数值分析上机作业.docx
《数值分析上机作业.docx》由会员分享，可在线阅读，更多相关《数值分析上机作业.docx（7页珍藏版）》请在冰豆网上搜索。
数值分析上机作业
数值分析上机作业
Documentserialnumber[UU89WT-UU98YT-UU8CB-UUUT-UUT108]
告报验实
析上机
题：
曲线拟合的最小二乘法
ff:
血口『乳分弦
选指专学姓
课题八曲线拟合的最小二乘法
一、问题提出
从随机的数据中找出其规律性，给出其近似表达式的问题，在生产
实践和科学实验中大量存在，通常利用数据的最小二乘法求得拟合曲线。
在某冶炼过程中，根据统计数据的含碳量与时间关系，试求含碳量y与时间t的拟合曲线。
t（分）
05
55
1015
20
2530
3540
45
50
y（X10_
4）
0
二、要求
1、用最小二乘法进行曲线拟合；
2、近似解析表达式为＜p（t）=alt+a2t2；
3、打印出拟合函数沁），并打印出0（E与血）的误差,円,2,…,12；
4、另外选取一个近似表达式，尝试拟合效果的比较；
5、*绘制出曲线拟合图
三、目的和意义
1、掌握曲线拟合的最小二乘法；
2、最小二乘法亦可用于解超定线代数方程组；
3、探索拟合函数的选择与拟合精度间的关系。
四、计算公式对于给定的测量数据g,fMi二1,2,…,勿，设函数分布为
特别的,取冏（X）为多项式
（p,（x）=xj（丿=01,…,ni）
则根据最小二乘法原理，可以构造泛函
令
—=0（k=0,1,…,ni）
dak
则可以得到法方程
求该解方程组，则可以得到解5,绚,…，冷，因此可得到数据的最小二乘解
曲线拟合：
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。
五、结构程序设计
在程序结构方面主要是按照顺序结构进行设计，在进行曲线的拟合时，为了进行比较，在程序设计中，直接调用了最小二乘法的拟合函数polyfit,并且依次调用了plot、figure^holdon函数进行图象的绘制，最后调用了一个绝对值函数abs用于计算拟合函数与原有数据的误差，进行拟合效果的比较。
用一元三次多项式+进行拟合
计算解析表达式系数：
al,a2,a3
t二[0510152025303540455055];
>>n=length（xi）;
f=.*10.'（-4）*x.*10.'（-3）*x."2+.*x+;
x=0:
:
55;
F=.*10.°（-4）*x.\*10."（-3）*x."2+.*x+;
fy二abs（f-y）;
fy2=fy.°2;Ew=max（fy）,El二sum（fy）/n,E2=sqrt（（sum（fy2））/n）
plot（xi,y,?
t*）holdon,plot（t,F,'b-）holdoff
所得函数为=034364X10-4r3-5.2156X10~3r2+0.2634/+0.013839
运行后屏幕显示数据（""J与拟合函数f的最大误差Ew,平均误差E1和均方根误差E2及其数据点（兀，儿）和拟合曲线y=f（x）的图形如图.
Ew=
El=
E2=
图一元三次多项式拟合曲线误差图
用一元四次多项式计算多项式系数：
a”a：
a3,a】
xi=[0510152025303540455055];
y=[0]；
n=length（xi）;
x=0:
:
55;
x=0:
:
55;
F=.*10.'（-6）*x.\*10.'（-4）*x.*x."2+.*x+;
fy=abs（f-
y）;fy2=fy.2;Ew=max（fy）,El=sum（fy）/n,E2=sqrt（（sum（fy2））/n）
plot（xi,y,?
