没有合适的资源?快使用搜索试试~ 我知道了~
通过已知所测试的数据,预测未来的发展,可用于计数运动轨迹、温度变化,生物生长状态等。含完整分析问题、解析问题过程,流程图及代码。
资源推荐
资源详情
资源评论
插值与拟合 Interpolation and Fitting
起草:杨鹏辉
2017.02.27~03.15
第
1
页 共
34
页
Interpolation and Fitting 插值与拟合-V2.1
1. 前言 Preface
................................................................................................................................................................................2
2. 插值与拟合 Interpolation and Fitting
..................................................................................................................................2
2.1. 最小二乘法理论基础(The basic theory of Least Squares Method)
.............................................................. 3
2.2. 数据拟合和曲线拟合(Data Fitting & Curve Fitting)
.......................................................................................... 3
3. 不同曲线的拟合模型
...................................................................................................................................................................4
3.1. 线性模型 Y=C
1
+C
2
X...................................................................................................................................................... 4
3.2. 拋物线模型 y=C
1
+C
2
X+C
3
X
2
2
1 2 3
y C C x C x
.........................................................................................5
3.3. 对数模型 Y=C
1
+C
2
ln(x)...............................................................................................................................................5
3.4. 指数模型 y=ae
bx
............................................................................................................................................................. 5
3.5. 双曲模型 y=1/(C1+C2X)............................................................................................................................................ 6
3.6. 幂模型 Power y=x
n
........................................................................................................................................................6
3.7. 多项式拟合 Polynomial Fitting...................................................................................................................................6
3.7.1. 多项式拟合原理(共 6 步)
................................................................................................................................6
3.7.2. 多元函数求偏导的推导过程(共 7 步)
......................................................................................................... 10
3.7.3. 线性方程组解法-LU 分解法(共 4 步)
....................................................................................................... 15
3.7.4. 矩阵 A 的 LU 分解的流程图(共 8 步)
..........................................................................................................18
4. 最小二乘法拟合范例 Example of Fitting by Least Squares Method..........................................................................29
4.1. 先验证算法正确性..........................................................................................................................................................29
4.2. 利用最小二乘法计算最优曲线..................................................................................................................................... 29
4.3. VS2010 中动态内存的申请...........................................................................................................................................30
5. 添加绘画控件............................................................................................................................................................................. 31
6. 参考资料及课本错误之处.........................................................................................................................................................33
6.1. 参考资料..........................................................................................................................................................................33
