定义:
最小二乘法(又称最小平方法)是一种数学优化技术。它通过最
小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可
以简便地求得未知的数据,并使得这些求得的数据与实际数据之
间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一
些优化问题也可通过最小化能量或最大化熵用最小二乘法来表
达。
最小二乘法原理:
在我们研究两个变量(x,y)之间的相互关系时,通常可以得到一系列成对的数据(x1,y1.x2,y2... xm,ym);将这些数据描绘在x -y直角坐标系中,若发现这些点在一条直线附近,可以令这条
直线方程
如(式1-1)。
Yj= a0 + a1 X (式1-1)
其中:a0、a1 是任意实数
1.多项式曲线拟合:polyfit
1.1常见拟合曲线:
直线: y=a0X+a1
多项式:
一般次数不易过高2 3
双曲线: y=a0/x+a1
指数曲线: y=a*e^b
1.2 matlab中函数
P=polyfit(x,y,n)
[P S mu]=polyfit(x,y,n)
polyval(P,t):返回n次多项式在t处的值
注:其中x y已知数据点向量分别表示横纵坐标,n为拟合多项
式的次数,结果返回:P-返回n次拟合多项式系数从高到低
依次存放于向量P中,S-包含三个值其中normr是残差平方
和,
mu-包含两个值 mean(x)均值,std(x)标准差。
1.3举例
1. 已知观测数据为:
X:0 1 2 3 4 5 6 7 8 9 1
Y:-0.447 1.987 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.3 11.2
用三次多项式曲线拟合这些数据点:
x=0:0.1:1
y=[-
0.447,1.978,3.28,6.16,7.08,7.34,7.66,9.56,9.48,9.3,11.
2]
plot(x,y,'k.','markersize',25)
hold on
axis([0 1.3 -2 16])
p3=polyfit(x,y,3)
t=0:0.1:1.2:
S3=polyval(P3,t);
plot(t,S3,'r');
![matlab_最小二乘法数据拟合 matlab_最小二乘法数据拟合](https://i-blog.csdnimg.cn/blog_migrate/e92bbe764127e1d9dd0474615fb56c2b.jpeg)
2.拟合为指数曲线
![matlab_最小二乘法数据拟合 matlab_最小二乘法数据拟合](https://i-blog.csdnimg.cn/blog_migrate/473f03f27e8ab3c7b91dcf1ef119e995.jpeg)
![matlab_最小二乘法数据拟合 matlab_最小二乘法数据拟合](https://i-blog.csdnimg.cn/blog_migrate/ea0c1e258a9d0655ac057d59f1f14336.jpeg)
![matlab_最小二乘法数据拟合 matlab_最小二乘法数据拟合](https://i-blog.csdnimg.cn/blog_migrate/0c5c2ba37953de0271b005a9545f6944.jpeg)
注:在对已测数据不太明确满足什么关系时,需要假设为多种曲
线拟合然后比较各自的residal(均方误差)越小者为优,
多项式拟合不是拟合次数越高越好,而是残差越小越好。
2.非线性曲线拟合:lsqcurvefit
X=lsqcurvefit(fun,X0,xdata,ydata)
[X,resnorm]=lsqcurvefit(fun,X0,xdata,ydata)
注:其中xdata ydata为给定数据横纵坐标,按照函数文件fun
给定的函数以X0为初值做最小乘二拟合,返回函数fun中的
系数向量X和残差的平方和resnorm。
2.1例如
已知观测数据: ![matlab_最小二乘法数据拟合 matlab_最小二乘法数据拟合](https://i-blog.csdnimg.cn/blog_migrate/bb9c02c8eee5be4b304fdfed48311670.jpeg)
求三个参数a b c的值是的曲线f(x)=a*e^x+b*X^2+c*X^
已知数据点在最小二乘意义上充分接近
首先编写拟合函数文件fun
function f=fun(X,xdata)
f=X(1)*exp(xdata)+X(2)*xdata.^2+X(3)*xdata.^3
保存文件fun.m
编写函数调用拟合函数文件
xdata=0:0.1:1;
ydata=[3.1 3.27 3.81 4.5 5.18 6 ....13.17];
X0=[0 0 0];
[X,resnorm]=lsqcurvefit(@fun,X0,xdata,ydata)
运行显示:
X=
3.0022 4.0304 0.9404
resnorm=
0.0912
综上:最小乘二意义上的最佳拟合函数为
f(x)=3.0022x+4.0304x^2+0.9404x^3
残差平方和:0.0912
![matlab_最小二乘法数据拟合 matlab_最小二乘法数据拟合](https://i-blog.csdnimg.cn/blog_migrate/3072bad80cd2b0c0bf2bc0cfefbc177b.jpeg)
注:在针对只有一些已测数据而不太清楚最小乘二拟合函数时,
采取先打印出已知数据的散点图,然后观察散点图大概分布
趋向,再确定拟合函数,也可以确定多个,最后比较残差选
择最优最小乘二拟合函数,再者初始值的给定也很重要。
lsqnonlin(fun,X0):最小二乘拟合函数
本讲结束,谢谢!