曲线拟合方法
今天帮同学做了一个非线性函数的曲线拟合，以前没做过，所以是摸着石头过河。费了一下午时间，终于把曲线拟合出来了，顺道也学习了使用Matlab进行曲线拟合的方法，把学习所得记录下来，和大家共享。
一、单一变量的曲线逼近
Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。
假设我们要拟合的函数形式是y=A*x*x + B*x, 且A>0,B>0 。
1、在命令行输入数据：
》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；
》y=[5 10 15 20 25 30 35 40 45 50]；
2、启动曲线拟合工具箱
》cftool
3、进入曲线拟合工具箱界面“Curve Fitting tool”
（1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：
?Custom Equations：用户自定义的函数类型
?Exponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x) ?Fourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)
?Gaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
?Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
?Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
?Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
?Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
?Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
?Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)?Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)
选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待
估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。
（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，如下例：general model:
f(x) = a*x*x+b*x
Coefficients (with 95% confidence bounds):
a = 0.009194 (0.009019, 0.00937)
b = 1.78e-011 (fixed at bound)
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263
同时，也会在工具箱窗口中显示拟合曲线。
这样，就完成一次曲线拟合啦，十分方便快捷。当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。
不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。对于混合型的曲线，例如 y = a*x + b/x ，工具箱的拟合效果并不好。下一篇文章我介绍帮同学做的一个非线性函数的曲线拟合。
曲线拟合的方法及过程
一、课程设计题目： 对于函数 x e x x f --=)( 从00=x 开始，取步长1.0=h 的20个数据点，求五次最小二乘拟合多项式 5522105)()()()(x x a x x a x x a a x P -++-+-+= 其中 ∑ ===19 95.020 i i x x 二、原理分析 （1）最小二乘法的提法 当数据量大且由实验提供时，不宜要求近似曲线）（x y φ=严格地经过所有数据点),(i i y x ，亦即不应要求拟合函数）（x ?在i x 处的偏差（又称残差） i i i y x -=)(φδ (i=1,2,…,m) 都严格的等于零，但是，为了使近似曲线能尽量反应所给数据点的变化趋势，要求偏差i δ适当的小还是必要的，达到这一目标的途径很多，例如，可以通过使最大偏差i δmax 最小来实现，也可以通过使偏差绝对值之和∑i i δ最小来实 现……，考虑到计算方便等因素，通常用使得偏差平方和∑i i 2δ最小（成为最小 二乘原则）来实现。 按最小二乘原则选择近似函数的方法称为最小二乘法。 用最小二乘法求近似函数的问题可以归结为：对于给定数据),(i i y x (i=1,2,…,m)，要求在某个函数类Φ中寻求一个函数）（x * ?，使 [][]2 1 )(2 1 * )()(mi n ∑∑=Φ∈=-=-m i i i x m i i i y x y x ??? （1-1） 其中）（x ?为函数类Φ中任意函数。 （1）确定函数类Φ，即确定）（x ?的形式。这不是一个单纯的数学问题，还与其他领域的一些专业知识有关。在数学上，通常的做法是将数据点),(i i y x 描
曲线拟合最小二乘法c++程序
