文档详情

多项式曲线拟合.ppt

发布:2017-04-17约小于1千字共5页下载文档
文本预览下载声明
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。 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。 ;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.; 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,’-’);
显示全部
相似文档