一、最小二乘法与最小一乘法
1.什么时候用最小二乘法
在研究两个变量之间的关系时，可以用回归分析的方法进行分析。当确定了描述两个变量之间的回归模型后，就可以使用最小二乘法估计模型中的参数，进而建立经验方程.
例如，在现实世界中，这样的情形大量存在着：两个变量X和Y（比如身高和体重）彼此有一些依赖关系，由X 可以部分地决定Y的值，但这种关系又是不确定的.人们常常借助统计学中的回归模型来寻找两个变量之间的关系，而模型的建立当然是依据观测数据.首先通过试验或调查获得x和Y的一组对应关系(x1，Y1)，(x2，Y2)，…，(x n，Y n)，
然后回答下列5个问题：
1. 这两个变量是否有关系？(画出散点图，作直观判断)
2. 这些关系是否可以近似用函数模型来描述？（利用散点图、已积累的函数曲线形状的知识和试验数据，选择适
当的回归模型，如一元线性模型y=b0＋b1x，二次函数模型y=b0＋b1x＋b2x2等）
3. 建立回归模型.
4. 对模型中的参数进行估计，最小二乘法是这些参数的一种常用估计方法.
5. 讨论模型的拟合效果.
在上述第3步中，设所建立的回归模型的一般形式是，其中Y称为响应变量，x称为解释变量或协变量；是一个由参数决定的回归函数；是一个不可观测的随机误差.为了通过试验数据来估计参数的值，可以采用许多统计方法，而最小二乘法是目前最常用、最基本的.由的估计值决定的方程称为经验回归
方程或经验方程.
教科书中涉及的回归模型是最简单的一元线性模型
Y=b0+b1x+，
此时模型的拟合效果可以通过Pearson相关系数
来描述。事实上，在线性回归模型中可以证明相关指数等于相关系数的平方.
2.什么是最小二乘法思想
简单地说，最小二乘的思想就是要使得观测点和估计点的距离的平方和达到最小.这里的“二乘”指的是用平方来度量观测点与估计点的远近（在古汉语中“平方”称为“二乘”），“最小”指的是参数的估计值要保证各个观测点与估计点的距离的平方和达到最小.
例如，对于回归模型
，
若，…，为收集到的观测数据，则应该用来估计，这里是的估计值。这样点
的估计就是，它们之间距离的平方就是
，
进而最小二乘估计量就是使得
(*) 达到最小值的参数.特别当各个和相应的估计值相等，即时，最小二乘估计量就是使得
(**)
达到最小值的参数.
如果我们能够在固定解释变量值的前提下观测预报变量，就认为解释变量的观测值和估计值相等，从而可以通过(**)式求最小二乘估计.在实际应用中，人们常忽略“各个和相应的估计值相等”的条件，而把(**)式的最小值点称为参数的最小二乘估计量，其原因有二：其一是不知道最小二乘方法的原理；或是找不到估计量的合理数学表达式，也就无法通过(*)式求最小二乘估计量，只好用(**)式的最小值点作为参数的估计.
在教科书中，已知(x1，y1)，(x2，y2)，…，(x n，y n)是变量X和Y的一组观测数据，要估计的是回归直线方程y=b0＋b1x中参数b0，b1的值。所以这时目标函数为
于是这时的最小二乘法就是寻求b0，b1的值，使在各点处的偏差y i－(b0＋b1x i)（i=1，2，…，n）的平方和
达到最小.在这种情形中，有意思的事情是：估计得到的直线=b0＋b1x一定经过观测数据点的中心
(，)（，）.
进一步，若观测数据全部落在某一直线上，则这个直线方程的截距和斜率必是模型参数的最小二乘估计量.因此最小二乘法还为我们提供了一种求解方程组的方法.
关于最小二乘估计的计算，涉及更多的数学知识，这里不想详述.其一般的过程是用目标函数对各b i求偏导数，并令其等于0，得到一个线性方程组.高斯当年将其命名为正则方程，并创设了解线性方程组的消元法——高斯消元法.
从计算的角度看，最小二乘法与插值法类似，都是处理数据的算法.但从创设的思想看，二者却有本质的不同.前者寻求一条曲线，使其与观测数据“最接近”，目的是代表观测数据的趋势；后者则是使曲线严格通过给定的观测数据，其目的是通过来自函数模型的数据来近似刻画该函数.在观测数据带有测量误差的情况下，就会使得这些观测数据偏离函数曲线，结果使得与观测数据保持一致的插值法不如最小二乘法得到的曲线更符合客观实际.
最小二乘法能在统计学中得到应用，也是因为测量误差的存在。事实上，在高斯等人创立了测量误差理论，对最小二乘法进行了误差分析之后，这种方法才在统计界获得了合法地位，正式成为了一种统计方法.
3.关于最小一乘法
将上述最小二乘法的一般形式改为
目标函数=，
就是最小一乘法。最小一乘法诞生在1760年，比最小二乘法还要早40多年.但是由于当时无法解决的计算问题，最小一乘法在此后的百余年中都没有获得长足的发展.直到1950年，发现了用线性规划求解的方法以及电子计算机的使用，才解决了计算难题.如今，统计理论的发展使最小一乘法在某些应用部门（如数量经济学）显示了优良的性质，正在逐步受到应用界的重视.
