所谓的数据修匀（或称数据平滑）问题。 1．3 数学软件Matlab求解专用的拟合函数polyfit.Polyfit(x,y,n) x,y为拟合数据，n为拟合多项式的阶数。 （2）如何预报人口的增长 人口的增长是当前世界上引起普遍关注的问题，并且我们会发现在不同的刊物预报同一时间的人口数字不相同，这显然是由于用了不同的人口模型计算的结果。 例如：1949年—1994年我国人口数据资料如下： 年 份 xi 1949 1954 1959 1964 1969 1974 1979 1984 1989 1994 人口数 yi 5.4 6.0 6.7 7.0 8.1 9.1 9.8 10.3 11.3 11.8 建模分析我国人口增长的规律,预报1999年我国人口数。         程序如下：x=[1949 1954 1959 1964 1969 1974 1979 1984 1989 1994];y=[5.4 6.0 6.7 7.0 8.1 9.1 9.8 10.3 11.3 11.8 ];a=polyfit(x,y,1);x1=[1949:10:1994];y1=a(2)+a(1)*x1;b=polyfit(x,log(y),1);y2=exp(b(2))*exp(b(1)*x1); plot(x,y,*)hold onplot(x1,y1,--r) hold on plot(x1,y2,-k) legend(原曲线,模型一曲线,模