最小二乘法线性拟合和2次曲线拟合算法
最近由于项目要求,应用了最小二乘法线性拟合和2次曲线拟合算法,现总结如下:
最小二乘法线性拟合应用已有的采样时间点,再现这些点所描述的线性变化,即求出一个线性方程y=ax+b(这个算法的主要问题也就是如何用给定的数据求线性方程系数a和b)
//最小二乘法线性拟合,线性方程求系数,Xval时间数据,Yval每个时间点上的值数据,n数据的个数,Aval线性方程系数a,Bval线性方程系数b
BOOL DlgDataAnalyse::TwoCurveCompose(double *Xval,double *Yval,long n,double *Aval,double *Bval)
{
double mX,mY,mXX,mXY;
mX=mY=mXX=mXY=0;
for (int i=0;i<n;i++)
{
mX+=Xval[i];
mY+=Yval[i];
mXX+=Xval[i]*Xval[i];
mXY+=Xval[i]*Yval[i];
}
if(mX*mX-mXX*n==0)return FALSE;
*Aval=(mY*mX-mXY*n)/(mX*mX-mXX*n);
*Bval=(mY-mX*(*Aval))/n;
return TRUE;
}
最小二乘法2次曲线拟合应用已有的采样时间点,再现这些点所描述的2次曲线的变化,即求出一个二次曲线方程y=ax2+bx+c (这个算法的主要问题也就是如何用给定的数据求方程系数abc)
今天使用拟合的最小二乘法,求出了给定的一组坐标系上的点对最接近的直线的。
其具体理论如下:
在科学实验数据处理中,往往要根据一组给定的实验数据,求出自变量x与因变量y的函数关系,这是为待定参数,由于观测数据总有误差,且待定参数ai的数量比给定数据点的数量少(即n<m),因此它不同于插值问题.这类问题不要求通过点,而只要求在给定点上的误差的平方和最小.当时,即
(5.8.1)
这里是线性无关的函数族,假定在上给出一组数据,以及对应的一组权,这里为权系数,要求使最小,其中
(5.8.2)
这就是最小二乘逼近,得到的拟合曲线为y=s(x),这种方法称为曲线拟合的最小二乘法.
(5.8.2)中实际上是关于的多元函数,求I的最小值就是求多元函数I的极值,由极值必要条件,可得
(5.8.3)
根据内积定义(见第三章)引入相应带权内积记号
(5.8.4)
则(5.8.3)可改写为
这是关于参数的线性方程组,用矩阵表示为
(5.8.5)
(5.8.5)称为法方程.当线性无关,且在点集上至多只有n个不同零点,则称在X上满足Haar条件,此时(5.8.5)的解存在唯一(证明见[3]).记(5.8.5)的解为
从而得到最小二乘拟合曲线
(5.8.6)
可以证明对,有
故(5.8.6)得到的即为所求的最小二乘解.它的平方误差为
(5.8.7)
均方误差为
在最小二乘逼近中,若取,则,表示为
(5.8.8)
此时关于系数的法方程(5.8.5)是病态方程,通常当n≥3时都不直接取作为基。
//最小二乘法二次曲线拟合算法,Xval时间数据,Yval每个时间点上的值数据,M代表几次曲线(如:2次的话就是3),N数据的个数,A二次曲线方程的系数(A[2]代表a,A[1]代表b,A[0]代表c)
BOOL DlgDataAnalyse::CalculateCurveParameter(double *Xval,double *Yval,long M,long N,double *A)
{
//X,Y -- X,Y两轴的坐标
//M -- 次数,表示几次曲线
//N -- 采样数目
//A -- 结果参数
register long i,j,k;
double Z,D1,D2,C,P,G,Q;
CDoubleArray B,T,S;
B.SetSize(N);
T.SetSize(N);
S.SetSize(N);
if(M>N)M=N;
for(i=0;i<M;i++)
A[i]=0;
Z=0;
B[0]=1;
D1=N;
P=0;
C=0;
for(i=0;i<N;i++)
{
P=P+Xval[i]-Z;
C=C+Yval[i];
}
C=C/D1;
P=P/D1;
A[0]=C*B[0];
if(M>1)
{
T[1]=1;
T[0]=-P;
D2=0;
C=0;
G=0;
for(i=0;i<N;i++)
{
Q=Xval[i]-Z-P;
D2=D2+Q*Q;
C=Yval[i]*Q+C;
G=(Xval[i]-Z)*Q*Q+G;
}
C=C/D2;
P=G/D2;
Q=D2/D1;
D1=D2;
A[1]=C*T[1];
A[0]=C*T[0]+A[0];
}
for(j=2;j<M;j++)
{
S[j]=T[j-1];
S[j-1]=-P*T[j-1]+T[j-2];
if(j>=3)
{
for(k=j-2;k>=1;k--)
S[k]=-P*T[k]+T[k-1]-Q*B[k];
}
S[0]=-P*T[0]-Q*B[0];
D2=0;
C=0;
G=0;
for(i=0;i<N;i++)
{
Q=S[j];
for(k=j-1;k>=0;k--)
Q=Q*(Xval[i]-Z)+S[k];
D2=D2+Q*Q;
C=Yval[i]*Q+C;
G=(Xval[i]-Z)*Q*Q+G;
}
C=C/D2;
P=G/D2;
Q=D2/D1;
D1=D2;
A[j]=C*S[j];
T[j]=S[j];
for(k=j-1;k>=0;k--)
{
A[k]=C*S[k]+A[k];
B[k]=T[k];
T[k]=S[k];
}
}
return TRUE;
}
最小二乘法线性拟合和2次曲线拟合算法相关推荐
- 最小二乘法线性拟合及其代码实现(C语言)
文章目录 前言 一.最小二乘法 二.代码实现(C语言) 三.缺陷与不足 1. 对异常值很敏感 2. 没有考虑自变量的误差 3. 存在不可求解的情况 总结 参考 前言 最小二乘法是最常用的数据拟合方法. ...
