色品图离散数据的曲线拟合
离散数据的曲线拟合
按（2.5.3）有
5
2.5 1.875 a0 4.31
2.5 1.875 1.5625 a1 3.27
1.875 1.5625 1.3828 a2 2.7975
解此方程组得 a0* 0.1214, a1* 0.5726, a2* 1.2114。从而，拟合多项式为
n
ak* * ( x ) ,
使得
k 0
n
n
i [ yi
i0
* ( x)]2
min
( x )
i[ yi
i0
( x)]2
(2.5.1)
则称 *( x)为离散数据{ xi , yi }mi0在子空间 中带权 {i }mi0 的最小二乘拟合。
函数 ( x)在离散点处的值为
这是一种特定的线性模型，因此可用上面讨论的方法求解。子空间 得基
函数为 k ( x) xk , k 0,1, , n。
例 2.13 用多项式拟合表2-7中的离散数据。
表2-7
i
0
1
2
3
4
xi 0.00 0.25 0.50 yi 0.10 0.35 0.81
0.75 1.09
1.00 1.96
此时，对应的法方程为
k0
k ,k ak y,k , k 0,1,, n。 它的解为ak y,k k ,k , k 0,1,, n。
由于按法方程2.5.3有
y,
j
n
ak
k
,
j
,
j
,
k0
第二章 插值与拟合
即 y , j 0, j 0,1,, n。因而平方误差为
python 离散数据拟合成曲线
一、引言在实际数据分析和建模过程中，我们经常会遇到离散的数据点需要拟合成曲线的情况。
而Python作为一种功能强大且易于使用的编程语言，提供了许多库和工具来实现离散数据的曲线拟合。
本文将介绍如何使用Python中的相关库来进行离散数据的曲线拟合，并探讨不同的拟合方法及其适用场景。
二、数据准备在进行离散数据的曲线拟合之前，首先需要准备好需要拟合的数据。
通常情况下，这些数据可以来源于实验观测、传感器采集或者其他渠道。
为了方便起见，我们假设我们已经有了一组离散的数据点，其中包括自变量和因变量的取值。
三、使用numpy进行数据处理在进行曲线拟合之前，首先需要对数据进行处理和准备。
在Python 中，我们可以使用NumPy库来进行数据处理和数组操作。
通过NumPy，我们可以很方便地对数据进行排序、过滤、去重等操作，以便后续的曲线拟合过程。
四、常见的曲线拟合方法曲线拟合是将离散的数据点拟合成一个连续的曲线的过程。
在Python 中，有许多不同的方法来实现曲线拟合，常见的方法包括线性拟合、多项式拟合、非线性拟合等。
这些方法可以根据数据的特点和需求来选择合适的拟合方式。
五、使用scipy进行曲线拟合在Python中，scipy库提供了丰富的数学函数和工具，包括曲线拟合相关的函数和方法。
通过scipy，我们可以方便地进行曲线拟合，并获得拟合的参数和模型。
在进行曲线拟合时，我们可以根据实际情况选择合适的拟合方法，并通过参数优化和模型评估来获得最优的拟合结果。
六、使用matplotlib可视化拟合结果在完成曲线拟合之后，通常需要对拟合结果进行可视化，以便更直观地了解拟合效果。
在Python中，matplotlib库提供了丰富的绘图函数和工具，可以方便地实现拟合结果的可视化展示。
通过matplotlib，我们可以绘制原始数据点、拟合曲线以及拟合效果的评估指标，帮助我们更好地理解拟合结果。
七、实例分析及代码示例为了更具体地演示离散数据的曲线拟合过程，下面我们将结合一个实际的案例来进行分析，并给出相应的Python代码示例。
python离散点拟合曲线
python离散点拟合曲线离散点拟合曲线是一种常用的数据处理方法，能够将散点数据点转化为一条平滑的曲线，以便更好地理解和分析数据趋势。
在Python中，有多种方法可以实现离散点拟合曲线，本文将介绍两种常用的方法，分别是多项式拟合和样条插值。
1. 多项式拟合多项式拟合是一种基于最小二乘法的拟合方法，可以通过一条低阶多项式来逼近一组离散的数据点。
在Python中，可以使用numpy库中的polyfit()函数进行多项式拟合。
