非线性拟合（C++版）

已于 2022-10-06 20:56:44 修改
阅读量1.3k 收藏 11
点赞数
文章标签： c++ 算法 开发语言
于 2022-10-06 20:49:34 首次发布
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/yoonaanna/article/details/127187356
版权

        最近做的项目有用到非线性拟合这个东西，然后查阅多方面资料，发现大部分人的做法都是通过矩阵的线性求解去完成这个任务。并且，要想通过矩阵求解这个问题，还需要用到一些矩阵的库或者是OpenCV的库。显然这种做法是有点麻烦的。于是，通过多方面的查找，终于在GitHub找到了一个可实现非线性拟合的C++代码，并且不需要下载任何其他的库。

        经过测试，该代码拟合效果与excel保持一致，精度要优于excel的非线性拟合。

        （无法科学上网了，无法提供源网址了，如有侵权请联系删除！）

        以下便是实现非线性拟合的C++代码：

class Matrix {
	int N;
	double a[100][100];
	double b[100];
	double x[2][100];
	double eps;

public:
	void init(int _N, double _a[][100], double _b[], double _x[], double _eps) {
		N = _N;
		for (int i = 0; i < N; i++) {
			for (int j = 0; j < N; j++)
				a[i][j] = _a[i][j];

			b[i] = _b[i];
			x[0][i] = _x[i];
			x[1][i] = x[0][i];
		}
		eps = _eps;

		//    printf("N : %d, eps : %f\n\n", N, eps);
		//    for(int i = 0; i < N; i ++)
		//        for(int j = 0; j < N; j ++)
		//            printf((j == N - 1)? "%f\n" : "%f ", a[i][j]);
		//    printf("b:\n");
		//    for(int i = 0; i < N; i ++) printf((i == N - 1) ? "%f\n" : "%f ", b[i]);
		//    printf("x:\n");
		//    for(int i = 0; i < N; i ++) printf((i == N - 1) ? "%f\n" : "%f ", x[0][i]);

	}

	void showN() {
		printf("N = %d\n", N);
	}

	void showA() {
		printf("A:\n");
		for (int i = 0; i < N; i++)
			for (int j = 0; j < N; j++)
				printf((j == N - 1) ? "%.3f\n" : "%.3f ", a[i][j]);
	}

	void showb() {
		printf("b:\n");
		for (int i = 0; i < N; i++) printf("%.3f\n", b[i]);
	}

	void showx(int type) {
		//    if(type > 1 || type < 0) return printf("Parameter [int type] is invalid in function showx().\n") * 0;
		printf("x:\n");
		for (int i = 0; i < N; i++) printf("x%d = %.10f\n", i, x[type][i]);
		//    for(int i = 0; i < N; i++) printf("x%d = %.3f\n", i, x[1][i]);
	}

	void showEps() {
		printf("Epsilon = %f\n", eps);
	}

	void show() {
		printf("--\nN = %d:\n", N);
		for (int i = 0; i < N; i++) {
			for (int j = 0; j < N; j++) printf("%.3f ", a[i][j]);
			printf("%.3f\n", b[i]);
		}
	}

	double getEps() {
		return eps;
	}
	bool finish() {
		double R = 0;
		for (int i = 0; i < N; i++) R = max(R, abs(x[0][i] - x[1][i]));
		return R <= eps;
	}

	// Cal x, last recursion result store in x[0], new recursion result store in x[1].
	void Recursion(int id, int type, double omega) {
		//    if(type < 0 || type > 2) return printf("Parameter [int type] is invalid in function Recursion().\n") * 0;
		if (a[id][id] == 0) {
			printf("Div by 0. a[%d][%d] == 0.\n", id, id);
			return;
		}
		double sum = 0;
		for (int i = 0; i < N; i++) if (i != id) sum += a[id][i] * x[0][i];
		if (type == 0) x[1][id] = (b[id] - sum) / a[id][id];
		else if (type == 1) x[0][id] = (b[id] - sum) / a[id][id];
		else if (type == 2) x[0][id] = (1 - omega) * x[0][id] + omega * (b[id] - sum) / a[id][id];
		//printf("x[%d]:%.3f ", id, x[1][id]);
	}

	void Jacobi() {
		do {
			for (int i = 0; i < N; i++) Recursion(i, 0, 0);
			for (int i = 0; i < N; i++) swap(x[0][i], x[1][i]);

