模型数据的拟合

插值与数据拟合模型

第二讲 插值与数据拟合模型 函数插值与曲线拟合都是要根据一组数据构造一个函数作为近似，由于近似的要求不同，二者的数学方法上是完全不同的。而面对一个实际问题，究竟用插值还是拟合，有时容易确定，有时则并不明显。 在数学建模过程中，常常需要确定一个变量依存于另一个或更多的变量的关系，即函数。但实际上确定函数的形式（线性形式、乘法形式、幂指形式或其它形式）时往往没有先验的依据。只能在收集的实际数据的基础上对若干合乎理论的形式进行试验，从中选择一个最能拟合有关数据，即最有可能反映实际问题的函数形式，这就是数据拟合问题。 一、插值方法简介 插值问题的提法是，已知1+n 个节点n j y x j j ,,2,1,0),,( =，其中j x 互不相同，不妨设b x x x a n =<<<= 10，求任一插值点)(*j x x ≠处的插值*y 。),(j j y x 可以看成是由某个函数)(x g y =产生的，g 的解析表达式可能十分复杂，或不存在封闭形式。也可以未知。 求解的基本思路是，构造一个相对简单的函数)(x f y =，使f 通过全部节点，即),,2,1,0()(n j y x f j j ==，再由)(x f 计算插值，即*)(*x f y =。 1．拉格朗日多项式插值 插值多项式 从理论和计算的角度看，多项式是最简单的函数，设)(x f 是n 次多项式，记作 0111)(a x a x a x a x L n n n n n ++++=-- （1） 对于节点),(j j y x 应有 n j y x L j j n ,,2,1,0,)( == （2） 为了确定插值多项式)(x L n 中的系数011,,,,a a a a n n -，将（1）代入（2），有 ???????=++++=++++=++++---n n n n n n n n n n n n n n n n y a x a x a x a y a x a x a x a y a x a x a x a 01110111110001010 （3） 记 T n T n n n n n n n n n n y y y Y a a a A x x x x x x X ),,,(,),,,(,11110011111 100 ==?????? ? ??=---- 方程组（3）简写成 Y XA = （4） 注意X det 是Vandermonde 行列式，利用行列式性质可得 ∏≤<≤-= n k j j k x x X 0)(det 因j x 互不相同，故0det ≠X ，于是方程（4）中A 有唯一解，即根据1+n 个节点可以确定唯一的n 次插值多项式。 拉格朗日插值多项式 实际上比较方便的做法不是解方程（4）求A ，而是先构造一组基函数： n i x x x x x x x x x x x x x x x x x l n i i i i i i n i i i ,,2,1,0,) ())(()()())(()()(110110 =--------=+-+- （5） )(x l i 是n 次多项式，满足

离散数据拟合模型

辽宁工程技术大学上机实验 报告

（2）取定t0=1790，拟合待定参数x0和r； 程序代码： >> p=@(r,t)r(2).*exp(r(1).*(t-1790)); >> t=1790:10:2000; >> c=[,,,,,,,,, ,,,,,,,,,,,,]; >> r0=[,]; >> r=nlinfit(t,c,p,r0); >> sse=sum((c-p(r,t)).^2); >> plot(t,c,'b*',1790:1:2000,p(r,1790:1:2000),'b') >> axis([1790,2000,0,290]) >> xlabel('年份'),ylabel('人口（单位：百万）') >> title('拟合美国人口数据-指数增长型') >> legend('拟合数据') 程序调用： >> r r = >> sse sse = +003

（3）拟合待定参数t0, x0和r.要求写出程序，给出拟合参数和误差平方和的计算结果，并展示误差平方和最小的拟合效果图. 程序代码： >> p=@(r,t)r(2).*exp(r(1).*(t-1790+1.*r(3))); >> t=1790:10:2000; >> c=[,,,,,,,,, ,,,,,,,,,,,,]; >> r0=[,,1]; >> [r,x]=nlinfit(t,c,p,r0); >> sse=sum((c-p(r,t)).^2); >> a=1790+1.*r(3); >> subplot(2,1,1) >> plot(t,c,'b*',1790:1:2000,p(r,1790:1:2000),'b') >> axis([1790,2000,0,290]) >> xlabel('年份'),ylabel('人口（单位：百万）') >> title('拟合美国人口数据-指数增长型') >> legend('拟合数据') >> subplot(2,1,2) >> plot(t,x,'k+',[1790:2000],[0,0],'k') >> axis([1790,2000,-20,20])

