安卓实现对一组数据进行曲线的拟合

最新推荐文章于 2023-01-14 18:45:55 发布
最新推荐文章于 2023-01-14 18:45:55 发布
阅读量2.2k 收藏 3
点赞数 3
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/U__F_O/article/details/81945213
版权

项目需求对每一组数据进行曲线的拟合，拟合成对数，指数，一次线性或者二次线性中最符合要求的一条曲线

下面是工具类：

 

public class MathResult {

//线性公式y=ax+b

public static Object[] lineFitting(double x[], double y[]) { //分别为公式，R的平方值

int size = x.length;

double xmean = 0.0;

double ymean = 0.0;

double xNum = 0.0;

double yNum = 0.0;

double xyNum = 0;

double xNum2 = 0;

double yNum2 = 0;

double rss = 0;

double tss = 0;

double result[] = new double[6];

for (int i = 0; i < size; i++) {

xmean += x[i];

ymean += y[i];

xNum2 += x[i] * x[i];

yNum2 += y[i] * y[i];

xyNum += x[i] * y[i];

}

xNum = xmean;

yNum = ymean;

xmean /= size;

ymean /= size;

double sumx2 = 0.0f;

double sumxy = 0.0f;

for (int i = 0; i < size; i++) {

sumx2 += (x[i] - xmean) * (x[i] - xmean);

sumxy += (y[i] - ymean) * (x[i] - xmean);

}

double b = sumxy / sumx2;

double a = ymean - b * xmean;

result[0] = a;

result[1] = b;

double correlation = (xyNum - xNum * yNum / size) / Math.sqrt((xNum2 - xNum * xNum / size)

* (yNum2 - yNum * yNum / size));

LogUtils.e("相关系数：" + correlation);

result[2] = correlation;

for (int i = 0; i < size; i++) {

rss += (y[i] - (a + b * x[i])) * (y[i] - (a + b * x[i]));

tss += (y[i] - ymean) * (y[i] - ymean);

}

double r2 = 1 - (rss / (size - 1 - 1)) / (tss / (size - 1));

result[3] = r2;

result[4] = x.length;

result[5] = x.length - 1 - 1;

double format = format(result[0], 4);

String s = "";

if (format >= 0) {

s = " +" + format;

} else {

s = " -" + format;

}

// TODO: 2017/12/20 线性计算拟合优度的方法

double xsum = 0d;

for (int i = 0; i < x.length; i++) {

xsum += x[i];

}

double xavg = xsum / x.length;//x的平均值

double x2 = 0d;

for (int i = 0; i < x.length; i++) {

x2 += ((x[i] - xavg) * (x[i] - xavg));

}

double xrange = Math.sqrt(x2 / x.length);//x的标准差

double ysum = 0d;

for (int i = 0; i < y.length; i++) {

ysum += y[i];

}

double yavg = ysum / y.length;//y的平均值

double y2 = 0d;

for (int i = 0; i < y.length; i++) {

y2 += ((y[i] - yavg) * (y[i] - yavg));

}

double yrange = Math.sqrt(y2 / y.length);//y的标准差

double ori = 0d;

for (int i = 0; i < x.length; i++) {

ori += (((x[i] - xavg) / xrange) * ((y[i] - yavg) / yrange));

}

double R2 = format(Math.pow(ori / x.length, 2), 4);

LogUtils.e("拟合优度R的平方为" + R2);

LogUtils.e("公式：" + "y=" + format(result[1], 4) + "* X" + s);

return new Object[]{"Y=" + format(result[1], 4) + "* X " +

s, R2};

}

//

//多项式y=ax的平方+bx+c

// TODO: 2017/12/18 n表示多项式的次数，我们只需考虑到2次

public static Object[] dxsFitting(double x[], double y[], int n) {

double result[] = new double[n + 4];

WeightedObservedPoints obs = new WeightedObservedPoints();

for (int i = 0; i < x.length; i++) {

obs.add(x[i], y[i]);