		} while (!finish());
		showx(0);
	}

	void Gauss_Seidel() {
		do {
			for (int i = 0; i < N; i++) x[1][i] = x[0][i];
			for (int i = 0; i < N; i++) Recursion(i, 1, 0);
		} while (!finish());
		showx(0);
	}
	double* SOR(double omega) {
		do {
			for (int i = 0; i < N; i++) x[1][i] = x[0][i];
			for (int i = 0; i < N; i++) Recursion(i, 2, omega);
		} while (!finish());
		return x[0];
		//    showx(0);
	}
};
class LeastSquare {
	int n, order;
	double x[100], y[100], p[100];
	Matrix equations;

public:
	void init(double _eps, double X[], double Y[], int ParaNum = 4, int Order = 3)
	{

		n = ParaNum;//输入数据的个数

		for (int i = 0; i < n; i++) x[i] = X[i];
		for (int i = 0; i < n; i++) y[i] = Y[i];
		for (int i = 0; i < n; i++) p[i] = 1;
		order = Order;//阶次

		int _N = order;
		double _a[100][100], _x[100], _b[100];
		
		for (int i = 0; i < order; i++) _x[i] = 0.0;
		//

		for (int i = 0; i < order; i++) {
			for (int j = 0; j < order; j++) {
				_a[i][j] = 0;
				for (int _i = 0; _i < n; _i++) _a[i][j] += p[_i] * phi(i, x[_i]) * phi(j, x[_i]);
			}
		}
		for (int i = 0; i < order; i++) {
			_b[i] = 0;
			for (int j = 0; j < n; j++) _b[i] += p[j] * phi(i, x[j]) * y[j];
		}
		equations.init(_N, _a, _b, _x, _eps);
	}
	double* solve() {
		double* a = equations.SOR(1.5);
		double* Coeff = a;
		//printf("\n\nf(x) = ");
		//for (int i = 0; i < order; i++) {
		//    if (i == 0) printf("%.10f", a[i]);
		//    else {
		//        if (a[i] > 0) printf(" + %.10f x^%d", a[i], i);
		//        else printf(" - %.10f x^%d", -a[i], i);
		//    }//此处输出回归值
		//}
		//printf("\n\nx\t\tf(x)\t\ty\t\t|f(x) - y|\n");
		//for (int i = 0; i < n; i++) {
		//    double fx = 0;
		//    for (int j = 0; j < order; j++) fx += a[j] * phi(j, x[i]);
		//    printf("%f\t%f\t%f\t%f\n", x[i], fx, y[i], fx - y[i] > 0 ? fx - y[i] : y[i] - fx);

		//}//输出显示
		return Coeff;
	}

	double phi(int pow, double x) {
		double res = 1;
		for (int i = 0; i < pow; i++) res *= x;
		return res;
	}
};

        类内的具体作用暂时还没去深入了解（好像是高斯的方法？），感兴趣的朋友可以先行理解一下，然后评论区教一下博主，感谢！！！

        以下是我使用上述代码实现非线性拟合的函数代码：

double* NonLinearCal(double X_Point[], double Y_Point[], int Para, int Order)
{
	int Order = Order;  // 需要返回多少个系数，如果拟合二次项 则有3个系数，线性拟合则2个，三次项4个...
	int ParaNum = Para; // 拟合的数据对 有多少对X和Y


	double* Temp = NULL;//用来接收solve返回的指针 指向的是拟合的系数
    LeastSquare *LS = new LeastSquare;