数学建模拟合与差分习题答案

第一题 解：由题意可设 2 123()s t a t a t a =++ 中的A=（1a ，2a ，3a ）使得： 2 6 1 [()]i i i s t s =-∑最小 用多项式拟合的命令 输入以下命令： 输出结果：A = 2.2488 11.0814 -0.5834 2() 2.2488t 11.0814t 0.5834f x =+- 第二题 输入以下命令： >> x=[19 25 31 38 44]; >> y=[19.0 32.3 49.0 73.3 97.8]; >> A=polyfit(x,y,2)

>> z=polyval(A,x); >> plot(x,y,'k+',x,z,'r') 输出结果：A = 0.0497 0.0193 0.6882 =x x (2+ f ) x + .0 6882 .0 0193 .0 0497 因为2 6882 .0 ) = .0 f+ x (x f+ ) b 0497 (x a =，所以2 x 草图 >> x=1200:400:4000; >> y=1200:400:3600; >> height=[1130 1250 1280 1230 1040 900 500 700; 1320 1450 1420 1400 1300 700 900 850; 1390 1500 1500 1400 900 1100 1060 950; 1500 1200 1100 1350 1450 1200 1150 1010; 1500 1200 1100 1550 1600 1550 1380 1070; 1500 1550 1600 1550 1600 1600 1600 1550; 1480 1500 1550 1510 1430 1300 1200 980]; >> mesh(x,y,height) >>

(完整版)Matlab学习系列13.数据插值与拟合

13. 数据插值与拟合 实际中，通常需要处理实验或测量得到的离散数据（点）。插值与拟合方法就是要通过离散数据去确定一个近似函数（曲线或曲面），使其与已知数据有较高的拟合精度。 1.如果要求近似函数经过所已知的所有数据点，此时称为插值问 题（不需要函数表达式）。 2.如果不要求近似函数经过所有数据点，而是要求它能较好地反 映数据变化规律，称为数据拟合（必须有函数表达式）。 插值与拟合都是根据实际中一组已知数据来构造一个能够反映数据变化规律的近似函数。区别是：【插值】不一定得到近似函数的表达形式，仅通过插值方法找到未知点对应的值。【拟合】要求得到一个具体的近似函数的表达式。 因此，当数据量不够，但已知已有数据可信，需要补充数据，此时用【插值】。当数据基本够用，需要寻找因果变量之间的数量关系（推断出表达式），进而对未知的情形作预测，此时用【拟合】。

一、数据插值 根据选用不同类型的插值函数，逼近的效果就不同，一般有：（1）拉格朗日插值（lagrange插值） （2）分段线性插值 （3）Hermite （4）三次样条插值 Matlab 插值函数实现： （1）interp1( ) 一维插值 （2）intep2( ) 二维插值 （3）interp3( ) 三维插值 （4）intern( ) n维插值 1.一维插值（自变量是1维数据） 语法：yi = interp1(x0, y0, xi, ‘method’) 其中，x0, y0为原离散数据（x0为自变量，y0为因变量）；xi为需要插值的节点，method为插值方法。 注：（1）要求x0是单调的，xi不超过x0的范围； （2）插值方法有‘nearest’——最邻近插值；‘linear’——线性插值；‘spline’——三次样条插值；‘cubic’——三次插值；

matlab_数学实验_实验报告_数据拟合

数据的分析之数据的拟合 一、实验项目：Matlab 数据拟合 二、实验目的和要求 1、掌握用matlab 作最小二乘多项式拟合和曲线拟合的方法。 2、通过实例学习如何用拟合方法解决实际问题，注意差值方法的区别。 3、鼓励不囿于固定的模式或秩序，灵活调整思路，突破思维的呆板性，找到打破常规的解决方法。并在文献检索 动手和动脑等方面得到锻炼。 三、实验内容 操作一：Malthus 人口指数增长模型 用以上数据检验马尔萨斯人口指数增长模型，根据检验结果进一步讨论马尔萨斯人口模型的改进。 马尔萨斯模型的基本假设是人口的增长率为常数，记为r 。记时刻t 的人口为()x t ，且初始时刻的人口为x 0，于是得到如下微分方程 (0)dx rx dt x x ?=???=? 需要先求微分方程的解，再用数据拟合模型中的参数。 一、分析 有这个方程很容易解出0()*rt x t x e = r>0时，是表示人口箭杆指数规律随时间无限增长，称为指数增长模型。 将上式取对数，可得y=rt+a ，y=lnx ，a=lnx0 二、用matlab 编码 t=1790:10:1980; x=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92 106.5 123.2 131.7 150.7 179.3 204.0 226.5]; p=polyfit(t,log(x),1); r=p(1) x0=exp(p(2)) x1=x0.*exp(r.*t); plot(t,x,'r',t,x1,'b')