}

final PolynomialCurveFitter fitter = PolynomialCurveFitter.create(n);

final double[] coeff = fitter.fit(obs.toList());

for (int i = 0; i < coeff.length; i++) {

result[i] = coeff[i];

}

double s = getDxsR(x, y, coeff, 5);

result[n + 1] = x.length;

result[n + 2] = x.length - n - 1;

result[n + 3] = s;

String a1 = "";

String a2 = "";

String a3 = "";

a1 = "Y= " + format(result[2], 4) + "X^2";

if (format(result[1], 4) < 0) {

a2 = " -" + format(result[1], 4) + "* X";

} else {

a2 = " +" + format(result[1], 4) + " * X";

}

if (format(result[0], 4) < 0) {

a3 = " -" + format(result[0], 4);

} else {

a3 = " +" + format(result[0], 4);

}

LogUtils.e("公式：" + a1 + a2 + a3);

// TODO: 2017/12/18 计算R的平方

double ysum = 0d;

for (int i = 0; i < y.length; i++) {

ysum += y[i];

}

double yavg = ysum / y.length;//y的平均值

double sss = 0d;

for (int i = 0; i < x.length; i++) {

sss += Math.pow(y[i] - ((format(result[2], 4) * Math.pow(x[i], 2)) +

(format(result[1], 4) * x[i]) + format(result[0], 4)), 2);

}

double ssreg = 0d;

for (int i = 0; i < x.length; i++) {

ssreg += (y[i] - yavg) * (y[i] - yavg);

}

double R2 = format((1 - sss / ssreg), 4);

LogUtils.e("拟合优度R的平方为===" + R2); //拟合优度

return new Object[]{a1 + a2 + a3, R2};

}

// TODO: 2017/12/20 对数的拟合曲线

// TODO: 2017/12/14 0014 y=a+b*ln(x)

public static Object[] logFitting(double x[], double y[]) {

double yem = 0.0;

double y1 = 0.0;

double xem = 0.0;

double x1 = 0.0;

double x2 = 0.0;

double x3 = 0.0;

double avgx = 0.0;

double avgy = 0.0;

double dxy = 0.0;

double dx2 = 0.0;

double dy2 = 0.0;

double y2 = 0.0;

for (int i = 0; i < y.length; i++) {

yem += y[i];

}

avgy = (yem) / y.length;

for (int i = 0; i < y.length; i++) {

y2 += (y[i] - avgy);

}

for (int i = 0; i < y.length; i++) {

y1 += y[i] * Math.log(x[i]);

}

for (int i = 0; i < x.length; i++) {

xem += x[i];

}

avgx = (xem) / x.length;

for (int i = 0; i < x.length; i++) {

x1 += Math.log(x[i]);

}

for (int i = 0; i < x.length; i++) {

x2 += Math.log((x[i])) * Math.log((x[i]));

}

for (int i = 0; i < x.length; i++) {

if (i == 0) {

x3 = Math.log(x[i]);

} else {

x3 *= Math.log(x[i]);

}

}

for (int i = 0; i < x.length; i++) {

dxy += (x[i] - avgx) * (y[i] - avgy);

}

for (int i = 0; i < x.length; i++) {

dx2 += (x[i] - avgx) * (x[i] - avgx);

}

for (int i = 0; i < y.length; i++) {

dy2 += (y[i] - avgy) * (y[i] - avgy);

}

double A = format((((yem - ((x.length * y1 - yem * x1) / (x.length * x2 - x1 * x1)) * x1))) / x.length, 4);

double B = format(((x.length * y1 - yem * x1) / (x.length * x2 - x1 * x1)), 4);

LogUtils.e("计算的结果为b=" + B);

LogUtils.e("计算结果为a=" + A);

String fb = "";

if (B >= 0) {

fb = "+" + B + "";

} else {

fb = "-" + B;

}

LogUtils.e("公式： Y= " + A + fb + "*lnX");

// TODO: 2017/12/18 计算R的平方

double ysum = 0d;

for (int i = 0; i < y.length; i++) {

ysum += y[i];