	LS->init(0.000000001, X_Point, Y_Point, ParaNum, Order);
	Temp = LS->solve();


    double *Coeff = new double[Order];

    for(int i=-0;i<Order;i++)
        Coeff[i] = temp[i];//temp是局部变量 这个函数结束了，原来的值也就没了，所以需要把这些数据转移到堆上

    delete LS;
	return Coeff;
}

        拿Order = 3为例，此时非线性拟合的方程为一元二次方程，方程可理解为 y = a1 + a2*x +a3 *x^2,那么返回的Coeff[0] 就是a1的值，Coeff[1] 就是a2的值，以此类推。

        提供一个计算拟合优度（R^2）的函数：

        

double R2Cal(double X_Point[], double Y_Point[], double Coeff[], int ParaNum, int Order)
{
	double Total = 0;
	for (int i = 0; i < ParaNum; i++)
	{
		Total += Y_Point[i];
	}
	double Average = Total / ParaNum;
	double SSR = 0;
	double SST = 0;
	//求得平均值
	switch (Order)
	{
	case 2:
	{
		for (int i = 0; i < ParaNum; i++)
		{
			SST += pow((Y_Point[i] - Average), 2);
		}
		for (int i = 0; i < ParaNum; i++)
		{
			SSR += pow((WlsCoeff[0] + WlsCoeff[1] * X_Point[i] - Average), 2);
		}
		break;
	}
	case 3:
	{
		for (int i = 0; i < ParaNum; i++)
		{
			SST += pow((Y_Point[i] - Average), 2);
		}
		for (int i = 0; i < ParaNum; i++)
		{
			SSR += pow((WlsCoeff[0] + WlsCoeff[1] * X_Point[i] + WlsCoeff[2] * X_Point[i] * X_Point[i] - Average), 2);
		}
		break;
	}
	case 4:
	{
		for (int i = 0; i < ParaNum; i++)
		{
			SST += pow((Y_Point[i] - Average), 2);
		}
		for (int i = 0; i < ParaNum; i++)
		{
			SSR += pow((WlsCoeff[0] + WlsCoeff[1] * X_Point[i] + WlsCoeff[2] * X_Point[i] * X_Point[i] + WlsCoeff[3] * X_Point[i] * X_Point[i] * X_Point[i] - Average), 2);
		}
		break;
	}
	default:
		break;
	}
	return SSR / SST;

