多项式拟合及例题详解
多项式的曲线拟合
对于实验或统计数据，为了描述不同变量 之间的关系，经常采用拟合曲线的办法。
拟合曲线：就是要根据已知数据找出相应 函数的系数。通常情况下，已知数据往往多于 未知系数的个数，所以曲线拟合实质上是解超 线性方程组。
×
曲线拟合的两个基本问题：最佳拟合意味着什 么？应该用什么样的曲线？
最佳拟合解释：数据点的最小误差平方和，且 所用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。
10
8
y=f(x)
6
4
2
0
-2
0
0.2
0.40.6Fra bibliotek0.8
1
x
×
命令格式：
• p=polyfit(x,y,n):在向量p中返回多项式的系数。
其中x和y为已知数据的横坐标和纵坐标向量，n为多项 式的次数；
• [p,s]=polyfit(x,y,n):同时还返回一个误差估计
数组s。
×
• 【例】 • x=(0:0.1:2.5); • y=erf(x); • p=polyfit(x,y,6); • f=polyval(p,x); • plot(x,y,’o’,x,f,’-’);
如果这种描述使你混淆，再研究下图。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。
×
Second Order Curve Fitting 12
×
多项式拟合
实验作业1用给定的多项式，如y=x3-6x2+5x-3，产生一组数据(xi,yi，i=1,2,…,n),再在yi上添加随机干扰(可用rand产生(0,1)均匀分布随机数,或用rands产生N(0,1)分布随机数)，然后用xi和添加了随机干扰的yi作的3次多项式拟合，与原系数比较。
分别作1、2、4、6次多项式拟合，比较结果，体会欠拟合、过拟合现象。
解：编写程序如下：x=1:0.5:10;y=x.^3-6*(x.^2)+5.*x-3;y0=y+rand;f1=polyfit(x,y0,1) ％一次多项式拟合y1=polyval(f1,x);plot(x,y,'+',x,y1); ％作出数据点和拟合曲线的图形gridtitle('一次拟合曲线')figure(2);f2=polyfit(x,y0,2) ％二次多项式拟合y2=polyval(f2,x);plot(x,y,'+',x,y2);gridtitle('二次拟合曲线')figure(3);f4=polyfit(x,y0,4) ％四次多项式拟合y3=polyval(f4,x);plot(x,y,'+',x,y3);gridtitle('四次拟合曲线')figure(4);f6=polyfit(x,y0,6) ％六次多项式拟合y4=polyval(f6,x);plot(x,y,'+',x,y4);gridtitle('六次拟合曲线')figure(5);程序运行结果如下：f1 = 43.2000 -149.0264f2＝10.5000 -72.3000 89.8486f4＝0.0000 1.0000 -6.0000 5.0000 -2.5514f6= -0.0000 0.0000 -0.0000 1.0000 -6.0000 5.0000 -2.5514 通过比较拟合后多项式和原式的系数，发现四次多项式和六次多项式系数与原系数最接近。
多项式 拟合
多项式拟合多项式拟合是数学中一类重要的函数逼近方法，它通过利用多项式函数在已知数据点附近的近似性质，来构造一个逼近原函数的多项式函数。
这种方法在实际问题中有着广泛的应用，比如数据分析、曲线拟合、信号处理等领域。
本文将详细介绍多项式拟合的原理、方法和应用，帮助读者深入了解和应用这一重要的数学工具。
多项式拟合的基本原理是利用已知数据点的坐标值，找到一条多项式曲线，使得该曲线与给定的数据点尽可能接近。
在实际应用中，我们常常会遇到一组散点数据，通过多项式拟合可以用一条平滑的曲线来逼近这些数据点，从而方便我们进行数据的分析和预测。
在进行多项式拟合时，一个关键的问题是如何确定多项式的阶数。
低阶多项式通常不能很好地拟合复杂的数据，而高阶多项式则可能会导致过拟合，使得曲线过度适应训练数据，而在新数据上表现较差。
因此，选择合适的多项式阶数是一个复杂的问题，需要根据具体情况进行调整。
多项式拟合的方法有很多种，其中最常用的是最小二乘法。
最小二乘法通过最小化拟合曲线与数据点的残差平方和来确定最优拟合多项式。
也就是说，我们要找到一条多项式曲线，使得各个数据点到拟合曲线的距离之和最小。
这种方法在处理噪声较小的数据时效果很好，但对于噪声较大的数据则可能受到干扰。
除了最小二乘法，还有其他的多项式拟合方法，如最小化最大偏差法和逆矩阵法。
不同的方法适用于不同的问题和数据类型，读者可以根据自己的需求选择合适的方法。
多项式拟合在各个领域都有广泛的应用。
在数据分析和曲线拟合中，多项式拟合可以用来预测未来的数据趋势、分析数据的周期性和趋势性等。
在信号处理中，多项式拟合可以用来提取信号中的特征、去除噪声和恢复缺失的数据等。
此外，多项式拟合还可以应用于图像处理、机器学习和人工智能等领域。
总之，多项式拟合是一种重要的函数逼近方法，具有广泛的应用。
通过多项式拟合，我们可以利用已知数据点来构造一个逼近原函数的多项式函数，从而方便我们进行数据分析和预测。
数学软件与建模4-1.多项式拟合
解：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]; plot(x,y)
1.多项式拟合 通常，在解决实际问题时：1）将已知数据的散点 图画出，2）设计拟合的曲线类型，根据某种准则选 定最佳的曲线.