课题八曲线拟合的最小二乘法 实验目标： 在某冶炼过程中，通过实验检测得到含碳量与时间关系的数据如下，试求含碳量y与时间t #include 曲线拟合的数值计算方法实验 【摘要】实际工作中，变量间未必都有线性关系，如服药后血药浓度与时间的关系；疾病疗效与疗程长短的关系；毒物剂量与致死率的关系等常呈曲线关系。曲线拟合（curve fitting）是指选择适当的曲线类型来拟合观测数据，并用拟合的曲线方程分析两变量间的关系。曲线直线化是曲线拟合的重要手段之一。对于某些非线性的资料可以通过简单的变量变换使之直线化，这样就可以按最小二乘法原理求出变换后变量的直线方程，在实际工作中常利用此直线方程绘制资料的标准工作曲线，同时根据需要可将此直线方程还原为曲线方程，实现对资料的曲线拟合。常用的曲线拟合有最小二乘法拟合、幂函数拟合、对数函数拟合、线性插值、三次样条插值、端点约束。 关键词曲线拟合、最小二乘法拟合、幂函数拟合、对数函数拟合、线性插值、三次样条插值、端点约束 一、实验目的 1.掌握曲线拟合方式及其常用函数指数函数、幂函数、对数函数的拟合。 2.掌握最小二乘法、线性插值、三次样条插值、端点约束等。 3.掌握实现曲线拟合的编程技巧。 二、实验原理 1.曲线拟合 曲线拟合是平面上离散点组所表示的坐标之间的函数关系的一种数据处理方法。用解析表达式逼近离散数据的一种方法。在科学实验或社会活动中，通过实验或观测得到量x与y的一组数据对（X i，Y i)（i=1，2，...m），其中各X i 是彼此不同的。人们希望用一类与数据的背景材料规律相适应的解析表达式，y=f(x，c）来反映量x与y之间的依赖关系，即在一定意义下“最佳”地逼近或拟合已知数据。f(x，c)常称作拟合模型，式中c=(c1，c2，…c n)是一些待定参数。当c在f中线性出现时，称为线性模型，否则称为非线性模型。有许多衡量拟合优度的标准，最常用的一种做法是选择参数c使得拟合模型与实际观测值在各点 第11章曲线拟合与插值 在大量的应用领域中，人们经常面临用一个解析函数描述数据(通常是测量值)的任务。对这个问题有两种方法。在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。这种方法在下一节讨论。这里讨论的方法是曲线拟合或回归。人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。图11.1说明了这两种方法。标有'o'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。 11.1 曲线拟合 曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用许多不同的方法定义最佳拟合，并存在无穷数目的曲线。所以，从这里开始，我们走向何方？正如它证实的那样，当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为多项式时，那么曲线拟合是相当简捷的。数学上，称为多项式的最小二乘曲线拟合。如果这种描述使你混淆，再研究图11.1。虚线和标志的数据点之间的垂直距离是在该点的误差。对各数据点距离求平方，并把平方距离全加起来，就是误差平方和。这条虚线是使误差平方和尽可能小的曲线，即是最佳拟合。最小二乘这个术语仅仅是使误差平方和最小的省略说法。 图11.1 2阶曲线拟合 在MATLAB中，函数polyfit求解最小二乘曲线拟合问题。为了阐述这个函数的用法，让我们以上面图11.1中的数据开始。 ? x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1]; ? y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; 为了用polyfit，我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的阶次或度。如果我们选择n=1作为阶次，得到最简单的线性近似。通常称为线性回归。相反，如果我们选择n=2作为阶次，得到一个2阶多项式。现在，我们选择一个2阶多项式。 ? n=2; % polynomial order ? p=polyfit(x, y, n) p = -9.8108 20.1293 -0.0317 polyfit的输出是一个多项式系数的行向量。其解是y = －9.8108x2＋20.1293x－0.0317。为了将曲线拟合解与数据点比较，让我们把二者都绘成图。 Boltzmann 函数曲线拟合的Lisp 程序 1 原程序在计算机中，将以下原代码写入记事本中并保存文件名为“bzlm.lsp” (setq smx (lambda ( / k wi a1 a2 b1 b2 c1 c2 sx) (setq wi (mapcar '(lambda ( x / ) (expt 2.718282 (/ (- x m3) m4))) xi) k 0 a1 (apply '+ (mapcar '(lambda ( y / w) (setq w (nth k wi) k (1+ k)) (/ y (+ 1 w))) yi)) k 0 a2 (apply '+ (mapcar '(lambda ( y / w) (setq w (nth k wi) k (1+ k)) (/ (* y w) (+ 1 w))) yi)) b1 (apply '+ (mapcar '(lambda ( w / ) (/ 1 (expt (+ 1 w) 2))) wi)) b2 (apply '+ (mapcar '(lambda ( w / ) (/ w (expt (+ 1 w) 2))) wi)) c1 b2 c2 (apply '+ (mapcar '(lambda ( w / ) (expt (/ w (+ 1 w)) 2)) wi)) m1 (/ (- (* a1 c2) (* a2 c1)) (- (* b1 c2) (* b2 c1))) m2 (/ (- (* b1 a2) (* b2 a1)) (- (* b1 c2) (* b2 c1))) k 0 sx (apply '+ (mapcar '(lambda ( x / y w) (setq w (nth k wi) y (nth k yi) k (1+ k)) (expt (- y (+ (/ (- m1 m2) (+ 1 w)) m2)) 2)) xi)) ) (if (car s_min) (if (< sx (car s_min)) (setq s_min (list sx m1 m2 m3 m4)) nil) (setq s_min (list sx m1 m2 m3 m4))) ) ) (setq mmc (lambda (range / m1 m2 s_min m3 m4 rm3 rm4 tm4 q3 q4) (setq rm3 (abs range) rm4 rm3 q3 rm3 q4 rm4 m3 0 m4 0) (repeat 5 (setq rm3 (+ m3 q3) m3 (- m3 q3) rm4 (+ m4 q4) m4 (- m4 q4) tm4 m4 q3 (* q3 0.1) q4 (* q4 0.1)) (while (<= m3 rm3) (while (<= m4 rm4) (if (>= m4 1) (smx)) (setq m4 (+ m4 q4))) (setq m3 (+ m3 q3) m4 tm4) ) (setq m3 (nth 3 s_min) m4 (last s_min)) ) s_min ) ) (setq cy (lambda ( / m1 m2 m3 m4) (if sc (progn (setq m1 (nth 1 sc) m2 (nth 2 sc) m3 (nth 3 sc) m4 (nth 4 sc) yc (+ (/ (- m1 m2) (+ 1 (expt 2.718282 (/ (- xc m3) m4)))) m2) ) (set_tile "cy" (vl-princ-to-string yc)) )))) (setq cx (lambda ( / m1 m2 m3 m4 tm) (if sc (progn (setq m1 (nth 1 sc) m2 (nth 2 sc) m3 (nth 3 sc) m4 (nth 4 sc)) (if (and (< y m2) (> (setq tm (- (/ (- m1 m2) (- yc m2)) 1)) 0)) (progn (setq xc (+ m3 (* m4 (log tm)))) 曲线拟合 求二次拟合多项式 解：（一）最小二乘法MA TLAB编程： function p=least_squar(x,y,n,w) if nargin<4 w=1 end if nargin<3 n=1 end m=length(y); X=ones(1,m) if m<=n error end for i=1:n X=[(x.^i);X] end A=X*diag(w)*X';b=X*(w.*y)';p=(A\b)' 输入： x=[1 3 5 6 7 8 9 10]; y=[10 5 2 1 1 2 3 4] p=least_squar(x,y,2) 运行得： p = 0.2763 -3.6800 13.4320 故所求多项式为：s(x)=13.432-3.68x+0.27632x （二）正交多项式拟合MATLAB编程： function p=least_squar2(x,y,n,w) if nargin<4 w=1; end if nargin<3 n=1; end m=length(x); X=ones(1,m); if m<=n error end for i=1:n X=[x.^i;X]; end A=zeros(1,n+1); A(1,n+1)=1; a=zeros(1,n+1); z=zeros(1,n+1); for i=1:n phi=A(i,:)*X;t=sum(w.*phi.*phi); b=-sum(w.*phi.*x.*phi)/t a(i)=sum(w.*y.*phi)/t; if i==1 c=0;else c=-t/t1; end t1=t for j=1:n z(j)=A(i,j+1); end z(n+1)=0 if i==1 z=z+b*A(i,:); else z=z+b*A(i,:)+c*A(i-1,:); end A=[A;z]; end phi=A(n+1,:)*X;t=sum(w.*phi.*phi); a(n+1)=sum(w.*y.