- 三次B样条曲线拟合算法
1 三次B样条曲线方程 B样条曲线分为近似拟合和插值拟合,所谓近似拟合就是不过特征点,而插值拟合就是通过特征点,但是插值拟合需要经过反算得到控制点再拟合出过特征点的B样条曲线方程.这里会一次介绍两种拟 ...
- 【算法+OpenCV】基于三次Bezier原理的曲线拟合算法C++与OpenCV实现
近期,因为要实现经过多个控制点的曲线拟合,研究起了曲线拟合算法.综合搜索到的资料,发现Bezier曲线拟合算法是一种相对较容易实现.且拟合的效果较好的算法.关于Bezier曲线原理,请参照(Bezie ...
- C++实现线性递归矩阵 linear recurrence matrix算法(附完整源码)
C++实现线性递归矩阵 linear recurrence matrix算法 C++实现线性递归矩阵 linear recurrence matrix算法完整源码(定义,实现,main函数测试) C+ ...
- Java实现最小二乘法线性拟合,传感与检测,单臂半桥全桥实验,江南大学自动化
因为作为资源上传不方便我们获取且我想免费分享给有需要的小伙伴,以后所有实验报告都通过文章形式记录输出了,仅供参考,欢迎交流.(最小二乘法代码在文末) 电桥特性曲线: Java实现最小二乘法线性拟合及计 ...
- python单链表实现具体例子_Python实现数据结构线性链表(单链表)算法示例
本文实例讲述了Python实现数据结构线性链表(单链表)算法.分享给大家供大家参考,具体如下: 初学python,拿数据结构中的线性链表存储结构练练手,理论比较简单,直接上代码. #!/usr/bin ...
- matlab rloess,比较ggplot loess拟合和loess拟合函数
1. ggplot拟合曲线 根据钻石的克拉和价格作图,并以切割的好坏进行分组. 用geom_smooth函数对数据进行拟合,拟合方法选择局部线性回归loess,黑色曲线即为回归曲线. library( ...
- 线性筛法求素数c语言,[算法]素数筛法(埃氏筛法线性筛法)
一.素数筛的定义 给定一个整数n,求出[1,n]之间的所有质数(素数),这样的问题为素数筛(素数的筛选问题). 二.埃氏筛法(Eratosthenes筛法) 埃氏筛法又叫做Eratosthenes筛法 ...
- 三次Beizer曲线拟合算法
1 三次Beizer曲线方程介绍 Beizer曲线的一些特性这里不再赘述,大家可以去网上查看一些资料,很详细.最近用到轮廓拟合,所以用三次Beizer曲线效果还可以,有插值和近似拟合(插值就是曲线过点 ...
最新文章
- Linux shell 学习笔记(15)— shell 正则表达式
- 今天说的是必须要熟练掌握的归并排序
- 源代码阅读工具Source-Navigator 在ubuntu 9.04下的安装与问题解决
- 一次性定时事件的处理
- java将图片变成圆角_android图片处理之让图片变成圆形
- 日常小记录json文件(json.load()、json.loads()、json.dump()、json.dumps())
- xml中的if和截取字符串
- svga文件预览_Shu文件预览
- 十大OpenGL教程
- 我开源了一个私人云盘——蓝眼云盘
- 中望cad自定义快捷键命令_1分钟成为CAD设计高手:中望CAD命令快捷键设置详解-快捷键设置...
- vue -【nextTick】-【过度与动画】-【插槽】-【配置代理服务器】-【vuex】-【路由】
- python中的newline_python open函数newline用法
- 如何用python进行相关性分析_Python文章相关性分析---金庸武侠小说分析
- 【硬件设备】CPU系列之基础知识
- 计算机员工工资管理系统源代码,C++员工工资管理系统源代码
- 旷视face++,图像识别
- vb怎么自动连接服务器,vb如何连接云服务器数据库(云服务器和云数据库)
- 数据结构——链表经典OJ题题解
- Appium报错cannot be proxied to UiAutomator2 server because the instrumentation process is not running
热门文章
- ftok()函数的使用
- java ctr_分组密码_计数器(CTR)模式_原理及java实现
- linux sftp 命令_Linux Sftp命令示例
- linux安全之系统安全
- 大数据时代,做大数据开发要学Java框架吗?
- oracle报错解决
- 遍历本路径下所有文件夹和子文件夹,修改文件后缀名
- mmdetection(6):Gradient Harmonized Single-stage Detector
- DeepLab V1模型原理
- 算法:并查集(四种方式)