有意思的是，有人做过这样的试验：准备大量的散点图，让一些人各自用目测的方法画直线.结果表明，大多数人目测的结果更接近于最小一乘法而不是最小二乘法获得的直线。
二、最小二乘法的发现史及其在统计学中的地位
发现最小二乘法的动因是天文学和测地学中处理数据的需要.陈希孺先生所著《数理统计学简史》中记载了这样一段历史.在18世纪，天文学和测地学中的一些数据分析问题可以描述如下：有（m＋1）个可以测量的量x0，x1，…，x m，和m个未知的参数β1，β2，…，βm.按照某种理论，它们之间应有线性关系
。⑴
但是由于实际工作中对x0，x1，…，x m的测量存在误差，而且⑴式只是理论上的近似而非严格成立.也就是说，⑴式左边的表达式实际上不等于0，其真实值与测量有关，可视为一种误差.若进行了n次测量，在实际问题中，n总是大于甚至是远远大于m，目的是多提供一些信息，以便对参数β1，β2，…，βm作出较精确的估计.设在第i次测量中，x0，
x1，…，x m分别取值x0i，x1i，…，x mi，则按照⑴式，应有
（i=1，2，…，n）。⑵
若⑵式严格成立，则只要从上述n个方程中任意挑出m个就可以解出β1，β2，…，βm的值.但⑵式并非严格成立，于
是需要设计合适的算法来估计参数的值.
1750年，天文学家梅耶发表了一种方法.他在研究海上航行船只的定位问题时，得到了一个包含3个未知参数的形如⑴式的关系式以及27组观测数据.梅耶把这27个方程分成3组，然后把每组中的9个方程相加，共得到3个方程，这样可以解出3个未知参数.至于分组的方法，梅耶以其中一个系数为准，按各方程中此系数的大小分组：最大的9个，最小的9个和剩下的9个各成一组.在最小二乘法发现之前，这个方法曾经比较流行，并被冠以梅耶的名字.值得一提的是，梅耶还估计了这种方法的误差，并试图对误差的界限作一个估计.虽然今天看来梅耶的做法有一些错误，但他在
那么早的阶段就做出这种努力，是难能可贵的.
1787年，拉普拉斯在研究天文问题时引出了一个形如⑴式的m＝4，n＝24的方程组.他的求解方法是，先把24个
方程编号，然后按下列方式得到需要求解的4个方程.
方程1：24个方程的和；
方程2：前12个方程之和－后12个方程之和；
方程3：编号为3，4，10，11，17，18的方程之和－编号为1，7，14，20的方程之和；
方程4：编号为2，8，9，15，16，21，22的方程之和－编号为5，6，12，13，19的方程之和。
拉普拉斯没有解释如此组合的原因，这使得他的方法无法应用于类似的问题.
对解决这类问题做过尝试的还有大数学家欧拉，但他的做法显得杂乱无章，缺乏基本的合理性.看来这个问题的解决还需要一点新的思路.1805年，法国数学家勒让德采取了一个新的角度来考虑这个问题.他不再关心如何找出个数等于未知数个数的方程组，而是考虑如何使误差在整体上达到平衡，于是他采取使
的原则去求解β1，β2，…，βm.这一原则使误差不过分集中在几个方程上，而是比较均匀地分布于各方程，从而有助于揭示系统的更接近真实的状态.而勒让德之前的学者的做法对于误差在各方程之间的分布的影响是不清楚的.
后来，最小二乘法逐步渗入到统计数据分析领域，对统计学的发展产生了重大影响.统计史家对此评价很高，有的认为最小二乘法之于统计学，犹如微积分之于数学.有的学者称最小二乘法是19世纪统计学的“中心主题”.最小二乘法之所以能获得如此的显赫地位，主要得益于它与线性模型的联系.勒让德创设最小二乘法是为了解决形如⑴式的线性表达式（如今已发展为线性模型）的，由此导出的也是一个线性的方程组，这使得最小二乘法具有计算简便的特点.但更加重要的是，“线性”的特点使最小二乘法在误差分析方面较之其他方法具有不可替代的优势.在1809年高斯对最小二乘估计进行的误差分析中发现，在线性模型的所有无偏估计类中，最小二乘估计是唯一的方差最小的无偏估计；进入20世纪后，哥色特、费歇尔等人还发现，在正态误差的假定下，最小二乘估计有较完善的小样本理论，使基于它的统计推断易于操作且有关的概率计算不难进行.与此同时，对最小二乘法误差分析的研究也促进了线性模型理论的发展.如今，线性模型已经成为理论结果最丰富、应用最广泛的一类回归模型.
三、对“用最小二乘法探求回归直线方程”的教学建议
1.体现“过程性”
在本部分内容的教学中，应结合具体问题体现两个过程.一是回归分析的过程，即：要研究两个定量变量（如年龄和脂肪含量）是否具有某种关系画散点图，直观判断用回归直线代表试验数据的趋势用最小二乘法求得斜率和截距的估计值，得到经验方程=b0+b1x用经验回归方程对相应变量进行预测.二是
用最小二乘法估计回归直线的过程.这个过程包括两个环节，一是通过让学生自己寻求回归直线，引导他们认识到应该从“整体上”看待这个问题，即“从整体上看，各观测数据点与直线的距离最小”是确定直线的一个合理原则；二是让学生经历用数学语言刻画“从整体上看，各观测数据点与直线的距离最小”的过程.
2.体现统计思想
对于本部分内容，统计思想主要体现在两个方面.首先建立回归直线的目的，是为了从整体上代表两个变量的观测数据的关系，这与用平均数来代表一个变量的数据是类似的.二是观测值不可能正好落在回归直线上.这是因为回归直线方程y=b0+b1x是线性回归模型Y=b0+b1x+=y+的一部分，这里是误差项.该模型假定，变量x与y有线性关系
y=b0+b1x，而凡是不能被该线性关系描述的y的变化都由误差项来承担.由于误差，观测值不可能正好落在这条直线上.如果这个模型有意义的话，这些观测值不会离这条直线太远.而且b0和b1是通过样本估计出来的（通常用，表示），
存在随机误差，这种误差也会导致预测结果的偏差.
