插值与拟合
插值和拟合的区别:拟合不要求过每一个已知点,而插值要求过每一个已知点,因而插值可以看作过每一个点的拟合。
插值适用于补全缺失值,因为使用一般拟合就有可能使已知值偏移,不符合需求。据说PS用某种样条插值,放大的时候最大程度的保留连续性,因此显得不是那么模糊.
数学建模笔记1.3——插值 - Infty的文章 - 知乎
https://zhuanlan.zhihu.com/p/390028714
1 插值
1.1 分段线性插值
从几何上解释就是用直线把已知点相连形成折线
数学表示
分段线性插值函数记为
I
n
(
x
)
I_n(x)
In(x)
I
n
(
x
)
=
∑
i
=
0
n
y
i
l
i
(
x
)
I_n(x)=\sum_{i=0}^n y_i l_i(x)
In(x)=i=0∑nyili(x)
其中基函数记为
l
i
(
x
)
l_i(x)
li(x)
l
i
(
x
)
=
{
x
−
x
i
−
1
x
i
−
x
i
−
1
,
x
∈
[
x
i
−
1
,
x
i
]
,
i
≠
0
,
x
−
x
i
+
1
x
i
−
x
i
+
1
,
x
∈
[
x
i
,
x
i
+
1
]
,
i
≠
n
,
0
,
其他
l_i(x)=\left\{\begin{array}{l} \frac{x-x_{i-1}}{x_i-x_{i-1}}, x \in\left[x_{i-1}, x_i\right], i \neq 0, \\ \frac{x-x_{i+1}}{x_i-x_{i+1}}, x \in\left[x_i, x_{i+1}\right], i \neq n, \\ 0, \text { 其他 } \end{array}\right.
li(x)=⎩
⎨
⎧xi−xi−1x−xi−1,x∈[xi−1,xi],i=0,xi−xi+1x−xi+1,x∈[xi,xi+1],i=n,0, 其他
I
n
(
x
)
I_n(x)
In(x) 有良好的收敛性, 即对于
x
∈
[
a
,
b
]
x \in[a, b]
x∈[a,b], 有
lim
n
→
∞
I
n
(
x
)
=
f
(
x
)
\lim _{n \rightarrow \infty} I_n(x)=f(x)
n→∞limIn(x)=f(x)
特点
计算量小,用 I n ( x ) I_n(x) In(x) 计算 x x x 点的插值时,只用到 x x x 左右的两个节点, 计算量与节点个数 n n n 无关。但 n n n 越大插值误差越小。
不够光滑。
1.2 拉格朗日插值
数学表示
拉格朗日 (Lagrange) 插值的基函数为
l
i
(
x
)
=
(
x
−
x
0
)
⋯
(
x
−
x
i
−
1
)
(
x
−
x
i
+
1
)
⋯
(
x
−
x
n
)
(
x
i
−
x
0
)
⋯
(
x
i
−
x
i
−
1
)
(
x
i
−
x
i
+
1
)
⋯
(
x
i
−
x
n
)
=
∏
j
=
0
j
≠
i
n
x
−
x
j
x
i
−
x
j
,
i
=
0
,
1
,
⋯
,
n
\begin{aligned} l_i(x) & =\frac{\left(x-x_0\right) \cdots\left(x-x_{i-1}\right)\left(x-x_{i+1}\right) \cdots\left(x-x_n\right)}{\left(x_i-x_0\right) \cdots\left(x_i-x_{i-1}\right)\left(x_i-x_{i+1}\right) \cdots\left(x_i-x_n\right)} \\ & =\prod_{\substack{j=0 \\ j \neq i}}^n \frac{x-x_j}{x_i-x_j}, i=0,1, \cdots, n \end{aligned}
li(x)=(xi−x0)⋯(xi−xi−1)(xi−xi+1)⋯(xi−xn)(x−x0)⋯(x−xi−1)(x−xi+1)⋯(x−xn)=j=0j=i∏nxi−xjx−xj,i=0,1,⋯,n
l
i
(
x
)
l_i(x)
li(x) 是
n
n
n 次多项式, 满足
l
i
(
x
j
)
=
{
0
,
j
≠
i
,
1
,
j
=
i
。
l_i\left(x_j\right)=\left\{\begin{array}{l} 0, j \neq i, \\ 1, j=i 。 \end{array}\right.