多项式拟合就是选择适当的多项式对数据集进行拟合， 其命令为：格式：p=polyfit(X,Y,n).
说明：求出已知数据(X,Y)的n阶拟合多项式f(x)按 降幂排列的系数p，X必须是单调的.
此时多项式在x处的函数值为： polyval(p,x) ans =1.7500 2.4500 3.8100 4.8000 7.0000 8.6000
通常，给出两点的坐标，我们可以得到一条直线； 若给出三点的坐标，我们可以得到一条抛物线；…，给 出n个点的坐标，我们可以得到一个n-1阶的多项式.
是否多项式的阶数越高越好呢？非也！在解决实际问 题时，只要达到所需的精度，应尽量选择简单的函数.
如果用二次函数进行拟合，则有： p=polyfit(x,y,2) p = 0.5614 0.8287 1.1560
即拟合函数为：y 0.5614x2 0.8287x 1.156 此时误差平方和为：
sum((polyval(p,x)-y).^2) =0.1781
根据误差平方和最小原则：二次函数优于线性函数
min
n
|
f (xi
)
yi
|2
i1
曲线拟合分为：一元与多元
三次最佳一致多项式例题
三次最佳一致多项式例题当我们谈论最佳一致多项式时，通常是指使用最小二乘法来拟合一组数据点的多项式函数。
在这个过程中，我们希望找到一个多项式函数，使得它与给定的数据点的拟合误差最小化。
以下是一个关于最佳一致多项式的例题：假设我们有以下一组数据点，{(1, 2), (2, 4), (3, 6), (4, 8), (5, 10)}。
我们希望找到一个最佳一致多项式来拟合这些数据。
首先，我们需要确定多项式的阶数。
通常情况下，我们会从一次多项式开始，并逐渐增加阶数，直到我们得到一个满意的拟合结果。
在这个例子中，我们从一次多项式开始。
一次多项式的形式为，y = a0 + a1x.我们可以使用最小二乘法来确定多项式的系数a0和a1。
最小二乘法的原理是最小化拟合误差的平方和。
对于每个数据点，我们可以计算拟合函数与实际数据点之间的垂直距离，即误差。
我们的目标是找到使得所有误差的平方和最小的系数a0和a1。
具体的计算步骤如下：1. 计算x和y的平均值，x_mean = (1 + 2 + 3 + 4 + 5) / 5 = 3，y_mean = (2 + 4 + 6 + 8 + 10) / 5 = 6。
2. 计算x和y与其平均值的差，dx = [1 3, 2 3, 3 3, 4 3, 5 3] = [-2, -1, 0, 1, 2]，dy = [2 6, 4 6, 6 6, 8 6, 10 6] = [-4, -2, 0, 2, 4]。
3. 计算dx和dy的乘积的和，dx_dy_sum = (-2 -4) + (-1 -2) + (0 0) + (1 2) + (2 4) = 20。
4. 计算dx的平方和，dx_square_sum = (-2)^2 + (-1)^2 + 0^2 + 1^2 + 2^2 = 10。
5. 计算系数a1，a1 = dx_dy_sum / dx_square_sum = 20 / 10 = 2。
多项式拟合原理
Ai =
Ai
2 L+1
∑ Ai2
i=1
(12)
2L +1
在任何 x 处的期望信号的时间可由时间多项式确定，其振幅有振幅多项式求出，将期望 波形乘上振幅值，放到时间多项式所确定的位置上，便形成了期望剖面，即最终去噪结果。
A( x) = b0 P0 ( x) + b1 P1 (x) + b2 P2 (x) + b3 P3 ( x) + ....