最小二乘法的基本原理和多项式拟合 一 最小二乘法的基本原理 从整体上考虑近似函数)(x p 同所给数据点),(i i y x (i=0,1,…,m)误差 i i i y x p r -=)((i=0,1,…,m) 的大小，常用的方法有以下三种：一是误差 i i i y x p r -=)((i=0,1,…,m)绝对值的最大值i m i r ≤≤0max ，即误差 向量 T m r r r r ),,(10 =的∞—范数；二是误差绝对值的和∑=m i i r 0 ，即误差向量r 的1— 范数；三是误差平方和∑=m i i r 02 的算术平方根，即误差向量r 的2—范数；前两种方法简单、自然，但不便于微分运算 ，后一种方法相当于考虑 2—范数的平方，因此在曲线拟合中常采用误差平方和∑=m i i r 02 来 度量误差i r (i=0，1，…，m)的整 体大小。 数据拟合的具体作法是：对给定数据 ),(i i y x (i=0,1,…，m)，在取定的函数类Φ中,求Φ∈)(x p ,使误差i i i y x p r -=)((i=0,1,…,m)的平方和最小，即 ∑=m i i r 2 = 从几何意义上讲，就是寻求与给定点),(i i y x (i=0,1,…,m)的距离平方和为最 小的曲线 )(x p y =（图6-1）。函数)(x p 称为拟合函数或最小二乘解，求拟合函数)(x p 的方法称为曲线拟合的最小二乘法。 在曲线拟合中，函数类Φ可有不同的选取方法 . 6—1 二 多项式拟合 假设给定数据点),(i i y x (i=0,1,…,m)，Φ为所有次数不超过)(m n n ≤的多项式构成的函数类，现求一 Φ ∈=∑=n k k k n x a x p 0 )(,使得 [] min )(0 02 02 =??? ??-=-=∑∑∑===m i m i n k i k i k i i n y x a y x p I (1) [ ] ∑ = = - m i i i y x p 0 2 min ) (
曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据},...2,1,0),,{(m i y x i i =求一个近似的函数)(x ?来拟合这组数据，要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ?最好地逼近()x f ，而不必满足插值原则。因此没必要取)(i x ?=i y ，只要使i i i y x -=)(?δ尽可能地小）。 原理： 给定数据点},...2,1,0),,{(m i y x i i =。求近似曲线)(x ?。并且使得近似曲线与()x f 的偏差最小。近似曲线在该点处的偏差i i i y x -=)(?δ，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 最小二乘法： 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. 问题转化为求待定系数0a ...k a 对等式右边求i a 偏导数，因而我们得到 了： ....... 4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵： 5. 将这个范德蒙得矩阵化简后可得到:
6. 也就是说X*A=Y，那么A = (X'*X)-1*X'*Y，便得到了系数矩阵A，同时，我们也就得到了拟合曲线。 MATLAB实现： MATLAB提供了polyfit（）函数命令进行最小二乘曲线拟合。 调用格式：p=polyfit(x,y,n) [p,s]= polyfit(x,y,n) [p,s,mu]=polyfit(x,y,n) x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。x必须是单调的。矩阵s包括R（对x进行QR分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。 [p,s,mu]=polyfit(x,y,n)在拟合过程中，首先对x进行数据标准化处理，以在拟合中消除量纲等影响，mu包含标准化处理过程中使用的x的均值和标准差。 polyval( )为多项式曲线求值函数，调用格式： y=polyval(p,x) [y,DELTA]=polyval(p,x,s) y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。 [y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。 如下给定数据的拟合曲线： 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=0.5:0.05:3.0; y1=polyval(p,x1); plot(x,y,'*r',x1,y1,'-b') 运行结果如图1 计算结果为： p =0.5614 0.8287 1.1560 即所得多项式为y=0.5614x^2+0.08287x+1.15560 图1 最小二乘法曲线拟合示例 对比检验拟合的有效性： 例：在[0,π]区间上对正弦函数进行拟合，然后在[0,2π]区间画出图形，比较拟合区间和非拟合区间的图形，考察拟合的有效性。 在MATLAB中输入如下代码： clear x=0:0.1:pi; y=sin(x); [p,mu]=polyfit(x,y,9)
用最小二乘法进行多项式拟合（m a t l a b 实现） 西安交通大学 徐彬华 算法分析： ,1,2,3,..,m),一共m+1 个数据点，取多项式P(x),使 函数P(x)称为拟合函数或最小二乘解，令似的 使得 其中，a0，a1,a2,…,an 为待求未知数，n 为多项式的最高次幂，由此，该问题化为求 的极值问题。由多元函数求极值的必要条件： j=0,1,…,n 得到： 总共有7个数据点，令m=6 第一步：画出已知数据的的散点图，确定拟合参数n; x=::;y=[,,,,,,]; plot(x,y,'*') xlabel 'x 轴' ylabel 'y 轴' title '散点图' hold on
因此将拟合参数n设为3. 第二步：计算矩阵 A= 注意到该矩阵为（n+1）*(n+1)矩阵， 多项式的幂跟行、列坐标（i,j）的关系为i+j-2,由此可建立循环来求矩阵的各个元素，程序如下： m=6;n=3; A=zeros(n+1); for j=1:n+1 for i=1:n+1 for k=1:m+1 A(j,i)=A(j,i)+x(k)^(j+i-2) end end end; 再来求矩阵 B= B=[0 0 0 0]; for j=1:n+1 for i=1:m+1 B(j)=B(j)+y(i)*x(i)^(j-1) end end 第三步：写出正规方程，求出a0,,a1…,an.
