高等数值分析(曲线拟合).pptxVIP

高等数值分析 ——曲线拟合 XXX 2012.11.27 主要内容 拟合的基本概念和最小二乘原理 解线性超定方程组 最小二乘拟合问题的一般解法 线性组合模型下最小二乘拟合的一般解法 常用的线性组合模型的最小二乘解 广义最小二乘拟合问题 拟合的基本概念和最小二乘原理 把数据点在坐标图上描出，得到散点图 由于数据量大，高次插值会引起严重误差，分段插值则会使函数非常复杂，并且保留了原始数据的误差。 观察到 x 和y 之间大致呈线性关系 我们不要求逼近函数通过所有数据点，而是希望逼近函数的形式相对简单，并且与各数据点的偏差在某种标准下最小化，这就是拟合。 插值与拟合这两类函数逼近方法的比较 插 值 拟 合 适用条件 给定一系列原始数据点 原始数据一般比较精确 数据量少 给定一系列原始数据点 原始数据一般带有一定的误差 数据量较大 逼近函数 常常采用多项式作为插值函数 当数据点较多时，采用单个高次多项式进行插值会引起龙格现象，产生震荡，因此需要采用分段、样条等插值方法，此时插值函数是一个分段函数。 可以根据实践者的经验知识和实际应用需要，选择简单、合适的函数类型进行拟合。拟合函数可以是多项式、三角函数、指数函数等各种不同形式。 特点 插值函数 y=φ(x) 必须通过所有插值点，即对任意 ，有 不要求拟合函数 y=p(x) 一定通过数据点，而要求 p(x)能反映数据点的变化趋势，即偏差 在某种度量标准(如最小二乘标准) 下最小 图标 评价拟合函数数 y=p(x) 与原始数据之间的偏差情况（如下图）通常有以下几种方法： 定义1 最小二乘拟合问题 这个最小化问题即为最小二乘拟合问题，拟合函数 p(x) 称为上述实验数据的最小二乘解，求拟合函数 p(x) 的过程则称为曲线拟合的最小二乘法。 例1、已知气压存在随着海拔高度的上升而下降的关系，表1给出了在某地粗略测得的不同海拔高度时的气压值。利用这些数据，试寻找气压与海拔高度之间的所满足的大致关系。 解: (1)取海拔高度为自变量 x，气压为因变量 y，根据表1所给的40个数据点做出如图1所示的散点图，观察 x 与 y 之间的分布规律。 (2) 从散点图可以看出 y 与 x 大致成线性关系，不妨设拟合函数为 y=ax+b。 这类方程个数大于未知数个数的方程组称为超定方程组，一般来说是无解的。 (3) 解函数的最小化问题。 这个方程组称为上述拟合问题的正规方程组。解这个方程组得到a=-0.077 249 1, b=1010.87。因此，所求的拟合函数为 y=-0.077 249 1x+1010.87 (4) 观察拟合函数对原始数据的拟合情况，决定拟合结果能否被接受。本例中的拟合函数如下图2所示。可以看到，该拟合函数能大致反映原始数据点的变化趋势。 通过上述例子可以看到，给定一组带有误差的实验数据，采用最小二乘原理，对数据进行拟合的基本步骤包括： 步骤①： 作散点图，观察实验数据的一般趋势，选择合适的拟合函数类型。 步骤④： 观察拟合函数对数据的拟合效果，如果拟合效果不理想，则选择新的拟合函数类型，按照上述过程重新拟合。 步骤③： 根据拟合函数的类型，选择合适的方法，求最小二乘解。 步骤②： 根据最小二乘拟合原理，把问题转换为使拟合函数与原始数据之间偏差的平方和最小的问题。 解线性超定方程组 方程个数大于未知数个数的方程组称为超定方程组。一般而言，超定方程组是无解的（这时也称为矛盾方程组），因此，需要用最小二乘原理来求出超定方程组的最小二乘解。 不妨设线性超定方程组为 其中有 mn。记 则超定方程组可以写成 Ax=b 的矩阵形式。 为了得到线性超定方程组的最小二乘解，有如下定理： 证明：下面证明必要性。 解：方程组的系数矩阵和右端项为 有定理1可知，求超定方程组的最小二乘解对应于解下面的方程组 最小二乘拟合问题的一般解法 一、线性组合模型下最小二乘拟合的一般解法 下面分别从“利用偏导数求多元函数极值”以及“求线性超定方程组的最小二乘解”这两种思路出发，探索线性组合模型下最小二乘拟合的一般解法。 1、基于偏导数求多元函数极值的方法 2、基于解线性超定方程组的方法 3、方法小结 步骤③：解上述方程组 二、常用线性组合模型的最小二乘解 根据上面介绍的方法，下面具体讨论两类常用的满足线性组合模型的最小二乘拟合问题。 1、多项式模型 例3、给定如下一组实验数据： 试求对上述数据作最小二乘拟