数据的光顺及拟合.doc

《计算机辅助设计与制造》 研究性教学专题之一 数据的光顺与拟合 学院：机械与电子控制工程学院 专业：机械工程机自动化 课程编号：20L336Q 组编： 组长： 指导教师： 日期：2014.3.10 一、研究性专题内容简介 1、班级内进行分组，对文件clf.txt中的数据进行处理。数据中存在噪声点，对其进行光顺和拟合。每组处理181个数据，如第1组0~360，第2组360~720，第n组(n-1)*360~n*360，按组号以此类推。我组为第6组，处理的数据为1800—2160； 2、绘制原始数据的形状； 3、研究判断和修正数据噪声点的方法，噪声点的判断标准以不影响拟合后曲线的总体形状为准，须与数据的光顺与拟合方法结合，统一考虑； 4、研究光顺数据的方法，编制计算程序对噪声点修正后的数据进行拟合； 5、研究数据插值方法，对光顺后数据插值，使得第一列数据间隔变为1，绘制图形，并与原始数据比较，判断所采用方法的有效性； 6、撰写研究专题报告并制作汇报PPT； 7、各小组课堂汇报研究成果，每小组平均6分钟，其中4-5分钟讲述，1-2分钟提问和打分； 8、提交专题研究报告。 二、查阅已有研究方法 1.判断、修正数据噪声点的方法 经过查阅资料了解到在动态过程测量数据分析中，首先必须对测量数据进行预处理剔除并修正）及相应的置信概率，为危险率，凡超出该误差范围的测值都是小概率事件，则认为是噪声点而予以剔除。这样的方法更便于用计算机来实现运算，为处理数量极大的实验数据提供了可能。 数学统计判别法又主要遵循以下三种准则： （1）拉依达准则（准则）：对某一测量值，若其满足，则认为该值为噪声点，应剔除。其中。 （2）肖维奈（Chauvenet）准则：对某一测量值，若其，则认为是噪声点，应被剔除。其中为肖维奈准则中与测量次数有关的判别系数，可查表得到。 （3）格拉布斯（Grubbs）准则：该准则与以上两准则类似，只是把判别系数换成了与测量次数n及所选定的粗差误判概率a有关的判别系数，不再赘述。 其中运用拉依达进行噪声点的判别时，简单易行，且在次数较多时精确度较高，因此应用最广。我们组在处理数据时也采用了这种方式。 2.插值的方法 常用的插值方法主要包括多项式插值和分段低次插值两种。 多项式插值主要有以下几种： Lagrange插值，Newton插值，Hermite插值。 以上介绍的三种方法都属于高次插值，但是有些情况插值函数并不是次数越高越好。这种情况下很多时候使用的是分段低次插值。 分段低次插值的基本思想就是将插值区间分为若干子区间，然后在各子区间上使用低次插值多项式。如分段低次拉格朗日插值就是给定n个插值节点及其对应的函数值，构造出在每个区间段上的线性插值函数。常见的分段低次插值有分段线性插值，分段三次Hermite插值，三次样条插值等多种方法。 其中在处理数据中应用最广泛的就是三次样条插值，相对于分段低次Hermite插值，样条插值是用分段低次多项式去逼近函数，并且能满足对光滑性的要求，又无需给出每个节点处的导数值。它除了要求给出各个节点处的函数值之外，只需提供两个边界节点处的导数信息。三次样条插值实际上是由分段三次曲线拼接而成，在连续点即节点上，不仅函数自身是连续的，它的一阶和二阶导数也是连续的。三次样条插值不仅光滑性好，而且稳定性和收敛性都有保障，具有良好的逼近性质。此外，MATLAB中有内置函数spline，可以直接调用进行插值，用法简单，十分方便。 三、本小组研究方法 1、算法及原理： （1）在数据的拟合上，我组经过讨论，采用Curve Fitting Tools工具，试着用不同形式的表达式，将原始数据进行拟合，从而直接得出拟合后的函数表达式。 （2）在判别和修正数据噪声点的方法上，我们选用拉依达准则。在原数据的同一x值处，将原始数据与拟合曲线上对应的点y和z代入公式 若，则认为是噪声点。然后将拟合曲线上的值代替噪声点进行后续的数据处理。 （3）将修正后的数据重新进行拟合，然后采用三次样条插值的方法进行插值。再把插值后的所有数据进行拟合，与原拟合函数进行比较。 2、原始数据图形的绘制 2.1 C—X图形 程序如下： a=load(clf.txt); b=a(900:1080,:); x=b(:,1); y=b(:,2); z=b(:,3); plot(x,y,*r); 2.2 C—Y图形 程序如下： a=load(clf.txt); b=a(900:1080,:); x=b(:,1); y=b(:,2); z=b(:,3); plot(x,z,*b); 3、算法、程序与运行结果 3.1 C---X的处理 3.1.1 借助Curve Fitting Tools工具箱拟