下面是一个示例代码：```import numpy as npimport matplotlib.pyplot as plt# 定义离散数据点x = np.array([1, 2, 3, 4, 5])y = np.array([2.3, 4.5, 6.7, 8.9, 11.2])# 进行二次多项式拟合coefficients = np.polyfit(x, y, 2)polynomial = np.poly1d(coefficients)# 生成拟合曲线上的点x_fit = np.linspace(x[0], x[-1], 100)y_fit = polynomial(x_fit)# 绘制原始数据点和拟合曲线plt.scatter(x, y, label='Data Points')plt.plot(x_fit, y_fit, label='Polynomial Fit')# 添加图例和标题plt.legend()plt.title('Polynomial Fit')# 显示图形plt.show()```2. 样条插值样条插值是一种基于插值原理的拟合方法，它利用多段低阶多项式来逼近离散数据点。
在Python中，可以使用scipy库中的interp1d()函数进行样条插值。
下面是一个示例代码：```import numpy as npimport matplotlib.pyplot as pltfrom scipy.interpolate import interp1d# 定义离散数据点x = np.array([1, 2, 3, 4, 5])y = np.array([2.3, 4.5, 6.7, 8.9, 11.2])# 进行样条插值f = interp1d(x, y, kind='cubic')# 生成拟合曲线上的点x_fit = np.linspace(x[0], x[-1], 100)y_fit = f(x_fit)# 绘制原始数据点和拟合曲线plt.scatter(x, y, label='Data Points')plt.plot(x_fit, y_fit, label='Spline Interpolation') # 添加图例和标题plt.legend()plt.title('Spline Interpolation')# 显示图形plt.show()```通过以上示例代码，我们可以分别实现多项式拟合和样条插值，并绘制出对应的拟合曲线。
用c语言实现离散点拟合曲线
用c语言实现离散点拟合曲线离散点拟合曲线是一种利用已知数据点来推断未知数据点的方法。
在计算机科学领域，离散点拟合曲线通常是一个重要的问题，因为它可以帮助我们在数据可视化，数据分析和数据预测中更好地理解数据的变化。
在C语言中实现离散点拟合曲线有多种方法，下面介绍其中一种通用的方法，即使用最小二乘法。
最小二乘法是一种对数据进行拟合的方法，它基于最小化数据点和曲线之间的距离来查找最符合数据的函数。
下面是C语言实现离散点拟合曲线的步骤：1. 收集数据点，包括x和y的坐标。
2. 创建一个公式来表示拟合曲线（例如，直线，二次曲线等等）。
3. 对于每个数据点，计算该点在拟合曲线上的值，并计算该值与实际值之间的距离。
4. 最小化所有距离的平方和。
这就是所谓的最小二乘法。
5. 可以使用数值计算库（例如GNU Scientific Library）来解决最小二乘法问题，或手动实现。
下面是一个使用C语言手动实现最小二乘法来拟合一条直线的示例代码：```c#include <stdio.h>#include <stdlib.h>#define MAX_POINTS 50int main() {int num_points;double x[MAX_POINTS], y[MAX_POINTS], sum_x = 0.0, sum_y = 0.0, sum_xx = 0.0, sum_xy = 0.0;double a, b;printf("Enter the number of data points: ");scanf("%d", &num_points);if (num_points > MAX_POINTS) {printf("Too many data points, exiting...