li(xj)={0,j=i,1,j=i。
拉格朗日插值函数
L
n
(
x
)
=
∑
i
=
0
n
y
i
l
i
(
x
)
=
∑
i
=
0
n
y
i
(
∏
j
=
0
j
≠
i
n
x
−
x
j
x
i
−
x
j
)
L_n(x)=\sum_{i=0}^n y_i l_i(x)=\sum_{i=0}^n y_i\left(\prod_{\substack{j=0 \\ j \neq i}}^n \frac{x-x_j}{x_i-x_j}\right)
Ln(x)=i=0∑nyili(x)=i=0∑nyi
j=0j=i∏nxi−xjx−xj
特点
( 1 ) (1) (1) 增加或改变已知节点则需要重新计算生成拉格朗日插值函数,计算量大。
(
2
)
(2)
(2) 会出现龙格现象(Runge):
指的是对于某些函数,使用均匀节点构造高次多项式差值时,在插值区间的边缘的误差可能很大的现象。它是由Runge在研究多项式差值的误差时发现的,这一发现很重要,因为它表明,并不是插值多项式的阶数越高,效果就会越好。
龙格现象(Runge Phenomenon) - sslchi的文章 - 知乎
https://zhuanlan.zhihu.com/p/138747068
1.3 牛顿插值
数学表示
差商
自变量之差与因变量之差之比叫差商
定义: 函数
y
=
f
(
x
)
y=f(x)
y=f(x) 在区间
[
x
i
,
x
i
+
1
]
\left[x_i, x_{i+1}\right]
[xi,xi+1] 上的平均变化率
f
[
x
i
,
x
i
+
1
]
=
f
(
x
i
+
1
)
−
f
(
x
i
)
x
i
+
1
−
x
i
f\left[x_i, x_{i+1}\right]=\frac{f\left(x_{i+1}\right)-f\left(x_i\right)}{x_{i+1}-x_i}
f[xi,xi+1]=xi+1−xif(xi+1)−f(xi)
称为
f
(
x
)
f(x)
f(x) 关于
x
i
,
x
i
+
1
x_i, x_{i+1}
xi,xi+1 的一阶差商,并记为
f
[
x
i
,
x
i
+
1
]
f\left[x_i, x_{i+1}\right]
f[xi,xi+1]
二阶差商:
f
[
x
i
,
x
i
+
1
,
x
i
+
2
]
=
f
[
x
i
+
1
,
x
i
+
2
]
−
f
[
x
i
,
x
i
+
1
]
x
i
+
2
−
x
i
f\left[x_i, x_{i+1}, x_{i+2}\right]=\frac{f\left[x_{i+1}, x_{i+2}\right]-f\left[x_i, x_{i+1}\right]}{x_{i+2}-x_i}
f[xi,xi+1,xi+2]=xi+2−xif[xi+1,xi+2]−f[xi,xi+1]
m
\mathrm{m}
m 阶差商:
f
[
x
0
,
x
1
,
⋯
,
x
m
]
=
f
[
x
1
,
x
2
,
⋯
,
x
m
]
−
f
[
x
0
,
x
1
,
⋯
,
x
m
−
1
]
x
m
−
x
0
f\left[x_0, x_1, \cdots, x_m\right]=\frac{f\left[x_1, x_2, \cdots, x_m\right]-f\left[x_0, x_1, \cdots, x_{m-1}\right]}{x_m-x_0}
f[x0,x1,⋯,xm]=xm−x0f[x1,x2,⋯,xm]−f[x0,x1,⋯,xm−1]
牛顿插值公式