6.2. 课本上的错误之处..........................................................................................................................................................33
插值与拟合 Interpolation and Fitting
起草:杨鹏辉
2017.02.27~03.15
第
2
页 共
34
页
1. 前言 Preface
工作中需要根据已知的 n 组数据,推测未来几个点的数据(或曲线的趋势),如健康指南。
注:离散的数据在 Excel 表中,只是将各点简单的用直线相连,它并不是一个有规律可循的光滑曲线,更不可能由
它来预测未来线条的趋势。因此我们需要通过这些离散的点,拟合出一条有规律的曲线,然后通过它来计算后面几个
点的数据或趋势。(2017-02-27)
如下面表 1 表 2,在 Excel 中,分别预测了两个点和一个点的值。
某实验得到的 9 次
数据及预测
序号
X
Y
1
1
2
2
3
7
3
4
8
4
5
10
5
6
11
6
7
11
7
8
10
8
9
9
9
10
8
10
11
6
11
12
3
某一化学反应过程中
,
温度
(
℃
)
对产品得率
(%)
的影响
序号
温度 ℃
得率
(%)
1
100
45
2
110
51
3
120
54
4
130
61
5
140
70
6
150
74
7
160
78
8
170
85
9
180
89
10
190
90
11
200
100
2. 插值与拟合 Interpolation and Fitting
要想实现前言提到的根据现有测试数据来预测未来数据,可以用插值与拟合的方法。
在此要感谢我的同学赵淑红教授,是她提醒我要用最小二乘法。没有她的提醒,我还真不知从何处入手来解决问
题。高手的作用:就是需要时,手轻轻一指方向,剩下的就是俺们这些干活的要做的事。
通过公式可计算出当 X=190 和 X=200 时,对应的 Y 值。
f(190)=95.07;f(200)=100.194。取整即为 95 和 100。即左图显示。
“4.1 验证算法正确性”
中可以精确计算出
f(11)=5.82;
f(12)=3.27。
取整即为 6 和 3。即左
图显示。
插值与拟合 Interpolation and Fitting
起草:杨鹏辉
2017.02.27~03.15
第
3
页 共
34
页
2.1. 最小二乘法理论基础(The basic theory of Least Squares Method)
最小二乘解:先看什么是矛盾方程组(Over Determined System)。实践中,往往会遇到,含 n 个未知数、m 个方
程的线性代数方程组。其中方程的个数 m 远大于未知数的个数 n。我国地质测量中,遇到过 13 万个未知数,17 万个方
程的矛盾方程组,如下面公式 1.1。(注:题外话,国家超大型计算机会优先用于地质勘探。第一用于军事,求导弹轨
迹。第二用于气象,预报瞬息万变的天气。第三用于地质测量,用于快速的判断地下资源)
0
n
j
A
ij
x
j
= b
i
, i=0,1,2,…,m。 (注:m<n)
(1.1)
对于上述方程组,我们引入矩阵:
10 11 1
0 0
20 21 2
1 1
0 1
n
n
m n
m m mn
a a a
b x
a a a
b x
A b x
b x
a a a
, ,
。
(1.2)
。
方程组 1.1 一般是无解的,但可以考虑一个近似解:X,使得 AX 尽可能接近 b。即寻找 x1,x2,…,xn,使得:
2
0 1
0 0
( , , ..., ) ( ) m in
m n
n ij j i
i j
I x x x A x b
(注:m<n) (1.3)
用矩阵表示为:
2
2
| | | | m i nA x b
(1.4)
使得 1.3 或 1.4 式成立的解称为矛盾方程组 1.1 的最小二乘解。这一思想就是 Gauss 二百年前提出的。核心就是求
误差平方和的最小极限。
注:前面提到
m>n
,为何这里却是
m<n
呢?前面提到实际中
m
可能远大于
n
,是指实测的数据较多,上面公式中
m<n
是指将要拟合出的方程组中各项的系数
m
,它的个数是小于等于方程组最高次方
n
的。
(2017-03-15 补)
2.2. 数据拟合和曲线拟合(Data Fitting & Curve Fitting)
数据拟合:上述矛盾方程组是个通用表达式,实际工作中,大多数是在三维立体空间的曲线,其中最多的还是 XY
坐标系的二维曲线。为此,我们将上式简化为,通过一组观测值(X
k
,Y
k
),k=1,2,…,m,来确定 X 与 Y 的关系,或
函数 y=f(x)的表达式无法给出时,我们试图通过这组带有观测误差的数据(X
k
,Y
k
)来寻找接近 f(x)的函数。这一解
决问题的思路叫“数据拟合”,反应在曲线上,就叫“曲线拟合(Curvefitting)”。
1 拟合方法有很多种,如:线性插值、抛物线插值、拉格朗日插值、样条插值、最小二乘法插值。
结合这些插值与拟合的方法,我们选择“效率最高的”最小二乘法拟合。最小二乘法又称最小平方法,它利
用“最小误差的平方和”来寻找最佳的匹配函数。最小二乘法是高斯(Gauss)发明的,1809 年发表在他的著作《天
体运动论》中。后经改良,又多方验证,在离散的点中,通过这种算法得到的曲线,计算效率最高,优于其它算
法。1801 年奥地利天文学家海因里希·奥尔伯斯根据高斯计算出来的轨道重新发现了谷神星。
综合考虑,在我们的产品中,将采用最小二乘法来计算趋势图。
2 最小二乘法只是一个大方向的指导方法。在实际工作中,会根据观测数据的物理背景,结合观测数据先选定一个
初步的曲线模型。常见的曲线模型有:线型、抛物线型、对数型、指数型/幂、多项式、双曲型等。
3 “误差平方和最小原则”。前面提到的多种模型,实际中选择哪种更接近呢?实际中采用“误差平方和最小原则”。
插值与拟合 Interpolation and Fitting
起草:杨鹏辉
2017.02.27~03.15
第
4
页 共
34
页
如:根据某 15 组测试数据采用两种不同的拟合模型:双曲模型和指数模型。用最小二乘法对两种不同模型得到结
果如下。哪一种更接近实测值呢?请看下图。
注:下面对平方和进行开方,和的最小值和开方的最小值,其实原理是一样,就是比较哪种值相对较小。
3. 不同曲线的拟合模型
下面详细讲解不同曲线的拟合模型。注:各个曲线模型的推导过程,这里不再描述,直接写结果。
3.1. 线性模型 Y=C
1
+C
2
X
其正规方程组为
其 C1 和 C2 的解为:
其中:
插值与拟合 Interpolation and Fitting
起草:杨鹏辉
2017.02.27~03.15
第
5
页 共
34
页
3.2. 拋物线模型 y=C
1
+C
2
X+C
3
X
2
2
1 2 3
y C C x C x
抛物线模型的正规方程组为:
C1、C2、C3 推导过程稍后由杨鹏辉自行给出,课本上没有给出推导过程和结果。(2017-03-01)
3.3. 对数模型 Y=C
1
+C
2
ln(x)
对数模型
2
y C C ln x
1
,其最小二乘解 C1、C2 满足下式。
1 2
1 1
2
1 2
1 1 1
ln
ln ( ln ) ln
m m
k k
k k
m m m
k k k k
k k k
x y
y x
c m c
c x c x
其中 C1、C2 的解为:(注:待杨鹏辉给出,课本上没有给出求解过程和结果,2017-03-01)
3.4. 指数模型 y=ae
bx
指数模型 y=ae
bx
中的 a 和 b 可由下面公式决定。
将等式两边取对数,得
ln lny a bx
,令 Y=lny,套用线性模型,Y=C
1
+C
2
X,则 C1=lna,C2=b。
由 3.1 线性模型知,
1 2
C Y C x
,故
ln a Y bx
。
由于:
1
1
ln
m
k
k
Y y
m
,
1
1
m
k
k
x x
m
,
0
2
0
( )( )
2
( )
m
i i
i
m
i
i
x x y x
c
x x
。
又由于:C1=lna,C2=b,故:
1
2
1
( )( )
( )
m
k k
k
m
k
k
x x y Y
b
x x
,
1C
a e
,
1
C Y bx
。
剩余33页未读,继续阅读
资源评论
weixin_40779691
- 粉丝: 2
- 资源: 7
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功