\n");exit(1);}for (int i = 0; i < num_points; i++) {printf("Enter point %d (x, y): ", i+1);scanf("%lf %lf", &x[i], &y[i]);sum_x += x[i];sum_y += y[i];sum_xx += x[i] * x[i];sum_xy += x[i] * y[i];}a = (num_points * sum_xy - sum_x * sum_y) / (num_points * sum_xx - sum_x * sum_x);b = (sum_y - a * sum_x) / num_points;printf("\nThe linear equation that best fits the given data:\n"); printf("y = %.2lfx + %.2lf\n", a, b);return 0;}```在上述示例代码中，我们首先使用`scanf()`函数获取数据点的数量和每个数据点的x和y坐标。
离散点拟合曲线
离散点拟合曲线离散点拟合曲线是一种用于对一组无序数据点进行估计和预测的数学方法。
它可以将这些离散的数据点拟合成一个连续的曲线或函数，从而使我们能够更好地理解和分析数据。
离散点拟合曲线的应用非常广泛，包括经济学、医学、物理学、地球科学等领域。
它可以用于预测未来的趋势或现象，或者用于解释已有的数据集。
离散点拟合曲线的拟合方法主要有两种，分别是最小二乘法和最小二次曲线拟合。
最小二乘法是一种用于在线性回归中寻找最佳拟合直线的方法，而最小二次曲线拟合则是将数据点拟合成一个二次曲线。
下面我们将详细介绍这两种方法以及它们的优缺点。
一、最小二乘法最小二乘法是一种常见的拟合方法，它的基本思想是将拟合曲线与数据点之间的误差最小化。
这种方法利用了一个称为残差平方和（RSS）的指标来衡量模型的质量。
残差平方和是指每个数据点与拟合曲线之间的距离的平方之和。
最小二乘法的目标是使这个距离最小，从而获得最佳的拟合曲线。
利用最小二乘法可以拟合各种类型的曲线，包括线性、指数、对数、多项式等。
最小二乘法的优点是：1、它是一种强大的统计工具，可以处理许多类型的曲线。
2、它能够有效地解决噪声和误差的问题，从而提高数据的准确性。
3、它易于实现和使用。
1、它假设数据点之间的误差符合正态分布，而这种假设在实际应用中可能不成立。
2、最小二乘法对离群值敏感，因为在这种情况下，残差平方和会被放大，从而影响拟合曲线的准确性。
二、最小二次曲线拟合1、它能够更精确地描述非线性趋势的数据。
2、它对离群值的敏感度较低，因为曲线更能够适应数据点的变化。
但是，最小二次曲线拟合也存在一些缺点：1、它仅适用于拟合二次函数，因此在处理其他类型的曲线时可能不太灵活。
2、它需要更多的计算量和时间，因为计算二次函数需要更多的参数。
需要注意的是，无论是最小二乘法还是最小二次曲线拟合，都需要考虑到拟合曲线的精度和辨识度是否够高。
因此在实践中，我们需要经过多次试验和调整来确定最佳的拟合曲线。
曲线拟合的实用方法与原理
曲线拟合的实用方法与原理曲线拟合是一种常用的数据分析方法，它可以通过寻找最佳拟合曲线来描述一组数据的趋势和关系。
在科学研究、工程技术、金融分析等领域中，曲线拟合被广泛应用于数据模型的建立、预测和优化等方面。
本文将介绍曲线拟合的实用方法和原理，帮助读者更好地理解和运用这一分析工具。
一、曲线拟合的基本概念曲线拟合是指通过一组已知数据点，寻找一条函数曲线来逼近这些数据点的过程。
拟合曲线的选择通常基于拟合误差最小化的原则，即找到一条曲线，使得它与实际数据点之间的误差最小。
二、常见的曲线拟合方法1. 最小二乘法最小二乘法是一种常见的曲线拟合方法，它通过最小化拟合曲线与实际数据点之间的残差平方和来确定最佳拟合曲线。