a 0 = f ( x 0 ) a 1 = f [ x 0 , x 1 ] a 2 = f [ x 0 , x 1 , x 2 ] \begin{gathered} a_0=f\left(x_0\right) \\ a_1=f\left[x_0, x_1\right] \\ a_2=f\left[x_0, x_1, x_2\right] \end{gathered} a0=f(x0)a1=f[x0,x1]a2=f[x0,x1,x2]
其中一般式:
a
k
=
f
[
x
0
,
x
1
,
⋯
,
x
k
]
(
k
=
0
,
1
,
⋯
,
n
)
a_k=f\left[x_0, x_1, \cdots, x_k\right] \quad(k=0,1, \cdots, n)
ak=f[x0,x1,⋯,xk](k=0,1,⋯,n)
将求得系数代入多项式中即可得到n次牛顿插值公式
N
n
(
x
)
=
f
(
x
0
)
+
f
[
x
0
,
x
1
]
(
x
−
x
0
)
+
⋯
+
f
[
x
0
,
x
1
,
⋯
,
x
n
]
(
x
−
x
0
)
(
x
−
x
1
)
⋯
(
x
−
x
n
)
N_n(x)=f\left(x_0\right)+f\left[x_0, x_1\right]\left(x-x_0\right)+\cdots+f\left[x_0, x_1, \cdots, x_n\right]\left(x-x_0\right)\left(x-x_1\right) \cdots\left(x-x_n\right)
Nn(x)=f(x0)+f[x0,x1](x−x0)+⋯+f[x0,x1,⋯,xn](x−x0)(x−x1)⋯(x−xn)
其余项为
R
n
(
x
)
=
f
[
x
0
,
x
1
,
⋯
,
x
n
,
x
]
(
x
−
x
0
)
(
x
−
x
1
)
⋯
(
x
−
x
n
)
=
f
[
x
0
,
x
1
,
⋯
,
x
n
,
x
]
∏
i
=
0
n
(
x
−
x
i
)
=
f
(
n
+
1
)
(
ξ
)
(
n
+
1
)
!
∏
i
=
0
n
(
x
−
x
i
)
f
[
x
0
,
x
1
,
⋯
,
x
n
]
=
f
(
n
+
1
)
(
ξ
)
(
n
+
1
)
!
\begin{gathered} R_n(x)=f\left[x_0, x_1, \cdots, x_n, x\right]\left(x-x_0\right)\left(x-x_1\right) \cdots\left(x-x_n\right) \\ =f\left[x_0, x_1, \cdots, x_n, x\right] \prod_{i=0}^n\left(x-x_i\right)=\frac{f^{(n+1)}(\xi)}{(n+1) !} \prod_{i=0}^n\left(x-x_i\right) \\ f\left[x_0, x_1, \cdots, x_n\right]=\frac{f^{(n+1)}(\xi)}{(n+1) !} \end{gathered}
Rn(x)=f[x0,x1,⋯,xn,x](x−x0)(x−x1)⋯(x−xn)=f[x0,x1,⋯,xn,x]i=0∏n(x−xi)=(n+1)!f(n+1)(ξ)i=0∏n(x−xi)f[x0,x1,⋯,xn]=(n+1)!f(n+1)(ξ)
特点
( 1 ) (1) (1) 添加新节点计算量小
( 2 ) (2) (2) 仍会出现龙格现象
牛顿插值的几何解释是怎么样的? - 马同学的回答 - 知乎
https://www.zhihu.com/question/22320408/answer/141973314
1.4 三次样条插值
样条插值
即取插值函数为样条函数, 称为样条插值。例如分段线性插值是一次样条插值。
三次样条插值的数学表示
