数值分析 第五讲 曲线拟合与函数逼近.pptVIP

即， 显然，上面的方程组整理之后，是关于a，b的非线性方程组（这就是非线性拟合的含义），这直接导致了a，b求解的困难。 我们考虑用下面的变量代换手段将此问题线性化。 对于指数函数形式 在方程两端取对数， 作变量代换： 得到： ，其中A、b是待定系数 由此我们将y与t的关系转化为Y与T的关系，利用最小二乘原理可以得到A、b的最优解。 A=2.4270，b=-1.0567，由此a=11.3252，即 对于双曲函数形式 两边取倒数后再利用变量 代换的手段同样可以将问题线性化，请自行完成。 参考解答： a=0.0802，b=0.1627，即 思考：该如何评判两种不同曲线的拟合效果？ sample3.m 可化为线性拟合问题的常见函数类型 拟合函数类型 变量代换 线性化的拟合函数 四、加权最小二乘曲线拟合 我们称其为权重系数。权重值越大，则认为该数据点越重要。 定义加权平方误差为 可能是不一样的。 对于一组给定的数据点 ，各点的重要性 表示数据点 的重要程度。 假设 设拟合函数s(x)来自函数类 即 为拟合系数。 拟合的目标仍然是找一组 使得 求 的最小值点， 可以根据多元函数极值理论，令 得 即 显然上式是一个关于 的n+1元线性方程组 引入记号 定义加权内积 上面的n+1阶线性方程组可以表示为 矩阵形式(法方程组)为 作为特殊情形,用多项式作拟合函数的法方程组为 §2 超定方程组的最小二乘解 线性方程组 若mn（ 方程个数超过未知量个数），这类方程组通常没有准确解，称之为超定方程组。在实际中也有重大应用。 超定方程组没有准确解，也就是说任给一组 代入到方程组中后，每个方程左右两边可能都有偏差。 即求 使得 最小。 满足这一条件的 称为超定方程组的最小二乘解 原方程组后方程左右两边偏差的平方和最小。 我们希望找到一组数 ，将它代入到 即 利用多元函数极值理论，为了求得最小二乘解，只需令 即 将这个n阶线性方程组写成矩阵乘法形式： * * * * 第五讲 曲线拟合与函数逼近 引例：Hooker定律 设F表示弹簧受力，x表示弹簧伸长量；经过试验得到下面的一组数据，试确定弹簧受力与伸长量的关系 给出一组离散点，确定一个简单函数近似原函数，多项式插值提供了一种处理手段。 然而，在实际问题中，给出的结点处的离散数据或多或少的都带有误差，插值要求多项式严格通过这些插值结点，无形之中就将这些点处的误差保留下来； 尤其是当结点数目较多时，误差可能累积起来，从而对最终近似效果产生较大影响（这正是高次插值产生Runge现象的一个主要原因）； 此外，即便给出的结点处的离散数据较为精确，但由于插值条件的限制，也导致多项式插值仅仅在处理结点附近的函数值近似问题时较为有效，即插值的局部近似效果好，整体逼近效果差。 这些都促使我们考虑一种函数逼近的新方法——曲线拟合。 所谓函数逼近是求一个简单的函数 不要求这个 函数能够经过所有的已知结点（可以消除局部误差影响）； 而是要求在整体上“尽量好”的逼近原函数（尽可能表现数据 的趋势，靠近这些点。 追求的是整体逼近效果）。 这样，在每个已知结点处，这种逼近就会有误差 函数逼近就是从整体上使误差尽量的小一些 如引例中就是用一条直线（一次多项式）从整体上逼近弹簧受力与伸长量之间的函数关系（并不要求这条直线经过所有结点，事实上也没有这样的直线能够实现这一点。） §1 离散最小二乘的曲线拟合问题 满足 f(x) 与 P(x) 在已知结点处的距离最小。 f(x)为定义在区间[a,b]上的连续函数， 互不相同的点， 为区间上n+1个 为给定的某一函数类。求 上的函数 P(x) 如果这种距离取为2－范数的话，称为最小二乘问题。 即，求P(x)，使得 最小。 一、多项式最小二乘拟合 设 为给定的一组数据，求一个n次（n≤m） 多项式函数， ，使得 最小。满足这一条件的多项式称作样本点（x，y）的最小二乘 拟合多项式。 要确定这样的多项式，首先应该确定其次数n，这往往是根据样本点的走势进行判断（事实上，这是多项式拟合中最难确定的一点），例如，依据下面的两幅散点图，可以分别选择一次多项式（直线）和二次多项式（抛物线）进行拟合。 在次数确定之后，只需确定多项式系数 即可 令， ，使得Q最小。 我们的目的是求一组 根据多元函数极值理论，只需令 即， 也就是， 将上面的n+1个等式联立得到方程组如下， 将上面的方程组写成矩阵乘法的形式 最小。 使得 上述方程组成为多项式最小二乘拟合的法方程组，可以看出，其系数矩阵是一个对称阵。该方程组的解 至此，我们要找的n次最小二乘拟合多项式P(x)就确定了。 相关理论： Th：法方程组存在唯一解，且该方程组的解就是使得偏差平方和最小的解。（证略） 例1：考察某种纤维的强