第七章 数据的曲线拟合席.pptVIP

1、联系 都是根据实际中一组已知数据来构造一个能够反映数据变化规律的近似函数的方法。 2、区别 插值问题不一定得到近似函数的表达形式，仅通过插值方法找到未知点对应的值。数据拟合要求得到一个具体的近似函数的表达式。 拟合模型可以分为直线拟合、曲线拟合和观察数据修匀。 插值与拟合的区别和联系: 一、直线拟合 若用线性函数拟合如下数据： 线性函数表示为： 其中 为待定系数。 拟合直线称为回归直线。 由于数据节点数大于未知数(即待定系数)的个数2，直线不可能经过每个点，但是直线与数据的偏差一定要达到最小。 直线与点的偏离程度（即残差）定义为： 残差的平方和为： 要使 R 达到最小， 令 矩阵形式： “线性最小二乘法” 确定系数的另一种方法是直接求解超定线性方程组： 其中 方程组两边同时左乘 ，得常规方程组： 求解： 在MATLAB中，也可直接求解超定方程组的解： c=A\ y %可求得最小二乘解 或已知数据点 x 与 y，用polyfit命令 c=polyfit(x, y,1) 例1 求拟合下列数据点的直线。 x=[0.1 0.4 0.5 0.7 0.7 0.9]; y=[0.61 0.92 0.99 1.52 1.47 2.03]; c=polyfit(x,y,1) c = 1.7646 0.2862