三、结果和图像 0.0214r = 0 1.2480016x e =- 1780 1800182018401860188019001920194019601980 050 100 150 200 250 300 350 操练二：旧车价格预测 分析用什么形式的曲线来拟合数据，并预测使用4、5年后的轿车平均价格大致为多少。 一、分析 用matlab 编码绘制出点图，预测图像大致形状。

2013年数学建模数据拟合方法

数据拟合 问题的提出及最小二乘原理 取 x 的n 个不全相同的值n x x x ,,,21 作独立试验，得到样本 ()11,y x ，()22,y x ，…，()n n y x ,，则 i i i bx a y ε++=， 设()2 ,0~σεN i ，各 i ε 相互独立 于是 () 2 ,~σi i bx a N y +， n i ,,2,1 =。且由 n y y y ,,,21 的独立性，知n y y y ,,,21 的联合概率密度为 ()?? ? ?? ?---??? ??=∑=n i i i n bx a y L 12 2 21exp 21σπσ （1） 现用最大似然估计法来估计未知参数 b a ,。对于任意一组观察值 n y y y ,,,21 ，（1）式就是样本的似然函数。显然，要L 取最大值， 只需函数 ()() ∑=--=n i i i bx a y b a Q 12 , 取最小值。 如果 y 不是正态变量，则直接用（1）式估计b a ,使 y 的观察值 i y 与 i bx a + 偏差的平方和 ()b a Q , 为最小。这种方法叫最小二乘法。 如果y 是正态变量，则最小二乘法与最大似然估计法给出相同的结果。 取 ()b a Q ,分别关于b a ,的偏导数，并令它们等于0，得到b a ,

应满足方程 ()()???????=---=??=---=??∑∑==020211n i i i i n i i i x x b a y b Q x b a y a Q （2） （2）式称为正规方程组。解此方程组即可确定 b a ,，从而得到直线方程 bx a y +=*。 对一组测定数据用最小二乘原理找出其合适的数学公式，可以分以下几步： 1． 由观测数据作出散点图 2． 根据散点图确定近似公式的函数类 3． 用最小二乘原理确定函数中的未知参数 这一方法称为数据拟合法。 常用的曲线（函数类）有直线、多项式、双曲线、指数曲线等，实际操作中可以在直观判断的基础上，选几种曲线分别做拟合，然后比较看哪条曲线的最小二乘指标最小。 一． 多变量的数据拟合 若影响变量 y 的因素不只是一个，而是几个，譬如有 k 个因素 k x x x ,,,21 ，这时通过n 次实验可以得到数据表： 实验 1x 2x … k x y 1 11x 21x … 1k x 1y 2 12x 22x … 2k x 2y … … … … … … n n x 1 n x 2 … kn x n y

数学建模案例分析插值与拟合方法建模1数据插值方法及应用

第十章 插值与拟合方法建模 在生产实际中，常常要处理由实验或测量所得到的一批离散数据，插值与拟合方法就是要通过这些数据去确定某一类已经函数的参数，或寻求某个近似函数使之与已知数据有较高的拟合精度。插值与拟合的方法很多，这里主要介绍线性插值方法、多项式插值方法和样条插值方法，以及最小二乘拟合方法在实际问题中的应用。相应的理论和算法是数值分析的内容，这里不作详细介绍，请参阅有关的书籍。 §1 数据插值方法及应用 在生产实践和科学研究中，常常有这样的问题：由实验或测量得到变量间的一批离散样点，要求由此建立变量之间的函数关系或得到样点之外的数据。与此有关的一类问题是当原始数据 ),(,),,(),,(1100n n y x y x y x 精度较高，要求确定一个初等函数)(x P y =（一般用多项式或分段 多项式函数）通过已知各数据点（节点），即n i x P y i i ,,1,0,)( ==，或要求得函数在另外一些点（插值点）处的数值，这便是插值问题。 1、分段线性插值 这是最通俗的一种方法，直观上就是将各数据点用折线连接起来。如果 b x x x a n =<<<= 10 那么分段线性插值公式为 n i x x x y x x x x y x x x x x P i i i i i i i i i i ,,2,1,,)(11 1 11 =≤<--+--= ----- 可以证明，当分点足够细时，分段线性插值是收敛的。其缺点是不能形成一条光滑曲线。 例1、已知欧洲一个国家的地图，为了算出它的国土面积，对地图作了如下测量：以由西向东方向为x 轴，由南向北方向为y 轴，选择方便的原点，并将从最西边界点到最东边界点在x 轴上的区间适当的分为若干段，在每个分点的y 方向测出南边界点和北边界点的y 坐标y1和y2，这样就得到下表的数据（单位：mm ）。

用多项式模型进行数据拟合实验报告(附代码)

