非线性最小二乘曲线拟合的线性化探究.docVIP

非线性最小二乘曲线拟合的线性化探究 摘要：利用非线性最小二乘法的基本思想，总结非线性特征曲线拟合的方法，包括指数曲线拟合法，饱和指数曲线拟合法，双曲线拟合法以及这些方法的应用。 关键字：最小二乘法 非线性 指数 拟合法 matlab 在自然科学、社会科学等领域内，人们常常希望掌握某种客观存在的变量之间的函数关系，通过实验、观测和社会调查获得大量的数据后，从这些数据中总结出所需要的函数关系。这类问题就是曲线拟合问题。 非线性最小二乘曲线拟合法，就是利用非线性最小二乘法的基本思想和一些典型的非线性特征曲线来实现预测的方法。以下首先介绍线性最小二乘法的基本思想。然后，尝试使用非线性特征曲线拟合法，包括指数曲线拟合法，饱和指数曲线拟合法以及双曲线拟合法。通过一些现实生活中我们所遇到的问题，利用这些拟合法作简单预测。 一 、）（i=0,1,2,…，m）中寻找自变量x与因变量y之间的函数关系。由于观测数据往往不准确，因此不要求经过所有点（），而只要求在给定点上误差（i=0,1,2,…，m）按某种标准最小。若记，就是要求向量的范数最小。如果用最大范数，计算上困难较大，通常就采用Euclid范数作为误差度量的标准。 关于最小二乘法的一般的提法是：对于给定的一组数据（）（i=0,1,2,…，m），要求在函数空间中找一个函数，使误差平方和 ， （1）这里 （＜m）。 （2） 这就是一般的最小二乘逼近，用几何语言说，就称为曲线拟合的最小二乘法。 用最小二乘法求拟合曲线时，首先要确定的形式。这不是单纯数学问题，还与所研究问题的运动规律即所得观测数据（）有关；通常要从问题的运动规律及给定数据描图来确定的形式，并通过实际计算选出较好的结果——这点将从下面的例题得到说明。的一般表达式为式（2）所示的线性形式。若是k次多项式，就是n次多项式。为了使问题的提法更有一般性，通常把最小二乘法中都考虑为加权平方和 （3）这里是上的权函数，它表示不同点处的数据比重不同，例如，可表示在点处重复观测的次数。用最小二乘法求拟合曲线的问题，就是在形如（2）式的中求一函数，使式（3）取得最小。它转化为求多元函数 （4） 的极小点问题。由求多元函数极值的必要条件，有 。 若记 ， （5） 则 ，， 可改写为 。 （6） 此方程称为法方程。它也可写成矩阵形式 ， 其中 ， ， （7） 由于线性无关，故,方程组（6）存在唯一的解 ， 从而得到函数的最小二乘解为 。 可以证明，这样得到的对于任何形如式（2）的，都有 ， 故确是所求最小二乘解。 二、非线性最小二乘曲线拟合问题 所谓线性最小二乘指的是在选定可取函数类（即由一组基函数生成的函数空间）后，待定参数全部线性，最常见就是多项式曲线拟合（以一次、二次、三次、四次函数等低次为多见），有一些情况下实际问题得出的数据分布（散点图）需以指数、双曲线、饱和指数等类型函数去拟合，这时有的待定参数非线性，我们依然以误差向量的二范数最小为原则，因之称为非线性最小二乘拟合，这其中有部分非线性模型可以通过变量代换、取对数等手段转变为线性模型，从而用线性拟合进行处理。 对于一个实际的曲线拟合问题，一般先按观测值在直角坐标平面上描出散点图，看一看散点同哪类曲线图形接近，然后选用相近的曲线拟合方程，再通过适当的变量替换转化为线性拟合问题，按线性拟合解出后再还原为原变量所表示的曲线拟合方程。 以下列举几类经适当变换化为线性拟合求解的曲线拟合方程及变换关系。 曲线拟合方程 变换关系 变换后线性拟合方程 在科学实验和生产实践中，如何找到更符合实际情况的数据拟合，一方面要根据专业知识和经验来确定经验曲线的近似公式，另一方面要根据散点图的分布形状及特点来选择适当的曲线拟合这些数据。当散点图接近于直线，宜采用线性函数拟合；当散点图分布接近于抛物线，可采用二次多项式拟合；当散点图分布特点是开始曲线 上升较快随后逐渐变慢，宜采用双曲线型函数或指数型函数；当散