}

double yavg = ysum / y.length;//y的平均值

double sss = 0d;

for (int i = 0; i < x.length; i++) {

sss += Math.pow(y[i] - (A + B * Math.log(x[i])), 2);

}

double ssreg = 0d;

for (int i = 0; i < x.length; i++) {

ssreg += (y[i] - yavg) * (y[i] - yavg);

}

double R2 = format((1 - sss / ssreg), 4);

LogUtils.e("拟合优度R的平方为===" + R2); //拟合优度

return new Object[]{"Y= " + A + fb + "*lnX", R2};

}

// TODO: 2017/12/20 计算指数

// TODO: 2017/12/20 y = b*exp(ax)

public static Object[] expFitting(double x[], double y[]) {

double[] oriY = new double[y.length];

for (int i = 0; i < y.length; i++) {

oriY[i] = y[i];

}

int size = x.length;

double xmean = 0.0;

double ymean = 0.0;

double rss = 0;

double tss = 0;

double result[] = new double[5];

for (int i = 0; i < size; i++) {

xmean += x[i];

y[i] = Math.log(y[i]);

ymean += y[i];

}

xmean /= size;

ymean /= size;

double sumx2 = 0.0f;

double sumxy = 0.0f;

for (int i = 0; i < size; i++) {

sumx2 += (x[i] - xmean) * (x[i] - xmean);

sumxy += (y[i] - ymean) * (x[i] - xmean);

}

double b = sumxy / sumx2;

double a = ymean - b * xmean;

for (int i = 0; i < size; i++) {

rss += (y[i] - (a + b * x[i])) * (y[i] - (a + b * x[i]));

tss += (y[i] - ymean) * (y[i] - ymean);

}

double r2 = 1 - (rss / (size - 1 - 1)) / (tss / (size - 1));

a = Math.exp(a);

result[0] = a;

result[1] = b;

result[2] = x.length;

result[3] = x.length - 2;

result[4] = r2;

double B = format(result[1], 4);

double A = format(result[0], 4);

LogUtils.e("公式：" + "Y= " + A + "*e^(" + B + "*X)");

// TODO: 2017/12/18 计算R的平方

double ysum = 0d;

for (int i = 0; i < oriY.length; i++) {

ysum += oriY[i];

}

double yavg = ysum / oriY.length;//y的平均值

double sss = 0d;

for (int i = 0; i < x.length; i++) {

sss += Math.pow((oriY[i] - (A * (Math.exp((B * x[i]))))), 2);

}

double ssreg = 0d;

for (int i = 0; i < x.length; i++) {

ssreg += (oriY[i] - yavg) * (oriY[i] - yavg);

}

double R2 = format((1 - sss / ssreg), 4);

LogUtils.e("拟合优度R的平方为===" + R2); //拟合优度

return new Object[]{"Y= " + A + "*e^(" + B + "*X)", R2};

}

/**

* 获得决定系数

*

* @param coeff

* @return

*/

private static double getDxsR(double x[], double y[], double coeff[], int n) {

int size = x.length;

double ymean = 0.0;

double rss = 0;

double tss = 0;

for (int i = 0; i < size; i++) {

ymean += y[i];

}

ymean /= size;

for (int i = 0; i < size; i++) {

rss += (y[i] - getDxsValueByX(x[i], coeff)) * (y[i] - getDxsValueByX(x[i], coeff));

tss += (y[i] - ymean) * (y[i] - ymean);

}

double r2 = 1 - (rss / (size - n - 1)) / (tss / (size - 1));

return r2;

}

/**

* 通过X获得Y的值

*

* @param x

* @param coeff

* @return

*/

private static double getDxsValueByX(double x, double coeff[]) {

int size = coeff.length;

double result = coeff[0];

for (int i = 1; i < size; i++) {

result += coeff[i] * Math.pow(x, i);

}

return result;

}

//四舍五入

public static double format(double d, int index) {

BigDecimal bd = new BigDecimal(d);

return bd.setScale(index, BigDecimal.ROUND_HALF_UP).doubleValue();