(10)
式中P0( x), P1( x), P2( x)....为公式(6)中求得的正交多项式。
采用最小二乘法求振幅多项式(10)中的系数：
N
∑ A(xn ) ⋅ Pk (xn )
N
∑ xk Pm (x)
C = − (k) m
x=−N N
(5)
∑ Pm(x)2
x=−N
此处可得到 k=0~3 的正交多项式：
⎧
P0 (x) = 1,
⎪ ⎪
P0( x) = x,
⎪ ⎨ ⎪
P0 ( x)
=
x2
−
1 3
N(
N
+ 1),
(6)
⎪ ⎪⎩ P0
(x)
=
x3
−
1 5
(3N
2
+
3N
−1)
x,
窗口大小的选择，即 N 和 L 要根据实际情况来确定。 在窗口上在 N 道上沿时间方向对每个时窗内利用扫描方法，利用多道互相关系数的最 大准则来确定（2）中多项式系数。 固定 u0,对 u1，u2,...进行扫描，先扫描 u1，此时 u2, u3,...=0，比较多道互相关值确定 u1， 再扫描 u2，以此类推。
多项式拟合——精选推荐
多项式拟合多项式拟合多项式的⼀般形式：y=p_{0}x^n + p_{1}x^{n-1} + p_{2}x^{n-2} + p_{3}x^{n-3} +...+p_{n}多项式拟合的⽬的是为了找到⼀组p0-pn，使得拟合⽅程尽可能的与实际样本数据相符合。
假设拟合得到的多项式如下：f(x)=p_{0}x^n + p_{1}x^{n-1} + p_{2}x^{n-2} + p_{3}x^{n-3} +...+p_{n}则拟合函数与真实结果的差⽅如下:loss = (y_1-f(x_1))^2 + (y_2-f(x_2))^2 + ... + (y_n-f(x_n))^2那么多项式拟合的过程即为求取⼀组p0-pn,使得loss的值最⼩。
X = [x1, x2, ..., xn] - ⾃变量Y = [y1, y2, ..., yn] - 实际函数值Y'= [y1',y2',...,yn'] - 拟合函数值P = [p0, p1, ..., pn] - 多项式函数中的系数根据⼀组样本，并给出最⾼次幂，求出拟合系数np.polyfit(X, Y, 最⾼次幂)->P根据拟合系数与⾃变量求出拟合值, 由此可得拟合曲线坐标样本数据 [X, Y']np.polyval(P, X)->Y'多项式函数求导，根据拟合系数求出多项式函数导函数的系数np.polyder(P)->Q已知多项式系数Q 求多项式函数的根（与x轴交点的横坐标）xs = np.roots(Q)两个多项式函数的差函数的系数（可以通过差函数的根求取两个曲线的交点）Q = np.polysub(P1, P2)案例：求多项式 y = 4x3 + 3x2 - 1000x + 1曲线拐点的坐标。
'''1. 求出多项式的导函数2. 求出导函数的根，若导函数的根为实数，则该点则为曲线拐点。
最小二乘法多项式拟合(最新编写)
对于给定的数据点 (xi , yi ), 1 i N ，可用下面的 n 阶多项式进行拟合，即
n
f (x) a0 a1x a2x2 ak xk k 0
为了使拟合出的近似曲线能尽量反映所给数据的变化趋势，要求在所有数据点上的残差
| i || f (xi ) yi |
i 1
yi ] 0
N i 1
f (xi )
N i 1
yi
S
a1
N i 1
2xi[ f
(xi )
yi ]
0
N i 1xi[ f源自(xi ) yi ]
0
N i 1
xi
f
(xi )
N i 1
xi yi
S
ak
N
2kxik[ f (xi ) yi ] 0
i 1
N
xik [ f (xi ) yi ] 0
y
a0
a1x
a2 x2
i 1 N i 1
xi4
a2
i 1 N
i 1
xi2
yi
关于线性拟合，除上面按克莱姆法则来计算外，还可以有另一思路，下面对此进行说明。 由于是线性拟合，最后得到的是一条直线，因此，直线可以由斜率和截距两个参数来确定， 因此，求出这两个参数即可。首先对克莱姆法的求解结果进行展开可以得到
i 1
N
N
N
N
a0N a1 xi a2 xi2 an xin yi
i 1
i 1
i 1
i 1
N
N
xi f (xi ) xi yi
i 1
i 1
N
N
xik f (xi ) xik yi
通过点 拟合三次多项式
通过点拟合三次多项式全文共四篇示例，供读者参考第一篇示例：通过点拟合三次多项式是一种常见的数学方法，用于求解一组给定点的最佳拟合曲线。
在现实生活中，这种方法被广泛应用于数据分析、图像处理、模式识别等领域。
在本文中，我们将详细介绍通过点拟合三次多项式的原理、方法和应用，并通过实例演示如何进行拟合。
一、原理通过点拟合三次多项式的核心思想是找到一个三次多项式函数，使得该函数与给定的一组点尽可能接近。
在数学上，一个三次多项式函数可以表示为：f(x) = ax^3 + bx^2 + cx + d其中a、b、c、d是待定系数，x是自变量。
通过给定的一组点(x1, y1), (x2, y2), ..., (xn, yn)，我们可以建立一个方程组：f(x1) = a*x1^3 + b*x1^2 + c*x1 + d = y1f(x2) = a*x2^3 + b*x2^2 + c*x2 + d = y2...f(xn) = a*xn^3 + b*xn^2 + c*xn + d = yn通过求解这个方程组，我们可以得到最佳拟合的三次多项式函数。
二、方法在实际应用中，通过点拟合三次多项式通常使用最小二乘法来求解系数。
最小二乘法是一种数学优化方法，通过最小化残差的平方和来求解未知项。
对于通过点拟合三次多项式来说，最小二乘法的目标是最小化以下损失函数：L = Σ(yi - f(xi))^2其中Σ表示总和，yi是实际观测值，f(xi)是通过拟合曲线计算得到的值。
通过对损失函数求导并令导数为0，我们可以得到系数a、b、c、d的最优解。
三、应用通过点拟合三次多项式在实际应用中有着广泛的应用。
