MATLAB使用线性插值和线性回归方法比较两条函数曲线的相似度(观点）

比较两条曲线的相似度

给了两个近似成比例的函数(点族${\mathbf{x}}_{\mathrm{s}1},{\mathbf{y}}_{\mathrm{s}1},{\mathbf{x}}_{\mathrm{s}2},{\mathbf{y}}_{\mathrm{s}2}$表示)
$$f_2\left(x\right)\approx k{f}_1\left(x\right)$$
现评估$k$的最优取值以及对相似度的定量评价

线性插值

由于给定的函数曲线是由点族表示的，使用线性插值将函数构造出来。在自变量取值范围内取$n$个间距的节点，它们的横坐标构成一个向量$\mathbf{x}$。通过线性插值方法得到$\mathbf{x}$对应的${\mathbf{y}}_1$和${\mathbf{y}}_2$
$$\begin{gathered} y_{i,1}=f_1\left(x_i\right) \\ {y}_{i,2}=f_2\left(x_i\right) \\ i=1,2\cdots n \end{gathered}$$式中$x_{i,1}$表示$\mathbf{x}$的第$i$个元素，其余以此类推。

线性回归

在获得向量${\mathbf{y}}_1$和${\mathbf{y}}_2$后，使用最小二乘法求解$k$的近似值，列写最小二乘法的法方程
$${\mathbf{y}}_{1}k={\mathbf{y}}_2$$该方程组包含一个未知数$k$和$n$个方程，一般情况下无解。但是可以使用广义逆或最小二乘法求其残差最小的解，即$$k={\left({{\mathbf{y}}_1}^{\mathrm{T}}{\mathbf{y}}_1\right)}^{-1}{{\mathbf{y}}_1}^{\mathrm{T}}{\mathbf{y}}_2$$

相似度计算

相似度可以使用决定系数$R^2$评估，其定义式为
$$R^2=1-\frac{{\sum }_{i=1}^n{\left(y_{i,2}-k{y}_{i,1}\right)}^2}{{\sum }_{i=1}^n{\left(y_{i,2}-\bar{\mathbf{y}}\right)}^2}$$

MATLAB代码

线性插值函数

function [out_x,out_y1,out_y2] = linearInterpolation(x1,y1,x2,y2,n)
%LINEARINTERPOLATION 将两条独立非负曲线的点族(x1,y1)(x2,y2)插值成为点对(x,y1,y2)
xmax1=x1(end);
xmax2=x2(end);
xmax=max(xmax1,xmax2);
out_x=linspace(0,xmax,n);

out_y1=interp1(x1,y1, out_x,'linear','extrap');
out_y1=0.5*(out_y1+abs(out_y1));

out_y2=interp1(x2,y2, out_x,'linear','extrap');
out_y2=0.5*(out_y2+abs(out_y2));
end

线性回归函数

function [r2,k] = linearRegression(y1,y2)
%LINEARREGRESSION 对点族(y1,y2)进行无截距的线性回归，返回决定系数r2(coefficient of determination)和斜率
k=y1'\y2';
r2=1-sum((y2-k*y1).^2)/((length(y2)-1) * var(y2));
end