最小二乘法曲线拟合 原理及matlab实现

---------------------------------------------------------------最新资料推荐------------------------------------------------------ 最小二乘法的基本原理和多项式拟合matlab实现最小二乘法的基本原理和多项式拟合 matlab 实现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 p(x) 同所给数据点(xi, yi) (i=0, 1, , m) 误差 ri p(xi) yi(i=0, 1, , m) 的大小，常用的方法有以下三种：一是误差 riri p(xi) yi(i=0, 1, , m) 绝对值的最大值max0 i m，即误差向量 r (r0, r1, rm) T 的范数；二是误差绝对值的和i 0mri，即误差向量 r 的 1范数；三是误差平方和 i 0 rm2i 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 i 0 体大小。

rm2i 来度量误差 ri(i=0， 1，， m) 的整数据拟合的具体作法是：对给定数据 (xi, yi) (i=0, 1, ， m) ，在取定的函数类中,求 p(x) , 使误差 ri p(xi) yi(i=0, 1, , m)的平方和最小，即 i 0 rm2i i 0 p(x) y iim2 min 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) （图 6-1）。

函数 p(x) 称为拟合函数或最小二乘解，求拟合函数 p(x) 的1 / 15方法称为曲线拟合的最小二乘法。

在曲线拟合中，函数类可有不同的选取方法 .61 二多项式拟合为所有次数不超过 n(n m) 的多项式构假设给定数据点(xi, yi) (i=0, 1, , m) ， pn(x) akxkk 0n 成的函数类，现求一 m , 使得 2 I pn(xi) yi i 0 2 n akxik yi mini 0 k0 (1) m 当拟合函数为多项式时，称为多项式拟合，满足式（1）的 pn(x) 称为最小二乘拟合多项式。

内蒙古科技大学本科生毕业设计说明书（毕业论文）题目：最小二乘曲线拟合及MATLAB实现学生姓名：李亚学号：0972143230专业：测绘工程班级：2009测绘2班指导教师：孙同贺讲师最小二乘曲线拟合及MATLAB实现摘要介绍曲线拟合的基本理论，对最小二乘原理进行了全方位的理论阐述，同时也阐述了曲线拟合的基本原理及多项式曲线拟合模型的建立。

详细的解答了曲线拟合中的最小二乘法，并介绍了部分的正交最小二乘法理论。

重点讲解多项式拟合的具体步骤，同时也介绍了非线性方程的最小二乘拟合，在建立理论的基础上对最小二乘曲线拟合法的MATLAB实现方法进行研究，利用MATLAB2012b的平台对测量数据进行最小二乘曲线拟合，介绍MATLAB的具体构造和曲线拟合工具。

利用MATLAB中的ployfit函数对实测数据进行多项式曲线拟合，并给出曲线拟合MATLAB实现的源程序，给出拟合曲线，并评定拟合的精度证明该方法是行之有效的。

关键词：最小二乘法，曲线拟合，MATLAB，测量数据Curve Fitting in Least-Square Methodand Its Realization with MatlabAbstractTo introduce the basic theory of curve fitting and discuss the least squares principle in this paper, what’s more, we also discuss the basic principle of curve fitting and the establishment of polynomial curve fitting model. Meanwhile, we also introduce the least-square method of curve fitting in detail and part of the theory of orthogonal least square method. We mainly discuss the specific steps of polynomial fitting, and also introduces the nonlinear equation of the least squares fitting at the same time, which established on the theory of least squares curve fitting in MATLAB in order to realize the method to do research. Using MATLAB2012b platform to achieve the goal of measuring data and introducing the special structure of MATLAB and curve fitting tool. We can use ployfit function in MATLAB to polynomial curve fitting of experimental data, and get the MATLAB source program about curve fitting and the fitting curve. Finally, we need to prove the method of assessing the precision of the fitting is effective.Key words: least square method; curve fitting; MATLAB, metrical data最小二乘曲线拟合及MATLAB实现 (I)摘要 (I)CURVE FITTING IN LEAST-SQUARE METHOD AND ITS REALIZATION WITH MATLAB (II)ABSTRACT (II)第一章引言 (1)1.1研究背景 (1)1.1.1 历史理论原理 (1)1.1.2 现代研究 (1)1.2问题定义 (2)1.2.1 曲线拟合的思想 (2)1.2.2 多项式拟合 (3)1.2.3 利用Matlab的polyfit函数进行多项式拟合 (3)1.3论文结构 (3)第二章数据曲线拟合 (4)2.1测量数据 (4)2.2拟合模型 (4)2.3最小二乘原理 (5)2.3.1最小二乘法 (5)2.3.2最小二乘估计与极大似然估计 (7)2.4.1曲线拟合理论 (9)2.4.2最小二乘法线性拟合原理 (10)2.4.3最小二乘非线性拟合 (12)2.4.4正交多项式 (13)2.4.5正交最小二乘曲线拟合 (15)2.5曲线拟合精度评定 (17)第三章MATLAB (19)3.1MATLAB概述 (19)3.1.1MATLAB简介 (19)3.1.2MATLAB的主要组成部分 (21)3.2MATLAB2012B的运行简介 (23)3.2.1启动和退出MATLAB2012b (23)3.2.2MATLAB2012b桌面系统 (24)3.2.3MATLAB函数调用系统 (26)3.2.4MATLAB2012b的帮助系统 (27)3.2.5附件管理系统 (28)3.2.6数据交换系统 (28)3.2.7MATLAB 中的其他系统 (29)3.3最小二乘曲线拟合法的MATLAB实现 (30)第四章最小二乘法曲线拟合的MATLAB实现 (32)4.1使用POLYFIT函数实现多项式拟合 (32)4.3三次多项式的曲线拟合 (34)4.4四次多项式曲线拟合 (35)4.5数据处理和精度评定 (36)第五章总结 (40)参考文献 (41)附录1： (43)MATLAB语言编程源代码 (43)附录2： (45)各次拟合的拟合曲线方程 (45)致谢 (46)外文翻译 (47)外文部分 (47)翻译部分 (54)第一章 引 言1.1研究背景1.1.1 历史理论原理Weierstrass 第一逼近定理[1]对任意函数()f C[a,b]x ∈和任意给定的0ε>,都存在n 次代数多项式()n p x ，满足()()[,]||<max nx a b f x p x ε∈- (1-1-1) Bernstein 多项式（bernstein polynomial ）[1]前苏联数学家Bernstein 曾经给出这样的多项式序列：0(,)(1)n k n k n k n k B f x f x x k n -=⎛⎫⎛⎫=- ⎪ ⎪⎝⎭⎝⎭∑ (1-1-2)在整体上一致逼近()f x ，但它的收敛缓慢，要达到一定的精度，则n 要取很大，计算量大，所以研究如何在给定的精度下，对()f x 进行整体逼近，成为逼近论中的一个重要问题。

