数学建模的讲座(五)插值和拟合.pptVIP

线性拟合 例1：设y的值为给定的x的线性函数加服从标准正态分布的随机干扰值得到。即y=10+x+ε. 求线性拟合方程系数。 程序： x=[ones(10,1) (1:10)’] y=x*[10;1]+normrnd(0,0.1,10,1) [b,bint]=regress(y,x,0.05) 回归方程为：y=9.9213+1.0143x 2.多项式曲线拟合函数 调用格式：? p=polyfit(x,y,n) ????? [p,s]= polyfit(x,y,n) 说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。矩阵s用于生成预测值的误差估计。 多项式曲线拟合函数 例2：由离散数据 x0.1.2.3.4.5.6.7.8.91y.3.511.41.61.9.6.4.81.52拟合出多项式。 程序： ????????????? x=0:.1:1; ????????????? y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2] ????????????? n=3; ????????????? p=polyfit(x,y,n) ????????????? xi=linspace(0,1,100); ????????????? z=polyval(p,xi); %多项式求值 ????????????? plot(x,y,’o’,xi,z,’k:’,x,y,’b’) ????????????? legend(‘原始数据’,’3阶曲线’) 多项式曲线拟合函数 也可由函数给出数据。 例3：x=1:20,y=x+3*sin(x) 程序： ?????? x=1:20; ?????? y=x+3*sin(x); ?????? p=polyfit(x,y,6) ?????? xi=1inspace(1,20,100); ?????? z=poyval(p,xi); ??? %多项式求值函数 ?????? plot(x,y,’o’,xi,z,’k:’,x,y,’b’) ?????? legend(‘原始数据’,’6阶曲线’) 多项式曲线拟合函数 再用10阶多项式拟合 ????? 程序：x=1:20; y=x+3*sin(x); p=polyfit(x,y,10) xi=linspace(1,20,100); z=polyval(p,xi); plot(x,y,o,xi,z,k:,x,y,b) legend(原始数据,10阶多项式) 多项式曲线求值函数： 调用格式：? y=polyval(p,x) ???????????????????? [y,DELTA]=polyval(p,x,s) 说明：y=polyval(p,x)为返回对应自变量x在给定系数p的多项式的值。 [y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。 多项式曲线拟合的评价和置信区间函数 调用格式：? [Y,DELTA]=polyconf(p,x,s) ???????????????????? [Y,DELTA]=polyconf(p,x,s,alpha) 说明：[Y,DELTA]=polyconf(p,x,s)使用polyfit函数的选项输出s给出Y的95%置信区间Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。1-alpha为置信度。 3.稳健回归函数 稳健回归是指此回归方法相对于其他回归方法而言，受异常值的影响较小。 调用格式：? b=robustfit(x,y) [b,stats]=robustfit(x,y) 说明：b返回系数估计向量；stats返回各种参数估计。 稳健回归函数 例5：演示一个异常数据点如何影响最小二乘拟合值与稳健拟合。首先利用函数y=10-2x加上一些随机干扰的项生成数据集，然后改变一个y的值形成异常值。调用不同的拟合函数，通过图形观查影响程度。 程序：x=(1:10)’; y=10-2*x+randn(10,1); y(10)=0; bls=regress(y,[ones(10,1) x]) %线性拟合 brob=robustfit(x,y) %稳健拟合 scatter(x,y) hold on plot(x,bls(1)+bls(2)*x,’:’) plot(x,brob(1)+brob(2)*x,’r‘) 稳健回归函数 分析：稳健拟合(实线)对数据的拟合程度好些，忽略了异常值。最小二乘拟合(点线)则受到异常值的影响，向异常值偏移。 4. 自定义函数拟合