如何应用最小二乘法进行实验曲线拟合

1. 如何应用最小二乘法进行实验曲线拟合

打开Excel，先将数据绘成线性图，然后在图表中添加趋势线，然后勾选：显示公式，就可以拟合出数据的公式了。
最小二乘法：
（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。
拟合：
对给定数据点{(Xi，Yi)}(i=0,1，…，m），在取定的函数类Φ 中，求p(x）∈Φ，使误差的平方和E^2最小，E^2=∑[p(Xi)-Yi]^2。从几何意义上讲，就是寻求与给定点 {(Xi，Yi)}(i=0,1，…，m）的距离平方和为最小的曲线y=p(x）。函数p(x）称为拟合函数或最小二乘解，求拟合函数p(x）的方法称为曲线拟合的最小二乘法。

2. 最小二乘法拟合曲线

曲线函数求出来之后就只可带横坐标算纵坐标了对应描点连线就可以了，编辑框 把编辑框的句柄传入onpaint中就可以绘图了。
help polyfit。
POLYFIT Fit polynomial to data。
POLYFIT(X,Y,N) finds the coefficients of a polynomial P(X) of。
degree N that fits the data, P(X(I))~=Y(I), in a least-squares sense。
The structure S contains the Cholesky factor of the Vandermonde。
matrix (R), the degrees of freedom (df)，and the norm of the。
residuals (normr) as fields。

工程设计
所得到的数据往往是一张关于离散数据点的表 ，没有解析式来描述 x-y关系。根据所给定的这些离散数据点绘制的曲线，称为不规则曲线，通常用曲线拟合的方法解决这类问题。
所谓曲线拟合方法是由给定的离散数据点，建立数据关系(数学模型)，求出一系列微小的直线段把这些插值点连接成曲线，只要插值点的间隔选择得当，就可以形成一条光滑的曲线。

3. 曲线拟合的最小二乘法

对于曲线拟合函数ψ(x)，不要求其严格的通过所有数据点，也就是说拟合函数ψ(x)在xi处的偏差（亦称残差）不都严格的等于零，即为矛盾方程组：为了是近似曲线能尽量反映所给数据点的变化趋势，要求偏差按照某种度量标准最小。这后面的分析用到了范数的概念。这种方法就叫做曲线拟合的最小二乘法。

我们新建并打开一个excel表格，在excel中输入或打开要进行最小二乘法拟合的数据。此时按住“shift”键，同时用鼠标左键单击以选择数据。单击菜单栏上的“插入”-“图表”-“散点图”图标。
此时，我们选择第一个“仅带数据标记的散点图”图标，随后我们可以在窗口中间弹出散点图窗口。鼠标左键单击上边的散点，单击鼠标右键，弹出列表式对话框，再单击“添加趋势线(R)”。右侧就会弹出“设置趋势线格式”对话框。

利用最小二乘法将上面数据所标示的曲线拟合为二次曲线，使用c语言编程求解函数系数；最小二乘法原理 原理不再赘述，主要是解法采用偏微分求出来的。

4. 最小二乘法拟合曲线

最小二乘法多项式曲线是根据给定的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)。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。
为了使其尽可能反映所给数据的变化趋势，我们可以要求偏差的绝对值尽可能小，甚至是所有偏差中的最大值尽可能小。我们可以通过使选取的近似曲线在节点xi处的偏差的平方和达到最小来实现这一目标，这一原则就是最小二乘原则。

最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合，其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。

5. 最小二乘法多项式曲线拟合原理与实现

 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)。
   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。
   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 。
     
                                             
                                                                                                                                                                                                           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。

6. 最小二乘法的线性拟合

题中所给数据可表示为y(x)，即x=1、2、3、...、19，y(1)=0.898、y(2)=2.38、...、y(19)=81.8(见题);令Δ(x)=ae^(bx)-y(x)①，方差D=∑(x=1→19)[Δ(x)]^2②;②式分别对a、b求偏导，ðD/ða=2∑(x=1→19)Δ(x)e^(bx)③;ðD/ðb=2a∑(x=1→19)xΔ(x)e^(bx)④;令ðD/ða=0、ðD/ðb=0，则③、④变为:a∑(x=1→19)e^(2bx)=∑(x=1→19)y(x)e^(bx)⑤;a∑(x=1→19)xe^(2bx)=∑(x=1→19)xy(x)e^(bx)⑥;联立⑤、⑥即可求得a、b;⑤、⑥为超越方程，求解析解很困难，采用数值解法得:a≈0.23688176、b≈0.30897789，均方差=√D≈8.6553、最大偏差(绝对值)≈5.34(发生在x=17时)。

7. 最小二乘法的拟合

对给定数据点集合，在取定的函数类中，求，使误差的平方和最小，。从几何意义上讲，就是寻求与给定点集的距离平方和为最小的曲线y=p(x)。函数p(x)称为拟合函数或最小二乘解，求拟合函数p(x)的方法称为曲线拟合的最小二乘法。 最小二乘法的矩阵形式最小二乘法的矩阵形式为：其中 为 的矩阵， 为 的列向量， 为 的列向量。如果 （方程的个数大于未知量的个数），这个方程系统称为矛盾方程组（Over Determined System），如果 （方程的个数小于未知量的个数），这个系统就是Under Determined System。正常来看，这个方程是没有解的，但在数值计算领域，我们通常是计算 ，解出其中的 。比较直观的做法是求解 ，但通常比较低效。其中一种常见的解法是对 进行QR分解（ ），其中 是 正交矩阵（Orthonormal Matrix）， 是 上三角矩阵（Upper Triangular Matrix），则有  用MATLAB命令  x=R\(Q\b)可解得 。 最小二乘法的Matlab实现① 一次函数线性拟合使用polyfit（x,y,1）②多项式函数线性拟合使用 polyfit（x,y,n），n为次数拟合曲线x=[0.5,1.0,1.5,2.0,2.5,3.0]，y=[1.75,2.45,3.81,4.80,7.00,8.60]。解：MATLAB程序如下：x=[0.5,1.0,1.5,2.0,2.5,3.0];y=[1.75,2.45,3.81,4.80,7.00,8.60];p=polyfit(x,y,2)x1=0.5:0.5:3.0;y1=polyval(p,x1);plot(x,y,'*r',x1,y1,'-b')计算结果为：p =0.5614 0.8287 1.1560即所得多项式为y=0.5614x^2+0.8287x+1.15560③非线性函数使用lsqcurvefit(fun,x0,x,y) a=nlinfit(x,y,fun,b0)最小二乘法在交通运输学中的运用交通发生预测的目的是建立分区产生的交通量与分区土地利用、社会经济特征等变量之间的定量关系，推算规划年各分区所产生的交通量。因为一次出行有两个端点，所以我们要分别分析一个区生成的交通和吸引的交通。交通发生预测通常有两种方法：回归分析法和聚类分析法。 回归分析法是根据对因变量与一个或多个自变量的统计分析，建立因变量和自变量的关系，最简单的情况就是一元回归分析，一般式为：Y=α+βX式中Y是因变量，X是自变量，α和β是回归系数。若用上述公式预测小区的交通生成，则以下标 i 标记所有变量；如果用它研究分区交通吸引，则以下标 j 标记所有变量。而运用公式的过程中需要利用最小二乘法来求解，上述公式中的回归系数根据最小二乘法可得：其中，式中的X拔是规划年的自变量值，Y拔是规划年分区交通生成（或吸引）预测值。

8. 最小二乘法拟合

a=2  -3794.2