实验题目： 用多项式模型进行数据拟合实验 1 实验目的 本实验使用多项式模型对数据进行拟合，目的在于： （1）掌握数据拟合的基本原理，学会使用数学的方法来判定数据拟合的情况； （2）掌握最小二乘法的基本原理及计算方法； （3）熟悉使用matlab 进行算法的实现。 2 实验步骤 2.1 算法原理 所谓拟合是指寻找一条平滑的曲线，最不失真地去表现测量数据。反过来说，对测量 的实验数据，要对其进行公式化处理，用计算方法构造函数来近似表达数据的函数关系。由于函数构造方法的不同，有许多的逼近方法，工程中常用最小平方逼近（最小二乘法理论）来实现曲线的拟合。 最小二乘拟合利用已知的数据得出一条直线或曲线，使之在坐标系上与已知数据之间的距离的平方和最小。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.高斯函数型等，根据应用情况，选用不同的拟合模型。其中多项式型拟合模型应用比较广泛。 给定一组测量数据()i i y x ,，其中m i ,,3,2,1,0Λ=，共m+1个数据点，取多项式P （x ），使得 min )]([020 2=-=∑∑==m i i i m i i y x p r ，则称函数P （x ）为拟合函数或最小二乘解，此时，令 ∑==n k k k n x a x p 0 )(，使得min ])([02 002=??? ? ??-=-=∑∑∑===m i n k i k i k m i i i n y x a y x p I ，其中 n a a a a ,,,,210Λ为待求的未知数，n 为多项式的最高次幂，由此该问题化为求),,,(210n a a a a I I Λ=的极值问题。 由多元函数求极值的必要条件：0)(200 =-=??∑∑==m i j i n k i k i k i x y x a a I ，其中n j ,,2,1,0Λ= 得到： ∑∑∑===+=n k m i i j i k m i k j i y x a x )(，其中n j ,,2,1,0Λ=，这是一个关于n a a a a ,,,,210Λ的线 性方程组，用矩阵表示如下所示：

最新数学建模使用MATLAB进行数据拟合

1.线性最小二乘法 x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; ab=r\y % if AB=C then B=A\C x0=19:0.1:44; y0=ab(1)+ab(2)*x0.^2; plot(x,y,'o',x0,y0,'r') 运行结果： 2.多项式拟合方法 x0=[1990 1991 1992 1993 1994 1995 1996]; y0=[70 122 144 152 174 196 202]; a=polyfit(x0,y0,1) y97=polyval(a,1997) x1=1990:0.1:1997; y1=a(1)*x1+a(2);

plot(x1,y1) hold on plot(x0,y0,'*') plot(1997,y97,'o') 3.最小二乘优化 3.1 lsqlin 函数 例四： x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; ab=lsqlin(r,y) x0=19:0.1:44; y0=ab(1)+ab(2)*x0.^2; plot(x,y,'o',x0,y0,'r') 3.2lsqcurvefit 函数

（1）定义函数 function f=fun1(x,tdata); f=x(1)+x(2)*exp(-0.02*x(3)*tdata); %其中x(1)=a，x(2)=b，x(3)=k （2） td=100:100:1000; cd=[4.54 4.99 5.35 5.65 5.90 6.10 6.26 6.39 6.50 6.59]; x0=[0.2 0.05 0.05]; x=lsqcurvefit(@fun1,x0,td,cd) % x(1)=a，x(2)=b，x(3)=k t=100:10:1000; c=x(1)+x(2)*exp(-0.02*x(3)*t); plot(t,c) hold on plot(td,cd,'*')

数学建模插值及拟合详解

插值和拟合 实验目的：了解数值分析建模的方法，掌握用Matlab进行曲线拟合的方法，理解用插值法建模的思想，运用Matlab一些命令及编程实现插值建模。 实验要求：理解曲线拟合和插值方法的思想，熟悉Matlab相关的命令，完成相应的练习，并将操作过程、程序及结果记录下来。 实验内容： 一、插值 1．插值的基本思想 ·已知有n +1个节点（xj,yj），j = 0,1,…, n，其中xj互不相同，节点(xj, yj)可看成由某个函数y= f （x）产生； ·构造一个相对简单的函数y=P(x)； ·使P通过全部节点，即P (xk) = yk，k=0,1,…, n ； ·用P (x)作为函数f ( x )的近似。 2．用MA TLAB作一维插值计算 yi=interp1(x，y，xi，'method') 注：yi—xi处的插值结果；x，y—插值节点；xi—被插值点；method—插值方法（‘nearest’：最邻近插值；‘linear’：线性插值；‘spline’：三次样条插值；‘cubic’：立方插值；缺省时：线性插值）。注意：所有的插值方法都要求x是单调的，并且xi不能够超过x的范围。 练习1：机床加工问题 每一刀只能沿x方向和y方向走非常小的一步。 表3-1给出了下轮廓线上的部分数据 但工艺要求铣床沿x方向每次只能移动0.1单位. 这时需求出当x坐标每改变0.1单位时的y坐标。 试完成加工所需的数据，画出曲线. 步骤1：用x0，y0两向量表示插值节点； 步骤2：被插值点x=0:0.1:15; y=y=interp1(x0,y0,x,'spline'); 步骤3：plot(x0,y0,'k+',x,y,'r') grid on 答：x0=[0 3 5 7 9 11 12 13 14 15 ]; y0=[0 1.2 1.7 2.0 2.1 2.0 1.8 1.2 1.0 1.6 ]; x=0:0.1:15; y=interp1(x0,y0,x,'spline'); plot(x0,y0,'k+',x,y,'r') grid on