*phi)/t; p=a*A; 输入： x=[1 3 5 6 7 8 9 10]; y=[10 5 2 1 1 2 3 4]; p=least_squar2(x,y,2) 运行得： b = -6.1250 t1 = 8 z = 0 1 0 b = -4.9328 t1 = 64.8750 z = 1.0000 -6.1250 0 p = 0.2763 -3.6800 13.4320 故所求多项式为：s(x)=13.432-3.68x+0.27632x ^ #include<> #include<> void nihe(); void gs(); void main() { int i,j,m,n; float o[50]; \ float x[50] , y[50] ,a[50][50]; printf("输入数据节点数 n = ",n); scanf("%d",&n); for( i=1;i<=n;i++) { printf(" i = %d\n",i); } printf("各节点的数据 x[i] \n"); 、 for(i=1;i<=n;i++) { printf("x[%d] = ",i); scanf("%f",&x[i]); } printf("各节点的数据 y[i] \n"); for(i=1;i<=n;i++) { ￥ printf("y[%d] = ",i); scanf("%f",&y[i]); } printf("\n"); printf("拟合的多项式次数 m = ", m); scanf("%d",&m); ￥ } void nihe(float x[50], float y[50], int m ,int n) { int i,j,k=0,c=1,w=1; float f,a[50][50] , o[50];; ~ do { f=0; for(i=1;i<=n;i++) { f=f+pow( x[i] , k)*pow( x[i] , k); } … a[c][c]=f ; a[c+1][c-1]=f; a[c-1][c+1]=f; c++; k++; }while(k<=m); , k=1;c=1; do { f=0; for(i=1;i<=n;i++) { f=f+pow( x[i] , k); } * a[c+1][c]=f; a[c][c+1]=f; c++; k++; k++; }while(k<=m+1); ) k=0;c=1; do { f=0; for(i=1;i<=n;i++) o r i g i n两条曲线拟合步 骤 集团标准化工作小组 #Q8QGGQT-GX8G08Q8-GNQGJ8-MHHGN# 以英文版origin75为例： 首先是输入数据（以两个拟合曲线为例）： 一、在origin里面增加两列：点击鼠标右键，选择add new column， 二、选择C列，并将 其设为X（点击鼠标 右键选择） 三、从excel表格中选择需要的数据复制过来 然后是曲线拟合: 一、画散点图 全选数据后点击表格左下角的散点符号即可画出散点图 二、断开两组数据的关联 任选一点，双击，将dependent改为independent 三、第一条曲线拟合 单击最小梯度数据点，然后选择analysis→fit exponential decay→ first order 这样第一条线就拟合出来了 四、第二条曲线拟合 拟合之前需要将第一条线的拟合方程剪切，因为直接拟合第二条会将第 一条曲线方程覆盖 先选择需要拟合的数据，选择data→2g1 data1:C(X),D(Y) 然后依旧是analysis→fit exponential decay→first order，然后将剪切的方程粘贴上去，这样两个方程 然后双击进行修 改。 去掉方程的文本框：鼠标放在文本框上，右键→properties→选择none即可 增加图名，右键add text即可。 最后是输出图件 一、输出图片格式 二、输出工程文件 file→export page file→save project as 单曲线拟合在输入数据的时候不需要增加列数，直接输入，然后拟合即可。 带有异常值的数据在输入时就要再增加两列输入异常值，并将其中一列设置为X，然后和两条曲线一样进行拟合即可。 MATLAB机械工程 最小二乘法曲线拟合的应用实例 班级: 姓名: 学号: 指导教师: 一，实验目的 通过Matlab上机编程，掌握利用Matlab软件进行数据拟合分析及数据可视化方法 二，实验内容 1.有一组风机叶片的耐磨实验数据，如下表所示，其中X为使用时间，单位为小时h，Y为磨失质量，单位为克g。要求： 对该数据进行合理的最小二乘法数据拟合得下列数据。 x=[10000 11000 12000 13000 14000 15000 16000 17000 18000 19000 2 0000 21000 22000 23000]; y=[24.0 26.5 29.8 32.4 34.7 37.7 41.1 42.8 44.6 47.3 65.8 87.5 137.8 174. 2] 三，程序如下 X=10000:1000:23000; Y=[24.0,26.5,29.8,32.4,34.7,37.7,41.1,42.8,44.6,47.3,65.8,87.5,137.8,17 4.2] dy=1.5; %拟合数据y的步长for n=1:6 [a,S]=polyfit(x,y,n); A{n}=a; da=dy*sqrt(diag(inv(S.R′*S.R))); Da{n}=da′; freedom(n)=S.df; [ye,delta]=polyval(a,x,S); YE{n}=ye; D{n}=delta; chi2(n)=sum((y-ye).