最小二乘法及数据拟合.pdf

实验五最小二乘法及数据拟合建模的回归分析

一、实验目的:

1．掌握用最小二乘建立回归数学模型。

2．学习通过几个数据拟合的回归分析来判断曲线（直线）拟合的精

度，通过回归分析来判断模型建立是否正确。

3．应用建立的模型进行预测。

二、基本原理和方法

1．建立回归数学模型

在进行建模和仿真分析时，人们经常面临用已知系统实测数据应

用数学模型描述对应系统，即对数据进行拟合。拟合的目的是寻找给

定的曲线（直线），它在某种准则下最佳地拟合数据。最佳拟合要在

什么准则下的最佳？以及用什么样的曲线模型去拟合。

常用的拟合方法之一是多项式的最小二乘拟合，其准则是最小误

差平方和准则，所用的拟合曲线为多项式。

本实验在Matlab平台上，以多项式最小二乘拟合为例，掌握回

归模型的建立（包括参数估计和模型建立）和用模型进行预测的方法，

并学习回归分析的基本方法。

2．在MATLAB里，用于求解最小二乘多项式拟合问题的函数如下：

polyfit最小二乘多项式拟合

p=polyfit(x,y,n)对输入数据y的n阶最小二乘拟合多项式

p(x)的系数

Y=polyval(p,x)求多项式的函数值Y

=n+n−1++++

Yp(1)xp(2)xLp(n)xp(n1)

1

以下是一个多项式拟合的例子。

已知x=0,0.1,0.2,0.3,...,0.9,1共11个点（自变量），

实测数据y=-0.447,1.978,3.28,6.16,7.08,7.34,7.66,9.56,

9.48,9.30,11.2

求：2阶的预测方程，并用8阶的预测方程与之比较。

x=linspace(0,1,11);

y=[-.4471.9783.286.167.087.347.669.569.489.3011.2];

p=polyfit(x,y,2)

%求2阶的预测方程y=b+bx+bx2的系数p=bbb

012210

)

z=polyval(p,x);%求预测的y值（z表示y）

p2=polyfit(x,y,8)%求8阶的预测方程

z1=polyval(p2,x);

plot(x,y,om,x,z,:*rx,z1,:+b)

图中：”0”代表散点图“+”代表8阶预测方程

“*”代表2阶预测方程

图1散点图与2阶预测方程

2

3．回归模型的检验

回归模型的检验是判断数据拟合的好坏即模型建立的正确与否，

为建立模型和应用模型提供支持。

在MATLAB平台，用于回归检验的语句如下：

α

[b,bint,r,rint,stats]=regress(y，X，)

=β+β+β++β+

其中，yxxLxe

01122mm

β(i0,1,2,m)

=L为回归系数

i

e随