B=B'; a=inv(A)*B; 第四步：画出拟合曲线 x=[::]; z=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3; plot(x,z) legend('离散点','y=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3') title('拟合图') 总程序附下： x=::;y=[,,,,,,]; plot(x,y,'*') xlabel 'x轴' ylabel 'y轴' title '散点图' hold on m=6;n=3; A=zeros(n+1); for j=1:n+1 for i=1:n+1 for k=1:m+1 A(j,i)=A(j,i)+x(k)^(j+i-2) end end end; B=[0 0 0 0]; for j=1:n+1 for i=1:m+1 B(j)=B(j)+y(i)*x(i)^(j-1) end end B=B'; a=inv(A)*B; x=[::]; z=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3; plot(x,z) legend('离散点','y=a(1)+a(2)*x+a(3)*x.^2+a(4)*x.^3') title('拟合图')
标准曲线的最小二乘法拟合和相关系数 （合肥工业大学控释药物研究室 尹情胜） 1目的 用最小二乘法拟合一组变量（, i = 1-n ）之间的线性方程（y = ax+b ）,表示两 变量间的函数关系；（开创者：德国数学家高斯）个人收集整理勿做商业用途 一组数据（，，i = 1-n ）中，两变量之间的相关性用相关系数（R ）来表示。（开 创者：英国统计学家卡尔 皮尔逊）个人收集整理勿做商业用途 2最小二乘法原理 用最小二乘法拟合线性方程时，其目标是使拟合值（ 方和（Q ）最小。 n n Q=g （并-E （Yj —axj-b/ 整理勿做商业用途 3拟合方程的计算公式与推导 当Q 最小时，加 ％ ；得到式（2）、式（3）: n n n ai = + b￡xj 一 ￡xiyj = 0 1 = 1 [ = 1 i = 1 dQ db = 2 由式（3）和式（4），得出式（4）和式（5）: 忖）与实测值（）差值的平 式（ 1）个人收集 式（2） n n (aj^x.+nb- i = i j = i 整理勿做商业用途 式（3）个人收集
n n n ^Vi=a^\ + b^x i i = 1 i = 1 i = 1 理勿做商业用途 n n S y i = a E X i + nb i = 1 i = 1 收集整理勿做商业用途 个人收集整理勿做商业用途 截距b的计算公式为公式（5）,也即： I 11n i= 1 i = 1 式（4）个人收集整 式（5）个人 n 式（4）乘以门，式（5）乘以已1,两式相减并整理得斜率a： n n n i = 1 i = 1 i = 1 斜率(k = xy /xx , n* 积和-和积)式(6)截距 b =（y-x） / n,差平均差）式（7）
最小二乘法数据拟合 设给定数据),(i i f x ，),,2,1(m i = 在集合},,,{Span 10n ??? =Φ中找一个函数 )()(* 0** x a x S k n k k ?∑==，)(m n < (1) 其误差是 i i i f x S -=)(*δ，),,2,1(m i = (2) 使)(* x S 满足 2 1 )(2 *1 1 2 ])()[(min ])()[(i i m i i x S i i m i i m i i f x S x f x S x -=-=∑∑∑=Φ ∈==ωωδ (3) 0)(≥x ω是],[b a 上给定的权函数。上述求逼近函数)(*x S 的方法就称为曲线拟合的最小二 乘法。满足关系式(3)的函数)(* x S 称为上述最小二乘问题的最小二乘解。 并且有结论： 1)对于给定的函数表),(i i f x ，),,2,1(m i =，在函数类},,,{Span 10n ??? =Φ中存在唯一的函数)()(*0** x a x S k n k k ?∑== ，使得关系式(3)成立。 2)最小二乘解的系数* *1*0,,,n a a a 可以通过解法方程 ),(),(0 ???f a k n k j k =∑=，),,2,1,0(n j = (4) 作为曲线拟合的一种常用的情况，如果讨论的是代数多项式拟合，即取 },,,,1{},,,{210n n x x x =??? 那么相应的法方程(4)就是 ??????????????=???????????????????????? ??∑∑∑∑∑∑∑∑∑∑∑∑++i n i i i i i i i n n i i n i i n i i n i i i i i i n i i i i i f x f x f a a a x x x x x x x x ωωωωωωωωωωωω 102112 (5)
MATLAB机械工程 最小二乘法曲线拟合的应用实例 班级: 姓名: 学号: 指导教师:
一，实验目的 通过Matlab上机编程，掌握利用Matlab软件进行数据拟合分析及数据可视化方法 二，实验内容 1.有一组风机叶片的耐磨实验数据，如下表所示，其中X为使用时间，单位为小时h，Y为磨失质量，单位为克g。要求： 对该数据进行合理的最小二乘法数据拟合得下列数据。 x=[10000 11000 12000 13000 14000 15000 16000 17000 18000 19000 2 0000 21000 22000 23000]; y=[24.0 26.5 29.8 32.4 34.7 37.7 41.1 42.8 44.6 47.3 65.8 87.5 137.8 174. 2] 三，程序如下 X=10000:1000:23000; Y=[24.0,26.5,29.8,32.4,34.7,37.7,41.1,42.8,44.6,47.3,65.8,87.5,137.8,17 4.2] dy=1.5; %拟合数据y的步长for n=1:6 [a,S]=polyfit(x,y,n); A{n}=a;
