最小二乘法多项式曲线拟合原理与实现

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:

 1     # coding=utf-8  
 2       
 3     ''''' 
 4     程序:多项式曲线拟合算法 
 5     '''  
 6     import matplotlib.pyplot as plt  
 7     import math  
 8     import numpy  
 9     import random  
10       
11     fig = plt.figure()  
12     ax = fig.add_subplot(111)  
13       
14     #阶数为9阶  
15     order=9  
16       
17     #生成曲线上的各个点  
18     x = numpy.arange(-1,1,0.02)  
19     y = [((a*a-1)*(a*a-1)*(a*a-1)+0.5)*numpy.sin(a*2) for a in x]  
20     #ax.plot(x,y,color='r',linestyle='-',marker='')  
21     #,label="(a*a-1)*(a*a-1)*(a*a-1)+0.5"  
22       
23     #生成的曲线上的各个点偏移一下，并放入到xa,ya中去  
24     i=0  
25     xa=[]  
26     ya=[]  
27     for xx in x:  
28         yy=y[i]  
29         d=float(random.randint(60,140))/100  
30         #ax.plot([xx*d],[yy*d],color='m',linestyle='',marker='.')  
31         i+=1  
32         xa.append(xx*d)  
33         ya.append(yy*d)  
34       
35     '''''for i in range(0,5): 
36         xx=float(random.randint(-100,100))/100 
37         yy=float(random.randint(-60,60))/100 
38         xa.append(xx) 
39         ya.append(yy)'''  
40       
41     ax.plot(xa,ya,color='m',linestyle='',marker='.')  
42       
43       
44     #进行曲线拟合  
45     matA=[]  
46     for i in range(0,order+1):  
47         matA1=[]  
48         for j in range(0,order+1):  
49             tx=0.0  
50             for k in range(0,len(xa)):  
51                 dx=1.0  
52                 for l in range(0,j+i):  
53                     dx=dx*xa[k]  
54                 tx+=dx  
55             matA1.append(tx)  
56         matA.append(matA1)  
57       
58     #print(len(xa))  
59     #print(matA[0][0])  
60     matA=numpy.array(matA)  
61       
62     matB=[]  
63     for i in range(0,order+1):  
64         ty=0.0  
65         for k in range(0,len(xa)):  
66             dy=1.0  
67             for l in range(0,i):  
68                 dy=dy*xa[k]  
69             ty+=ya[k]*dy  
70         matB.append(ty)  
71        
72     matB=numpy.array(matB)  
73       
74     matAA=numpy.linalg.solve(matA,matB)  
75       
76     #画出拟合后的曲线  
77     #print(matAA)  
78     xxa= numpy.arange(-1,1.06,0.01)  
79     yya=[]  
80     for i in range(0,len(xxa)):  
81         yy=0.0  
82         for j in range(0,order+1):  
83             dy=1.0  
84             for k in range(0,j):  
85                 dy*=xxa[i]  
86             dy*=matAA[j]  
87             yy+=dy  
88         yya.append(yy)  
89     ax.plot(xxa,yya,color='g',linestyle='-',marker='')  
90       
91     ax.legend()  
92     plt.show()

运行效果: 

 

 

 

本文参考自http://blog.csdn.net/JairusChan

posted @ 2017-05-10 23:30  Angel_Kitty  阅读(1720)  评论(0)  编辑  收藏  举报