^2)/dy/dy; end Q=1-chi2cdf(chi2,freedom); %判断拟合良好度 clf,shg subplot(1,2,1),plot(1：6,abs(chi2-freedom),‘b’) xlabel(‘阶次’)，title(‘chi2与自由度’) subplot(1,2,2),plot(1：6,Q,‘r’,1：6,ones(1,6)*0.5) xlabel(‘阶次’),title(‘Q与0.5线’) nod=input(‘根据图形选择适当的阶次（请输入数值）’)； elf,shg, plot(x,y,‘kx’)；xlabel(‘x’),ylabel(‘y’)； axis([8000,23000,20.0,174.2])；hold on errorbar(x,YE{nod},D{nod},‘r’)；hold off title(‘较适当阶次的拟合’) text(10000,150.0,[‘chi2=’num2str(chi2(nod))‘~’int2str(freedom(nod))]) 曲线拟合及其应用综述 摘要：本文首先分析了曲线拟合方法的背景及在各个领域中的应用，然后详细介绍了曲线拟合方法的基本原理及实现方法，并结合一个具体实例，分析了曲线拟合方法在柴油机故障诊断中的应用，最后对全文内容进行了总结，并对曲线拟合方法的发展进行了思考和展望。 关键词：曲线拟合最小二乘法故障模式识别柴油机故障诊断 1背景及应用 在科学技术的许多领域中，常常需要根据实际测试所得到的一系列数据，求出它们的函数关系。理论上讲，可以根据插值原则构造n 次多项式Pn(x)，使得Pn(x)在各测试点的数据正好通过实测点。可是, 在一般情况下，我们为了尽量反映实际情况而采集了很多样点，造成了插值多项式Pn(x)的次数很高，这不仅增大了计算量，而且影响了函数的逼近程度；再就是由于插值多项式经过每一实测样点，这样就会保留测量误差，从而影响逼近函数的精度，不易反映实际的函数关系。因此，我们一般根据已知实际测试样点，找出被测试量之间的函数关系，使得找出的近似函数曲线能够充分反映实际测试量之间的关系，这就是曲线拟合。 曲线拟合技术在图像处理、逆向工程、计算机辅助设计以及测试数据的处理显示及故障模式诊断等领域中都得到了广泛的应用。 2 基本原理 2.1 曲线拟合的定义 解决曲线拟合问题常用的方法有很多，总体上可以分为两大类：一类是有理论模型的曲线拟合，也就是由与数据的背景资料规律相适应的解析表达式约束的曲线拟合；另一类是无理论模型的曲线拟合，也就是由几何方法或神经网络的拓扑结构确定数据关系的曲线拟合。 2.2 曲线拟合的方法 解决曲线拟合问题常用的方法有很多，总体上可以分为两大类：一类是有理论模型的曲线拟合，也就是由与数据的背景资料规律相适应的解析表达式约束的曲线拟合；另一类是无理论模型的曲线拟合，也就是由几何方法或神经网络的拓扑结构确定数据关系的曲线拟合。 2.2.1 有理论模型的曲线拟合 有理论模型的曲线拟合适用于处理有一定背景资料、规律性较强的拟合问题。通过实验或者观测得到的数据对（x i,y i）（i=1,2, …,n），可以用与背景资料规律相适应的解析表达式y=f(x,c)来反映x、y之间的依赖关系，y=f(x,c)称为拟合的理论模型，式中c=c0,c1,…c n是待定参数。当c在f中线性出现时，称为线性模型，否则称为非线性模型。有许多衡量拟合优度的标准，最常用的方法是最小二乘法。 2.2.1.1 线性模型的曲线拟合 线性模型中与背景资料相适应的解析表达式为： ε β β+ + =x y 1 （1） 式中，β0，β1未知参数，ε服从N(0，σ2)。 将n个实验点分别带入表达式（1）得到： i i i x yε β β+ + = 1 （2） 式中i=1,2,…n，ε1, ε2,…, εn相互独立并且服从N(0，σ2)。 根据最小二乘原理，拟合得到的参数应使曲线与试验点之间的误差的平方和达到最小，也就是使如下的目标函数达到最小： 2 1 1 ) ( i i n i i x y Jε β β- - - =∑ = （3） 将试验点数据点入之后，求目标函数的最大值问题就变成了求取使目标函数对待求参数的偏导数为零时的参数值问题，即： ) ( 2 1 1 = - - - - = ? ?∑ = i i n i i x y J ε β β β （4） SPSS 10.0高级教程十二：多元线性回归与曲线拟合 回归分析是处理两个及两个以上变量间线性依存关系的统计方法。在医学领域中，此类问题很普遍，如人头发中某种金属元素的含量与血液中该元素的含量有关系，人的体表面积与身高、体重有关系；等等。回归分析就是用于说明这种依存变化的数学关系。 §10.1Linear过程 10.1.1 简单操作入门 调用此过程可完成二元或多元的线性回归分析。在多元线性回归分析中，用户还可根据需要，选用不同筛选自变量的方法（如：逐步法、向前法、向后法，等）。 例10.1：请分析在数据集Fat surfactant.sav中变量fat对变量spovl的大小有无影响？ 显然，在这里spovl是连续性变量，而fat是分类变量，我们可用用单因素方差分析来解决这个问题。但此处我们要采用和方差分析等价的分析方法--回归分析来解决它。 回归分析和方差分析都可以被归入广义线性模型中，因此他们在模型的定义、计算方法等许多方面都非常近似，下面大家很快就会看到。 这里spovl是模型中的因变量，根据回归模型的要求，它必须是正态分布的变量才可以，我们可以用直方图来大致看一下，可以看到基本服从正态，因此不再检验其正态性，继续往下做。 10.1.1.1 界面详解 在菜单中选择Regression==>liner，系统弹出线性回归对话框如下： 除了大家熟悉的内容以外，里面还出现了一些特色菜，让我们来一一品尝。 【Dependent框】 用于选入回归分析的应变量。 【Block按钮组】 由Previous和Next两个按钮组成，用于将下面Independent框中选入的自变量分组。