曲线拟合的最小二乘法 最小二乘.pptVIP

jkhh Confidential, for review only 3.1 问题的提出 函数解析式未知,通过实验观测得到的一组数据, 即在某个区间[a, b]上给出一系列点的函数值 yi= f(xi) 或者给出函数表 （3）一般曲线拟合的 最小二乘法的求法 正交多项式 在高等数学中介绍付立叶级数时，曾提到函数系 1,cosx,sinx,cos2x,sin2x,…cosnx,sinnx,… 中，由于任意两个函数乘积在区间[-?，+?]上的积分都等于零，则说这个函数系在[-?，+?]上是正交的，并称这个函数系为正交函数系。 下面给出正交函数系 定义：设函数f(x),g(x)?[a,b],且 则称f(x)与g(x)在[a,b]上带权?(x)正交, 在[a,b]上连续的函数?0(x), ?1(x), ?2(x),... ?k(x)..., 满足 则称该函数系是在区间[a,b]上带权?(x)正交函数系. 下面介绍与上述定义有关的几个概念，然后引出正交多项的概念，最后再介绍正交多项式的性质以及几种常见的正交多项式。 1.权函数:(1)设[a,b]是有限或无限区间, ?(x)是定义在[a,b]上的非零可积函数，若其满足 则称?(x)是[a,b]上的一个权函数。 2 内积与范数 设f(x),g(x)?[a,b], ?(x)是[a,b]上的一个权函数，称 为f(x)与g(x)在为 [a,b]上以权函数?(x)的内积。 显然，对于任意实数a,b,有 称 为f(x)的带权?(x)的2—范数。 正交多项式的性质 定理1 [a,b]上带权?(x)的正交多项式系{gn(x)}一定是[a,b]上线性无关的函数系。 定理2 设是{gn(x)}[a,b]上带权?(x)的正交多项式系，则对于任何次数不高于n-1的多项式q(x),总有 (q(x), gn(x))=0 ( n=1,2,…） 定理3 n次正交多项式gn(x)有n个互异定根，且全部若在(a,b)内。 定理4:任何相邻的三个正交多项式,都具有下列递推关系式 gn+1(x)=(?nx-?n)gn(x)-?n-1gn-1(x) 常见的正交多项式 勒让德多项式(Legendre) 切比雪夫多项式(Chebyshev) 拉盖尔多项式(Laguerre) 埃尔米特多项式 (Hermite) 勒让德多项式(Legendre) [-1,1] , ?(x)=1 递推关系: P0(x)=1, P1(x)=x, y=f(x) y=p(x) yn …… y2 y1 y0 y xn …… x2 x1 x0 x 第三章 曲线拟合的最小二乘法 3.2. 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。但在科学实验和生产实践中，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3.1所示。 图3.1 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