最小二乘法多项式曲线拟合原理与实现(错误地方已经修改底层补充自己写的java实现)
目录(?)
概念
最小二乘法多项式曲线拟合,根据给定的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
[原理部分由个人根据互联网上的资料进行总结,希望对大家能有用]
给定数据点pi(xi,yi),其中i=1,2,…,m。求近似曲线y= φ(x)。并且使得近似曲线与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
2.使偏差绝对值最大的最小
3.使偏差平方和最小
按偏差平方和最小的原则选取拟合曲线,并且采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:
2. 各点到这条曲线的距离之和,即偏差平方和如下:
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:
.......
4. 将等式左边进行一下化简,然后应该可以得到下面的等式:
.......
5. 把这些等式表示成矩阵的形式,就可以得到下面的矩阵:
6. 将这个范德蒙得矩阵化简后可得到:
7. 也就是说X*A=Y,那么EA = X'*Y,便得到了系数矩阵A,同时,我们也就得到了拟合曲线。
实现
运行前提:
- Python运行环境与编辑环境;
- Matplotlib.pyplot图形库,可用于快速绘制2D图表,与matlab中的plot命令类似,而且用法也基本相同。
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()
运行效果:
本博客中所有的博文都为笔者(Jairus Chan)原创。
如需转载,请标明出处:http://blog.csdn.net/JairusChan。
如果您对本文有任何的意见与建议,请联系笔者(JairusChan)。
也可使用Apache开源库commons math,提供的功能更强大,
http://commons.apache.org/proper/commons-math/userguide/fitting.html
package com.fjsh.algorithm.leastSquareMethod.deal;import org.apache.commons.math3.fitting.PolynomialCurveFitter;
import org.apache.commons.math3.fitting.WeightedObservedPoints;public class LeastSquareMethodFromApache {private static void testLeastSquareMethodFromApache() { final WeightedObservedPoints obs = new WeightedObservedPoints(); obs.add(-3, 4); obs.add(-2, 2);
// obs.add(-1, 3);
// obs.add(0, 0);
// obs.add(1, -1);
// obs.add(2, -2);
// obs.add(3, -5); // Instantiate a third-degree polynomial fitter. final PolynomialCurveFitter fitter = PolynomialCurveFitter.create(1); // Retrieve fitted parameters (coefficients of the polynomial function). final double[] coeff = fitter.fit(obs.toList()); for (double c : coeff) { System.out.println(c); } } /*** 例如当参数是PolynomialCurveFitter.create(1);* 点(-3, 4) (-2, 2) 此时拟合函数参数为-2,-2,公式为y=-2-2x;验证符合* @param args*/public static void main(String[] args) {testLeastSquareMethodFromApache();}
}
最小二乘法多项式曲线拟合原理与实现(错误地方已经修改底层补充自己写的java实现)相关推荐
- 最小二乘法多项式曲线拟合原理与实现--转
原文地址:http://blog.csdn.net/jairuschan/article/details/7517773/ 概念 最小二乘法多项式曲线拟合,根据给定的m个点,并不要求这条曲线精确地经过 ...
- 最小二乘法多项式曲线拟合原理与实现
概念 最小二乘法多项式曲线拟合,根据给定的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 [原理部分由个人根据互联网上的资料进行总结,希望对大家能有用] ...
- 最小二乘法多项式曲线拟合数学原理及其C++实现
目录 0 前言 1 最小二乘法概述 2 最小二乘法求解多项式曲线系数向量的数学推导 2.1 代数法 2.2 矩阵法 3 代码实现 4 总结 参考 0 前言 自动驾驶开发中经常涉及到多项式曲线拟合,本文 ...
- c++ 三次多项式拟合_最小二乘法多项式曲线拟合数学原理及其C++实现
本文使用 Zhihu On VSCode 创作并发布 0 前言 自动驾驶开发中经常涉及到多项式曲线拟合,本文详细描述了使用最小二乘法进行多项式曲线拟合的数学原理,通过样本集构造范德蒙德矩阵,将一元 N ...
- 最小二乘法多项式曲线拟合及其python实现
最小二乘法多项式曲线拟合及其python实现 多项式曲线拟合问题描述 最小二乘法 针对overfitting,加入正则项 python实现 运行结果 多项式曲线拟合问题描述 问题描述:给定一些数据点, ...
- 最小二乘法拟合多项式曲线原理
概念 最小二乘法多项式曲线拟合,根据给定的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 给定数据点pi(xi,yi),其中i=1,2,-,m.求近似曲 ...
- 基于自动分段最小二乘法对股票的多项式曲线拟合
基于自动分段最小二乘法对股票的多项式曲线拟合 摘 要 针对传统的分段最小二乘法确定分段步长时经验成分较多的不足,提出一种通过比较拟合优度,自动确定相对最优的步长.通过实际数据的验证,验证了此方法的拟合 ...
- 多项式曲线拟合最小二乘法
对给定的试验数据点(xi,yi)(i=1,2,--,n),可以构造m次多项式 数据拟合的最简单的做法就是使误差p(xi)-yi的平方和最小 当前任务就是求一个P(x)使得 从几何意义上讲就是寻求给与定 ...
- 多项式曲线拟合之最小二乘法推导
1.多项式曲线拟合之最小二乘法 1.1 问题来源 1801年,意大利天文学家朱赛普·皮亚齐发现了第一颗小行星谷神星.经过40天的跟踪观测后,由于谷神星运行至太阳背后,使得皮亚齐失去了谷神星的位置.随后 ...
最新文章
- 开源ceph管理平台inkscope部署手册
- centos6.8 搭建postfix/dovecot邮件服务器
- 一款已上市MMO手游地图同步方案总结
- 4个Shell小技巧,帮你提高机器学习生产效率
- LA 5842 Equipment (状态压缩+dp)
- Chapter 6-Blurring Things Up之Do It Twice
- spring开发工具STS下载
- 计算机应用维护师实习周记,计算机系统维护专业毕业实习周记
- supervisor 使用文档
- 永不消逝的电波(一):无线电入门篇
- HTML+CSS系列实战之表格
- css 背景渐变 图像_交叉渐变背景图像
- uos系统不激活能用吗_uos如何激活
- 怎样调整Firefox火狐浏览器开发者控制台字体大小
- CometOJ #10 沉鱼落雁 | 思维
- CocosCreator报:Maximum call stack size exceeded 的问题
- SSL数字证书(三)使用 openssl 生成证书
- 2021-05-19 ASP.NET Core笔试题 请问对EFCore有了解吗?
- Android问题集锦之一:adb devices 出现unauthorized错误
- GEE学习笔记:在Google Earth Engine(GEE)中计算坡度、坡向、山体阴影