}

啊哒哒滴喵喵呀
关注
  • 0
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
最小二乘曲线拟合 c++实现
03-24
最小二乘曲线拟合，适合曲线拟合研究 使用c++语言实现
非线性最小二乘法C语言代码
10-10
非线性最小二乘法C语言代码 main () { int n,i,flag2; char flag1='y'; float ar[50],br[50],x,y,xe,ye,xye,xxe,sx,sy,sxy,sxx,a,b; printf ("\n欢迎使用最小二乘法数据处理程序\n");
非线性拟合（C++版）（转载）
最新发布
m0_55965249的博客
02-21 326
最近做的项目有用到非线性拟合这个东西，然后查阅多方面资料，发现大部分人的做法都是通过矩阵的线性求解去完成这个任务。于是，通过多方面的查找，终于在GitHub找到了一个可实现非线性拟合的C++代码，并且不需要下载任何其他的库。拿Order = 3为例，此时非线性拟合的方程为一元二次方程，方程可理解为 y = a1 + a2*x +a3 *x^2,那么返回的Coeff[0] 就是a1的值，Coeff[1] 就是a2的值，以此类推。
C++ 最小二乘法 直线拟合、曲线拟合、平面拟合、高斯拟合
u011208918的专栏
04-21 3782
直线拟合 曲线拟合 平面拟合 高斯拟合 C++
matlab中的lsqcurvefit使用
热门推荐
walkingMa的专栏
11-01 7万+
非线性曲线拟合是已知输入向量xdata和输出向量ydata，并且知道输入与输出的函数关系为ydata=F(x, xdata)，但不知道系数向量x。今进行曲线拟合，求x使得输出的如下最小二乘表达式成立： min Σ(F(x,xdatai)-ydatai)^2 函数 lsqcurvefit 格式 x = lsqcurvefit(fun,x0,xdata,ydata) x = lsqcurvefi
C++版 Bp神经网络数据拟合数据预测
04-29
C++版本的BP神经网络是一种基于反向传播算法实现的神经网络模型，它可以被用于数据拟合和预测。BP神经网络由多个层次组成，包括输入层、隐藏层和输出层。通过不断地迭代训练，BP神经网络能够学习到复杂的非线性关系，从而能够适应各种不同的数据。 在C++中实现BP神经网络可以使用开源神经网络库，比如FANN（Fast Artificial Neural Network）。这个库提供了很多有用的函数和方法，可以方便地构建、训练和测试BP神经网络模型。
非线性拟合工具
12-05
当前非线性拟合和多元拟合的工具较少，这是针对常用的拟合算法，开发的一款数据拟合为主的软件。包括线性拟合的各种算法，非线性拟合的各种算法，以及多元拟合的各种算法。其中提供了很多非线性方程的模型，以满足不同的需求，也可以制定自己所需要的指定非线性方程模型的，采用最先进的初始值估算算法，无需初始值就可以拟合自己想要的非线性方程模型各个模块的介绍如下。 1.线性拟合算法模块 根据最小二乘拟合算法，对输入的数据进行变量指定次方的拟合。同时可对自变量或因变量进行自然对数和常用对数的转换后再拟合。根据实际情况，开发了单调性拟合以针对各种定量分析的用途。同时开发了，针对一组数据，得到最高相关系数的自动拟合功能，由程序自动选择拟合次数以及自变量和因变量的数据格式。 2.非线性拟合算法模块 根据非线性方程的特点，开发了最先进的智能初始值估算算法，配合LM迭代算法，进行非线性方程的拟合。只需要输入自变量和因变量，就可以拟合出所需要的非线性方程。拟合相关系数高，方便快捷。并借助微粒群算法，开发了基于微粒群的智能非线性拟合算法，拟合出方程的相关系数相当高，甚至会出现过拟合现象。 3.多元拟合算法模块 根据最小二乘算法的原理开发了多元线性拟合算法，同时开发了能够指定变元次数的高次多元线性拟合。由于多元变量的情况下函数关系复杂，采用高次多元线性拟合能有效提高拟合效果而不会出现过拟合现象。同时针对每个变元可能最合适的拟合次数不一定都一样，开发了自适应高次多元拟合算法。
使用GSL库实现非线性最小二乘拟合—原理与C代码实现（VS2019）
weixin_41922484的博客
03-04 4192
目录一、参考二、非线性最小二乘拟合三、GSL库中非线性最小二乘拟合部分1. gsl_multifit_nlinear_parameters 一、参考 《数值最优化算法与理论》 Nonlinear Least-Squares Fitting 数值最优化—概述 数值最优化—无约束问题的下降算法与线性搜索 数值最优化—无约束问题最速下降法和Newton法 数值最优化—无约束问题共轭梯度法 数值最优化—非线性方程组与最小二乘问题 GSL中的非线性最小二乘拟合 二、非线性最小二乘拟合 本章描述多维.