定义
即已知函数
y
=
f
(
x
)
y=f(x)
y=f(x) 在区间
[
a
,
b
]
[a, b]
[a,b] 上的
n
+
1
n+1
n+1 个节点
a
=
x
0
<
x
1
<
⋯
<
x
n
−
1
<
x
n
=
b
a=x_0<x_1<\cdots<x_{n-1}<x_n=b
a=x0<x1<⋯<xn−1<xn=b
上的值
y
i
=
f
(
x
i
)
(
i
=
0
,
1
,
⋯
,
n
)
y_i=f\left(x_i\right)(i=0,1, \cdots, n)
yi=f(xi)(i=0,1,⋯,n), 求插值函数
S
(
x
)
S(x)
S(x), 使得
(
1
)
(1)
(1)
S
(
x
i
)
=
y
i
(
i
=
0
,
1
,
⋯
,
n
)
S\left(x_i\right)=y_i(i=0,1, \cdots, n)
S(xi)=yi(i=0,1,⋯,n) 。
(
2
)
(2)
(2) 在每个小区间
[
x
i
,
x
i
+
1
]
(
i
=
0
,
1
,
⋯
,
n
−
1
)
\left[x_i, x_{i+1}\right](i=0,1, \cdots, n-1)
[xi,xi+1](i=0,1,⋯,n−1) 上
S
(
x
)
S(x)
S(x) 是三次多项式, 记为
S
i
(
x
)
S_i(x)
Si(x) 。
(
3
)
(3)
(3)
S
(
x
)
S(x)
S(x) 在
[
a
,
b
]
[a, b]
[a,b] 上二阶连续可微。
函数 S ( x ) S(x) S(x) 称为 f ( x ) f(x) f(x) 的三次样条插值函数。
固定条件
由条件(2), 不妨记
S
(
x
)
=
{
S
i
(
x
)
,
x
∈
[
x
i
,
x
i
+
1
]
,
i
=
0
,
1
,
⋯
,
n
−
1
}
,
S
i
(
x
)
=
a
i
x
3
+
b
i
x
2
+
c
i
x
+
d
i
,
\begin{aligned} & S(x)=\left\{S_i(x), x \in\left[x_i, x_{i+1}\right], i=0,1, \cdots, n-1\right\}, \\ & S_i(x)=a_i x^3+b_i x^2+c_i x+d_i, \end{aligned}
S(x)={Si(x),x∈[xi,xi+1],i=0,1,⋯,n−1},Si(x)=aix3+bix2+cix+di,
式中:
a
i
,
b
i
,
c
i
,
d
i
a_i, b_i, c_i, d_i
ai,bi,ci,di 为待定系数, 共
4
n
4 n
4n 个。
由条件 (3), 有
{
S
i
(
x
i
+
1
)
=
S
i
+
1
(
x
i
+
1
)
,
S
i
′
(
x
i
+
1
)
=
S
i
+
1
′
(
x
i
+
1
)
,
i
=
0
,
1
,
⋯
,
n
−
2
S
′
′
i
(
x
i
+
1
)
=
S
′
′
i
+
1
(
x
i
+
1
)
,
\left\{\begin{array}{l} S_i\left(x_{i+1}\right)=S_{i+1}\left(x_{i+1}\right), \\ S_i^{\prime}\left(x_{i+1}\right)=S_{i+1}^{\prime}\left(x_{i+1}\right), i=0,1, \cdots, n-2 \\ S^{\prime \prime}{ }_i\left(x_{i+1}\right)=S^{\prime \prime}{ }_{i+1}\left(x_{i+1}\right), \end{array}\right.