由于多元回归分析中自变量的选入方式有前进、后退、逐步等方法，如果对不同的自变量选入的方法不同，则用该按钮组将自变量分组选入即可。下面的例子会讲解其用法。 【Independent框】 用于选入回归分析的自变量。 一种分段曲线拟合方法研究 摘要：分段曲线拟合是一种常用的数据处理方法，但在分段点处往往不能满足连续与光滑.针对这一问题，本文给出了一种能使分段点处连续的方法.该方法首先利用分段曲线拟合对数据进行处理；然后在相邻两段曲线采用两点三次Hermite插值的方法，构造一条连结两条分段曲线的插值曲线，从而使分段点处满足一阶连续.最后通过几个实例表明该方法简单、实用、效果较好. 关键词：分段曲线拟合Hermite插值分段点连续 Study on A Method of Sub-Curve Fitting Abstract：Sub-curve fitting is a commonly used processing method of data, but at sub-points it often does not meet the continuation and smooth, in allusion to to solve this problem, this paper presents a way for making sub-point method continuous. Firstly, this method of sub-curve fitting deals with the data; and then uses the way of t wo points’ cubic Hermite interpolation in the adjacent, structures a interpolation curve that links the two sub-curves, so the sub-point meets first-order continuation; lastly, gives several examples shows that this method is simple, practical and effective. Key words:sub-curve fitting Hermite interpolation sub-point continuous 概念 最小二乘法多项式曲线拟合，根据给定的m个点,并不要求这条曲线精确地经过这些点，而是曲线y=f(x)的近似曲线y= φ(x)。 原理 [原理部分由个人根据互联网上的资料进行总结，希望对大家能有用] 给定数据点pi(xi,yi)，其中i=1,2,…,m。求近似曲线y= φ(x)。并且使得近似曲线与y=f(x)的偏差最小。近似曲线在点pi处的偏差δi= φ(xi)-y，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 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： 2. 各点到这条曲线的距离之和，即偏差平方和如下： 3. 为了求得符合条件的a值，对等式右边求ai偏导数，因而我们得到了： ....... 4. 将等式左边进行一下化简，然后应该可以得到下面的等式： ....... 5. 把这些等式表示成矩阵的形式，就可以得到下面的矩阵： 6. 将这个范德蒙得矩阵化简后可得到: 7. 也就是说X*A=Y，那么A = (X'*X)-1*X'*Y，便得到了系数矩阵A，同时，我们也就得到了拟合曲线。 实现 运行前提: 1. Python运行环境与编辑环境； 2. Matplotlib.pyplot图形库，可用于快速绘制2D图表，与matlab中的plot 命令类似，而且用法也基本相同。 代码: [python]view plain copy 1.# coding=utf-8 2. 3.''''' 4.作者:Jairus Chan 5.程序:多项式曲线拟合算法 6.''' 7.import matplotlib.pyplot as plt 8.import math 9.import numpy 10.import random 11. 12.fig = plt.figure() 13.ax = fig.add_subplot(111) 14. 15.#阶数为9阶 16.order=9 17. 18.#生成曲线上的各个点 19.x = numpy.arange(-1,1,0.02) 20.y = [((a*a-1)*(a*a-1)*(a*a-1)+0.5)*numpy.sin(a*2) for a in x] 21.#ax.plot(x,y,color='r',linestyle='-',marker='') 22.#,label="(a*a-1)*(a*a-1)*(a*a-1)+0.5" 23. 24.#生成的曲线上的各个点偏移一下，并放入到xa,ya中去 25.i=0 26.xa=[] 27.ya=[] 28.for xx in x: 29. yy=y[i] 30. d=float(random.randint(60,140))/100 31.#ax.plot([xx*d],[yy*d],color='m',linestyle='',marker='.') 32. i+=1 33. xa.append(xx*d) 34. ya.append(yy*d) 35. 