数据拟合方法研究

数据拟合方法研究 中文摘要 在我们实际的实验和勘探中，都会产生大量的数据。为了解释这些数据或者根据这些数据做出预测、判断，给决策者提供重要的依据。需要对测量数据进行拟合，寻找一个反映数据变化规律的函数。 本文介绍了几种常用的数据拟合方法，线性拟合、二次函数拟合、数据的n次多项式拟合等。并着重对曲线拟合进行了研究，介绍了线性与非线性模型的曲线拟合方法，最小二乘法、牛顿迭代法等。在传统的曲线拟合基础上，为了提高曲线拟合精度，本文还研究了多项式的摆动问题，从实践的角度分析了产生这些摆动及偏差的因素和特点，总结了在实践中减小这些偏差的处理方法。采用最小二乘法使变量转换后所得新变量离均差平方和最小，并不一定能使原响应变量的离均差平方和最小，所以其模型的拟合精度仍有提高的空间。本文以残数法与最小二乘法相结合，采用非线性最小二乘法来得到拟合效果更好的曲线模型。随着计算机技术的发展，实验数据处理越来越方便。但也提出了新的课题，就是在选择数据处理方法时应该比以往更为慎重。因为稍有不慎，就会非常方便地根据正确的实验数据得出不确切的乃至错误的结论。所以提高拟合的准确度是非常有必要的 关键词：数据拟合、最小二乘法、曲线拟合、多项式摆动、残数法

Data Fitting Method Abstract In our experiments and exploration, it will produce large amounts of data. In order to explain these data to make predictions based on these data to determine, provide an important basis for policy makers .Need to fit the measured data to find a function to reflect data changes in the law.This article describes several commonly used data fitting methods, and focused on a nonlinear curve fitting of the model. This paper introduces some commonly used data fitting method, linear fitting, secondary function fitting, data n times polynomial fitting etc. T And focuses on the curve fitting, introduced the linear and nonlinear model of curve fitting method, the least square method, Newton iterative method, etc. In the traditional curve fitting basis, in order to improve the curve fitting precision, this paper also studies the polynomial swing, from the perspective of the practice the oscillation and deviation of factors and characteristics, and summarizes the decrease in practice the treatment method of these deviations. The least square method to variable after converting from new variables are the sum of squared residuals minimum, not necessarily make the original response from all the variables of the sum of squared residuals minimum, so the model fitting precision still has room to improve.Based on the number of residual method and least square method, and the combination of nonlinear least square method to get better fitting effect of curve model.With the development of computer technology, the experiment

数学建模曲线拟合

曲线拟合 摘要 根究已有数据研究y关于x的关系，对于不同的要求得到不同的结果。 问题一中目标为使的各个观察值同按直线关系所预期的值的偏差平方和为最小，利用MATLAB中t lsqcurvefi函数在最小二乘法原理下拟合出所求直线。 问题二目标为使绝对偏差总和为最小，使用MATLAB中的fminsearch函数，在题目约束条件内求的最优答案，以此方法同样求得问题三中最大偏差为最小时的直线。 问题四拟合的曲线为二阶多项式，方法同前三问类似。 问题五为求得最佳的曲线，将之前的一次曲线换成多次曲线进行拟合得到新的结果。经试验发现高阶多项式的阶数越高拟和效果最好。 ) 关键词：函数拟合最小二乘法线性规划 | < ￥