⎩
⎨
⎧Si(xi+1)=Si+1(xi+1),Si′(xi+1)=Si+1′(xi+1),i=0,1,⋯,n−2S′′i(xi+1)=S′′i+1(xi+1),
容易看出, 式 (5.1) 和式 (5.2) 共含有 4 n − 2 4 n-2 4n−2 个方程, 为确定 S ( x ) S(x) S(x) 的 4 n 4 n 4n 个待定参数, 尚需再给出两个边界条件。
边界条件
常用的三次样条函数的边界条件有 3 种类型:
(
1
)
(1)
(1)
S
′
(
a
)
=
y
0
′
,
S
′
(
b
)
=
y
n
′
S^{\prime}(a)=y_0^{\prime}, S^{\prime}(b)=y_n^{\prime}
S′(a)=y0′,S′(b)=yn′ 。 由这种边界条件建立的样条插值函数称为
f
(
x
)
f(x)
f(x) 的完备三次样条插值函数。
特别地,
y
′
0
=
y
n
′
=
0
y^{\prime}{ }_0=y_n^{\prime}=0
y′0=yn′=0 时, 样条曲线在端点处呈水平状态。
如果
f
′
(
x
)
f^{\prime}(x)
f′(x) 不知道, 我们可以要求
S
′
(
x
)
S^{\prime}(x)
S′(x) 与
f
′
(
x
)
f^{\prime}(x)
f′(x) 在端点处近似相等。这时以
x
0
,
x
1
x_0, x_1
x0,x1,
x
2
,
x
3
x_2, x_3
x2,x3 为节点作一个三次 Newton 插值多项式
N
a
(
x
)
N_a(x)
Na(x), 以
x
n
,
x
n
−
1
,
x
n
−
2
,
x
n
−
3
x_n, x_{n-1}, x_{n-2}, x_{n-3}
xn,xn−1,xn−2,xn−3 作一个三次 Newton 插值多项式
N
b
(
x
)
N_b(x)
Nb(x),要求
S
′
(
a
)
=
N
a
′
(
a
)
,
S
′
(
b
)
=
N
b
′
(
b
)
。
S^{\prime}(a)=N_a^{\prime}(a), S^{\prime}(b)=N_b^{\prime}(b) 。
S′(a)=Na′(a),S′(b)=Nb′(b)。
由这种边界条件建立的三次样条称为
f
(
x
)
f(x)
f(x) 的 Lagrange 三次样条插值函数。
(
2
)
(2)
(2)
S
′
′
(
a
)
=
y
0
′
′
,
S
′
′
(
b
)
=
y
n
′
′
S^{\prime \prime}(a)=y_0^{\prime \prime}, S^{\prime \prime}(b)=y_n^{\prime \prime}
S′′(a)=y0′′,S′′(b)=yn′′ 。特别地,
y
′
′
0
=
y
n
′
′
=
0
y^{\prime \prime}{ }_0=y_n^{\prime \prime}=0
y′′0=yn′′=0 时, 称为自然边界条件。
(
3
)
(3)
(3)
S
′
(
a
+
0
)
=
S
′
(
b
−
0
)
,
S
′
′
(
a
+
0
)
=
S
′
′
(
b
−
0
)
S^{\prime}(a+0)=S^{\prime}(b-0), S^{\prime \prime}(a+0)=S^{\prime \prime}(b-0)
S′(a+0)=S′(b−0),S′′(a+0)=S′′(b−0), 此条件称为周期条件。
2 拟合
曲线拟合问题的提法是, 已知一组 (二维) 数据, 即平面上的 n n n 个点 ( x i , y i ) , i = 1 \left(x_i, y_i\right), i=1 (xi,yi),i=1, 2 , ⋯ , n , x i 2, \cdots, n, x_i 2,⋯,n,xi 互不相同, 寻求一个函数 (曲线) y = f ( x ) y=f(x) y=f(x), 使 f ( x ) f(x) f(x) 在某种准则下与所有数据点最为接近,即曲线拟合得最好。
2.1 线性最小二乘法
线性最小二乘法是解决曲线拟合最常用的方法。
基本思路
令
f
(
x
)
=
a
1
r
1
(
x
)
+
a
2
r
2
(
x
)
+
⋯
+
a
m
r
m
(
x
)
f(x)=a_1 r_1(x)+a_2 r_2(x)+\cdots+a_m r_m(x)