在图像处理中，我们可以利用该方法对曲线进行拟合，从而实现曲线的平滑处理和特征提取。
在数据分析领域，通过点拟合三次多项式可以帮助分析师找到数据之间的关联性，进而作出合理的预测和决策。
下面我们通过一个实例来演示如何通过点拟合三次多项式：假设我们有以下一组点：(-2, 2), (-1, 1), (0, 0), (1, 1), (2, 2)，我们需要通过这些点拟合出一条最佳曲线。
实验报告-使用多项式模型拟合数据
实验题目： 使用多项式模型进行数据拟合 1 实验目的数据拟合在实际的生产和生活中有着广泛应用。
本实验使用多项式模型对数据进行拟合，目的在于掌握数据拟合基本的基本原理，并且掌握最小二乘法的计算方法，同时学会使用数学的方法来判定数据拟合的情况。
2 实验步骤2.1 算法原理（1）最佳均方逼近多项式设n H 是次数不超过n 次的全体多项式集合。
若存在*()nn P x H ∈，使得**22()||()()||||()()||min n nn n P x H f x P x f x P x ∈-=-则称*()n P x 是()f x 在[a ，b]上的最佳均方逼近多项式。
设()nkn k k P x a x ==∑，则求最佳均方逼近多项式*()n P x ，就是求一组系数(0,1,...,)k a k n =使得22*00()[()][()]min n nnnbbkk k k aak k P x H f x a x dx f x a x dx==∈-=-∑∑⎰⎰由于积分2[()]nbkk ak f x a x dx=-∑⎰是待定系数k a 的多元函数，记做01(,,...,)n I a a a 。
由函数极值条件得到方程组，解方程组，可得到唯一确定的*k a ，从而得到*()n P x 为最小均方逼近多项式。
（2）最小二乘法在最小均方逼近多项式的讨论中，f(x)已知。
但在多数情况下，我们不能确切的指导f(x)，只能知道一组数据{,}i i x y ，将最小均方误差的思想用于点集上，便得到曲线拟合的最小二乘法。
设给定一组m 个数量的数据{,}i i x y ，01{,,...}n ϕϕϕϕ=是i x 所在区间的连续函数集合，对于多项式：011,,...nn x x ϕϕϕ===。
取权值函数()1W x =，在公式中未写出。
若存在*()()nk k k S x a x ϕ==∑，使得误差平方和最小，即*22()1[()]min [()]mmiii i s x i i S x y S x y ϕ∈==-=-∑∑，则*()S x 是最小二乘逼近多项式。
用多项式进行实验数据的拟合
将结果写入 输出文件中
4、程序总体设计
①子过程subroutine Gauss(input,output) 从 input 文件中读入系数矩阵， 用高斯消去法求解线性方程组， 将求解结果写入到 output 文件中。
②子过程subroutine polynomial(input,output)
从 input 文件中读入要进行拟合的原始数据的组数 m 以及原始实验数据 ( xi , yi ) ，并据 此计算出 Tk , S j ,k ，将计算结果写入到一个临时文件”linshi.dat ”中。 调用子过程Gauss(polyin,output) ，这里polyin= ”linshi.dat ”。求解关于 ai 的线性 方程组。 ③主程序 指定原始数据来源 input，和结果输出 output 从 output 中读出拟合结果，并根据拟合结果计算 xi 对应的 yi ，求出 yi 与 yi 之间的平 均偏差。
! 用多项式对数据进行拟合 ! 数据输入文件input的数据格式为m,n,x,其中x 为行优先 ! 数据输出文件output的数据格式为系数个数，及多项式系数a(i), 按次数从小到大 subroutine polynomial(input,output) character*(20) input,output,polyin !x 为原始数据，a 为系数 real x(1:100,1:2) !n 为拟合次数，m 为数据个数 integer n,m,k,j,i ! 目标方程组为a(j)*s(j,k)=t(k)
2 / 10
计算物理作业
实验数据多项式拟合(Fortra n)
陈洋洋 2008112021
2、高斯消元法求解线性方程组
对于如下的一个线性方程组
多项式拟合 (4)
多项式拟合在数学和统计学中，多项式拟合是一种常用的数据分析技术，用于拟合一个已知数据集合的多项式函数。
通过多项式拟合，我们可以找到一个最佳拟合曲线，以预测未知数据点的值或者描述数据的趋势。
原理多项式拟合的原理是基于最小二乘法。
最小二乘法通过最小化观测值和拟合值之间的误差平方和来确定最佳拟合曲线。
给定一组数据点(x1, y1), (x2, y2), …, (xn, yn)，我们希望找到一个多项式函数 f(x) 来最小化以下误差平方和：min Σ(yi - f(xi))^2其中，xi 和 yi 分别表示观测数据的自变量和因变量，f(xi) 是拟合函数的预测值。
多项式拟合中，常用的拟合函数是多项式函数。
一个一阶多项式函数可以表示为：f(x) = a0 + a1 * x其中，a0 和 a1 是多项式的系数。
一般情况下，我们可以拟合高阶多项式函数，例如：f(x) = a0 + a1 * x + a2 * x^2 + ... + an * x^n实现在实现多项式拟合时，我们可以使用不同的工具和编程语言。
下面以 Python 为例，介绍如何使用 numpy 和 matplotlib 进行多项式拟合。
首先，我们需要准备一组观测数据。
假设我们有以下数据集合：x = [1, 2, 3, 4, 5]y = [2, 3, 4, 5, 6]接下来，我们可以使用 numpy 的 polyfit 函数进行多项式拟合。
