线性与非线性拟合.pdfVIP

插值与拟合 在生产和科学实验中，只能得到函数y=f (x)在若 干个点的函数值(或导数值). 当要 观测点之外的 函数值时，需要估计函数在该点的数值. 可以根据观 测点的值，构造一个比较简单的函数y = φ(x) ，使函数 在观测点的值等于已知的数值或导数值，寻找这样的 函数φ(x) ，办法是很多的. 根据测量数据的类型有如下两种处理观测数据的方法： ①测量值是准确的，没有误差，一般用插值. ②测量值与真实值有误差，一般用曲线拟合. 一、多项式插值 1.一维插值 函数：y1=interp1(x,y,x1,method) method有’linear’,’nearest’,’cubic’,’spline’ ’linear’:线性（一次）插值的方法 ’nearest’：插值点选择最近的点 ’cubic’：三次多项式插值 ’spline’：三次样条插值 2.二维插值 函数：z1=interp2(x,y,z,x1,y1,’method’) 二、曲线拟合 [( x , y ), ( x , y ), , ( x , y )] 已知离散点上的数据集1 1 2 2 n n 求得一函数y = φ(x) ，使φ(x)在原离散点xi上尽可能 接近给定yi 的值，这一过程叫曲线拟合. 最常用的曲 线拟合是最小二乘法曲线拟合，拟合结果可使误差 的平方和最小，即找出使下式最小的φ(x) : n min |x ( y)2 | i i i 1 通常，在解决实际问题 将已知数据的散点 图画出，然后设计拟合的曲线类型，最后根据某 种准则选定最佳的曲线. 1.多项式拟合 多项式拟合就是选择适当的多项式对数据集进 行拟合，其命令为：格式：p =polyfit(X,Y,n). 说明：求出已知数据(X ,Y)的n次拟合多项式f (x)按 降幂排列的系数p ，X 必须是单调的. 例1.对以下数据作出散点图，然后用多项式拟合： (0.5,1.75),(1,2.75),(1.5,3.81),(2,4.8),(2.5,7),(3,8.6) 解：x = [0.5,1.0,1.5,2.0,2.5,3.0]; y = [1.75,2.75,3.81,4.8,7,8.6]; plot(x,y) 发现：这些点大致地位于某条直 线附近，故可考虑线性拟合： p =polyfit(x,y,1) ans: p =2.7937 -0.1540 即拟合函数为：y=2.7937x-0.154 上述函数的拟合效果如何？我们可以通过计算误差 平方和的大小进行 （两种方法）： (1)sum((2.7937*x-0.154-y).^2)=0.9136 (2)sum((polyval(p,x)-y).^2) )=0.9136 如果用二次函数进行拟合，则有：p =polyfit(x,y,2) p = 0.5614 0.8287 1.1560 2 y 0 . 5614x  0 . 1.1568287x 即拟合函数为： 此时误差平方和为： sum((polyval(p,x)-y).^2) =0.1781 根据误差平方和最小原则：二次函数优于线性函数 是否多项式的阶数越高越好呢？ 非也！在解决实际问题时，只要达到所需的精度，应