da=dy*sqrt(diag(inv(S.R′*S.R))); Da{n}=da′; freedom(n)=S.df; [ye,delta]=polyval(a,x,S); YE{n}=ye; D{n}=delta; chi2(n)=sum((y-ye).^2)/dy/dy; end Q=1-chi2cdf(chi2,freedom); %判断拟合良好度 clf,shg subplot(1,2,1),plot(1：6,abs(chi2-freedom),‘b’) xlabel(‘阶次’)，title(‘chi2与自由度’) subplot(1,2,2),plot(1：6,Q,‘r’,1：6,ones(1,6)*0.5) xlabel(‘阶次’),title(‘Q与0.5线’) nod=input(‘根据图形选择适当的阶次（请输入数值）’)； elf,shg, plot(x,y,‘kx’)；xlabel(‘x’),ylabel(‘y’)； axis([8000,23000,20.0,174.2])；hold on errorbar(x,YE{nod},D{nod},‘r’)；hold off title(‘较适当阶次的拟合’) text(10000,150.0,[‘chi2=’num2str(chi2(nod))‘~’int2str(freedom(nod))])
第6章曲线拟合的最小二乘法 6.1 拟合曲线 通过观察或测量得到一组离散数据序列，当所得数据比较准确时，可构造插值函数逼近客观存在的函数，构造的原则是要求插值函数通过这些数据点，即。此时，序列与 是相等的。 如果数据序列，含有不可避免的误差（或称“噪音”），如图6.1 所示；如果数据序列无法同时满足某特定函数，如图6.2所示，那么，只能要求所做逼近函数最优地靠近样点，即向量与的误差或距离最小。按与之间误差最小原则作为“最优”标准构造的逼近函数，称为拟合函数。 图6.1 含有“噪声”的数据 图6.2 一条直线公路与多个景点 插值和拟合是构造逼近函数的两种方法。插值的目标是要插值函数尽量靠近离散点；拟合的目标是要离散点尽量靠近拟合函数。 向量与之间的误差或距离有各种不同的定义方法。例如： 用各点误差绝对值的和表示： 用各点误差按模的最大值表示： 用各点误差的平方和表示： 或（6.1）
其中称为均方误差，由于计算均方误差的最小值的方法容易实现而被广泛采用。按 均方误差达到极小构造拟合曲线的方法称为最小二乘法。本章主要讲述用最小二乘法构造拟合曲线的方法。 在运筹学、统计学、逼近论和控制论中，最小二乘法都是很重要的求解方法。例如，它是统计学中估计回归参数的最基本方法。 关于最小二乘法的发明权，在数学史的研究中尚未定论。有材料表明高斯和勒让德分别独立地提出这种方法。勒让德是在1805年第一次公开发表关于最小二乘法的论文，这时高斯指出，他早在1795年之前就使用了这种方法。但数学史研究者只找到了高斯约在1803年之前使用了这种方法的证据。 在实际问题中，怎样由测量的数据设计和确定“最贴近”的拟合曲线？关键在选择适当的拟合曲线类型，有时根据专业知识和工作经验即可确定拟合曲线类型；在对拟合曲线一无所知的情况下，不妨先绘制数据的粗略图形，或许从中观测出拟合曲线的类型；更一般地，对数据进行多种曲线类型的拟合，并计算均方误差，用数学实验的方法找出在最小二乘法意义下的误差最小的拟合函数。 例如，某风景区要在已有的景点之间修一条规格较高的主干路，景点与主干路之间由各具特色的支路联接。设景点的坐标为点列；设主干路为一条直线 ，即拟合函数是一条直线。通过计算均方误差最小值而确定直线方程（见图6.2）。 6.2线性拟合和二次拟合函数 线性拟合 给定一组数据，做拟合直线，均方误差为 （6.2） 是二元函数，的极小值要满足 整理得到拟合曲线满足的方程：
最小二乘拟合 在物理实验中经常要观测两个有函数关系的物理量。根据两个量的许多组观测数据来确定它们的函数曲线，这就是实验数据处理中的曲线拟合问题。这类问题通常有两种情况：一种是两个观测量x 与y 之间的函数形式已知，但一些参数未知，需要确定未知参数的最佳估计值；另一种是x 与y 之间的函数形式还不知道，需要找出它们之间的经验公式。后一种情况常假设x 与y 之间的关系是一个待定的多项式，多项式系数就是待定的未知参数，从而可采用类似于前一种情况的处理方法。 一、最小二乘法原理 在两个观测量中，往往总有一个量精度比另一个高得多，为简单起见把精度较高的观测量看作没有误差，并把这个观测量选作x ，而把所有的误差只认为是y 的误差。设x 和y 的函数关系由理论公式 y ＝f （x ；c 1，c 2，……c m ） （0-0-1） 给出，其中c 1，c 2，……c m 是m 个要通过实验确定的参数。对于每组观测数据（x i ，y i ）i ＝1，2，……，N 。都对应于xy 平面上一个点。若不存在测量误差，则这些数据点都准确 落在理论曲线上。只要选取m 组测量值代入式（0-0-1），便得到方程组 y i ＝f （x ；c 1，c 2，……c m ） （0-0-2） 式中i ＝1，2，……，m.求m 个方程的联立解即得m 个参数的数值。显然N
%最小二乘法线性拟合y=ax+b x=[0:0.2:4.0]; y=[0.02 0.375 0.73 1.06 1.335 1.595 1.84 2.045 2.23 2.38 2.485 2.565 2.625 2.67 2.705 2.73 2.76 2.78 2.79 2.81 2.82]; p=polyfit(x,y,1); z=polyval(p,x); plot(x,y,'+'); title(‘V-X曲线’) grid on xlabel(‘X/mm’) ylabel(‘V/v’) hold on x=[0:0.2:-4.0]; y=[0.01 -0.385 -0.8 -1.22 -1.64 -2.055 -2.455 -2.825 -3.165 -3.64 -3.74 -3.915 -4.06 -4.155 -4.235 -4.295 -4.345 -4.385 -4.415 -4.445 -4.47]; p=polyfit(x,y,1); z=polyval(p,x); plot(x,y,'+'); x=[0:0.2:4.0]; y=[0.02 0.375 0.73 1.06 1.335 1.595 1.84 2.045 2.23 2.38 2.485 2.565 2.625 2.67 2.705 2.73 2.76 2.78 2.79 2.81 2.82]; p=polyfit(x,y,1); x=[0:-0.2:-4.0]; y=[0.01 -0.385 -0.8 -1.22 -1.64 -2.055 -2.455 -2.825 -3.165 -3.64 -3.74 -3.915 -4.06 -4.155 -4.235 -4.295 -4.345 -4.385 -4.415 -4.445 -4.47]; p=polyfit(x,y,1); x=[0:0.2:4.0]; y=[0.02 0.375 0.73 1.06 1.335 1.595 1.84 2.045 2.23 2.38 2.485 2.565 2.625 2.67 2.705 2.73 2.76 2.78 2.79 2.81 2.82]; xmean=mean(x);ymean=mean(y); sumx2=(x-xmean)*(x-xmean)'; sumxy=(y-ymean)*(x-xmean)'; a=sumxy/sumx2;%解出直线斜率a(即传感器灵敏度) b=ymean-a*xmean;%解出直线截距b z=((a*(x(1,11))+b-(y(1,11)))/(y(1,11))); a b z figure plot(x,y,'+'); hold on