polyfit 函数返回的是一个多项式的系数：import numpy as np# 定义观测数据x = [1, 2, 3, 4, 5]y = [2, 3, 4, 5, 6]# 进行一阶多项式拟合coefficients = np.polyfit(x, y, 1)在上面的例子中，我们使用 1 作为拟合的阶数。
根据观测数据，polyfit 函数返回的 coefficients 是一个数组 [a0, a1]，其中 a0 和 a1 是拟合函数的系数。
多项式曲线拟合(Polynomial Curve Fitting)
多项式曲线拟合（Polynomial Curve Fitting）监督学习@ author : duanxxnj@@ time : 2016-06-19原文链接多项式特征生成在机器学习算法中，基于针对数据的非线性函数的线性模型是非常常见的，这种方法即可以像线性模型一样高效的运算，同时使得模型可以适用于更为广泛的数据上，多项式拟合就是这类算法中最为简单的一个。
关于多项式回归的应用，这里举个非常简单的例子:一般的线性回归，模型既是参数的线性函数，同时也是输入变量的线性函数，对于一个二维的数据而言，模型的数学表达式如下：如果想要拟合一个抛物面，而不是拟合一个平面的话，那么就需计算输入变量二次项的线性组合，则模型更新为下面这个形式：注意：这里需要说明的是，更新后的模型，虽然是输入变量的二次函数，但是，由于它仍然是参数的一次线性函数，所以它仍然是一个线性模型。
为了说明这个问题，可以假设有一个新的变量，那么就可以将上面的模型重写为下面的这个形式：1. #!/usr/bin/python2. # -*- coding: utf-8 -*-3.4. """5. author ：****************6. time : 2016-06-04_14-007.8. 多项式特征生成9.10. """11.12. from sklearn.preprocessing import PolynomialFeatures13. import numpy as np14.15. # 首先生成3x2的原始特征矩阵16. # 即样本数为3，特征数为217. X = np.arange(6).reshape(3,2)18.19. print'原始数据：'20. print X21.22. # 特生变换/特征生成23. # 将原始一阶数据升维到二阶数据24. # 升维方式是： [x_1, x_2] 变为 [1, x_1, x_2, x_1^2, x_1 x_2, x_2^2]25. polyFeat =PolynomialFeatures(degree=2)26. X_transformed = polyFeat.fit_transform(X)27.28. print'特征变换后的数据：'29. print X_transformed1. 原始数据：2. [[01]3. [23]4. [45]]5. 特征变换后的数据：6. [[ 1.0. 1.0.0. 1.]7. [ 1. 2. 3. 4. 6.9.]8. [ 1. 4. 5.16.20.25.]] 1. #!/usr/bin/python2. # -*- coding: utf-8 -*-3.4.5. """6. author ：****************7. time : 2016-06-04_16-388.9. 这个例子展示了多项式曲线拟合的特性10.11. 多项式曲线拟合分为两个步骤：12. 1、根据多项式的最高次数，对输入特征向量做特征生成13. 对原来的每一个特征向量而言，可以生成一个范特蒙德矩阵（ Vandermonde matrix）14.15. 范特蒙德矩阵的尺寸为：[n_samples , n_degree+1]16.17. 其形式为：18. [[1, x_1, x_1 ** 2, x_1 ** 3, ...],19. [1, x_2, x_2 ** 2, x_2 ** 3, ...],20. ...]21.22. 2、基于第一步生成的范特蒙德矩阵，直接使用已有线性回归模型，就可以实现多项式回归23.24. 这个例子展示了如何基于线性回归模做非线性回归，其实这个也是核函数的基本思想。
f0=2求二次拟合多项式的例题
f0=2求二次拟合多项式的例题要求二次拟合多项式的例题，我们可以通过给定一组数据点来进行求解。
假设我们有以下数据点：(x1, y1) = (1, 3)。
(x2, y2) = (2, 5)。
(x3, y3) = (3, 7)。
(x4, y4) = (4, 9)。
我们的目标是找到一个二次多项式 y = ax^2 + bx + c，使得这个多项式能够最好地拟合给定的数据点。
首先，我们可以建立一个二次方程的模型，即 y = ax^2 + bx + c。
然后，我们可以将给定的数据点带入这个方程中，得到以下四个方程：(1^2)a + (1)b + c = 3 ----(1)。
(2^2)a + (2)b + c = 5 ----(2)。
(3^2)a + (3)b + c = 7 ----(3)。
(4^2)a + (4)b + c = 9 ----(4)。
我们可以通过解这个方程组来求解出二次拟合多项式的系数 a、b 和 c。
将方程 (1)、(2)、(3) 和 (4) 进行整理，得到：a +b +c = 3 ----(5)。
4a + 2b + c = 5 ----(6)。
9a + 3b + c = 7 ----(7)。
16a + 4b + c = 9 ----(8)。
接下来，我们可以使用消元法或其他求解线性方程组的方法来求解出 a、b 和 c 的值。
这里我们使用高斯消元法来求解。
首先，我们可以通过将方程组 (6)、(7) 和 (8) 分别减去方程(5) 的倍数，消去变量 b，得到新的方程组：3a c = 2 ----(9)。
5a c = 4 ----(10)。
7a c = 6 ----(11)。
然后，我们可以继续消去变量 c，得到新的方程组：2a = 0 ----(12)。
