曲线拟合方法及程序设计.docxVIP

西南石油大学本科毕业设计 PAGE PAGE 2 PAGE PAGE I 摘要 随着现代社会的发展，大量的统计数据和科学实验数据变得容易获得，数据变得越来越复杂，甚至还会有噪声等干扰信息。曲线拟合就是找到一组数据点的内在规律，使用曲线近似的拟合这些数据，形成数学模型，对事务进行有效的预测和规划，来获得更大的效益，被广泛应用于社会各个领域，具有重要的实际应用价值。本文旨在了解一些常用的曲线拟合方法及其原理，根据理解，设计并完成相应的曲线拟合程序，方便使用。 首先，对于有函数解析模型的曲线拟合，都是运用的最小二乘思想进行求解，根据模型种类分为三类：1，线性函数模型，举例一元线性函数的运算过程，通过正规方程求解得到拟合系数，最后根据这些原理，设计并完成了：从1阶到9阶的多项式拟合，幂函数拟合的线性最小二乘拟合程序；2，可线性化的非线性函数：通过变量变换将模型线性化，再进行线性最小二乘拟合；3，不可线性化的非线性函数，求解方法是将目标函数泰勒级数展开，迭代求解的方法有很多，本文实现的方法有3种：高斯牛顿法，信赖域—Dogleg法，LMF法。 最后通过五个实例计算，进行线性最小二乘拟合和非线性拟合，对比分析对于同一组数据，应用不同拟合方法或者不同模型所产生的结果，分析结果并结合实际发现，线性最小二乘拟合对于现实中的很多数据并不适用，将非线性函数线性化之后，有时会放大噪声，使得矩阵奇异，拟合不收敛或者没有非线性拟合准确。 进行非线性拟合时，对比三种方法，发现LMF法可以有效的避免矩阵为奇异值。初始值只影响LMF法迭代的次数，对结果的影响并不大，而对于高斯牛顿法和信赖域—Dogleg法，很差的初始值会使得矩阵为奇异值或者接近奇异值，从而无法收敛，得不到拟合结果或者得到的结果拟合精度太差。而当初始值良好的时候，高斯牛顿法的迭代求解速度最快。而信赖域—Dogleg法，相较于另外两种方法，拟合精度和拟合速度都差了一些。 关键词：曲线拟合；最小二乘；高斯牛顿法；信赖域—Dogleg法；LMF法；对比分析  PAGE 1 PAGE 1 绪论 研究的目的意义 随着现代社会的发展，获取大量的数据将变得更加容易，在实际生活中，收集到的数据的复杂性将逐渐增加，并且会生成噪声，背景和其他干扰信息。基于曲线拟合的技术，被广泛应用于大量数据的处理和拟合上，比如在计算机辅助设计，逆向工程技术，航空和汽车制造，医学成像，岩土工程，模式识别，测试数据处理和显示，故障模式诊断，预测等各个领域上[1]。例如，在液体在人身体内的浓度和时间之间的关系，岩土工程中混凝土柱在加压实验中应力和应变的关系以及在航空航天工具制造中，工具的磨损率和厚度之间的关系等等。这些问题的数据变量关系常常呈曲线关系。曲线拟合的作用就是根据这些观测数据或者实验数据种包含的规则，选择合适的连续曲线或者数学模型来拟合量化几个变量的关系，从而更方便对事务进行分析，预测，规划。 我们都希望数据是有序点集，因为这样的数据，拟合和分析起来都很容易。但是，如何根据实际问题中测得的数据设计和确定“最接近”的拟合曲线呢？有些时候我们根据生活或学习中积累的经验和知识，就可以选择适当的曲线拟合模型和相应的系数求解方法。再有就是绘制数据的散点图，观察拟合曲线的形状。但大多数情况下，需要我们进行曲线拟合的实际问题中，我们都并不确定要拟合的曲线符合的模型，而就算确定了模型，求解曲线拟合模型参数的过程中，不管是直接设置约束条件直接求解方程组，还是泰勒级数展开反复迭代求解，计算量都很大。从基础的最速下降法和信赖域法，到牛顿法，高斯牛顿法，LMF算法等，这些算法有时会现如局部最小值。就算是现在优化了的BP神经网络[2]：基于传统的BP神经网络优化的二阶BP算法、自适应BP算法和Vogl快速算法等等，虽然可以有效地避免算法陷入局部极小值，降低复杂度，收敛速度快，但是人为计算的话，计算量依旧很大，因此，为了能够更方便快捷的研究问题，我们需要借助计算机编写程序辅助计算，实现曲线拟合。 国内外研究现状 曲线拟合是一种数据处理方法，它使用连续曲线近似或逼近平面上一组离散数据或者表示其坐标之间的函数关系。现在主要有两种类型的原始数据：离散无序点集和离散有序点集。对于离散有序点集，使用最小二乘法的思想，根据基本函数模型，建立和求解方程组得到拟合曲线的系数。而对于离散无序点集，也已经有了相对成熟的拟合思想[3]，主要分为四类：1，使用给定的离散数据点作为对目标值的约束来直接求解方程得到待求系数[4]。20世纪90年代Fang等人给出了一组基于弹力模型的能量函数，直接对该能量函数进行极值求解得到重建曲线[5]；2，采用最小二乘法及其优化改进方法进行拟合求解得到拟合曲线，其基本思路就是使其求解得到的曲线能最大程度的