一、问题的重述 已知一个量y 依赖于另一个量x ，现收集有数据如下： （1）求拟合以上数据的直线a bx y +=。目标为使y 的各个观察值同按直线关系所预期的值的偏差平方和为最小。 （2）求拟合以上数据的直线a bx y +=，目标为使y 的各个观察值同按直线关系所预期的值的绝对偏差总和为最小。 （3）求拟合以上数据的直线，目标为使y 的各个观察值同按直线关系所预期的值的最大偏差为最小。 （4）求拟合以上数据的曲线a bx cx y ++=2，实现（1）（2）（3）三种目标。 } （5）试一试其它的曲线，可否找出最好的？ 二、问题的分析 对于问题一，利用MATLAB 中的最小二乘法对数据进行拟合得到直线，目标为使各个观察值同按直线关系所预期的值的偏差平方和为最小。 对于问题二、三、四均利用MATLAB 中的fminsearch 函数，在题目要求的约束条件下找到最佳答案。 对于问题五，改变多项式最高次次数，拟合后计算残差，和二次多项式比较，再增加次数后拟合，和原多项式比较残差，进而找到最好的曲线。 ~

插值与拟合模型

插值与拟合模型 水道测量数据问题 表1给出了在以码（1码=0.914米）为单位的直角坐标为X，Y的水面一点处以英尺（1英尺=0.3048米）计的水深Z。水深数据是在低潮时测得的。 表1 水道测量数据在低潮时测得的水深 船的吃水深度为5英尺。在矩形区域(75,200)ⅹ(-50,150)里哪些地方船要避免进入。 解答： 所给14个点的平面散点图如下，其中有两点不落在所给区域：(75,200)ⅹ(-50,150)。

图17.1 水道离散点平面图 本问题采用地球科学上的反距离权重法(IDW)。首先将所给区域(75,200)ⅹ(-50,150)按较细的网格进行剖分。然后利用所给14个点的水深值Z ，按照IDW 方法求出所有剖分点的水深值Z ，并找出水深低于5米的点。然后作出水底曲面图，等值线图，标出水深低于5米的区域。 IDW 算法： 设有n 个点(,,)i i i x y z ，计算平面上任意点(,)x y 的z 值。 1 .n i i i z w z == ∑ 其中权重： 1 1/1/p i i n p i i d w d == ∑ ，i d = 即(,)x y 处的z 值由各已知点加权得到，其权重为(,)x y 到各点距离的p 次方成反比。 p 决定距离(,)x y 近的(,)i i x y 作用的相对大小。当p 越大，则当(,)i i x y 距离(,)x y 越近， 其相对作用越大，越远相对作用越小。本题取3p =。 按照IDW 方法，x 方向剖分50个区间，区间间隔2.5；y 方向剖分80个区间，区间间隔 2.5dy =得到的水底河床图及等值线图如下。实现的Matlab 程序见后。

数学建模实验 ――曲线拟合与回归分析

曲线拟合与回归分析 1、有 10个同类企业的生产性固定资产年平均价值和工业总产值资料如下: (1说明两变量之间的相关方向; (2建立直线回归方程; (3计算估计标准误差; (4估计生产性固定资产(自变量为 1100万元时的总资产 (因变量的可能值。 解: (1工业总产值是随着生产性固定资产价值的增长而增长的,存 在正向相关性。 用 spss 回归 (2 spss 回归可知:若用 y 表示工业总产值(万元,用 x 表示生产性固定资产,二者可用如下的表达式近似表示: 567 . 395 896 . 0+ =x

y (3 spss 回归知标准误差为 80.216(万元。 (4当固定资产为 1100时,总产值为: (0.896*1100+395.567-80.216~0.896*1100+395.567+80.216 即(1301.0~146.4这个范围内的某个值。 MATLAB 程序如下所示: function [b,bint,r,rint,stats] = regression1 x = [318 910 200 409 415 502 314 1210 1022 1225]; y = [524 1019 638 815 913 928 605 1516 1219 1624]; X = [ones(size(x', x']; [b,bint,r,rint,stats] = regress(y',X,0.05; display(b; display(stats; x1 = [300:10:1250]; y1 = b(1 + b(2*x1;

figure;plot(x,y,'ro',x1,y1,'g-'; 生产性固定资产价值 (万元 工业总价值 (万元 industry = ones(6,1; construction = ones(6,1; industry(1 =1022; construction(1 = 1219; for i = 1:5