}

}

U__F_O
关注
  • 3
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Curve-Fit是一个Android库，用于在Google Maps上绘制曲线-Android开发
05-26
Curve-Fit Android库，用于在Google Maps上绘制曲线。 该库使用Bezier三次方程式来计算曲线的所有中间点。 更改请注意，此版本仅适用于Curve-Fit Android库，用于在Google Maps上绘制曲线。 该库使用Bezier三次方程式来计算曲线的所有中间点。 更改请注意，此版本仅适用于Google Maps Android SDK v2。 如果您正在尝试使用Google Maps Android SDK 3.0.0 BETA，请尝试使用CurveFit-2.0.0-beta [bug]固定（＃4）（＃6）Demo Setup Gradle依赖项{实现'com.github.sarweshkumar47：curve-适合：1.1.1'} Maven
【Android】利用MPAndroidChart做一个曲线拟合功能
boulete的博客
06-12 1035
MPAndroidChart只有折线图功能，但不妨碍我们利用MPAndroidChart做一个曲线拟合功能
Android曲线拟合：牛顿迭代法(自己的备忘录，勿进)
Hogwarts
08-14 697
要记录
Android 线性回归
shiluohuashengmi的专栏
08-14 651
对于一次线性回归，就是求w 和 b 的值，针对预测值 y(x) = w*x + b， 真实值 y ，使其满足min(k) = (y^i - y(x^i))^2 ,其中 i 为第i个数，即 x^1为 x1，y^1为y1；若序列集合为 x:[x1,x2,…], y:[y1,y2,….] 如图所示，如果直接将 b 设置为 0，那么相当于 求 y(x) = w*x 中的 w，那么可以直接手动得到...
android 模型曲线图
qq_37630270的博客
07-29 428
模型曲线
利用广义可加模型对分类数据进行曲线拟合代码
07-12
利用广义可加模型对分类数据进行曲线拟合代码
样条曲线拟合 c++实现
12-21
样条曲线拟合是数值分析领域中的一种常见技术，它用于构建一条光滑的曲线来逼近离散数据点。在C++中实现样条曲线拟合，通常涉及到几个关键概念和算法，包括基函数、控制点、插值和拟合过程。 样条曲线的基本组成...
对平面多个点进行曲线拟合
最新发布
06-25
标题“对平面多个点进行曲线拟合”表明我们将探讨如何在二维平面上使用曲线拟合技术来分析多组数据点。 描述中提到的“对平面多个点进行曲线拟合”通常涉及到二维空间中的数据点集合，这些点可能是实验测量的结果...
基于LabVIEW的一元二次方程曲线拟合
06-10
曲线拟合是数学中的一种方法，通过寻找最佳拟合曲线来描述数据点的分布趋势，以便进行预测或模型建立。在LabVIEW中，我们可以创建自定义的VI（Virtual Instruments）来执行这个过程。 首先，我们需要理解LabVIEW的...
基于Matlab实现曲线拟合（源码+数据）.rar
03-22
1、资源内容：基于Matlab实现曲线拟合（源码+数据）.rar 2、适用人群：计算机，电子信息工程、数学等专业的学习者，作为“参考资料”参考学习使用。 3、解压说明：本资源需要电脑端使用WinRAR、7zip等解压工具进行...
Android OpenCV（三十四）：直线拟合
AndroidKt
09-09 980
概念 直线拟合 霍夫直线检测是检测图像中是否存在直线，直线拟合则是假定我们已经知道点数据是在一条直线上，需要利用这些数据拟合出一条直线，但是由于噪声的存在，这条直线可能并不会通过大多数的数据点，此时，我们无法使用直线检测方式来寻找直线，而只能通过直线拟合的方式来求出这条直线。那么如何拟合直线呢？一般我们采用最小二乘法来保证所有数据点距离直线的距离最小，从而得出这条拟合出来的直线。 最小二乘法 最小二乘法是由勒让德在19世纪发现的，形式如下式： 标函数=∑（观测值−理论值）2 标函数=\sum（观测值-
android studio 数据曲线,Android-贝塞尔曲线
weixin_30573089的博客
05-27 562