f(x)=a1r1(x)+a2r2(x)+⋯+amrm(x)
其中:
r
k
(
x
)
r_k(x)
rk(x) 为事先选定的一组线性无关的函数;
a
k
a_k
ak 为待定系数
(
k
=
1
,
2
,
⋯
,
m
;
m
<
n
)
(k=1,2, \cdots, m ; m<n)
(k=1,2,⋯,m;m<n) 。
拟合准则是使
y
i
(
i
=
1
,
2
,
⋯
,
n
)
y_i(i=1,2, \cdots, n)
yi(i=1,2,⋯,n) 与
f
(
x
i
)
f\left(x_i\right)
f(xi) 的距离
δ
i
\delta_i
δi 的平方和最小, 称为最小二乘准则。
步骤
1. 函数 r k ( x ) r_k(x) rk(x) 的选取
面对一组数据 ( x i , y i ) , i = 1 , 2 , ⋯ , n \left(x_i, y_i\right), i=1,2, \cdots, n (xi,yi),i=1,2,⋯,n, 用线性最小二乘法作曲线拟合时, 首要的也是关键的一步是恰当地选取 r 1 ( x ) , ⋯ , r m ( x ) r_1(x), \cdots, r_m(x) r1(x),⋯,rm(x) 。
如果通过机理分析, 能够知道 y y y 与 x x x 之间的函数关系, 则 r 1 ( x ) , ⋯ , r m ( x ) r_1(x), \cdots, r_m(x) r1(x),⋯,rm(x) 容易确定。
若无法知道 y y y 与 x x x 之间的关系, 通常可以将数据 ( x i , y i ) , i = 1 , 2 , ⋯ , n \left(x_i, y_i\right), i=1,2, \cdots, n (xi,yi),i=1,2,⋯,n 作图, 直观地判断应该用什么样的曲线去作拟合。
常用的曲线有:
(1) 直线
y
=
a
1
x
+
a
2
y=a_1 x+a_2
y=a1x+a2 。
(2) 多项式
y
=
a
1
x
m
+
⋯
+
a
m
x
+
a
m
+
1
y=a_1 x^m+\cdots+a_m x+a_{m+1}
y=a1xm+⋯+amx+am+1 (一般
m
=
2
,
3
m=2, 3
m=2,3, 不宜太高
)
。
) 。
)。
(3) 双曲线 (一支)
y
=
a
1
x
+
a
2
y=\frac{a_1}{x}+a_2
y=xa1+a2 。
(4) 指数曲线
y
=
a
1
e
a
2
x
y=a_1 \mathrm{e}^{a_2 x}
y=a1ea2x 。
对于指数曲线, 拟合前需作变量代换, 化为对
a
1
,
a
2
a_1, a_2
a1,a2 的线性函数。
已知一组数据, 用什么样的曲线拟合最好, 可以在直观判断的基础上, 选几种曲线分别拟合,然后比较,看哪条曲线的最小二乘指标 J J J 最小。
2. 系数 a k a_k ak 的确定
记
J
(
a
1
,
⋯
,
a
m
)
=
∥
R
A
−
Y
∥
2
2
=
∑
i
=
1
n
δ
i
2
=
∑
i
=
1
n
[
f
(
x
i
)
−
y
i
]
2
,
J\left(a_1, \cdots, a_m\right)=\|\boldsymbol{R A}-\boldsymbol{Y}\|_{2}^2=\sum_{i=1}^n \delta_i^2=\sum_{i=1}^n\left[f\left(x_i\right)-y_i\right]^2,
J(a1,⋯,am)=∥RA−Y∥22=i=1∑nδi2=i=1∑n[f(xi)−yi]2,
为求
a
1
,
⋯
,
a
m
a_1, \cdots, a_m
a1,⋯,am 使
J
J
J 达到最小, 只需利用极值的必要条件
∂
J
∂
a
j
=
0
(
j
=
1
,
⋯
,
m
)
\frac{\partial J}{\partial a_j}=0(j=1, \cdots, m)
∂aj∂J=0(j=1,⋯,m), 得到关于
a
1
,
⋯
,
a
m
a_1, \cdots, a_m
a1,⋯,am 的线性方程组
∑
i
=
1
n
r
j
(
x
i
)
[
∑
k
=
1
m
a
k
r
k
(
x
i
)
−
y
i
]
=
0
,
j
=
1
,
⋯
