第5篇曲线拟合.ppt

第5章 数值分析法建模 * 5.1 曲线拟合的最小二乘法 如果已知函数f(x)在若干点xi(i=1,2,…,n)处 的值yi,便可根据插值原理来建立插值多项式作为f(x)的近似。但往往会遇到这样一种情况，即节点上的函数值并不是很精确的，这些函数值是由实验或观测得到的数据，不可避免地带有测量误差，如果要求所得的近似函数曲线精确无误地通过所有的点(xi,yi),就会使曲线保留着一切测试误差。当个别数据的误差较大时,插值效果显然是不理想的。此外,由实验或观测提供的数据个数往往很多,如果用插值法,势必得到次数较高的插值多项式，这样计算起来很烦琐。 为此,我们希望从给定的数据(xi,yi)出发,构造一个近似函数 ,不要求函数 完全通过所有的数据点，只要求所得的近似曲线能反映数据的基本趋势，如图5-7所示。 图5-1 曲线拟合示意图 换句话说:求一条曲线,使数据点均在离此曲线的上方或下方不远处,所求的曲线称为拟合曲线,它既能反映数据的总体分布,又不至于出现局部较大的波动,更能反映被逼近函数的特性,使求得的逼近函数与已知函数从总体上来说其偏差按某种方法度量达到最小,这就是最小二乘法。 与函数插值问题不同,曲线拟合不要求曲线通过所有已知点,而是要求得到的近似函数能反映数据的基本关系。在某种意义上,曲线拟合更有实用价值。 在对给出的实验(或观测)数据 作曲线拟合时,怎样才算拟合得最好呢？一般希望各实验(或观测)数据与拟合曲线的偏差的平方和最小,这就是最小二乘原理。 两种逼近概念: 插值: 在节点处函数值相同. 拟合: 在数据点处误差平方和最小 函数插值是插值函数P(x)与被插函数f(x)在节点 处函数值相同,即 而曲线拟合函数 不要求严格地通过所有 就是说拟合函数 在xi处的偏差(亦称残差） 不都严格地等于零。但是,为了使近似曲线能尽量反 映所给数据点的变化趋势,要求 按某种度量标准 最小。若记向量 ,即要求向量 的某种范数 最小,如 的1-范数 或∞-范数 即 或 最小。为了便于计算、分析与应用，通常要求 的2-范数 即 为最小。这种要求误差（偏差）平方和最小的拟合称为曲线拟合的最小二乘法。 ??? （1）直线拟合 设已知数据点 ,分布大致为一条直线。作拟合直线 ,该直线不是通过所有的数据点 ,而是使偏差平方和 为最小，其中每组数据与拟合曲线的偏差为 根据最小二乘原理，应取 和 使 有极小 值，故 和 应满足下列条件： 即得如下正规方程组 (5.45) 例5.21 设有某实验数据如下： 1 2 3 4 1.36 1.37 1.95 2.28 14.094 16.844 18.475 20.963 用最小二乘法求以上数据的拟合函数 解:把表中所给数据画在坐标纸上,将会看到数据点的分布可以用一条直线来近似地描述,设所求的 拟合直线为 记x1=1.36, x2=1.37, x3 =1.95 x4 =2.28, y1 =14.094, y2= 16.844, y3=18.475, y4=20.963 则正规方程组为 其中 将以上数据代入上式正规方程组,得 （2）多项式拟合 有时所给数据点的分布并不一定近似地呈一条直线,这时仍用直线拟合显然是不合适的,可用多项式拟合。对于给定的一组数据 寻求次数不超过m (mN ) 的多项式 来拟合所给定的数据，与线性拟合类似，使偏差的 平方和 为最小 由于Q可以看作是关于 ( j=0,1,2,…, m)的多元函数, 故上述拟合多项式的构造问题可归结为多元函数的极值问题。令 得 即有 这是关于系数 的线性方程组，通常称为正规方程组。可以证明，正规方程组有唯一解。 例5.22 设某实验数据如下： 1 2 3 4 5 6 0 1 2 3