2a = 2 ----(13)。
2a = 4 ----(14)。
从方程 (12)、(13) 和 (14) 可以看出，方程组无解。
这是因为我们选择的数据点并不满足二次拟合的条件，或者说无法用一个二次多项式来完美拟合这些点。
6.2 多项式拟合
1.000 0 1.221 0.04 1.492 0.16 b 1.882 0.36 2.226 0.64 2.718 1
计算方法
由
AT Ax AT b 可得
由 A Ax A b
T T
计算方法
计算出它的正规方程得
24a 127.5b 113.1 127.5a 829.61b 731.60
解得： a=0.15 , b=0.859 直线方程为：y=0.15+0.859x
计算方法
例
设有某实验数据如下：
2 3 4 i 1 x i 1.36 1.37 1.95 2.28
求解该方程组，解得 a0与a1 代人 y( x ) a0 a1 x 即得拟合曲线。
直线拟合（单击播放）
计算方法
例：某种合成纤维的强度与其拉伸倍数有直接关 系，下表是实际测定的24个纤维样品的强度与相 应拉伸倍数的记录。试确定这种关系。
编号 1 2 3 4 5 6 7 8 9 10 11 12 拉伸倍数 1.9 2.0 2.1 2.5 2.7 2.7 3.5 3.5 4.0 4.0 4.5 4.6 强度 kg/mm2 1.4 1.3 1.8 2.5 2.8 2.5 3.0 2.7 4.0 3.5 4.2 3.5 编号 13 14 15 16 17 18 19 20 21 22 23 24 拉伸倍数 5.0 5.2 6.0 6.3 6.5 7.1 8.0 8.0 8.9 9.0 9.5 10.0 强度 kg/mm2 5.5 5.0 5.5 6.4 6.0 5.3 6.5 7.0 8.5 8.0 8.1 8.1
例：试用最小二乘法求形如 y a0 a2 x 的多项 式，使之与下列数据拟合。
最小二乘法多项式拟合
最小二乘法多项式拟合对于给定的数据点N i y x i i ≤≤1),,(，可用下面的n 阶多项式进行拟合，即∑==+++=nk k k x a x a x a a x f 02210)(为了使拟合出的近似曲线能尽量反映所给数据的变化趋势，要求在所有数据点上的残差|)(|||i i i y x f -=δ都较小。
为达到上述目标，可以令上述偏差的平方和最小，即min ])([)(2121=-=∑∑==iiNi iN i y x f δ称这种方法为最小二乘原则，利用这一原则确定拟合多项式)(x f 的方法即为最小二乘法多项式拟合。
确定上述多项式的过程也就是确定)(x f 中的系数n k a k ≤≤0,的过程，根据最小二乘原则，则偏差平方和应该是这些系数的函数，即min ])([)(),,,(212110=-==∑∑==i i Ni i N i n y x f a a a S δ为使上式取值最小，则其关于n k a k ≤≤0,的一阶导数应该为零，即有∑∑∑∑=====⇒=-⇒=-=∂∂Ni i N i i i i N i i i N i y x f y x f y x f a S11110)(0])([0])([2 ∑∑∑∑=====⇒=-⇒=-=∂∂N i i i N i i i i i N i i i i N i i y x x f x y x f x y x f x a S11111)(0])([0])([2∑∑∑∑=====⇒=-⇒=-=∂∂N i i k i N i i ki i i N i k i i i N i k i k y x x f x y x f x y x f kx a S 1111)(0])([0])([2∑∑∑∑=====⇒=-⇒=-=∂∂N i i n i N i i ni i i N i n i i i N i n i n y x x f x y x f x y x f nx a S 1111)(0])([0])([2 将上面各等式写成方程组的形式可有∑∑∑∑∑∑=======++++⇒=Ni i N i n in N i iN i i Ni iN i iy x a x a x a N a yx f 1112211011)(∑∑∑∑∑∑==+=====++++⇒=Ni i i Ni n in Ni iNi ii Ni iiNi iiy x xa x a x a x a yx x f x 111132121011)(∑∑∑∑∑∑==+=+=+===++++⇒=Ni i k i Ni k n in Ni k iNi k ik iNi i k i Ni i k iy x xa xa xa x a y x x f x11122111011)(∑∑∑∑∑∑===+=+===++++⇒=Ni i n i Ni n in Ni n iNi n in iNi i n i Ni i n iy x xa xa xa x a y x x f x112122111011)(写成矩阵形式有⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫⎝⎛=⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛⋅⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎭⎫ ⎝⎛∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑∑======+=+==+==+===+=====N i i n i Ni ik i N i i i N i i n k N i ni Ni k n iNi n iNi ni N i k n i N i ki N i k i N i kiN i n i Ni k iNi i N i i Ni niNi k iNi iy x y x y x y a a a a x xxx x x x x x xxx x x x N 111110121111112111111121111上述方程组可以通过克莱姆法则来计算，从而解出各系数n k a k ≤≤0,得到拟合方程。