,
m
,
\sum_{i=1}^n r_j\left(x_i\right)\left[\sum_{k=1}^m a_k r_k\left(x_i\right)-y_i\right]=0, j=1, \cdots, m,
i=1∑nrj(xi)[k=1∑makrk(xi)−yi]=0,j=1,⋯,m,
即
∑
k
=
1
m
a
k
[
∑
i
=
1
n
r
j
(
x
i
)
r
k
(
x
i
)
]
=
∑
i
=
1
n
r
j
(
x
i
)
y
i
,
j
=
1
,
⋯
,
m
,
\sum_{k=1}^m a_k\left[\sum_{i=1}^n r_j\left(x_i\right) r_k\left(x_i\right)\right]=\sum_{i=1}^n r_j\left(x_i\right) y_i, j=1, \cdots, m,
k=1∑mak[i=1∑nrj(xi)rk(xi)]=i=1∑nrj(xi)yi,j=1,⋯,m,
记
R
=
[
r
1
(
x
1
)
⋯
r
m
(
x
1
)
⋮
⋮
⋮
r
1
(
x
n
)
⋯
r
m
(
x
n
)
]
n
×
m
,
A
=
[
a
1
,
⋯
,
a
m
]
T
,
Y
=
[
y
1
,
⋯
,
y
n
]
T
,
\begin{aligned} \boldsymbol{R} & =\left[\begin{array}{ccc} r_1\left(x_1\right) & \cdots & r_m\left(x_1\right) \\ \vdots & \vdots & \vdots \\ r_1\left(x_n\right) & \cdots & r_m\left(x_n\right) \end{array}\right]_{n \times m}, \\ \boldsymbol{A} & =\left[a_1, \cdots, a_m\right]^{\mathrm{T}}, \boldsymbol{Y}=\left[y_1, \cdots, y_n\right]^{\mathrm{T}}, \end{aligned}
RA=
r1(x1)⋮r1(xn)⋯⋮⋯rm(x1)⋮rm(xn)
n×m,=[a1,⋯,am]T,Y=[y1,⋯,yn]T,
方程组式 (5.5) 可表为
R
T
R
A
=
R
T
Y
\boldsymbol{R}^{\mathrm{T}} \boldsymbol{R} \boldsymbol{A}=\boldsymbol{R}^{\mathrm{T}} \boldsymbol{Y}
RTRA=RTY
当
{
r
1
(
x
)
,
⋯
,
r
m
(
x
)
}
\left\{r_1(x), \cdots, r_m(x)\right\}
{r1(x),⋯,rm(x)} 线性无关时,
R
\boldsymbol{R}
R 列满秩,
R
T
R
\boldsymbol{R}^{\mathrm{T}} \boldsymbol{R}
RTR 可逆, 于是方程组式 (5.6) 有唯一解
A
=
(
R
T
R
)
−
1
R
T
Y
\boldsymbol{A}=\left(\boldsymbol{R}^{\mathrm{T}} \boldsymbol{R}\right)^{-1} \boldsymbol{R}^{\mathrm{T}} \boldsymbol{Y}
A=(RTR)−1RTY
3. Matlab解法
Matlab 中的线性最小二乘的标准型为
min
A
∥
R
A
−
Y
∥
2
2
\min _A\|\boldsymbol{R A}-\boldsymbol{Y}\|_2^2
Amin∥RA−Y∥22
命令为 A = R \ Y \boldsymbol{A}=\boldsymbol{R} \backslash \boldsymbol{Y} A=R\Y
2.2 最小二乘优化
优化问题中目标函数由若干函数的平方和组成且求其最小,则属于最小二乘优化问题
可以用Matlab优化工具箱解决
2.3 曲线拟合与函数逼近
拟合: 离散 ⇒ \Rightarrow ⇒ 连续函数,符合最小二乘准则
逼近: 复杂连续函数 ⇒ \Rightarrow ⇒ 简单连续函数,符合最小平方逼近准则
最小平方逼近准则原理类似最小二乘准则,可看作连续的版本