36.'''''for i in range(0,5): 37. xx=float(random.randint(-100,100))/100 38. yy=float(random.randint(-60,60))/100 39. xa.append(xx) 40. ya.append(yy)''' 41. 42.ax.plot(xa,ya,color='m',linestyle='',marker='.') 43. 44. 45.#进行曲线拟合 46.matA=[] 47.for i in range(0,order+1): 曲线拟合方法概述 工业设计张静1014201056 引言：在现代图形造型技术中，曲线拟合是一个重要的部分，是曲面拟合的基础。现着重对最小二乘法、移动最小二乘法、NURBS 三次曲线拟合法和基于RBF 曲线拟合法进行 比较，论述这几种方法的原理及其算法，基于实例分析了上述几种拟合方法的特性，以分析拟合方法的适用场合，从而为图形造型中曲线拟合的方法选用作出更好的选择。 1 曲线拟合的概念 在许多对实验数据处理的问题中，经常需要寻找自变量和对应因变量之间的函数关系，有的变量关系可以根据问题的物理背景，通过理论推导的方法加以求解，得到相应关系式。但绝大多数的函数关系却很复杂，不容易通过理论推导得到相关的表达式，在这种情况下，就需要采用曲线拟合的方法来求解变量之间的函数关系式。 曲线拟合(Curve Fitting) ，是用连续曲线近似地刻画或比拟平面上离散点组所表示的坐标之问的函数关系的一种数据处理方法。在科学实验或社会活动中，通过实验或观测得到量x与y的一组数据对(X i,y i), i=1 , 2, 3…，m，其中各X i是彼此不同的。人们希望用一类与数据的规律相吻合的解析表达式y=f(x)来反映量x与y之间的依赖关系。即在一定意义下“最佳”地逼近或拟合已知数据。f(x)称作拟合函数，似的图 像称作拟合曲线。 2 曲线拟合的方法 2.1 最小二乘法 最小二乘法通过最小化误差的平方和寻找数据的最佳函数匹配，是进行曲线拟合的一种早期使用的方法一般最小二乘法的拟合函数是一元二次，可一元多次，也可多元多次。该方法是通过求出数据点到拟合函数的距离和 最小的拟合函数进行拟合的方法令f(x)=ax 2+bx+c ，计算数据点到该函数 所表示的曲线的距离和最小即： 曲线拟合——最小二乘法算法 一、目的和要求 1）了解最小二乘法的基本原理，熟悉最小二乘算法； 2）掌握最小二乘进行曲线拟合的编程，通过程序解决实际问题。 二、实习内容 1）最小二乘进行多项式拟合的编程实现。 2）用完成的程序解决实际问题。 三、算法 1）输入数据节点数n ，拟合的多项式次数m ，循环输入各节点的数据x j , y j (j=0,1,…,n-1) 2）由x j 求S ；由x j ,y j 求T ： S k = ∑-=10n j k j x ( k=0,1,2, … 2*m ) T k = ∑-=1 0n j k j j x y ( k=0,1,2,… m ) 3）由S 形成系数矩阵数组c i,j ：c[i][j]=S[i+j] (i=0,1,2,…m, j=0,1,2,…,m)；由T 形成系数矩阵增广部分c i,m+1：c[i][m+1]=T[i] (i=0,1,2,…m) 4）对线性方程组CA=T[或A C ]，用列主元高斯消去法求解系数矩阵A=(a 0,a 1,…,a m )T 四、实验步骤 1）完成最小二乘法进行曲线拟合的程序设计及录入、编辑； 2）完成程序的编译和链接，并进行修改； 3）用书上P105例2的例子对程序进行验证，并进行修改； 4）用完成的程序求解下面的实际问题。 5）完成实验报告。 五、实验结果 1. 经编译、链接及例子验证结果正确的源程序： #include 曲线拟合的数值计算方 法实验 Document serial number【UU89WT-UU98YT-UU8CB-UUUT-UUT108】 曲线拟合的数值计算方法实验 【摘要】实际工作中，变量间未必都有线性关系，如服药后血药浓度与时间的关系；疾病疗效与疗程长短的关系；毒物剂量与致死率的关系等常呈曲线关系。曲线拟合（curve fitting）是指选择适当的曲线类型来拟合观测数据，并用拟合的分析两变量间的关系。曲线直线化是曲线拟合的重要手段之一。对于某些非线性的资料可以通过简单的变量变换使之直线化，这样就可以按原理求出变换后变量的，在实际工作中常利用此直线方程绘制资料的标准工作曲线，同时根据需要可将此直线方程还原为，实现对资料的曲线拟合。常用的曲线拟合有最小二乘法拟合、幂函数拟合、对数函数拟合、线性插值、三次样条插值、端点约束。 关键词曲线拟合、最小二乘法拟合、幂函数拟合、对数函数拟合、线性插值、三次样条插值、端点约束 一、实验目的 1.掌握曲线拟合方式及其常用函数指数函数、幂函数、对数函数的拟合。 2.掌握最小二乘法、线性插值、三次样条插值、端点约束等。 3.掌握实现曲线拟合的编程技巧。 二、实验原理 1.曲线拟合 曲线拟合是平面上离散点组所表示的坐标之间的函数关系的一种数据处理方法。用解析表达式逼近的一种方法。在或社会活动中，通过实验或观测得到量x 与y 的一组数据对（X i ，Y i )（i=1，2，...m ），其中各X i 是彼此不同的 。人们希望用一类与数据的背景材料规律相适应的解析表达式，y=f(x ，c ）来反映量x 与y 之间的依赖关系，即在一定意义下“最佳”地逼近或拟合已知数据。f(x ，c)常称作拟合模型 ，式中c=(c 1，c 2，…c n )是一些待定参数。当c 在f 中出现时，称为线性模型，否则称为。