利用多项式拟合获得汽车发动机外特性曲线的几种方法
利用多项式拟合获得汽车发动机外特性曲线的几种方法发动机外特性是汽车动力性计算的主要依据，基本车型的发动机外特性应由制造厂提供。
发动机外特性为非线形曲线，通过多项式拟合的方法可以获得描述发动机外特性的数学方程。
已有研究结果证明标明再工程应用上采用二次方程来描述汽车发动机外特性已具足够精度，即2e e e T an +bn c =+ (1-1)式中：e T——发动机输出扭矩，N m ；e n ——发动机输出转速，r min 。
式(1-1)中系数a ，b ，c 可以由外特性确定，获得途径有多少种： 1.多点拟合法如果已知发动机外特性确定曲线N 个点（ei ei n ,T ），i=1，2，3，……,N,则利用最小二乘法可以获得系数a,b,c 的估计值，令：()()22NN2ei ei ei ei i 1i 1eE T T an+bn c T ===-=+-∑∑由()()()N22ei ei ei ei i 1N 2ei ei ei ei i 1N 2ei ei ei i 1E2an +bn c T n 0aE 2an +bn c T n 0a E 2an +bn c T 0a ===⎫∂=+-=⎪∂⎪⎪∂=+-=⎬∂⎪⎪∂=+-=⎪∂⎭∑∑∑ (1-2) 得N N N N4322ei ei ei ei ei i 1i 1i 1i 1N N N N32ei ei ei ei ei i 1i 1i 1i 1N N N2ei ei eii 1i 1i 1n a n b n c T n n a n b n c T n n a n b N c T ===========⎫⎛⎫⎛⎫⎛⎫++=⎪ ⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭⎪⎪⎛⎫⎛⎫⎛⎫⎪++=⎬⎪ ⎪ ⎪⎝⎭⎝⎭⎝⎭⎪⎪⎛⎫⎛⎫⎪++= ⎪ ⎪⎪⎝⎭⎝⎭⎭∑∑∑∑∑∑∑∑∑∑∑ (1-3) 解此线性方程组，即可以求出系数a,b 和c 。
2.三点插值法如果已知发动机外特性曲线上的三个点（ei ei n ,T ），i=1，2，3，则利用拉格朗日插值法可以求出系数a,b 和c 。
试验41多项式拟合
第四章 回归分析回归分析就是根据实验数据或历史数据，研究变量之间的相关关系，建立起一个数学模型，进而将此模型用于预测或控制.如果研究两个变量y x ,之间的关系，则称为一元回归模型（即一元函数拟合），如果研究变量y 与多个变量m 21x ,......,x ,x 之间的关系，则称为多元回归模型（即多元函数拟合）。
⎧⎧⎨⎪⎪⎩⎨⎧⎪⎨⎪⎩⎩多项式拟合一元函数拟合非线性拟合曲线拟合多元线性拟合多元函数拟合多元非线性拟合 实验4.1多项式拟合实验目的(1) 掌握多项式回归的Matlab 命令，(2) 熟练计算残差平方和与可决系数，并能据此进行拟合效果分析。
一元回归模型中，如果m m 2210x c x c x c c x f ++++= )(是多项式函数，则称为多项式回归，此时的参数即多项式的系数；如果)(x f 为指数函数、对数函数、幂函数或三角函数比如blnx a cosbx sinax b a be 1a xcx++++,,),(等(c b a ,,是待定的参数），则称为非线性拟合.实验内容在Matlab 中多项式拟合与求值的命令如下：p =polyfit(x ,y ,n )其中输入：x 为自变量，y 为因变量，n 是多项式的阶数； 输出：p 是按降幂排列的多项式的系数.polyval(p,x) %计算以p 为系数的多项式在x 处的函数值。
对于多项式拟合一般有以下几个步骤：（1）首先作出数据的散点图，根据散点图，确定多项式的阶数。
（2）用多项式拟合的命令polyfit 求其系数；（3）根据多项式的值计算残差平方和与可决系数，比较拟合效果。
计算可决系数的公式为∑∑==---=n 1i 2in1i 2i i2y yyy1R )()ˆ(其中 ∑==n 1i i y n 1y ,显然1R 02≤≤，2R 越趋近于1表明拟合效果越好.【例题4.1】为了分析X 射线的杀菌作用，用200千伏的X 射线来照射细菌，每次照射6分钟，照射次数记为t ，照射后的细菌数y 如表4.1所示：表4.1 X 射线照射次数与残留细菌数试求：（1）y 与t 的二次函数与三次函数关系；（2）在同一坐标系内作出原始数据与拟合结果的散点图；（3）建立评价标准判断二次函数与三次函数拟合效果；（4）根据问题的实际意义你认为选择多项式函数是否合适？解：首先做散点图：（见图4.1） t=[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15];y=[ 352 211 197 160 142 106 104 60 56 38 36 32 21 19 15]; plot(t,y,'-o')图4.1 原始数据散点图根据题目要求，求y 与t 的二次函数关系，输入命令：p =polyfit(t ,y ,2)得到p =1.9897 -51.1394 347.8967，即二次函数为： 89673471394t 519897t 1y 22...+-=同理可得三次函数为：391.4095 79.3303t - 6.2557t 0.1777t - y 233++= 在同一坐标系内作出原始数据、二次函数、三次函数的图形（见图4.2）。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
即 所以
CA (t)
A
VB VA
B
VB VA
CB (t)
dCB (t) dt
1 SK (
VA
1 VB
)CB
SK( A
VB
B
VA
)