数模实验第四版数据拟合与模型参数估计

数学模型实验—实验报告4 学院：河北大学工商学院专业：电气七班姓名：李青青 学号：2012484098 实验时间：2014/4/15 实验地点：B3-301 一、实验项目：数据拟合与模型参数估计 二、实验目的和要求 a.了解数据拟合的原理和Matlab中的有关命令。 Polfit：MATLAB函数：p=polyfit(x,y,n) [p,s]= polyfit(x,y,n) 说明：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用于生成预测值的误差估计。(见下一函数polyval) 多项式曲线求值函数：polyval( ) 调用格式：y=polyval(p,x) [y,DELTA]=polyval(p,x,s) 说明：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。 Polyval

polyval函数的主要功能是多项式的估值运算，其语法格式为y = poly val(p,x)，输入变量p是长度为n+1的向量，各元素是依次按降幂排列的多项式的系数，函数返回的是那次多项式p在x处的值，x可以是一个数，也可以是一个矩阵或者一个向量,在后两种情况下，该指令计算的是在X中任意元素处的多项式p的估值。 polyvalm的主要功能是用于matlab中多项式求值。其语法格式为y=polyvalm（a，A），其中a为多项式行向量表示，A为指定矩阵。 Lsqlin 约束线性最小二乘 函数lsqlin 格式x = lsqlin(C,d,A,b) %求在约束条件下，方程Cx = d的最小二乘解x。 x = lsqlin(C,d,A,b,Aeq,beq) %Aeq、beq满足等式约束，若没有不等式约束，则设A=[ ]，b=[ ]。 x = lsqlin(C,d,A,b,Aeq,beq,lb,ub) %lb、ub满足，若没有等式约束，则Aeq=[ ]，beq=[ ]。 x = lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0) % x0为初始解向量，若x没有界，则lb=[ ]，ub=[ ]。 x = lsqlin(C,d,A,b,Aeq,beq,lb,ub,x0,options) % options为指定优化参数 lsqcurvefit

数学建模数据之简单处理技巧(Mathematica)总结

数学建模数据之简单处理技巧 人们在生产实践与科学研究中经常会得到一系列的数据，然后通过这些数据得到某种内在规律，这就叫数据处理（Adjustment of Data ）。科学家开发了许多方法来处理这个问题，最初由Gauss 发展起来，用于彗星轨道（Orbits of Comets ）的计算以及三角测量术中。主要方法有：最小二乘平方法、平均误差及误差延伸法则、直接测量的处理、以及一个函数用较简单函数表示的问题。数据拟合(Fit )就是其中的一种。 假设已经得到数据列data1 = { y1, y2, y3，…，yn}, 现在需要寻找此数据列所满足的规律。Mathematica 系统提供了拟合命令Fit ，使用的格式如下，例如： f[x] = Fit[ data1, { 1, x, x 2, x 3 }, x ] 表示用最小误差平方法去拟合数据data1，而且指明用32,,,1x x x 构成的函数基，线性表出拟合函数f[x]。此处，得到的拟合函数f[x] 按x = j, f[ j ] = yj (data1中第j 个数据)处理数据； 一般地，假设有2维数据 data2 = { { x 1, y 1 }, { x 2, y 2 }, … }, 则命令 Fit[ data2, { 1, f 1[x], f 2[x], … }, x ] 表示用最小误差平方法去拟合数据data2，而且指明用一元函数列{ 1, f 1[x], f 2[x], …}去线性表出拟合函数F[x]。 假设有3维数据 data3 = { { x 1, y 1, z 1 }, { x 2, y 2, z 2 }, … } }, 则命令 f[x, y] = Fit[ data3, {1,f 1[x,y],f 2[x,y],…},{x,y} ] 表示用最小误差平方法去拟合数据data3，而且指明用2元函数列{ 1, f 1[x, y], f 2[x, y], …}去线性表出拟合函数f[x, y]。 数据拟合典型例子 d = { { 1, 1}, { 2, -2 }, { 3, 3 }, { 4, -4 }, { 5, 5 }, { 6, 6 }}; g1 = ListPlot[ d, PlotStyl e -> { Hue[ 0 ], PointSize[ .03 ] } ] f1 = Fit[ d, { 1, x, x^2, x^3, x^4 }, x ]; Print[“f1 = ”, f1] g2 = Plot[ f1, { x, 1, 10 }, PlotStyle -> Hue[ .6 ] ] f2 = Fit[ d, { 1, x, x^2, x^3, x^4, x^5}, x ]; Print[“f2 = ”, f2] g3 = Plot[ f2, { x, 1, 10 }, PlotStyle ->{ GrayLevel[ 0 ], Dashing[ { .03 } ] } ] Show[ g1, g2, g3 ] 得到结果： 图1-1-52 f1=-3.33333+8.12169x -5.30556x 2+1.2037x 3-0.0833333x 4

