最小二乘法直线拟合及其Matlab实现
2014-12-10 16:47
786 查看
最小二乘法,通常用在我们已知数学模型,但是不知道模型参数的情况下,通过实测数据,计算数学模型,例如,在题目中,数学模型就是直线方程y=ax+b,但是不知道直线方程的a和b。 本来呢,我们只需要两组(xi,yi),就可以解得a和b,但是由于实测数据都存在误差,所以,我们很容易想到一个办法,我们测很多组数据来让我的a和b更加准确。 “我们测很多组数据来让我的a和b更加准确” ,那么我从数学角度如何体现这句话呢? 比如在此例中,已知数学模型 y=ax+b 我们有很多组数据,那么我们要找一条直线,使得我们测得的每个数据,到这条直线的偏离量的总和最小。(这句话有点拗口,慢慢理解下) 那么怎么用数学描述“偏离量总和最小”这个概念呢? 数学家运用了方差!
数学模型 y=ax+b 设F=ax+b-y 那么对于模型上的点(注意是模型上的点,也就是理论值),F=ax+b-y=0 但是对于实际值来说,F=axi+b-yi 一定不等于0。那么我们就要找到一对a和b,使得F尽可能接近于0。 也就是说,“偏离量总和最小”这个概念,在数学上实际上就是要求F的方差最小。 即 Σ F^2→0 (F的平方和趋近于0) 即 Σ(axi+b-yi)^2→0 那么我们得到一个方程f(a,b)=Σ(axi+b-yi)^2,我们要找到合适的a,b使得f(a,b)最小! 也就是说,我们要找到的实际上是f(a,b)的最小值点。(因为方差不可能小于0) 因此我们需要求f(a,b)的极值点。我们借助数学工具偏导。 如果有一组a,b使得 ∂f(a,b)/∂a=0 ∂f(a,b)/∂b=0 那么f(a,b)就是极值点,如果a,b只有一对,那么它就是最小值点。 即 ∂( Σ(axi+b-yi)^2 )/∂a=0 ∂( Σ(axi+b-yi)^2 )/∂b=0 化简得到 a*Σxi^2 + b*Σxi = Σ(xi*yi) a*Σxi + b*N = Σyi 其中N是(xi,yi)的个数。即我们测了多少组数据 解上面的二元方程,我们就可以得到唯一的一组a,b啦,这就是我们所需要的a和b O(∩_∩)O~是不是蛮简单的?
Matlab最基础的程序如下:
%原始数据 X=[163 123 150 123 141]; Y=[186 126 172 125 148]; n=5; %一共5个变量 x2=sum(X.^2); % 求Σ(xi^2) x1=sum(X); % 求Σ(xi) x1y1=sum(X.*Y); % 求Σ(xi*yi) y1=sum(Y); % 求Σ(yi) a=(n*x1y1-x1*y1)/(n*x2-x1*x1); %解出直线斜率b=(y1-a*x1)/n b=(y1-a*x1)/n; %解出直线截距 %作图 % 先把原始数据点用蓝色十字描出来 figure plot(X,Y,'+'); hold on % 用红色绘制拟合出的直线 px=linspace(120,165,45);%这里直线区间根据自己实际需求改写 py=a*px+b; plot(px,py,'r');
结果 a=1.5555 b=-66.365
相关文章推荐
- 最小二乘法拟合非线性函数及其Matlab/Excel 实现
- 最小二乘法拟合非线性函数及其Matlab/Excel 实现(转)
- Matlab实现线性回归(直线拟合)
- Hough变换 直线检测原理及其Matlab实现
- 最小二乘法拟合直线公式推导及vc实现[转]
- 最小二乘法实现直线拟合
- 最小二乘法拟合直线公式推导及vc实现[转]
- 最小二乘法用于直线,多项式,圆,椭圆的拟合及程序实现
- NET与Matlab结合 —— 最小二乘法直线拟合(C#)
- 最小二乘法用于直线,多项式,圆,椭圆的拟合及程序实现
- .NET与Matlab结合 —— 最小二乘法直线拟合(C#)
- NET与Matlab结合 —— 最小二乘法直线拟合(C#)
- 最小二乘法拟合直线-C++实现
- 最小二乘法用于直线,多项式,圆,椭圆的拟合及程序实现(资料整理的非常全)
- 【算法研究与实现】最小二乘法直线拟合
- NET与Matlab结合 —— 最小二乘法直线拟合(C#)
- 最小二乘法拟合球及其相关代码实现
- 【算法研究与实现】最小二乘法直线拟合
- 【算法研究与实现】最小二乘法直线拟合
- NET与Matlab结合 —— 最小二乘法直线拟合(C#)