贝塞尔曲线是在计算机图形学和相关领域内常用的一种参数曲线，它的主要应用有生成光滑的曲线动画圆滑的字体，比如TrueType它由一系列控制点P0到PN组成(n=1时是一阶，n=2时是2阶,etc)，第一个和最后一个控制点总是曲线的终端节点，而中间的控制点通常不会出现在曲线上。一阶贝塞尔曲线它表示的点B随着t变化的位置如图所示：二阶贝塞尔曲线计算后得到：它表示的点B随着t变化的位置如图所示三阶贝塞尔曲...
Android （线性、表格、网格、帧）布局小结
One_sir_zeng的博客
06-06 584
什么是布局？         就是显示界面上那些按钮 Button+imageButton,  输入框 edittext,  标题框 textview,  这类的，这些小窗口小功能是如何分布。
android离散点贝塞尔曲线,离散点拟合曲线贝塞尔曲线B样条.ppt
weixin_31659557的博客
05-31 369
离散点拟合曲线贝塞尔曲线B样条第三章 离散点绘制平面曲线;;不规则曲线(拟合曲线)：指已知平面一些离散点的坐标，但曲线方程未知，需要人为设计曲线方程对这些点进行拟合形成的曲线。; 在用拟合方法建立曲线拟合方程时，通常把不规则曲线分为两类： 1. “点点通过”式 ; 2. “平均通过”式 当已知数据点有一定误差时，所拟合的曲线不通过所有已知点...
android 画拟合曲线,android – 在一些指定的Rectangle中绘制文本拟合
weixin_31069599的博客
05-31 168
使用画布,我想绘制一些适合某些指定矩形的短标签文本(1-2个字符).由于某些其他原因,我使用的缩放使得该重新纠缠的尺寸很小,即大约1.我面临的问题是在绘制文本(我使用Canva.drawText()之前)计算最佳(尽可能大,使文本仍然适合)文本大小与Paint.setTextSize一起使用.为此我可以使用Paint.Fontmetrics对象将一些通用字体尺寸作为浮点数或getTextBound...
多项式拟合
m0_52124992的博客
01-14 7066
多项式拟合（数学建模）
android 画拟合曲线图,Android曲线拟合
weixin_39950824的博客
05-31 373
最近在研究一个问题，有一系列点，需要拟合成一条漂亮的曲线，绘制出来，研究结果如下，感谢网友！// 获取一系列点的曲线路径private Path getPointCurvePath(List points){Point startp;Point endp;Point p3 = new Point();Point p4 = new Point();Path path = new Path();if ...
指数函数拟合工具类
weixin_44313428的博客
04-20 1590
指数函数拟合工具类 原始代码计算的 R^2值与EXCEl 不一致 ,重新改了下,计算的R^2 与Excel 一致 ,并加入了去除较大误差值的功能 public class ExpFit { /** * 指数拟合 y = a*exp(bx) result[0] = a result[1] = b result[2] 数据点数 result[3] 自由度 * result[...
最小二乘法与曲线拟合
Android_chunhui的专栏
11-07 1032
通过最小二乘法算法实现多项式拟合的公式推导见http://blog.csdn.net/jairuschan/article/details/7517773/对于给定样本空间D[(x1,y1),(x2,y2)...(xn,yn)],求解 权值向量W，使得 Xi*W=Yi.根据最小二乘法，W=(X'X)-1X'Y ,其中X是每个样本Xi构成的范德蒙矩阵的转置，(X'X)-1是X的伪逆。 下面使用Pyth
python对一组数据进行椭圆拟合
04-20
很高兴回答你的问题！Python可以使用SciPy库中的optimize.curve_fit()函数进行椭圆拟合。首先，你需要确定你的数据点的x和y坐标。然后，你需要定义一个椭圆函数，这个函数将用于进行拟合。最后，使用optimize.curve_fit()函数就可以实现拟合了。具体的实现方法可以参考SciPy官方文档中的例子。希望能对你有所帮助！

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值