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 ϕ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 ϕ最好地逼近()x f ，而不必满足插值原则。

因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ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 ϕ。

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 -=)(ϕδ，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：kk x a x a a x +++=...)(10ϕ2. 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。

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 ϕ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 ϕ最好地逼近()x f ，而不必满足插值原则。

因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ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 ϕ。

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 -=)(ϕδ，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：kk x a x a a x +++=...)(10ϕ2. 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。

实验二最小二乘拟合【实验内容】1、理解最小二乘拟合的原理；2、理解适定、欠定、超定三类线性方程组的区别，会求其解；3、理解和掌握“左除运算”；4、完成最小二乘拟合的程序（过程或函数）5、会使用画图命令6、与系统函数进行对比分析和学习。

【实验方法与步骤】一、回答下面的问题1、什么是超定方程，其对应的珍贵方程组是什么，系数特点是什么？2、最小二乘拟合方法和插值方法的相同点和不同点，各自用在什么情况下？请举例说明你在其它实验课中遇到的使用最小二乘拟合方法的场景；3、生成超定方程时，大家发现了Matlab的矩阵存储顺序是行优先（C语言规则），还是列优先（Fortran语言规则）？为什么呢？4、时间测试下，请对自己编写的最小二乘拟合代码和系统内置函数的执行效率比较和分析。

在自己的代码中，将循环体改写成等价的矩阵运算，执行时间是否有所缩短？二、完成下列计算，写出代码1、用矩阵逆、左除和rref分别求p74第9题，测试执行时间2、画图命令，画出习题5第16、17题的拟合点图形，进行拟合函数选型3、编写最小二乘拟合程序，求出习题5第16、17题的拟合函数，并绘图4、执行系统函数polyfit，与自己程序的计算结果进行比对和分析。

【实验结果】解：一、1：超定方程定义方程个数大于未知量个数的方程组对应正规方程组对于方程组Ra=y，R为n×m矩阵，如果R列满秩，且n>m。

则方程组没有精确解，此时称方程组为超定方程组。

系数特点R为n×m矩阵，R列满秩，且n>m解：一、2最小二乘法与插值法方法相同点不同点适用情况最小二乘法都是从一组数据去求函数)(xfy=的近似表达式在知道一组实验数据（不准确值）中寻找自变量x和因变量y之间的函数关系y=F(x)，用拟合曲线S(x)去逼近实验数据，来描述自变量x和因变量y之间的函数关系在用最小二乘法求拟合曲线时，不要求曲线过给定的一组点。

数据通常是实验测定出来的，出于对精度的要求，不一定保留全部数据插值在不知道函数y=f(x)解析式，知道函数在[a,b]区间上一系列点的函数值（准确值）的前提下，构造插值函数P(x)来代替f(x)，来求非插值节点的函数值。

基于最小二乘法的曲线拟合及其在Matlab中的应用【摘要】物理量之间的函数关系的确定在实际研究工作中有很重要的作用。

目前我们用于曲线拟合的方法主要是三次多项式插值法，抛物线加权平均法，张力样条函数插值法等，但这些方法计算量大。

本文结合最小二乘法的基本原理，利用最小二乘方法进行曲线拟合，计算过程简便。

首先介绍了最小二乘法拟合的基本原理，然后介绍了用Matlab实现曲线拟合以得到函数关系的方法和步骤，最后举例详细介绍了该方法的应用。

【关键词】最小二乘法；Matlab；曲线拟合1.引言在现代科学研究中，物理量之间的相互关系通常是用函数来描述的。

有些函数关系是由经典理论分析推导得出的，这些函数关系为我们进一步的分析研究工作提供了理论基础。

在现实的科学研究过程中，有一些问题很难由经典理论推导出物理量的函数表达式，或者此推导出的表达式也十分复杂，不利于进一步的分析，但又很希望能得到这些量之间的函数关系，这时就可以利用曲线拟合的方法，用实验数据结合数学方法得到物理量之间的近似函数表达式。

Matlab是Math Works公司推出的一种科学计算软件，是集数值计算、符号运算及出色的图形处理、程序语言设计等强大功能于一体的科学计算语言。

应用Matlab处理既克服了最小二乘法计算量大等缺点，又使繁琐、枯燥的数值计算变成种简单、直观的可视化操作过程，且能较准确地标记实验数据点和绘出拟合曲线。

2.最小二乘法拟合的基本原理曲线拟合又称函数逼近，是指对一个复杂函数，求出一个简单的便于计算的函数，要求使与的误差在某种度量意义下最小。

我们把近似值和测得值的差值称为残余误差。

即显然，残差的大小是衡量拟合好坏的重要标志。

经常采用的三种衡量的准则为：（1）使残差的最大绝对值最小：；（2）使残差的绝对值之和最小：；（3）使残差的平方和最小：。

分析上面的三种准则，准则（1）、（2）的提法都比较自然，但是由于含有绝对值，所以不利于实际计算，而按照准则（3）来确定参数，得到拟合曲线的方法称作曲线拟合的最小二乘法，它的计算比较简单，是工程实际当中常用的一种函数逼近的方法。

