新闻摘要:在大量的应用领域中，人们经常面临用一个解析函数描述数据(通常是测量值)的任务。在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。标有‘o‘的是数据点。

在大量的应用领域中，们经常面临用一个解析函数描述数据(通常测量值)的任务。对个问题有两种方法。在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。这种方法在下一节讨论。这里讨论的方法是曲线拟合或回归。人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。图11.1说明了这两种方法。标有'o'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。

11.1 曲线拟合

曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用许多不同的方法定义最佳拟合，并存在无穷数目的曲线。所以，从这里开始，我们走向何方？正如它证实的那样，当最佳拟合被解释为在数据点的最小误差平方和，且所用的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，再研究图11.1。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。

图11.12阶曲线拟合

在MATLAB中，函数polyfit求解最小二乘曲线拟合问题。为了阐述这个函数的用法，让我们以上面图11.1中的数据开始。

» x=[0.1.2.3.4.5.6.7.8.91];

» y=[-.4471.9783.286.167.087.347.669.569.

[1] [2] [3] [4] [5] [6] [7] [8] [9] [10]  ... 下一页  >>