Least Squares Fit Abstract: The techniques of least squares optimization have their origins in problems of curve fitting, and of finding the best possible solution for a system of linear equations with infinitely many solutions. Curve fitting problems begin with data points (t 1, S 1), . . . , (tn' sn) and a given class of functions (for example, linear functions, polynomial functions, exponential functions), and seek to identify the function S = f(t) that "best fits" the data points. On the other hand, such problems as finding the minimum distance in geometric contexts or minimum variance in statistical contexts can often be solved by finding the solution of minimum norm for an underdetermined linear system of equations. Keyword:Least Squares、Fit、Equations Text：Suppose that in a certain experiment or study, we record a series of observed values (t 1 , Sl), (t 2 , S2), ..., (tn, Sn) of two variables s, t that we have reason to believe are related by a function s = f(t) of a certain type. For example, we might know that sand t are related by a polynomial function of degree < k, where k is prescribed in advance, but we do not know the specific values of the coefficients xo, Xl' ..., X k of p(t). We are interested in choosing the values of these coefficients so that the deviations between the observed value Si at t i and the value p(tJ of p(t) at t i , are all as small as possible. One reasonable approach to this problem is to minimize the function
曲线拟合的最小二乘法 吕英楷 1014202033 在物理实验中经常要观测两个有函数关系的物理量。根据两个量的许多组观测数据来确定它们的函数曲线，这就是实验数据处理中的曲线拟合问题。这类问题通常有两种情况：一种是两个观测量x 与y 之间的函数形式已知，但一些参数未知，需要确定未知参数的最佳估计值；另一种是x 与y 之间的函数形式还不知道，需要找出它们之间的经验公式。后一种情况常假设x 与y 之间的关系是一个待定的多项式，多项式系数就是待定的未知参数，从而可采用类似于前一种情况的处理方法。 一、曲线拟合的最小二乘法原理： 由已知的离散数据点选择与实验点误差最小的曲线 )(...)()()(1100x a x a x a x S n n ???+++= 称为曲线拟合的最小二乘法。 若记 ),()()(),(0 i k i j m i i k j x x x ??ω??∑== k i k i m i i k d x x f x f ≡=∑=)()()(),(0 ?ω? 上式可改写为),...,1,0(;),(n k d a k j n o j j k -=∑=??这个方程成为法方程，可写成距阵 形式 d Ga = 其中,),...,,(,),...,,(1010T n T n d d d d a a a a == ???? ?? ??????=),(),(),()(),(),(),(),(),(10 1110101000n n n n n n G ?????????????????? 。 它的平方误差为：.)]()([)(||||20 22i i m i i x f x S x -= ∑=ωδ
最小二乘法拟合探究 吴春晖 （中国海洋大学海洋环境学院山东青岛 266100） 摘要： 本文的拟合对象为含多个变量的待定系数的多项式。通过最小二乘法对多项式作出拟合，以向量矩阵的形式来解出待定的系数。在matlab中，通过算法，写出具体的解法。之后，先对最小二乘法的准确性作出检验，分析该方法在应对复杂情况的误差。在检验该方法的可行性之后，对给定的变量值进行拟合与解题。同时，本文将对基于Laguerre多项式的最小二乘法进行分析检验， 关键词：最小二乘法拟合多变量Laguerre多项式 引言： 在之前的计算方法中，在给出已知节点后，如果需要根据给出的节点来确定未知节点的值，我们需要运用插值。在对插值的精准性进行分析后，我们发现不同插值方式的误差都极大，而且插值所得出的函数的特征由插值方式所决定，并不能反映具体的节点原来可能的规律与分布。所以，拟合的方法相比插值而言，并不要求函数值在原节点处的值相等，却能在一定程度上反映原函数的规律。在该文中，我们主要运用最小二乘法进行拟合。
