标题暂定--算法的激光概念

最新推荐文章于 2020-07-11 15:07:26 发布

一朵云008

最新推荐文章于 2020-07-11 15:07:26 发布

阅读量575

点赞数

分类专栏：【基础算法】

本文链接：https://blog.csdn.net/David_Han008/article/details/81322377

版权

【基础算法】专栏收录该内容

2 篇文章 0 订阅

订阅专栏

最小二乘法

推荐参看参考博客，点击这里。最小二乘法其实，我有一组数据，假设这组数据由（x,y）两个量组成，这组数据可以表示为 $(x{_{i}},y{_{i}})$ 已知这组数据可以被拟合成一条直线， $y_{ie}=\beta {_{1}}x_{i}+\beta {_{0}}$ ,其中 $y_{ie}$ ，表示拟合直线的估计值， $y_{i}$ 表示真实的数据值。我们期望我们拟合的直线十分接近真实数据，因此我们用：

$Q=min\sum_{i}^{n}(y_{ie}-y_{i} )^{2} =min\sum_{i}^{n}(\beta_{1}x+\beta_{0}-y_{i} )^{2}=M(\beta_{1},\beta_{0})$

来表示拟合数据与真实数据的误差，为了使得他们的误差最小，那么我们队 $\beta_{1} , \beta_{0}$ 求偏导，并且偏导数等于0，那么

我们根据红框中的后半段，就可以得到:

Matlab实现

% 小车时间(xi)和位移关系(yi)关系
x = [0 1 2 3 4 5 6  7  8  9];
y = [0 2 4 7 8 9 12 14 15 18];
 
%{
    subplot(m,n,p) 其中前两个参数 m，n是指将你的图分成 m*n个栅格，
    每个栅格用 p 来编号，而编号是按行（横着）编号的，所以，当 m = 2，n = 2时编号规则为
 
        1 | 2
        ------
        3 | 4
 
    所以subplot(2,2,[1 3])，就说明你这一个子图占据的是 1， 3两个栅格，
    而subplot(2,2,2)说明子图仅占据第2个栅格.
%}
subplot(1,2,1);
plot(x,y,'o');
% 图形的一些设置
xlabel('时间（秒）');
ylabel('位移（米）');
title('原始数据离散点')  
%{
    grid on：是打开网格
    grid off：是关闭网格
    而grid是切换两种状态,如果在grid off的状态下,输入grid,相当于grid on
    相反,如果在grid on状态下输入grid 等价于grid off
%}
grid on
 
%{
    polyfit函数是matlab中用于进行曲线拟合的一个函数。其数学基础是最小二乘法曲线拟合原理。
    曲线拟合：已知离散点上的数据集，即已知在点集上的函数值，构造一个解析函数（其图形为一曲线）使在原离散点上尽可能接近给定的值。
    调用方法：polyfit(x,y,n)。用多项式求过已知点的表达式，
        其中x为源数据点对应的横坐标，可为行向量、矩阵；
            y为源数据点对应的纵坐标，可为行向量、矩阵；
            n为你要拟合的阶数，一阶直线拟合，二阶抛物线拟合，并非阶次越高越好，看拟合情况而定。
 
    多项式在x处的值y可用下面程序计算：y=polyval(a,x,m)
%}
p = polyfit(x,y,1)
% 0:0.01:9    起始为0，终点为9，步长0.01
x1 = 0:0.01:9;
y1 = polyval(p,x1);
 
x2 = 0:0.01:9;
%{
    MATLAB中的插值函数为interp1，其调用格式为：  yi= interp1(x,y,xi,'method')           
    其中x，y为插值点，yi为在被插值点xi处的插值结果；x,y为向量， 
    'method'表示采用的插值方法，MATLAB提供的插值方法有几种： 
        'nearest'是最邻近插值， 'linear'线性插值； 'spline'三次样条插值； 'pchip'立方插值．缺省时表示线性插值
    注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。
%}
y2 = interp1(x,y,x2,'spline');
subplot(1,2,2);
plot(x1,y1,'k',x2,y2,'r')
xlabel('时间（秒）');
ylabel('位移（米）');
title('黑线为最小二乘法拟合，红色为插值法拟合')  
grid on

参考博客：点击这里，在matlab中利用polyfit函数进行封装。在封装好的poly函数中发现使用了QR分解的函数，QR分解是将一个矩阵分解一个正交矩阵与一个上三角矩阵的乘积

这就涉及到需要最小二乘的矩阵表达：

为了使得残差最小，那么AB-Y=0。

在matlab中利用QR分解进行求值： $A\beta=Y$ ,将A分解成QR，则 $QR\beta=Y$ ,其中我们需要求的量是 $\beta$ ,那么：

$\beta=\frac{Q^{T}Y}{R}$

x = x(:);
y = y(:);

% Construct Vandermonde matrix.
V(:,n+1) = ones(length(x),1,class(x));
for j = n:-1:1
   V(:,j) = x.*V(:,j+1);
end
% Solve least squares problem.
[Q,R] = qr(V,0);
ws = warning('off','all'); 
p = R\(Q'*y);    % Same as p = V\y; 这里P就是我们的\beta

存在的问题：具体QR分解如何进行分解暂时还没有思考，但是觉得还是值得思考

扩展：

最小二乘的输入是范德蒙矩阵，范德蒙矩阵