基于Matlab实现最小二乘曲线拟合一、本文概述在数据分析和科学计算中，曲线拟合是一种常见且重要的技术。

通过拟合，我们可以根据已知数据建立数学模型，预测未知数据，以及深入理解数据背后的规律。

最小二乘法是曲线拟合中最常用的一种方法，其原理是通过最小化预测值与实际值之间的平方误差来寻找最佳拟合曲线。

本文旨在介绍如何使用Matlab这一强大的数学计算软件，实现最小二乘曲线拟合，包括其理论基础、实现步骤以及实际应用案例。

通过本文的学习，读者将能够掌握在Matlab环境中进行最小二乘曲线拟合的基本方法，提高数据处理和分析能力。

二、最小二乘曲线拟合原理最小二乘法（Least Squares Method）是一种数学优化技术，它通过最小化误差的平方和来寻找数据的最佳函数匹配。

在曲线拟合中，最小二乘法被广泛应用于通过一组离散的数据点来估计一个连续函数的形状。

这种方法的基本思想是通过选择一个模型函数（通常是多项式、指数函数、对数函数等），使得该模型函数与实际数据点之间的差距（即残差）的平方和最小。

假设我们有一组数据点 ((x_1, y_1), (x_2, y_2), \ldots,(x_n, y_n))，我们希望通过一个模型函数 (y = f(x, \mathbf{p})) 来拟合这些数据点，其中 (\mathbf{p}) 是模型的参数向量。

最小二乘法的目标就是找到最优的参数向量 (\mathbf{p}^*)，使得残差平方和 (S(\mathbf{p})) 最小：S(\mathbf{p}) = \sum_{i=1}^{n} [y_i - f(x_i,\mathbf{p})]^2]为了使 (S(\mathbf{p})) 达到最小，我们需要对(S(\mathbf{p})) 求偏导数，并令其等于零。