r*）holdon,plot（x,F,*b-'）,holdoff
所得函数为
0（t）=0.6026X10V-0.31918X10-4/3-2.9323x10_3r2+0.23807/+0.060449运行后屏幕显示数据隨‘）与拟合函数f的最大误差Ew,平均误差
E1和均方根误差E2及其数据点（"）'「）和拟合曲线y=f（x）的图形如图。
Ew=
El=、
E2=
图一元四次多项式拟合曲线误差图
用一元二次多项式酬）=角+%+"进行拟合：
计算多项式系数：
內，a2,a3
输入程序：
>>symsala2a3
X二[0510152025303540455055];
fi=al.*x."2+a2.*x+a3
运行后屏幕显示关于a“a：
和创的线性方程组：
fi=[a3,25*al+5*a2+a3,100*al+10*a2+a3,225*al+15*a2+a3,400*al+20*a2+a3,625*al+25*a2+a3,900*al+30*a2+a3,1225*al+35*a2+a3,1600*al+40*a2+a3,2025*al+45*a2+a3,2500*al+50*a2+a3,3025*al+55*a2+a3]
编写构造误差平方和的MATLAB程序：
y=EO]；
fi=[a3,25*al+5*a2+a3,100*al+10*a2+a3,225*al+15*a2+a3,400*al+20*a2+a3,625*al+25*a2+a3,900*al+30*a2+a3,1225*al+35*a2+a3,1600*al+40*a2+a3,2025*al+45*a2+a3,2500*al+50*a2+a3,3025*al+55*a2+a3];
fy=fi-y;fy2=fy.2;J=sum（fy.2）
运行后屏幕显示误差平方和如下：
J=（100*al+10*a2+a3-54/25厂2+（25*al+5*a2+a3-127/100）^2+（225*al+15*a2+a3-143/50厂2+（400*al+20*a2+a3-86/25厂2+（900*al+30*a2+a3-83/20厂2+（625*al+25*a2+a3-387/100厂2+（1225*al+35*a2+a3-437/100厂2+（1600*al+40*a2+a3-451/100厂2+（2025*al+45*a2+a3-229/50）"2+（2500*al+50*a2+a3-201/50厂2+（3025*al+55*a2+a3-116/25厂2+a3“2
^=0
为求山,“2，如，心使丿达到最小，只需利用极值的必要条件
伙=1,2,3,4）,得到关于的线性方程组,这可以由下面的MATLAB程序完成，即输入程序：
>>symsala2a3
J=（100*al+10*a2+a3-54/25），2+（25*al+5*a2+a3-127/100厂2+（225*al+15*a2+a3-143/50厂2+（400*al+20*a2+a3-86/25）"2+（900*al+30*a2+a3-83/20厂2+（625*al+25*a2+a3-387/100）"2+（1225*al+35*a2+a3-437/100），2+（1600*al+40*a2+a3-451/100）^2+（2025*al+45*a2+a3-229/50）"2+（2500*al+50*a2+a3-201/50）*2+（3025*al+55*a2+a3-116/25）^2+a3"2;
Jal=diff（J,al）;Ja2=diff（J,a2）;Ja3二diff（J,a3）;
Jall=simple（Jal）,Ja21二simple（Ja2）,Ja31=simple（Ja3）,
运行后屏幕显示J分别对al,a2,a3的偏导数如下：
Ja21=1089000*al+25300*a2+660*a3-27131/10
Ja31=25300*al+660*a2+24*a3-3987/50
解线性方程组Jail=0,Ja21=0,Ja31二0输入下列程序：
B二[217403/2,27131/10,3987/50];
C=B/A,F=poly2sym（C）
运行后屏幕显示拟合函数f及其系数C如下：
C=
故所求的拟合曲线为：
编写下面的MATLAB程序估计其误差，并作出拟合曲线和数据的图形。
输入程序：
»xi二[0510152025303540455055];y二[0];
n二length（xi）;
f二.*X・’2+・*x+;
x=0:
:
55;F二.*x・‘2+.*x+;
fy=abs（f-
y）;fy2=fy.*2;Ew=max（fy）,El=sum（fy）/n,E2=sqrt（（sum（fy2））/n）
plot（xi,y,?
r*）holdon,plot（x,F,*b-'）,holdoff
legend（*数据点（xi,yi）','拟合曲线
y=f（x）'）,xlabel（'x'）,ylabel（'y'）,title（'数据点（xi,yi）和拟合曲线y=f（x）的图形'）
运行后屏幕显示数据（兀」）与拟合函数f的最大误差Ew,平均误差E1和均方根误差E2及其数据点（几儿）和拟合曲线y=f（x）的图形如图所示：
Ew=
El=
E2=o
图一元二次多项式拟合曲线误差图
六、结果讨论和分析：
由以上结果可知，拟合方程的选取至关重要，它决定了最大误差、
平均误差以及均方根误差的大小，即拟合曲线的接近程度。
本次实验，最初所选取的拟合解析方程卩"++々'获得较好的拟合，选用解
析方程为曲）=3+"+"+"的曲线拟合时，精确度有所下降。
由此，拟合函数的选择和拟合精度致密相关，最小二乘法如果想将曲线拟合的比较完美，必须应用适当的模拟曲线，如果模拟曲线选择不够适当，那么用最小二乘法计算完后，会发现拟合曲线误差比较大，均方误差也比较大，而如果拟合曲线选择适当，那么效果较好，且根据本次结果可见，当采用更高次的多项式拟合数据，其结果的误差会更小。
因此，需要对已知点根据分布规律选取多个可能的近似拟合曲线，算出后比较误差与均方误差，得到最佳拟合曲线。
但是如果已知点分布非常不规律，无法观察或是无法正确观察出其近似曲线，那么根本无法使用最小二乘法进行曲线拟合，我们只能使用其它方法进行逼近。
通过这次实验，我学习并实践了最小二乘法进行的曲线拟合的知识，认识到数值分析这一分析方法在实际应用中的重要作用。
而且通过在实际操作发现了各种问题，并寻找到解决问题的方法，使我获益良多。
升级会员 