NLopt--非线性优化--算法使用及C++实例
dbdxnuliba的博客
06-03 1393
NLopt--非线性优化--算法使用及C++实例
用C++实现多层神经网络BP算法，拟合一元非线性函数（以y=sin(x)为例）
孤影风晨的博客
11-06 711
网上用C++实现的BP算法大都是基于固定的神经网络层数、固定的神经元个数、固定的损失函数、固定的激活函数等等，灵活性低且扩展性差，不具有特别好的普适性，因此笔者根据BP算法的原理，加上程序设计的思想，实现了可变层数、可变宽度，可自定激活函数、自定义损失函数的BPNN神经网络。
非线性指数拟合
12-14
非线性指数拟合程序y=Ae^(Bx+C)+D，拟合精度高，内置两种方法，一种为采用近似全局的搜索方法，一种为传统的加上初始值估算方法的LM迭代，不用输入初始值，直接得到高精度拟合结果
BP神经网络的非线性系统建模-非线性函数拟合
03-08
BP神经网络的非线性系统建模-非线性函数拟合 ，bp神经网络的非线性系统建模
【C++】用Ceres从三维点中拟合三维空间中的圆
epic_Lin的博客
07-07 1019
Cpp调用Ceres，从三维空间中N个点拟合出一个圆，包括圆心、半径、法向量。
用 C++ 实现线性拟合
m0_53061304的博客
10-29 691
我们的目标是编写一个程序，可以接受一组数据点作为输入，并使用最小二乘法来拟合一条直线。最小二乘法是一种常用的拟合方法，它通过最小化数据点到拟合直线的垂直距离的平方和来确定最佳拟合直线的参数。最小二乘法是一种常用的拟合方法，它通过最小化实际观测值与拟合值之间的残差平方和来确定拟合直线的参数。在线性拟合中，我们假设拟合直线的公式为y = kx + b，其中k是斜率，b是截距。我们希望用一条直线来拟合这些数据点，我们可以通过数学方法得到拟合直线的表达式为y = 2x + 1。
基于C++的非线性方程的解法研究及实现
weixin_44211980的博客
02-12 1715
【基于C++的非线性方程的解法研究及实现】 【前言】 关于非线性方程f(x) = 0的根的解法目前分为三类，二分法，试值法和不动点迭代法 本文实例为寻找f(x) = x2 - 2x在区间[-1, 3]内精度在0.05以内的实根 代码中的set用于保存答案 【1.二分法】 二分法又称二分区间法，是求解非线性方程近似根的一种常用的简单方法。 算法： 【代码实现】 inline float f(fl...
基于高斯牛顿法的非线性优化（附C++代码）
擦擦擦大侠的博客
03-23 1553
基于高斯牛顿法的非线性优化（附C++代码） 非线性优化中，采用高斯牛顿法是最为简单和常用的一个方式。下面给出由C++的示例。这里主要解决的问题是曲线拟合。求出拟合曲线的三个参数值a,b,c。 #include <iostream> #include <opencv2/opencv.hpp> #include <Eigen/Core> #include <E...
非线性曲线拟合（高斯分布为例）--scipy求解器中optimize的curve_fit的应用--附代码
weixin_41743584的博客
07-18 1024
安装求解包scipy pip install scipy 定义对应的高斯函数 import numpy as np from scipy import stats import matplotlib.pyplot as plt from scipy import optimize as op def get_boundaries(obj, length=5): """ 获取目标数最近边界 Parameters: obj: 目标数 .
c++ 非线性函数拟合
07-11
在C++中进行非线性函数拟合可以使用各种数值优化算法。以下是一种常见的方法： 1. 定义目标函数：首先，你需要定义你要拟合的非线性函数。可以使用函数指针或者函数对象来表示目标函数。 2. 选择优化算法：有许多优化算法可供选择，例如最小二乘法、遗传算法、粒子群优化等。根据你的需求选择合适的算法。 3. 编写优化代码：根据选择的算法，编写C++代码来进行优化。这包括设置优化算法的参数、定义约束条件（如果有的话）以及调用优化函数。 4. 运行优化：将你的数据传递给优化算法，运行优化过程。优化算法将尝试找到最优的参数值，以使目标函数最小化。 5. 解析结果：根据优化算法的输出，解析结果并获得最佳拟合的参数值。 需要注意的是，非线性函数拟合是一个复杂的问题，通常需要一些数学和计算机科学的知识。你可能需要阅读相关的文献或者参考一些开源库来帮助你完成这个任务。

“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