这样，我们就得到了一个关于 (\mathbf{p}) 的方程组。

解这个方程组，就可以得到最优的参数向量 (\mathbf{p}^*)。

曲线拟合的线性最⼩⼆乘法及其MATLAB程序3.1 曲线拟合的线性最⼩⼆乘法及其MATLAB 程序例3.1．1 给出⼀组数据点),(i i y x 列⼊表3-1中，试⽤线性最⼩⼆乘法求拟合曲线，并估计其误差，作出拟合曲线.表3-1 例3.1.1的⼀组数据),(y x解（1）在MATLAB ⼯作窗⼝输⼊程序>> x=[-2.5 -1.7 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[-192.9 -85.50 -36.15 -26.52 -9.10 -8.43 -13.12 6.50 68.04];plot(x,y,'r*'),legend('实验数据(xi,yi)')xlabel('x'), ylabel('y'),title('例3.1.1的数据点(xi,yi)的散点图')运⾏后屏幕显⽰数据的散点图（略）.（3）编写下列MATLAB 程序计算)(x f 在),(i i y x 处的函数值，即输⼊程序>> syms a1 a2 a3 a4x=[-2.5 -1.7 -1.1 -0.8 0 0.1 1.5 2.7 3.6];fi=a1.*x.^3+ a2.*x.^2+ a3.*x+ a4运⾏后屏幕显⽰关于a 1,a 2, a 3和a 4的线性⽅程组fi =[ -125/8*a1+25/4*a2-5/2*a3+a4,-4913/1000*a1+289/100*a2-17/10*a3+a4,-1331/1000*a1+121/100*a2-11/10*a3+a4,-64/125*a1+16/25*a2-4/5*a3+a4,a4, 1/1000*a1+1/100*a2+1/10*a3+a4,27/8*a1+9/4*a2+3/2*a3+a4, 19683/1000*a1+729/100*a2+27/10*a3+a4, 5832/125*a1+324/25*a2+18/5*a3+a4]编写构造误差平⽅和的MATLAB 程序>> y=[-192.9 -85.50 -36.15 -26.52 -9.10 -8.43 -13.12 6.50 68.04];fi=[-125/8*a1+25/4*a2-5/2*a3+a4,-4913/1000*a1+289/100*a2-17/10*a3+a4,-1331/1000*a1+121/100*a2-11/10*a3+a4,-64/125*a1+16/25*a2-4/5*a3+a4, a4, 1/1000*a1+1/100*a2+1/10*a3+a4,27/8*a1+9/4*a2+3/2*a3+a4,19683/1000*a1+729/100*a2+27/10*a3+a4,5832/125*a1+324/25*a2+18/5*a3+a4];fy=fi-y; fy2=fy.^2; J=sum(fy.^2)运⾏后屏幕显⽰误差平⽅和如下J=(-125/8*a1+25/4*a2-5/2*a3+a4+1929/10)^2+(-4913/1000*a1+289/100*a2-17/10*a3+a4+171/2)^2+(-1331/1000*a1+121/100*a2-11/10*a3+a4+723/20)^2+(-64/125*a1+16/25*a2-4/5*a3+a4+663/25)^2+(a4+91/10)^2+(1/1000*a1+1/100*a2+1/10*a3+a4+843/100)^2+(27/8*a1+9/4*a2+3/2*a3+a4+328/25)^2+(19683/1000*a1+729/100*a2+27/10*a3+a4-13/2)^2+(5832/125*a1+324/25*a2+18/5*a3+a4-1701/25)^2为求4321,,,a a a a 使J 达到最⼩，只需利⽤极值的必要条件0=??ka J )4,3,2,1(=k ，得到关于4321,,,a a a a 的线性⽅程组，这可以由下⾯的MA TLAB 程序完成，即输⼊程序>> syms a1 a2 a3 a4J=(-125/8*a1+25/4*a2-5/2*a3+a4+1929/10)^2+(-4913/1000*a1+289/100*a2-17/10*a3+a4...+171/2)^2+(-1331/1000*a1+121/100*a2-11/10*a3+a4+723/20)^2+(-64/125*a1+16/25*a2-4/5*a3+a4+663/25)^2+(a 4+91/10)^2+(1/1000*a1+1/100*a2+1/10*a3+a4+843/100)^2+(27/8*a1+9/4*a2+3/2*a3+a4+328/25)^2+(19683/1000*a1+729/100*a2+27/10*a3+a4-13/2)^2+(5832/125*a1+324/25*a2+18/5*a3+a4-1701/25)^2;Ja1=diff(J,a1); Ja2=diff(J,a2); Ja3=diff(J,a3); Ja4=diff(J,a4);Ja11=simple(Ja1), Ja21=simple(Ja2), Ja31=simple(Ja3), Ja41=simple(Ja4),运⾏后屏幕显⽰J 分别对a 1, a 2 ,a 3 ,a 4的偏导数如下Ja11=56918107/10000*a1+32097579/25000*a2+1377283/2500*a3+23667/250*a4-8442429/625Ja21 =32097579/25000*a1+1377283/2500*a2+23667/250*a3+67*a4+767319/625Ja31 =1377283/2500*a1+23667/250*a2+67*a3+18/5*a4-232638/125Ja41 =23667/250*a1+67*a2+18/5*a3+18*a4+14859/25解线性⽅程组Ja 11 =0，Ja 21 =0，Ja 31 =0，Ja 41 =0，输⼊下列程序>>A=[56918107/10000, 32097579/25000, 1377283/2500, 23667/250; 32097579/25000, 1377283/2500, 23667/250, 67; 1377283/2500, 23667/250, 67, 18/5; 23667/250, 67, 18/5, 18];B=[8442429/625, -767319/625, 232638/125, -14859/25];C=B/A, f=poly2sym(C)运⾏后屏幕显⽰拟合函数f 及其系数C 如下C = 5.0911 -14.1905 6.4102 -8.2574f=716503695845759/140737488355328*x^3-7988544102557579/562949953421312*x^2+1804307491277693/281474976710656*x-4648521160813215/562949953421312故所求的拟合曲线为8.25746.410214.19055.0911)(23-+-=x x x x f .（4）编写下⾯的MATLAB 程序估计其误差，并作出拟合曲线和数据的图形.输⼊程序>> xi=[-2.5 -1.7 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[-192.9 -85.50 -36.15 -26.52 -9.10 -8.43 -13.12 6.50 68.04];n=length(xi);f=5.0911.*xi.^3-14.1905.*xi.^2+6.4102.*xi -8.2574;x=-2.5:0.01: 3.6;F=5.0911.*x.^3-14.1905.*x.^2+6.4102.*x -8.2574;fy=abs(f-y); fy2=fy.^2; Ew=max(fy),E1=sum(fy)/n, E2=sqrt((sum(fy2))/n)plot(xi,y,'r*'), hold on, plot(x,F,'b-'), hold offlegend('数据点(xi,yi)','拟合曲线y=f(x)'),xlabel('x'), ylabel('y'),title('例3.1.1的数据点(xi,yi)和拟合曲线y=f(x)的图形')运⾏后屏幕显⽰数据),(i i y x 与拟合函数f 的最⼤误差E w ，平均误差E 1和均⽅根误差E 2及其数据点),(i i y x 和拟合曲线y =f (x )的图形（略）.Ew = E1 = E2 =3.105 4 0.903 4 1.240 93.2 函数)(x r k 的选取及其MATLAB 程序例3.2.1 给出⼀组实验数据点),(i i y x 的横坐标向量为x =(-8.5,-8.7,-7.1,-6.8,-5.10,-4.5,-3.6,-3.4,-2.6,-2.5, -2.1,-1.5, -2.7,-3.6)，纵横坐标向量为y =(459.26,52.81,198.27,165.60,59.17,41.66,25.92, 22.37,13.47, 12.87, 11.87,6.69,14.87,24.22)，试⽤线性最⼩⼆乘法求拟合曲线，并估计其误差，作出拟合曲线.