关闭

最小二乘法多项式曲线拟合原理与实现

1300人阅读 评论(0) 收藏 举报
分类:

概念

最小二乘法多项式曲线拟合,根据给定的m个点,并不要求这条曲线精确地经过这些点,而是曲线y=f(x)的近似曲线y= φ(x)。

原理

[原理部分由个人根据互联网上的资料进行总结,希望对大家能有用]

     给定数据点pi(xi,yi),其中i=1,2,…,m。求近似曲线y= φ(x)。并且使得近似曲线与y=f(x)的偏差最小。近似曲线在点pi处的偏差δi= φ(xi)-y,i=1,2,...,m。 

常见的曲线拟合方法:

     1.使偏差绝对值之和最小

     

     2.使偏差绝对值最大的最小

     

     3.使偏差平方和最小

     

     按偏差平方和最小的原则选取拟合曲线,并且采取二项式方程为拟合曲线的方法,称为最小二乘法。

推导过程:

     1. 设拟合多项式为:

          

     2. 各点到这条曲线的距离之和,即偏差平方和如下:

          

     3. 为了求得符合条件的a值,对等式右边求ai偏导数,因而我们得到了: 

          

          

                         .......

          

     4. 将等式左边进行一下化简,然后应该可以得到下面的等式:

          

          

                     .......

          


     5. 把这些等式表示成矩阵的形式,就可以得到下面的矩阵:

          

     6. 将这个范德蒙得矩阵化简后可得到:

          

     7. 也就是说X*A=Y,那么A =  Invert(X ' * X) * X ' * Y        (原文错误修正, Invert ()为逆矩阵  (X'*X)-1*X'*Y),便得到了系数矩阵A,同时,我们也就得到了拟合曲线。

实现

运行前提:

  1. Python运行环境与编辑环境;
  2. Matplotlib.pyplot图形库,可用于快速绘制2D图表,与matlab中的plot命令类似,而且用法也基本相同。

代码:

01.# coding=utf-8   
02.  
03.''''' 
04.作者:Jairus Chan 
05.程序:多项式曲线拟合算法 
06.'''  
07.import matplotlib.pyplot as plt  
08.import math  
09.import numpy  
10.import random  
11.  
12.fig = plt.figure()  
13.ax = fig.add_subplot(111)  
14.  
15.#阶数为9阶   
16.order=9  
17.  
18.#生成曲线上的各个点   
19.x = numpy.arange(-1,1,0.02)  
20.y = [((a*a-1)*(a*a-1)*(a*a-1)+0.5)*numpy.sin(a*2) for a in x]  
21.#ax.plot(x,y,color='r',linestyle='-',marker='')   
22.#,label="(a*a-1)*(a*a-1)*(a*a-1)+0.5"   
23.  
24.#生成的曲线上的各个点偏移一下,并放入到xa,ya中去   
25.i=0  
26.xa=[]  
27.ya=[]  
28.for xx in x:  
29.    yy=y[i]  
30.    d=float(random.randint(60,140))/100  
31.    #ax.plot([xx*d],[yy*d],color='m',linestyle='',marker='.')   
32.    i+=1  
33.    xa.append(xx*d)  
34.    ya.append(yy*d)  
35.  
36.'''''for i in range(0,5): 
37.    xx=float(random.randint(-100,100))/100 
38.    yy=float(random.randint(-60,60))/100 
39.    xa.append(xx) 
40.    ya.append(yy)'''  
41.  
42.ax.plot(xa,ya,color='m',linestyle='',marker='.')  
43.  
44.  
45.#进行曲线拟合   
46.matA=[]  
47.for i in range(0,order+1):  
48.    matA1=[]  
49.    for j in range(0,order+1):  
50.        tx=0.0  
51.        for k in range(0,len(xa)):  
52.            dx=1.0  
53.            for l in range(0,j+i):  
54.                dx=dx*xa[k]  
55.            tx+=dx  
56.        matA1.append(tx)  
57.    matA.append(matA1)  
58.  
59.#print(len(xa))   
60.#print(matA[0][0])   
61.matA=numpy.array(matA)  
62.  
63.matB=[]  
64.for i in range(0,order+1):  
65.    ty=0.0  
66.    for k in range(0,len(xa)):  
67.        dy=1.0  
68.        for l in range(0,i):  
69.            dy=dy*xa[k]  
70.        ty+=ya[k]*dy  
71.    matB.append(ty)  
72.   
73.matB=numpy.array(matB)  
74.  
75.matAA=numpy.linalg.solve(matA,matB)  
76.  
77.#画出拟合后的曲线   
78.#print(matAA)   
79.xxa= numpy.arange(-1,1.06,0.01)  
80.yya=[]  
81.for i in range(0,len(xxa)):  
82.    yy=0.0  
83.    for j in range(0,order+1):  
84.        dy=1.0  
85.        for k in range(0,j):  
86.            dy*=xxa[i]  
87.        dy*=matAA[j]  
88.        yy+=dy  
89.    yya.append(yy)  
90.ax.plot(xxa,yya,color='g',linestyle='-',marker='')  
91.  
92.ax.legend()  
93.plt.show()  

运行效果: 
 
0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:1187920次
    • 积分:12476
    • 等级:
    • 排名:第1110名
    • 原创:156篇
    • 转载:167篇
    • 译文:21篇
    • 评论:191条
    最新评论