曲线拟合的最小二乘法.pdf

第6章曲线拟合的最小二乘法

6.1拟合曲线

通过观察或测量得到一组离散数据序列，当所得数据比拟准确时，可构造插值函数逼近客观存在的函数，构造

的原那么是要求插值函数通过这些数据点，即。此时，序列与是相等的。

如果数据序列，含有不可防止的误差〔或称“噪音〞〕，如图6.1所示；如果数据序列无法同时满足某特定函数，如图6.2所

示，那么，只能要求所做逼近函数最优地靠近样点，即向量与的误差或距离最小。按与之

间误差最小原那么作为“最优〞标准构造的逼近函数，称为拟合函数。

图6.1含有“噪声〞的数据

图6.2一条直线公路与多个景点

插值和拟合是构造逼近函数的两种方法。插值的目标是要插值函数尽量靠近离散点；拟合的目标是要离散点尽量靠近拟合函数。

向量与之间的误差或距离有各种不同的定义方法。例如：

用各点误差绝对值的和表示：

用各点误差按模的最大值表示：

用各点误差的平方和表示：

或〔6.1〕

其中称为均方误差，由于计算均方误差的最小值的方法容易实现而被广泛采用。按均方误差到达极小构造拟合曲线的方法称为最小二乘法。本章

主要讲述用最小二乘法构造拟合曲线的方法。

在运筹学、统计学、逼近论和控制论中，最小二乘法都是很重要的求解方法。例如，它是统计学中估计回归参数的最根本方法。

关于最小二乘法的创造权，在数学史的研究中尚未定论。有材料说明高斯和勒让德分别独立地提出这种方法。勒让德是在1805年第一次公开发表关

于最小二乘法的论文，这时高斯指出，他早在1795年之前就使用了这种方法。但数学史研究者只找到了高斯约在1803年之前使用了这种方法的证据。

在实际问题中，怎样由测量的数据设计和确定“最贴近〞的拟合曲线？关键在选择适当的拟合曲线类型，有时根据专业知识和工作经验即可确定拟合

曲线类型；在对拟合曲线一无所知的情况下，不妨先绘制数据的粗略图形，或许从中观测出拟合曲线的类型；更一般地，对数据进行多种曲线类型的拟

合，并计算均方误差，用数学实验的方法找出在最小二乘法意义下的误差最小的拟合函数。

例如，某风景区要在已有的景点之间修一条规格较高的主干路，景点与主干路之间由各具特色的支路联接。设景点的坐标为点列

；设主干路为一条直线，即拟合函数是一条直线。通过计算均方误差最小值而确定直线方程〔见图6.2〕。

6.2线性拟合和二次拟合函数

线性拟合

给定一组数据，做拟合直线，均方误差为

〔6.2〕

是二元函数，的极小值要满足

整理得到拟合曲线满足的方程：

〔6.3〕

或

称式〔6.3〕为拟合曲线的法方程。用消元法或克莱姆法那么解出方程：

a=

=

例6.1下表为P.Sale及R.Dybdall在某处作的鱼类抽样调查，表中为鱼的数量，为鱼的种类。请用线性函数拟合鱼的数量和种类的函数

关系。

1315162122232529303136

11101112121313