解（1）在MATLAB ⼯作窗⼝输⼊程序>>x=[-8.5,-8.7,-7.1,-6.8,-5.10,-4.5,-3.6,-3.4,-2.6,-2.5,-2.1,-1.5, -2.7,-3.6];y=[459.26,52.81,198.27,165.60,59.17,41.66,25.92,22.37,13.47, 12.87, 11.87,6.69,14.87,24.22];plot(x,y,'r*'),legend('实验数据(xi,yi)')xlabel('x'), ylabel('y'),title('例3.2.1的数据点(xi,yi)的散点图')运⾏后屏幕显⽰数据的散点图（略）.（3）编写下列MATLAB 程序计算)(x f 在),(i i y x 处的函数值，即输⼊程序>> syms a bx=[-8.5,-8.7,-7.1,-6.8,-5.10,-4.5,-3.6,-3.4,-2.6,-2.5,-2.1,-1.5,-2.7,-3.6]; fi=a.*exp(-b.*x)运⾏后屏幕显⽰关于a 和b 的线性⽅程组fi =[ a*exp(17/2*b), a*exp(87/10*b), a*exp(71/10*b),a*exp(34/5*b), a*exp(51/10*b), a*exp(9/2*b), a*exp(18/5*b), a*exp(17/5*b), a*exp(13/5*b), a*exp(5/2*b), a*exp(21/10*b),a*exp(3/2*b), a*exp(27/10*b), a*exp(18/5*b)]编写构造误差平⽅和的MATLAB 程序如下>>y=[459.26,52.81,198.27,165.60,59.17,41.66,25.92,22.37,13.47,12.87, 11.87, 6.69,14.87,24.22];fi =[ a*exp(17/2*b), a*exp(87/10*b), a*exp(71/10*b), a*exp(34/5*b), a*exp(51/10*b), a*exp(9/2*b), a*exp(18/5*b),a*exp(17/5*b), a*exp(13/5*b), a*exp(5/2*b), a*exp(21/10*b), a*exp(3/2*b), a*exp(27/10*b), a*exp(18/5*b)];fy=fi-y;fy2=fy.^2;J=sum(fy.^2)运⾏后屏幕显⽰误差平⽅和如下J =(a*exp(17/2*b)-22963/50)^2+(a*exp(87/10*b)-5281/100)^2+(a*exp(71/10*b)-19827/100)^2+(a*exp(34/5*b)-828/5)^2+(a*exp(51/10*b)-5917/100)^2+(a*exp(9/2*b)-2083/50)^2+(a*exp(18/5*b)-648/25)^2+(a*exp(17/5*b)-2237/100)^2+(a*exp(13/5*b)-1347/100)^2+(a*ex p(5/2*b)-1287/100)^2+(a*exp(21/10*b)-1187/100)^2+(a*exp(3/2*b)-669/100)^2+(a*exp(27/10*b)-1487/100)^2+(a*exp(18/5*b)-1211/50)^2为求b a ,使J 达到最⼩，只需利⽤极值的必要条件，得到关于b a ,的线性⽅程组，这可以由下⾯的MA TLAB 程序完成，即输⼊程序>> syms a bJ=(a*exp(17/2*b)-22963/50)^2+(a*exp(87/10*b)-5281/100)^2+(a*exp(71/10*b)-19827/100)^2+(a*exp(34/5*b)-828/5)^2+(a*exp(51/10*b)-5917/100)^2+(a*exp(9/2*b)-2083/50)^2+(a*exp(18/5*b)-648/25)^2+(a*exp(17/5*b)-2237/100)^2+(a*exp(13/5*b)-1347/100)^2+(a*exp(5/2*b)-1287/100)^2+(a*exp(21/10*b)-1187/100)^2+ (a*exp(3/2*b )-669/100)^2+(a*exp(27/10*b)-1487/100)^2+(a*exp(18/5*b)-1211/50)^2;Ja=diff(J,a); Jb=diff(J,b);Ja1=simple(Ja), Jb1=simple(Jb),运⾏后屏幕显⽰J 分别对b a ,的偏导数如下Ja1 =2*a*exp(3*b)+2*a*exp(17*b)+2*a*exp(87/5*b)+2*exp(68/5*b)*a+2*exp(9*b)*a+2*a*exp(34/5*b)-669/50*exp(3/2*b)-1487/50*exp(27/10*b)-2507/25*exp(18/5*b)-22963/25*exp(17/2*b)-5281/50*exp(87/10*b)-19827/50*exp(71/10*b)-2237/50*exp(17/5*b)-1656/5*exp(34/5*b)-1347/50*exp(13/5*b)-5917/50*exp(51/10*b)-1287/50*exp(5/2*b )-2083/25*exp(9/2*b)-1187/50*exp(21/10*b)+4*a*exp(36/5*b)+2*a*exp(26/5*b)+2*a*exp(71/5*b)+2*a*exp(51/5*b)+2*a*exp(5*b)+2*a*exp (21/5*b)+2*a*exp(27/5*b)Jb1 =1/500*a*(2100*a*exp(21/10*b)^2+8500*a*exp(17/2*b)^2+6800*a*exp(34/5*b)^2-10035*exp(3/2*b)-40149*exp(27/10*b)-180504*exp (18/5*b)-3903710*exp(17/2*b)-459447*exp(87/10*b)-1407717*exp(71/10*b)-76058*exp(17/5*b)-1126080*exp(34/5*b)-35022*exp(13/5*b)-301767*exp(51/10*b)-32175*exp(5/2*b)-187470*exp(9/2*b)-24927*ex p(21/10*b)+7100*a*exp(71/10*b)^2+5100*a*exp(51/10*b)^2+4500*a*exp(9/2*b)^2+7200*a*exp(18/5*b)^2+3400*a*exp(17/5*b)^2+2600*a*exp(13/5*b)^2+2500*a*exp(5/2*b)^2+1500*a*exp(3/2*b)^2+2700*a*exp(27/10*b)^2+8700*a*exp(87/10*b)^2)⽤解⼆元⾮线性⽅程组的⽜顿法的MATLAB 程序求解线性⽅程组J a1 =0，J b1 =0，得a = b=2.811 0 0.581 6故所求的拟合曲线（7.13）为0811.2)(=x f e x 5816.0-.（4）编写下⾯的MATLAB 程序估计其误差，并做出拟合曲线和数据的图形.输⼊程序>> xi=[-8.5 -8.7 -7.1 -6.8 -5.10 -4.5 -3.6 -3.4 -2.6 -2.5-2.1 -1.5 -2.7 -3.6];y=[459.26 52.81 198.27 165.60 59.17 41.66 25.92 22.3713.47 12.87 11.87 6.69 14.87 24.22];n=length(xi); f=2.8110.*exp(-0.5816.*xi); x=-9:0.01: -1;F=2.8110.*exp(-0.5816.*x); fy=abs(f-y); fy2=fy.^2;Ew=max(fy),E1=sum(fy)/n, E2=sqrt((sum(fy2))/n), plot(xi,y,'r*'), hold on plot(x,F,'b-'), hold off,legend('数据点(xi,yi)','拟合曲线y=f(x)')xlabel('x'), ylabel('y'),title('例3.2.1的数据点(xi,yi)和拟合曲线y=f(x)的图形')运⾏后屏幕显⽰数据),(i i y x 与拟合函数f 的最⼤误差E w = 390.141 5，平均误差E 1=36.942 2和均⽅根误差E 2=106.031 7及其数据点),(i i y x 和拟合曲线y =f (x )的图形（略）.3.3 多项式拟合及其MATLAB 程序例3.3.1 给出⼀组数据点),(i i y x 列⼊表3–3中，试⽤线性最⼩⼆乘法求拟合曲线，并估计其误差，作出拟合曲线.