目录 第一章matlab最小二乘法拟合程序 (3) 1.1最小二乘法拟合的数学法 (3) 1.2 编写最小二乘法的matlab拟合程序 (3) 1.2.1程序算法 (3) 1.2.2 最小二乘法拟合的程序 (4) 1.3程序的分析说明 (4) 第二章最小二乘拟合法的检验及应用 (5) 2.1 最小二乘法拟合的检验 (5) 2.2最小二乘法拟合的实际应用 (7) 第三章Laguerre多项式的最小二乘拟合 (8) 3.1 算法与程序 (8) 3.2检验与分析 (9) 第四章最小二乘法拟合的分析总结 (11)
最小二乘法在曲线拟合中比较普遍。拟合的模型主要有 1.直线型 2.多项式型 3.分数函数型 4.指数函数型 5.对数线性型 6.高斯函数型 ...... 一般对于LS问题，通常利用反斜杠运算“\”、fminsearch或优化工具箱提供的极小化函数求解。在Matlab 中，曲线拟合工具箱也提供了曲线拟合的图形界面操作。在命令提示符后键入：cftool，即可根据数据，选择适当的拟合模型。 “\”命令 1.假设要拟合的多项式是：y=a+b*x+c*x^ 2.首先建立设计矩阵X： X=[ones(size(x)) x x^2]; 执行： para=X\y para中包含了三个参数：para(1)=a;para(2)=b;para(3)=c; 这种方法对于系数是线性的模型也适应。 2.假设要拟合：y=a+b*exp(x)+cx*exp(x^2) 设计矩阵X为 X=[ones(size(x)) exp(x) x.*exp(x.^2)]; para=X\y 3.多重回归(乘积回归) 设要拟合：y=a+b*x+c*t，其中x和t是预测变量，y是响应变量。设计矩阵为 X=[ones(size(x)) x t] %注意x,t大小相等！ para=X\y polyfit函数 polyfit函数不需要输入设计矩阵，在参数估计中，polyfit会根据输入的数据生成设计矩阵。 1.假设要拟合的多项式是：y=a+b*x+c*x^2 p=polyfit(x,y,2) 然后可以使用polyval在t处预测： y_hat=polyval(p,t) polyfit函数可以给出置信区间。 [p S]=polyfit(x,y,2) %S中包含了标准差 [y_fit,delta] = polyval(p,t,S) %按照拟合模型在t处预测 在每个t处的95%CI为：(y_fit-1.96*delta, y_fit+1.96*delta) 2.指数模型也适应 假设要拟合：y = a+b*exp(x)+c*exp(x.?2) p=polyfit(x,log(y),2) fminsearch函数
4.最小二乘法线性拟合 我们知道，用作图法求出直线的斜率a 和截据b ，可以确定这条直线所对应的经验公式，但用作图法拟合直线时，由于作图连线有较大的随意性，尤其在测量数据比较分散时，对同一组测量数据，不同的人去处理，所得结果有差异，因此是一种粗略的数据处理方法，求出的a 和b 误差较大。用最小二乘法拟合直线处理数据时,任何人去处理同一组数据，只要处理过程没有错误，得到的斜率a 和截据b 是唯一的。 最小二乘法就是将一组符合Y=a+bX 关系的测量数据，用计算的方法求出最佳的a 和b 。显然，关键是如何求出最佳的a 和b 。 (1) 求回归直线 设直线方程的表达式为： bx a y += (2-6-1) 要根据测量数据求出最佳的a 和b 。对满足线性关系的一组等精度测量数据（x i ，y i ），假定自变量x i 的误差可以忽略，则在同一x i 下，测量点y i 和直线上的点a+bx i 的偏差d i 如下： 111bx a y d --= 222bx a y d --= n n n bx a y d --= 显然最好测量点都在直线上（即d 1=d 2=……=d n =0），求出的a 和b 是最理想的，但测量点不可能都在直线上，这样只有考虑d 1、d 2、……、d n 为最小，也就是考虑d 1+d 2+……+d n 为最小，但因d 1、d 2、……、d n 有正有负，加起来可能相互抵消，因此不可取；而|d 1|+ |d 2|+……+ |d n |又不好解方程，因而不可行。现在采取一种等效方法：当d 12+d 22+……+d n 2 对a 和b 为最小时，d 1、d 2、……、d n 也为最小。取（d 12+d 22+……+d n 2 ）为最小值，求a 和b 的方法叫最小二乘法。 令 ∑== n i i d D 1 2＝21 1 2][i i n i n i i b a y d D --== ∑∑== (2-6-2) D 对a 和b 分别求一阶偏导数为： ][211∑∑==---=??n i i n i i x b na y a D ][21 2 11∑∑∑===---=??n i i n i i n i i i x b x a y x b D
最小二乘法拟合直线 程序： function linear_fit %最小二乘法拟合直线clear; clc; prompt={'Name of data file'}; title='Linear_fit'; lineNo=2; def={'Linearfit.dat'}; outval=inputdlg(prompt,title,lineNo,def); if isempty(outval)==1,return,end filename=outval{1}; data=load(filename); x=data(:,1); y=data(:,2); [a,b]=linearfit(x,y); yy=a+b*x; func=['y=',num2str(a),'+',num2str(b),'*x']; plot(x,y,'bx','markersize',10); hold on plot(x,yy,'r-','linewidth',1.5) xlabel('T(^oC)'); ylabel('R(\Omega)'); text(x(2),yy(length(yy)-1),func) function [a,b]=linearfit(x,y) xy=x.*y; x2=x.^2; x_mean=mean(x); y_mean=mean(y); xy_mean=mean(xy); x2_mean=mean(x2); b=(xy_mean-x_mean*y_mean)/(x2_mean-x_mean^2); a=y_mean-b*x_mean; return
运行情况： 按“run”运行时，弹出窗口 注：在Linearfit.dat文件中数据为： 0 4.38 10 4.56 20 4.70 30 4.86 40 5.08 50 5.24 60 5.40 70 5.58 80 5.74 90 5.96 100 6.06 110 6.26 120 6.44 点击图框中的“OK”，在“command window”中输出结果为：130 6.58 140 6.74 150 6.94 160 7.12 170 7.28 180 7.42 190 7.60 200 7.78
