码迷,mamicode.com
首页 > 其他好文 > 详细

最小二乘法多项式曲线拟合原理与实现

时间:2015-01-22 23:03:09      阅读:555      评论:0      收藏:0      [点我收藏+]

标签:


概念

最小二乘法多项式曲线拟合,依据给定的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

[原理部分由个人依据互联网上的资料进行总结,希望对大家能实用]

     给定数据点pi(xi,yi),当中i=1,2,…,m。求近似曲线y= φ(x)。而且使得近似曲线与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

     技术分享

     2.使偏差绝对值最大的最小

     技术分享

     3.使偏差平方和最小

     技术分享

     按偏差平方和最小的原则选取拟合曲线,而且採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:

          技术分享

     2. 各点到这条曲线的距离之和,即偏差平方和例如以下:

          技术分享

     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: 

          技术分享

          技术分享

                         .......

          技术分享

     4. 将等式左边进行一下化简,然后应该能够得到以下的等式:

          技术分享

          技术分享

                     .......

          技术分享


     5. 把这些等式表示成矩阵的形式,就能够得到以下的矩阵:

          技术分享

     6. 将这个范德蒙得矩阵化简后可得到:

          技术分享

     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,同一时候,我们也就得到了拟合曲线。

实现

执行前提:

  1. Python执行环境与编辑环境;
  2. Matplotlib.pyplot图形库,可用于高速绘制2D图表,与matlab中的plot命令类似,并且使用方法也基本同样。

代码:

# coding=utf-8

‘‘‘
作者:Jairus Chan
程序:多项式曲线拟合算法
‘‘‘
import matplotlib.pyplot as plt
import math
import numpy
import random

fig = plt.figure()
ax = fig.add_subplot(111)

#阶数为9阶
order=9

#生成曲线上的各个点
x = numpy.arange(-1,1,0.02)
y = [((a*a-1)*(a*a-1)*(a*a-1)+0.5)*numpy.sin(a*2) for a in x]
#ax.plot(x,y,color=‘r‘,linestyle=‘-‘,marker=‘‘)
#,label="(a*a-1)*(a*a-1)*(a*a-1)+0.5"

#生成的曲线上的各个点偏移一下,并放入到xa,ya中去
i=0
xa=[]
ya=[]
for xx in x:
	yy=y[i]
	d=float(random.randint(60,140))/100
	#ax.plot([xx*d],[yy*d],color=‘m‘,linestyle=‘‘,marker=‘.‘)
	i+=1
	xa.append(xx*d)
	ya.append(yy*d)

‘‘‘for i in range(0,5):
	xx=float(random.randint(-100,100))/100
	yy=float(random.randint(-60,60))/100
	xa.append(xx)
	ya.append(yy)‘‘‘

ax.plot(xa,ya,color=‘m‘,linestyle=‘‘,marker=‘.‘)


#进行曲线拟合
matA=[]
for i in range(0,order+1):
	matA1=[]
	for j in range(0,order+1):
		tx=0.0
		for k in range(0,len(xa)):
			dx=1.0
			for l in range(0,j+i):
				dx=dx*xa[k]
			tx+=dx
		matA1.append(tx)
	matA.append(matA1)

#print(len(xa))
#print(matA[0][0])
matA=numpy.array(matA)

matB=[]
for i in range(0,order+1):
	ty=0.0
	for k in range(0,len(xa)):
		dy=1.0
		for l in range(0,i):
			dy=dy*xa[k]
		ty+=ya[k]*dy
	matB.append(ty)
 
matB=numpy.array(matB)

matAA=numpy.linalg.solve(matA,matB)

#画出拟合后的曲线
#print(matAA)
xxa= numpy.arange(-1,1.06,0.01)
yya=[]
for i in range(0,len(xxa)):
	yy=0.0
	for j in range(0,order+1):
		dy=1.0
		for k in range(0,j):
			dy*=xxa[i]
		dy*=matAA[j]
		yy+=dy
	yya.append(yy)
ax.plot(xxa,yya,color=‘g‘,linestyle=‘-‘,marker=‘‘)

ax.legend()
plt.show()

执行效果: 

技术分享


本博客中全部的博文都为笔者(Jairus Chan)原创。

如需转载,请标明出处:http://blog.csdn.net/JairusChan

假设您对本文有不论什么的意见与建议,请联系笔者(JairusChan)。


最小二乘法多项式曲线拟合原理与实现

标签:

原文地址:http://www.cnblogs.com/mengfanrong/p/4242776.html

(0)
(0)
   
举报
评论 一句话评论(0
登录后才能评论!
© 2014 mamicode.com 版权所有  联系我们:gaon5@hotmail.com
迷上了代码!