表3–3 例3.3.1的⼀组数据),(y x解（1）⾸先根据表3–3给出的数据点i i ，⽤下列MATLAB 程序画出散点图.在MATLAB ⼯作窗⼝输⼊程序>> x=[-2.9 -1.9 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[53.94 33.68 20.88 16.92 8.79 8.98 4.17 9.1219.88];plot(x,y,'r*'), legend('数据点(xi,yi)')xlabel('x'), ylabel('y'),title('例3.3.1的数据点(xi,yi)的散点图')运⾏后屏幕显⽰数据的散点图（略）.（3）⽤作线性最⼩⼆乘拟合的多项式拟合的MATLAB 程序求待定系数k a )3,2,1(=k .输⼊程序>> a=polyfit(x,y,2)运⾏后输出（7.16）式的系数a =2.8302 -7.3721 9.1382故拟合多项式为2138.91372.72830.2)(2+-=x x x f .（4）编写下⾯的MATLAB 程序估计其误差，并做出拟合曲线和数据的图形.输⼊程序>> xi=[-2.9 -1.9 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[53.94 33.68 20.88 16.92 8.79 8.98 4.17 9.12 19.88];n=length(xi); f=2.8302.*xi.^2-7.3721.*xi+9.1382x=-2.9:0.001:3.6;F=2.8302.*x.^2-7.3721.*x+8.79;fy=abs(f-y); fy2=fy.^2; Ew=max(fy), E1=sum(fy)/n,E2=sqrt((sum(fy2))/n), plot(xi,y,'r*', x,F,'b-'),legend('数据点(xi,yi)','拟合曲线y=f(x)')xlabel('x'), ylabel('y'),title('例3.3.1 的数据点(xi,yi)和拟合曲线y=f(x)的图形')运⾏后屏幕显⽰数据),(i i y x 与拟合函数f 的最⼤误差E w ，平均误差E1和均⽅根误差E 2及其数据点(x i ,y i )和拟合曲线y =f (x )的图形（略）.Ew = E1 = E2 =0.745 7, 0.389 2, 0.436 33.4 拟合曲线的线性变换及其MATLAB 程序例3．4.1 给出⼀组实验数据点),(i i y x 的横坐标向量为x =（7.5 6.8 5.10 4.53.6 3.4 2.6 2.5 2.1 1.5 2.7 3.6），纵横坐标向量为y =（359.26 165.60 59.17 41.66 25.92 22.37 13.47 12.87 11.87 6.69 14.87 24.22），试⽤线性变换和线性最⼩⼆乘法求拟合曲线，并估计其误差，作出拟合曲线.解（1）⾸先根据给出的数据点),(i i y x ，⽤下列MATLAB 程序画出散点图.在MATLAB ⼯作窗⼝输⼊程序>> x=[7.5 6.8 5.10 4.5 3.6 3.4 2.6 2.5 2.1 1.5 2.73.6];y=[359.26 165.60 59.17 41.66 25.92 22.37 13.47 12.87 11.87 6.69 14.87 24.22];plot(x,y,'r*'), legend('数据点(xi,yi)')xlabel('x'), ylabel('y'),title('例3.4.1的数据点(xi,yi)的散点图')运⾏后屏幕显⽰数据的散点图（略）.（2）根据数据散点图，取拟合曲线为a y =e bx )0,0(≠>b a ,其中b a ,是待定系数.令b B a A y Y ===,ln ,ln ，则（7.19）化为Bx A Y +=.在MATLAB ⼯作窗⼝输⼊程序>> x=[7.5 6.8 5.10 4.5 3.6 3.4 2.6 2.5 2.1 1.5 2.73.6];y=[359.26 165.60 59.17 41.66 25.92 22.37 13.47 12.87 11.87 6.69 14.87 24.22];Y=log(y); a=polyfit(x,Y,1); B=a(1);A=a(2); b=B,a=exp(A)n=length(x); X=8:-0.01:1; Y=a*exp(b.*X); f=a*exp(b.*x);plot(x,y,'r*',X,Y,'b-'), xlabel('x'),ylabel('y')legend('数据点(xi,yi)','拟合曲线y=f(x)')title('例3.4.1 的数据点(xi,yi)和拟合曲线y=f(x)的图形')fy=abs(f-y); fy2=fy.^2; Ew=max(fy), E1=sum(fy)/n,E2=sqrt((sum(fy2))/n)运⾏后屏幕显⽰a y =e bx 的系数b =0.624 1，a =2.703 9,数据),(i i y x 与拟合函数f的最⼤误差Ew =67.641 9，平均误差E 1=8.677 6和均⽅根误差E 2=20.711 3及其数据点),(i i y x 和拟合曲线9703.2)(=x f e x 1624.0的图形（略）.3.5 函数逼近及其MATLAB 程序最佳均⽅逼近的MATLAB 主程序function [yy1,a,WE]=zjjfbj(f,X,Y,xx)m=size(f);n=length(X);m=m(1);b=zeros(m,m); c=zeros(m,1);if n~=length(Y)error('X 和Y 的维数应该相同')endfor j=1:mfor k=1:mb(j,k)=0;for i=1:nb(j,k)=b(j,k)+feval(f(j,:),X(i))*feval(f(k,:),X(i));endendc(j)=0;for i=1:nc(j)=c(j)+feval(f(j,:),X(i))*Y(i);endenda=b\c;WE=0;for i=1:nff=0;for j=1:mff=ff+a(j)*feval(f(j,:),X(i));endWE=WE+(Y(i)-ff)*(Y(i)-ff);endif nargin==3return ;endyy=[];for i=1:ml=[];for j=1:length(xx)l=[l,feval(f(i,:),xx(j))];endyy=[yy l'];endyy=yy*a; yy1=yy'; a=a';WE;例3.5.1 对数据X 和Y , ⽤函数2,,1x y x y y ===进⾏逼近，⽤所得到的逼近函数计算在 6.5=x 处的函数值，并估计误差.其中X =(1 3 4 5 6 7 8 9); Y =(-11 -13 -11 -7 -1 7 17 29).解在MATLAB ⼯作窗⼝输⼊程序>> X=[ 1 3 4 5 6 7 8 9]; Y=[-11 -13 -11 -7 -1 7 17 29];f=['fun0';'fun1';'fun2']; [yy,a,WE]=zjjfbj(f,X,Y,6.5)运⾏后屏幕显⽰如下yy =2.75000000000003a =-7.00000000000010 -4.99999999999995 1.00000000000000WE =7.172323350269439e-027例3.5.2 对数据X 和Y ，⽤函数2,,1x y x y y ===，x y cos =，=y e x，xy sin =进⾏逼近，其中X =（0 0.50 1.00 1.50 2.00 2.50 3.00），Y =（0 0.4794 0.8415 0.9815 0.9126 0.5985 0.1645）.解在MATLAB ⼯作窗⼝输⼊程序>> X=[ 0 0.50 1.00 1.50 2.00 2.50 3.00];Y=[0 0.4794 0.8415 0.9815 0.9126 0.5985 0.1645];f=['fun0';'fun1';'fun2';'fun3';'fun4';'fun5'];xx=0:0.2:3;[yy,a,WE]=zjjfbj(f,X,Y, xx), plot(X,Y,'ro',xx,yy,'b-')运⾏后屏幕显⽰如下（图略）yy = Columns 1 through 7-0.0005 0.2037 0.3939 0.5656 0.7141 0.8348 0.9236Columns 8 through 140.9771 0.9926 0.9691 0.9069 0.8080 0.6766 0.5191Columns 15 through 160.3444 0.1642a = 0.3828 0.4070 -0.3901 0.0765 -0.4598 0.5653 WE = 1.5769e-004即，最佳逼近函数为y=0.3828+0.4070*x-0.3901*x^2+0.0765*exp(x) -0.4598*cos(x) +0.5653*sin(x).。

