第3章节-MATLAB数值计算.ppt

plot(xi,y0,ro,xi,y2,kx,xi,y3,b+) cubic: x spline: + 2．多项式拟合函数polyfit p=polyfit(x,y,n) 其中x,y 为已知的数据组，n为要拟合的多项式的阶次，向量p为拟合出的多项式的系数，向量s为调用函数polyval 获得的错误预估计值。 一般来说，多项式拟合中阶数n 越大，拟合的精度就越高。 函数polyfit拟合结果可用函数polyval结合使用。由polyfit计算出多项式的各个系数后，再利用polyval 对输入向量决定的多项式求值。 对向量 X=[-2.8 -1 0.2 2.1 5.2 6.8]和Y=[3.1 4.6 2.3 1.2 2.3 -1.1]分别进行阶数为3、4、5 的多项式拟合 x=[-2.8 -1 0.2 2.1 5.2 6.8]; y=[3.1 4.6 2.3 1.2 2.3 -1.1]; p3=polyfit(x, y, 3); p4=polyfit(x, y, 4); p5=polyfit(x, y, 5); xcurve= -3.5:0.1:7.2; p3curve=polyval(p3, xcurve); p4curve=polyval(p4, xcurve); p5curve=polyval(p5, xcurve); plot(xcurve,p3curve,b,xcurve,p4curve,g,xcurve,p5curve,r,x,y,kp); Blue: 3 Green: 4 Red: 5 x=[2 3 4 5 7 8 10 11 14 15 16 18 19]; y=[106.42 108.26 109.58 109.5 110 109.93 110.49 110.59 110.6 110.9 110.76 111 111.2]; v=polyfit(x,y,3) v = 0.0033 -0.1224 1.5113 104.4824 t=1:0.5:19; u=polyval(v,t); plot(t,u,x,y,*) v=polyfit(x,y,5) v = 0.0001 -0.0055 0.1176 -1.2012 5.9223 98.5719 u=polyval(v,t); plot(t,u,x,y,*) 3.2.2 最小二乘法拟合 拟合函数：y=a0+a1r1(x)+…+amrm(x) 其中r1(x), r2(x), …, rm(x)为m个函数(多项式拟合时为幂函数)。 有n组数据(xi,yi),i=1,2, …,n, nm，代入拟合函数得方程组： ?≈a0+a1r1(x)+…+amrm(xi) 求解确定参数a0, a1, …, am的值为a0,a1, …, am,使由 ? = a0+a1r1(x)+…+ amrm(xi) 计算得到的值与观测数据yi尽可能接近。 线性模型：拟合模型是关于参数ak的线性函数 非线性模型：拟合模型是关于参数ak 的非线性函数 采用非线性拟合模型：y = aebx 是非线性模型，两边取常用对数得到lgy = (blge)x + lga，令Y = lg y，B = 0.4343b，lga = m，则模型转化为Y = Bx + m。重新进行计算，得到相应的(xi, Yi)，并利用之进行一阶多项式拟合，然后根据B = 0.4343b，lg a = m分别得出模型中的a,b值。 x=[3 6 9 12 15 18 21 24]; y=[57.6 41.9 31 22.7 16.6 12.2 8.9 6.5]; Y=log10(y) p=polyfit(x,Y,1) b=p(1)/0.4343 a=10.^p(2) y1=polyval(p,x) Y = 1.7604 1.6222 1.4914 1.3560 1.2201 1.0864 0.9494 0.8129 p = -0.0450 1.8953 b = -0.1037 a = 78.5700 y1 = 1.7602 1.6251 1.4900 1.3549 1.2198 1.0847 0.9496 0.8145 插值和拟合 interp1(x,y,xi) interp1(x,y,xi,cubic) inter