在利用初始条件 CB (0) B 得
CB (t)
AVA
VA
BVB
VB
VA (B
A)
SK ( 1 1
e
VA VB
)t
VA VB
至 此 ， 问 题 归 结 为 利 用 CB 在 时 刻 t j 的 测 量 数 据
设VA VB 1000立方厘米，S=10 平方厘米，求容器的 B 部分溶液浓度的测试结果如下表（其中C j 的单位为
毫克/立方厘米）
t j (秒) 100 200 300 400 500
ccjj(105) 4.54 4.99 5.35 5.65 5.90 t j (秒) 600 700 800 900 1000
180
200
2、作出海底地貌图
3、危险区域海底地貌图
4、危险区域平面图
1501Βιβλιοθήκη 0500-50 80
100
120
140
160
180
200
薄膜渗透率的测定
VA
某种医用薄膜有允许一种物质的分子穿 透它，从高浓度的溶液向低浓度的溶液
S
扩散的功能，在试制时需测定薄膜被这VB
种分子穿透的能力。测定方法如下：
1、CA(t),CB (t) 表示 t 时刻膜两侧的溶液浓度；
2、 A,B表示初始时刻膜两侧的溶液浓度（单位：
毫克/立方厘米）；
3、K 表示渗透率； 4、VA,VB 表示由薄膜阻隔的容器两侧的体积；
三、建模
考察时段[t,t+Δt]薄膜两侧容器中该物质质量的变化。以容 器A为例，在该时段物质质量的增加量为：
多项式的拟合
多项式的拟合（Polynomial Fitting）又称为曲线拟 合(Curve Fitting)，其目的就是在众多的样本点中 进行拟合，找出满足样本点分布的多项式。所用 指令为polyfit，指令格式为：p=polyfit (x,y,n),其中 x与y为样本点向量，n为所求多项式的阶数，p为 求出的多项式。
C j ( j 1,2,, N )来辩识参数 K 和 A,B ，对应的数学
模型为求函数：
E(K, a,b)
N
[a
SK
be
(1 VA
1 VB
)t
j
C j ]2
j 1
的最小值点(K,a, b)，其中：
a AVA BVB , b VA ( B A )
VA VB
VA VB
四、模型求解
多项式的插值
(1） 一维插值 interp1(x,y,x0, ‘method’) ，其中x , y 分别表示为数据点的横、纵坐标向量，x0为需要插 值的横坐标数据（或数组）。而method为可选参数， 对应于四种方法，可从以下四个值中任选一个：
‘nearest’---------最近邻点插值 ‘linear’-----------线性插值 ‘spline’----------三次样条插值 ‘cubic’-----------立方插值 其中‘nearest’是缺省值。
一、假设
1、薄膜两侧的溶液始终是均匀的，即在任何时刻膜两侧的每 一处溶液的浓度都是相等的
2、当两溶液的浓度不一致时，物质的分子穿透薄膜总是从高 浓度溶液向低浓度溶液扩散
3、通过单位面积膜分子扩散的速度与膜两侧溶液的浓度差成 正比
4、薄膜是双向同性的即物质从膜的任何一侧向另一侧渗透的 性能是相同的
二、符号说明
注意：向量x，y的分量值必须是单调递增的。Xi 和yi应是方向不同的向量。即一个是行向量，另一 个是列向量。
船在该海域会搁浅吗？
在某海域测得一些点(x, y) 处的水深 z（单位：英尺）
由下表给出，水深数据是在低潮时测得的。船的吃水
深度为 5 英尺，问在矩形(75,200) (50,150)里的
（2） 二维插值 interp2(x,y,z,xi,yi, ‘method’),其中x和 y是自变量。X是m维向量，指明所给数据网格点的 横坐标，y是n维向量，指明所给数据网格点的纵坐 标，z是mxn维矩阵，标明相应于所给数据网格点的 函数值。向量xi，yi是给定的网格点的横坐标和纵坐 标，指明函数zi=interp2(x,y,z,xi,yi, ‘method’)返回在 网格(xi,yi)处的函数值。method为可选参数，选取方 法同一维。
c j (105) 6.10 6.26 6.39 6.50 6.59
此时极小化的函数为：
10
E(K , a, b) [a be20Kt j C j ]2 j 1
用Matlab软件进行计算
用面积 S 的薄膜将容器分成体积分别为VA,VB 的两部分，在两
部分中分别注满该物质的两种不同浓度的溶液。此时该物质分 子就会从高浓度溶液穿过薄膜向低浓度溶液中扩散。通过单位 面积膜分子扩散的速度与膜两侧溶液的浓度差成正比，比例系 数 K 表证了薄膜被该物质分子穿透的能力，称为渗透率。定时 测量容器中薄膜某一侧的溶液浓度值，以此确定 K 的值。
VACA (t t) VACA (t)
另一方面从B侧渗透至A侧的该物质质量为：
SK (CB CA )t
由质量守恒定律有：
VACA (t t) VACA (t) SK(CB CA )t
由此得：
dCA dt
SK VA
(CB
CA )
又整个容器 中含有该物质的质量应该不变，所以有下式：
VACA (t) VBCB (t) VA A VBB
一、问题分析：
假设：该海域海底是平滑的。由于测量点是散乱分布的，先 在平面上作出测量点的分布图，在利用二维插值方法补充一 些点的水深，然后作出海底曲面图和等高线图，并求出水深 小于5的海域范围。
二、问题求解：
150
1、作出测量点
100
的分布图：
50
0
-50
-100 60
80
100
120
140
160
哪些地方船要避免进入。
水道水深测量数据（单位：英尺）
x 129.0 140.0 103.5 88.0 185.5 195.0 105.5 Y 7.5 141.5 23.0 147.0 22.5 137.5 85.5 Z4868688 X 157.5 107.5 77.0 81.0 162.0 162.0 117.5 Y -6.5 -81.0 3.0 56.5 -66.5 84.0 -33.5 Z9988949