matlab最小二乘法曲线拟合在数据处理和拟合曲线中，最小二乘法是一种常用的数学方法。

通过最小化数据点到拟合曲线的垂直距离的平方和，最小二乘法可以在给定数据集上拟合出一条曲线。

在MATLAB中，最小二乘法曲线拟合可以通过使用polyfit函数来实现。

最小二乘法原理最小二乘法的目标是找到一条曲线，使得曲线上的点到原始数据点的垂直距离的平方和最小。

具体而言，对于给定的数据集{(x1, y1), (x2, y2), ... , (xn, yn)}，最小二乘法拟合的目标是找到一个多项式函数y =f(x) = a0 + a1*x + a2*x^2 + ... + an*x^n，其中a0, a1, a2, ... , an为待定系数，使得下述式子最小化：这里，ei表示第i个数据点的观测误差。

在MATLAB中使用最小二乘法进行曲线拟合MATLAB提供了polyfit函数来进行最小二乘法曲线拟合。

polyfit函数采用两个输入参数：x和y，分别表示数据点的横坐标和纵坐标。

此外，用户还需要指定多项式的阶数n。

polyfit将返回一个包含拟合多项式系数的向量p。

用户可以使用polyval函数来计算拟合曲线上的点的纵坐标，具体使用如下：p = polyfit(x, y, n);y_fit = polyval(p, x);下面我们通过一个例子来演示如何使用MATLAB进行最小二乘法曲线拟合。

假设我们有如下数据集，表示了一个函数y = f(x) = 2x^3 + 3x^2 - 5x + 2上的一些离散数据点：x = [0, 1, 2, 3, 4, 5];y = [2, 3, 4, 5, 6, 7];我们可以使用polyfit函数进行二次多项式曲线拟合，代码如下：p = polyfit(x, y, 2);y_fit = polyval(p, x);接下来，我们可以绘制原始数据点和拟合曲线，代码如下：plot(x, y, 'o');hold on;plot(x, y_fit, '-');xlabel('x');ylabel('y');legend('原始数据', '拟合曲线');在图中，原始数据点以圆圈表示，拟合曲线以实线表示。

最小二乘法原理及其MATLAB实现一、本文概述最小二乘法是一种广泛应用于数学、统计学、工程学、物理学等众多领域的数学优化技术。

其核心原理在于通过最小化误差的平方和来寻找最佳函数匹配，从而实现对数据的最佳逼近。

本文将对最小二乘法的原理进行详细阐述，并通过MATLAB编程实现，帮助读者深入理解并掌握这一强大的数据分析工具。

文章将首先介绍最小二乘法的基本原理，包括其历史背景、基本概念以及数学模型的构建。

然后，通过实例分析，展示如何应用最小二乘法进行线性回归模型的拟合，以及如何处理过拟合和欠拟合等问题。

接着，文章将详细介绍如何在MATLAB中实现最小二乘法，包括数据准备、模型构建、参数估计以及结果可视化等步骤。

文章还将对最小二乘法的优缺点进行讨论，并探讨其在不同领域的应用前景。

通过本文的学习，读者将能够全面理解最小二乘法的原理和应用，掌握其在MATLAB中的实现方法，为实际工作中的数据处理和分析提供有力支持。

二、最小二乘法原理最小二乘法（Least Squares Method）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。