离散数据拟合模型

工程技术大学上机实验报告

>> r r = 0.0212 >> sse sse = 1.7418e+004 程序代码： >> p=(r,t)r(2).*exp(r(1).*(t-1790)); >> t=1790:10:2000; >> c=[3.9,5.3,7.2,9.6,12.9,17.1,23.2,31.4,38.6, 50.2,62.9,76.0,92.0,106.5,123.2,131.7,150.7,179.3,204.0,226.5,251.4,281.4]; >> r0=[0.0359,3.9]; >> r=nlinfit(t,c,p,r0); >> sse=sum((c-p(r,t)).A2); >> plot(t,c,'b*',1790:1:2000,p(r,1790:1:2000),'b') >> axis([1790,2000,0,290]) >> xlabel('年份'),ylabel('人口(单位：百万)') >> title('拟合美国人口数据-指数增长型') >> legend('拟合数据') 程序调用： >> r r =0.0142 14.9940 >> sse sse = 2.2639e+003 程序代码： >> p=(r,t)r(2).*exp(r(1).*(t-1790+1.*r(3))); >> t=1790:10:2000; >> c=[3.9,5.3,7.2,9.6,12.9,17.1,23.2,31.4,38.6, 50.2,62.9,76.0,92.0,106.5,123.2,131.7,150.7,179.3,204.0,226.5,251.4,281.4]; >> r0=[0.0359,3.9,1]; >> [r,x]=nlinfit(t,c,p,r0); >> sse=sum((c-p(r,t)).A2); >> a=1790+1.*r(3); >> subplot(2,1,1) >> plot(t,c,'b*',1790:1:2000,p(r,1790:1:2000),'b') >> axis([1790,2000,0,290]) >> xlabel('年份'),ylabel('人口(单位：百万)') >> title('拟合美国人口数据-指数增长型') >> legend('拟合数据') >> subplot(2,1,2) >> plot(t,x,'k+',[1790:2000],[0,0],'k') >> axis([1790,2000,-20,20]) >> xlabel('年份'),ylabel('人口(单位：百万)') >> title('拟合误差') 程序调用： >> r r = 0.0142 7.3264 50.3522 >> x x = Columns 1 through 5 -11.0940 -11.9857 -12.7277 -13.3735 -13.5848 Columns 6 through 10 -13.4328 -11.9995 -9.1795 -8.1818 -3.7321 Columns 11 through 15 0.7248 4.3218 9.3664 11.2364 13.3761 Columns 16 through 20 5.0903 4.7390 11.0299 10.0111 2.8613

数学建模：最小二乘拟合实验

《数学建模期末实验作业》 院系：数学学院 专业：信息与计算科学 年级：2014级 试题编号：37

胡克定律的综合评价分析 背景摘要： 利用一个打蛋器和一个物理学公式，毁掉一面六英寸厚的承重墙，这么天 方夜谭的事你能相信吗？但它却真的发生了！ 《越狱》这一电视剧相信很多人都耳熟，即使没看过里面的内容，但应该 都曾经听过它的大名。在《越狱》第一季第六集中，Michael要通过地下管道 爬到医务室的下面，但是一条重要通道是被封死的，因此必须要把这个封死的 墙破坏掉，由于是混凝土结构，因此破坏起来很难，Michael从纹身上拓下魔 鬼的画像，投影在掩住管道入口的墙上，用“胡克定律”计算出最佳位置，再 用小巧的打蛋器在承重墙上钻出了几个小洞，最后借助这几个小洞毁掉了这堵 承重墙。 相信大多数人都觉的很梦幻很不科学，但事实就是这样的令人惊讶。搜狐 娱乐曾经报道过，有《越狱》粉丝不相信这一情节，在现实生活中进行实验， 结果真的重现了“胡克定律”凿墙这一情节。 胡克定律的表达式为F=k·x或△F=k·Δx，其中k是常数，是物体的劲度（倔强）系数。在国际单位制中，F的单位是牛，x的单位是米，它是形变量（弹性形变），k的单位是牛/米。倔强系数在数值上等于弹簧伸长（或缩短） 单位长度时的弹力。 弹性定律是胡克最重要的发现之一，也是力学最重要基本定律之一。在现代，仍然是物理学的重要基本理论。胡克的弹性定律指出：弹簧在发生弹性形 变时，弹簧的弹力Ff和弹簧的伸长量（或压缩量）x成正比，即F= -k·x。k 是物质的弹性系数，它由材料的性质所决定，负号表示弹簧所产生的弹力与其 伸长（或压缩）的方向相反。 但当我们进行多次实验，便会发现随着F的逐步增大，便不再服从胡克定律。为此我们应当运用插值与拟合的内容，探索更加准确的公式。 一、建模问题 1.问题提出 1.1 问题背景 弹簧在压力F 的作用下伸长x，一定范围内服从胡克定理：F与x成正比，即F=kx。现在得到下面一组F，x数据，并在（x，F）坐标下作图，可以看到 当F大到一定数据值后，就不服从这个定律了。 表1-1