有许多衡量拟合优度的标准，最常用的一种做法是选择参数c 使得拟合模型与实际在各点的(或)，c）-f （f y e k k k 的平方和达到最小，此时所求曲线称作在加权最小二乘意义下对数据的拟合曲线。有许多求解拟合曲线的成功方法，对于线性模型一般通过建立和求解来确定参数，从而求得拟合曲线。至于，则要借助求解非线性方程组或用最优化方法求得所需参数才能得到拟合曲线，有时称之为非线性。 曲线拟合：与路径转化时的误差。值越大，误差越大；值越小，越精确。 2.最小二乘法拟合： 曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据 },...2,1,0),,{(m i y x i i =求一个近似的函数)(x ?来拟合这组数据， 要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ?最好地逼近()x f ，而不必满足插值原则。因此没必要取)(i x ?=i y ，只要使i i i y x -=)(?δ尽可能地小）。 原理： 给定数据点},...2,1,0),,{(m i y x i i =。求近似曲线)(x ?。并且使得近似曲线与()x f 的偏差最小。近似曲线在该点处的偏差i i i y x -=)(?δ，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： k k x a x a a x +++=...)(10? 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0a ...k a 对等式右边求i a 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 ，便得到了系数矩阵A ，同时，我们也就得到了拟合曲线。 MATLAB实现： MATLAB提供了polyfit（）函数命令进行最小二乘曲线拟合。 调用格式：p=polyfit(x,y,n) [p,s]= polyfit(x,y,n) [p,s,mu]=polyfit(x,y,n) x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。x 必须是单调的。矩阵s包括R（对x进行QR分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。 [p,s,mu]=polyfit(x,y,n)在拟合过程中，首先对x进行数据标准化处理，以在拟合中消除量纲等影响，mu包含标准化处理过程中使用的x的均值和标准差。polyval( )为多项式曲线求值函数，调用格式：y=polyval(p,x) [y,DELTA]=polyval(p,x,s) y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。 [y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA 将至少包含50%的预测值。 如下给定数据的拟合曲线： x=[0.5,1.0,1.5,2.0,2.5,3.0]， y=[1.75,2.45,3.81,4.80,7.00,8.60]。 解：MATLAB程序如下： x=[0.5,1.0,1.5,2.0,2.5,3.0]; y=[1.75,2.45,3.81,4.80,7.00,8.60]; p=polyfit(x,y,2) x1=0.5:0.05:3.0; y1=polyval(p,x1); plot(x,y,'*r',x1,y1,'-b') 运行结果如图1 计算结果为： p =0.5614 0.8287 1.1560 即所得多项式为y=0.5614x^2+0.08287x+1.15560 m a t l a b实现插值法和 曲线拟合 插值法和曲线拟合 电子科技大学 摘要：理解拉格朗日多项式插值、分段线性插值、牛顿前插，曲线拟合，用matlab编程求解函数，用插值法和分段线性插值求解同一函数，比较插值余项；用牛顿前插公式计算函数，计算函数值；对于曲线拟 合，用不同曲线拟合数据。 关键字：拉格朗日插值多项式；分段线性插值；牛顿前插；曲线拟合 引言： 在数学物理方程中，当给定数据是不同散点时，无法确定函数表达式，求解函数就需要很大的计算量，我们有多种方法对给定的表格函数进行求解，我们这里，利用插值法和曲线拟合对函数进行求解，进一步了解函数性质，两种方法各有利弊，适合我们进行不同的散点函数求解。 正文： 一、插值法和分段线性插值 1拉格朗日多项式原理 对某个多项式函数，已知有给定的k + 1个取值点： 其中对应着自变量的位置，而对应着函数在这个位置的取值。 假设任意两个不同的x j都互不相同，那么应用拉格朗日插值公式所得到的拉格朗日插值多项式为： 其中每个为拉格朗日基本多项式（或称插值基函数），其表达式为： [3] 拉格朗日基本多项式的特点是在上取值为1，在其它的点 上取值为0。 2分段线性插值原理 给定区间[a,b], 将其分割成a=x 0 曲线拟合的数值计算方法实验
曲线拟合与插值理论与实例
Boltzmann 函数曲线拟合的 Lisp 程序
matlab曲线拟合实例
曲线拟合C语言程序
origin两条曲线拟合步骤
Matlab最小二乘法曲线拟合的应用实例
1、曲线拟合及其应用综述
SPSS 10.0高级教程十二：多元线性回归与曲线拟合
一种分段曲线拟合方法研究
python曲线拟合原理代码
曲线拟合方法浅析
曲线拟合——最小二乘法算法
曲线拟合的数值计算方法实验
最小二乘法曲线拟合_原理及matlab实现
matlab实现插值法和曲线拟合电子教案