这种方法起源于19世纪的统计学，由数学家阿德里安-马里·勒让德（Adrien-Marie Legendre）和卡尔·弗里德里希·高斯（Carl Friedrich Gauss）分别独立发展。

建立模型：我们需要建立一个描述数据关系的数学模型。

这通常是一个线性方程，如 y = ax + b，其中 a和b是待求解的参数。

误差计算：对于给定的数据集，我们可以将每个数据点代入模型中进行计算，得到预测值。

预测值与真实值之间的差异就是误差。

平方误差和：为了衡量模型的拟合程度，我们需要计算所有误差的平方和。

这是因为平方误差和能够更好地反映误差的大小，尤其是在误差较大时。

最小化平方误差和：最小二乘法的核心思想是找到一组参数，使得平方误差和达到最小。

这通常通过求导和令导数等于零来实现，从而找到使平方误差和最小的参数值。

一、概述在数据分析和曲线拟合中，最小二乘法是一种常用的数据拟合方法。

它通过最小化实际观测值与拟合曲线之间的残差平方和来求得最优拟合曲线的参数。

而在MATLAB中，有专门的函数可以帮助我们进行最小二乘法拟合，实现不同类型的数据拟合。

本文将从最小二乘法的原理和MATLAB的使用角度，介绍如何在MATLAB中使用最小二乘法进行函数分段拟合。

二、最小二乘法原理1. 残差的定义在进行数据拟合时，我们经常会遇到实际观测值与拟合曲线之间存在一定的偏差，这种偏差即为残差。

对于第i个观测点，其残差可以表示为：\[e_{i} = y_{i} - F(x_{i}, \theta)\]其中\(y_{i}\)为实际观测值，\(F(x_{i}, \theta)\)为拟合曲线在\(x_{i}\)处的取值，\(\theta\)为拟合曲线的参数。

2. 最小二乘法的原理最小二乘法的目标是找到一组参数\(\theta^*\)，使得实际观测值与拟合曲线的残差平方和最小，即\[\min_{\theta} \sum_{i=1}^{n} e_{i}^{2}\]通过对残差平方和的求导等于0，可以得到最优参数\(\theta^*\)的表达式，这样就得到了最优的拟合曲线。

三、MATLAB中的最小二乘法函数在MATLAB中，有专门用于最小二乘法拟合的函数lsqcurvefit。

该函数可以实现对一般形式的非线性方程进行最小二乘法拟合，在进行分段函数拟合时，也可以适用。

下面将介绍lsqcurvefit函数的基本用法。

1. 函数参数lsqcurvefit函数的基本参数包括：- fun：拟合函数的句柄，用于计算拟合曲线在给定x处的取值- x0：拟合曲线的初始参数- xdata：实际观测点的x坐标- ydata：实际观测点的y坐标- lb、ub：参数的取值范围约束2. 示例代码下面是一个使用lsqcurvefit函数进行分段线性函数拟合的示例代码：```matlab定义拟合函数fun = (x, xdata) x(1)*xdata.*(xdata<=3) + x(2)*xdata.*(xdata>3);初始化参数x0 = [1, 2];定义实际观测点xdata = [1, 2, 3, 4, 5];ydata = [3, 5, 7, 9, 11];进行最小二乘法拟合x = lsqcurvefit(fun, x0, xdata, ydata);```通过以上示例代码，可以实现对分段线性函数进行最小二乘法拟合，得到最优的拟合参数x。

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 ϕ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 ϕ最好地逼近()x f ，而不必满足插值原则。

因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ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 ϕ。

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 -=)(ϕδ，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。

学院：光电信息学院 姓名：赵海峰 学号：1001一、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 ϕϕϕ+++=称为曲线拟合的最小二乘法。

若记),()()(),(0i k i j mi i k j x x x ϕϕωϕϕ∑==k i k i mi i k d x x f x f ≡=∑=)()()(),(0ϕωϕ上式可改写为),...,1,0(;),(n k d a k j noj j k -=∑=ϕϕ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 ==⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=),(),(),()(),(),(),(),(),(101110101000n n n n n n G ϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕΛM M M ΛΛ。

它的平方误差为：.)]()([)(||||2022i i mi i x f x S x -=∑=ωδ二、数值实例：下面给定的是乌鲁木齐最近1个月早晨7:00左右(新疆时间)的天气预报所得到的温度数据表，按照数据找出任意次曲线拟合方程和它的图像。

下面应用Matlab编程对上述数据进行最小二乘拟合三、Matlab程序代码：x=[1:1:30];y=[9,10,11,12,13,14,13,12,11,9,10,11,12,13,14,12,11,10,9,8,7,8,9,11,9,7,6,5,3,1 ];a1=polyfit(x,y,3) %三次多项式拟合%a2= polyfit(x,y,9) %九次多项式拟合%a3= polyfit(x,y,15) %十五次多项式拟合%b1=polyval(a1,x)b2=polyval(a2,x)b3=polyval(a3,x)r1= sum((y-b1).^2) %三次多项式误差平方和%r2= sum((y-b2).^2) %九次次多项式误差平方和%r3= sum((y-b3).^2) %十五次多项式误差平方和%plot(x,y,'*') %用*画出x,y图像%hold onplot(x,b1, 'r') %用红色线画出x,b1图像%hold onplot(x,b2, 'g') %用绿色线画出x,b2图像%hold onplot(x,b3, 'b:o') %用蓝色o线画出x,b3图像%四、数值结果：不同次数多项式拟和误差平方和为：r1 =r2 =r3 =r1、r2、r3分别表示三次、九次、十五次多项式误差平方和。