matlab最小二乘法拟合原理,最小二乘法曲线拟合_原理及matlab实现

曲线拟合(curve-fitting)：工程实践中，用测量到的一些离散的数据

要求所得的拟合曲{(xi,yi),i?0,1,2,...m}求一个近似的函数?(x)来拟合这组数据，

线能最好的反映数据的基本趋势(即使?(x)最好地逼近f?x?，而不必满足插值原则。因此没必要取?(xi)=yi，只要使?i??(xi)?yi尽可能地小)。

原理：

给定数据点{(xi,yi),i?0,1,2,...m}。求近似曲线?(x)。并且使得近似曲线与f?x?的偏差最小。近似曲线在该点处的偏差?i??(xi)?yi，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

最小二乘法：

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：

?(x)?a0?a1x?...?akxk

2. 各点到这条曲线的距离之和，即偏差平方和如下：

3. 问题转化为求待定系数a0...ak对等式右边求ai偏导数，因而我们得到了：

.......

4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：

5. 将这个范德蒙得矩阵化简后可得到:

6. 也就是说X*A=Y，那么A = (X'*X)-1*X'*Y