实验三 函数逼近与曲线拟合 一、问题的提出： 函数逼近是指“对函数类A 中给定的函数)(x f ,记作A x f ∈)(,要求在另一类简的便于计算的函数类B 中求函数A x p ∈)(,使 )(x p 与)(x f 的误差在某中度量意义下最小”。函数类A 通常是区间],[b a 上的连续函数，记作],[b a C ,称为连续函数空间，而函数类B 通常为n 次多项式，有理函数或分段低次多项式等，函数逼近是数值分析的基础。主要内容有： （1）最佳一致逼近多项式 （2）最佳平方逼近多项式 （3）曲线拟合的最小二乘法 二、实验要求： 1、构造正交多项式； 2、构造最佳一致逼近； 3、构造最佳平方逼近多项式； 4、构造最小二乘法进行曲线拟合； 5、求出近似解析表达式，打印出逼近曲线与拟合曲线，且打印出其在数据点上的偏差； 6、探讨新的方法比较结果。 三、实验目的和意义: 1、学习并掌握正交多项式的MATLAB 编程； 2、学习并掌握最佳一致逼近的MATLAB 实验及精度比较；
3、学习并掌握最佳平方逼近多项式的MATLAB 实验及精度比较； 4、掌握曲线拟合的最小二乘法； 5、最小二乘法也可用于求解超定线形代数方程组； 6、 探索拟合函数的选择与拟合精度之间的关系； 四、 算法步骤： 1、正交多项式序列的生成 {n ?（x ）}∞ 0：设n ?（x ）是],[b a 上首项系数a ≠n 0的n 次多项式，)(x ρ为],[b a 上权函 数，如果多项式序列{n ?（x ）} ∞0 满足关系式???=>≠==?.,0,, 0)()()()(),(k j A k j x d x x x k k j b a k j ??ρ?? 则称多项式序列{n ?（x ）}∞ 0为在],[b a 上带权)(x ρ正交，称n ?（x ）为],[b a 上带权)(x ρ 的n 次正交多项式。 1）输入函数)(x ρ和数据b a ,; 2）分别求))(),(()),(,(x x x x j j j n ???的内积； 3）按公式①)()) (),(()) (,()(,1)(1 0x x x x x x x x j n j j j j n n n ??? ???∑-=-==计算)(x n ?，生成正交多项 式； 流程图： 开始
最小二乘法的二次数据拟合 专业班级： 信计061 姓名：袁金龙 学号：156206012 一 实验目的 1.熟悉Mablab 编程； 2.学习最小二乘法及程序设计算法 二 实验题目： 最小二乘法求拟合数据的二次多项式 三 实验原理与理论基础 算法设计： Ⅰ 由题意决定span(1,x,x^2,…),即决定拟合多项式. Ⅱ 分别计算1 (,)(,) n i j i j m k k k k == ∑ ，1 (,)(,) n i i j m k y k y - == ∑ . Ⅲ 用(,)i j k k 组成方阵A,用(,)i k y - 组成矩阵B. Ⅳ 利用A/B 求出该多项式的系数，再利用1 (())^2n i i i f x y =-∑求出平方误差. 四 实验内容 （一）问题重述 给定数据点 (,)i j x y 如表所示。 （二）用matlab 编写M 文件如下： function []=zuixiaoercinihe2(x,y) n=length(x); k00=0; for i=1:n k00=k00+1; end k01=0; for i=1:n k01=k01+x(i);
end k02=0; for i=1:n k02=k02+x(i)*x(i); end k11=0; for i=1:n k11=k11+x(i)*x(i); end k12=0; for i=1:n k12=k12+x(i)*x(i)*x(i); end k22=0; for i=1:n k22=k22+x(i)*x(i)*x(i)*x(i); end k0y=0; for i=1:n k0y=k0y+y(i); end k1y=0; for i=1:n k1y=k1y+x(i)*y(i); end k2y=0; for i=1:n k2y=k2y+x(i)*x(i)*y(i); end A=[k00 k01 k02;k01 k11 k12;k02 k12 k22]; B=[k0y;k1y;k2y]; C=A\B; p=C(1); q=C(2); r=C(3); syms m; '拟合的二次函数为：' f=p+q*m+r*m*m l=0; for i=1:n l=l+((p+q*x(i)+r*x(i)*x(i))-y(i))*((p+q*x(i)+r*x(i)*x(i))-y(i)); end '该拟合函数的平方误差为：' l
最小二乘法的基本原理和多项式拟合 一 最小二乘法的基本原理 从整体上考虑近似函数)(x p 同所给数据点),(i i y x (i=0,1,…,m)误差 i i i y x p r -=)((i=0,1,…,m) i i i y x p r -=)((i=0,1,…,m)绝对值的最大值i m i r ≤≤0max ，即误差 向量 T m r r r r ),,(10 =的∞—范数；二是误差绝对值的和∑=m i i r 0 ，即误差向量r 的1— 范数；三是误差平方和∑=m i i r 02 的算术平方根，即误差向量r 的2—范数；前两种方法简单、自然，但不便于微分运算 ，后一种方法相当于考虑 2—范数的平方，因此在曲线拟合中常采用误差平方和∑=m i i r 02 来 度量误差i r (i=0，1，…，m)的整 体大小。 数据拟合的具体作法是：对给定数据 ),(i i y x (i=0,1,…，m)，在取定的函数类Φ中,求Φ∈)(x p ,使误差i i i y x p r -=)((i=0,1,…,m)的平方和最小，即 ∑=m i i r 0 2 =[]∑==-m i i i y x p 0 2 min )( 从几何意义上讲，就是寻求与给定点),(i i y x (i=0,1,…,m)的距离平方和为最 小的曲线)(x p y =（图6-1）。函数)(x p 称为拟合 函数或最小二乘解，求拟合函数)(x p 的方法称为曲线拟合的最小二乘法。 Φ可有不同的选取方法 . 6—1 二 多项式拟合 假设给定数据点),(i i y x (i=0,1,…,m)，Φ为所有次数不超过)(m n n ≤的多项式构成的函数类，现求一 Φ ∈=∑=n k k k n x a x p 0)(,使得 , 当拟合函数为多项式时，称为多项式拟合，满足式（1）的)(x p n 称为最小二乘拟合多项式。特别地，当n=1 时，称为线性拟合或直线拟合。 显然