2010-6讲：插值与拟合.pptVIP

多项式拟合对应的法方程为 拟合问题例2 在区间 构造二次拟合函数，并计算拟合函数的均方误差。 按下列数据 解 做二次拟合，设 ，则有 多项式拟合 拟合问题例3 试对下列数据做出型如 的拟合曲线。 61 46 22 6 1 8 7 5 3 2 法方程为： 拟合问题实例4 0.168 0.224 0.297 0.473 0.931 y 2.6 2.2 1.8 1.4 1.0 x 给定数据 多项式拟合 即利用下面数据表做线性拟合 思路：非线性拟合转化为线性拟合 多项式拟合 六、指数拟合 若数据点(xi,yi)的分布近似指数函数图形，则可以 考虑用指数函数 去拟合所给数据， 按最小二 乘原理，则要求关于a ,b的函数最小。即 称其为非线性最小二乘问题。相对于线性最小二乘 问题，它求解比较复杂，如果令 则有 第二章 插值法 插值法 插值法的一般理论 Lagrange插值 Newton插值 分段低次插值 Hermite插值、样条插值 实际问题 期望 试验数据 观测数据 期望 内在规律 期望 函数关系 一、数学的期望 插值法概述 实验数据是否存在内在规律? 实验数据的内在规律是什么? 实验数据的内在规律是否有函数解析式? 反映内在规律的解析式是什么? 二、数学的苦恼 数学的苦恼 求任一插值点 处的插值 ? ? ? ? ? 或无封闭形式, 节点可视为由 产生， 表达式复杂, 或未知。 ? 已知 n+1个节点 其中 互不相同，不妨设 插值问题的提法 插值问题的提法 ? ? ? ? ? 构造一个(相对简单的)函数 通过全部节点, 即 再用 计算插值，即 ? 求解插值问题的基本思路 求解插值问题的基本思路 七、插值法的一般定义 插值法的一般定义 插值法的一般定义 我们的问题是如何确定 进而求得 一般插值多项式的原理 第一节 Lagrange插值法 插值法 Lagrange插值法的一般理论 Lagrange插值基函数 Lagrange插值余项和误差估计 Lagrange插值多项式的构造 Lagrange插值多项式的构造 线性插值 基函数 称为线性插值多项式 Lagrange插值多项式的构造 Lagrange插值多项式的构造 Lagrange插值多项式的构造 例1 解 Lagrange插值余项与误差估计 数据拟合的最小二乘法 函数逼近 第一节 数据拟合的最小二乘法 曲线拟合的常用解法 线性最小二乘法的求解 曲线拟合的一般提法 小结 数据拟合的最小二乘法 的选取 已知一组（二维）数据，即平面上 n个点（xi,yi) i=1,…n, 寻求一个函数（曲线）y=f(x), 使 f(x) 在某种准则下与所有数据点最为接近，即曲线拟合得最好。 + + + + + + + + + x y y=f(x) (xi,yi) ?i ?i 为点（xi,yi) 与曲线 y=f(x) 的距离 一、曲线拟合的一般提法 （1）使残差的绝对值之和最小，即 （2）使残差的最大绝对值最小，即 （3）使残差的平方和最小，即 准则（1）有绝对值之和，使用不方便。按准则（2）求近似函数的方法称为函数的最佳一致逼近。按准则（3）确定参数求近似函数的方法称为函数的最佳平方逼近，也称曲线拟合的最小二乘法。 近似函数求得的近似值 与观测值 之差 称为残差。显然残差的大小可反映近似函数的好坏。常用的准则有以下三种 曲线拟合的一般提法 确定a1,a2, …am 的准则（最小二乘准则）： 使n个点（xi,yi) 与曲线 y=f(x) 的距离?i 的平方和最小 。 记 问题归结为，求 a1,a2, …am 使 J(a1,a2, …am) 最小。 先选定一组函数 r1(x), r2(x), …rm(x), mn, 令 其中 a1,a2, …am 为待定系数。 二 曲线拟合的常用解法 三、线性最小二乘法的求解 则方程组（3）的矩阵形式为 线性最小二乘法的求解 当RTR可逆时，（4）有唯一解： 若记 线性最小二乘法的求解 怎样选择 {r1(x), …rm(x)}，以保证系数{a1,…am} 有唯一解？ 思考题 {a1,…am}有唯一解 ? RTR可逆 ?Rank(RTR)=m ? Rank(R)=m ? R列满秩 ? {r1(x), …rm(x)}线性无关 线性最小二乘法的求解 此时正则方程组为: 即 线性最小二乘法的求解 + + + + + + + + + + + + + + + + + + + + + + + + + + + + + + f=a1+a2