最小二乘法在实际应用中较为简单和灵活，能够拟合各种类型的曲线，如线性曲线、多项式曲线、指数曲线等。
2. 多项式拟合多项式拟合是一种通过多项式函数来拟合数据点的方法。
它可以通过最小二乘法来确定多项式的系数，从而得到最佳拟合曲线。
多项式拟合可以适用于不同阶数的多项式，阶数越高，拟合曲线越复杂，能够更好地逼近实际数据。
3. 曲线拟合工具除了最小二乘法和多项式拟合外，还有一些专门的曲线拟合工具可供使用。
例如，MATLAB和Python中的Scipy库提供了丰富的曲线拟合函数，可以根据实际需求选择合适的拟合方法和工具。
三、曲线拟合的实际应用曲线拟合在各个领域都有广泛的应用。
以下是几个典型的实际应用案例：1. 经济数据分析曲线拟合可以用于分析经济数据的趋势和关系。
例如，通过对历史GDP数据进行曲线拟合，可以预测未来的经济增长趋势，为政策制定和投资决策提供参考。
2. 工程建模在工程领域，曲线拟合可以用于建立物理模型和优化设计。
例如，通过对实验数据进行曲线拟合，可以得到物质的力学性质曲线，从而优化材料的设计和使用。
3. 股票价格预测曲线拟合可以用于股票价格的预测和交易策略的制定。
通过对历史股票价格数据进行曲线拟合，可以找到潜在的趋势和周期性，从而为投资者提供决策依据。
离散点拟合曲线算法
离散点拟合曲线算法一、概述离散点拟合曲线算法是一种通过给定的离散数据点来拟合出一条连续的曲线的方法。
这种算法在实际应用中非常常见，比如在图像处理、机器学习、数据分析等领域都有广泛的应用。
二、常见的离散点拟合曲线算法1. 多项式拟合多项式拟合是最简单和最常用的拟合方法之一。
它通过给定的数据点，构造一个多项式函数来逼近真实曲线。
通常情况下，多项式函数为n次多项式，其中n为给定数据点数减1。
多项式函数可以表示为：f(x) = a0 + a1*x + a2*x^2 + ... + an*x^n其中a0, a1, ..., an是待求解的系数。
2. 最小二乘法拟合最小二乘法是另一种常见的离散点拟合方法。
它通过最小化误差平方和来得到一个最优解。
误差平方和可以表示为：S = Σ(yi - f(xi))^2其中yi是给定数据点中第i个点的y坐标，f(xi)是x坐标为xi时多项式函数f(x)的值。
3. 样条插值样条插值是一种基于分段多项式函数的拟合方法。
它将曲线分成若干个小段，每个小段内部使用一个低次数的多项式函数来拟合数据点。
这种方法可以得到非常平滑的曲线，但是对于数据点较少或者分布不均匀的情况下可能会出现过拟合的问题。
三、如何选择合适的离散点拟合曲线算法在实际应用中，我们需要根据具体情况选择合适的离散点拟合曲线算法。
以下是一些选择算法的建议：1. 数据量较少且分布均匀时，可以使用多项式拟合。
2. 数据量较大或者存在一定噪声时，可以使用最小二乘法拟合。
3. 需要得到平滑曲线时，可以使用样条插值。
4. 如果需要同时考虑多个因素来进行拟合，则可以使用多元回归分析。
四、常见问题及解决方案1. 过拟合问题过拟合是指模型在训练集上表现很好，但在测试集上表现很差的情况。
解决过拟合问题有以下几种方法：a. 增加训练数据量；b. 减小模型复杂度；c. 正则化。
2. 数据量不足问题如果数据量不足，可能会导致拟合曲线的精度不高。
解决这个问题的方法是增加数据量或者使用更加复杂的模型。
已知离散点如何拟合曲线方程
已知离散点如何拟合曲线方程《已知离散点如何拟合曲线方程》1. 引言在数学和科学研究中，拟合曲线方程是一项常见且非常重要的工作。
已知离散点后，我们需要找到一个函数，能够近似地描述这些点所呈现的趋势。
本文将探讨在给定离散点的情况下，如何拟合出符合实际情况的曲线方程。
2. 确定拟合的类型我们需要确定所要拟合的曲线类型。
常见的拟合类型包括线性拟合、二次多项式拟合、指数拟合、对数拟合等。
根据所给离散点的特点和实际问题的需求，选择最合适的拟合类型至关重要。
3. 确定误差函数在拟合曲线时，我们需要确定一个误差函数，用以衡量拟合曲线与实际离散点之间的偏差。
常见的误差函数包括最小二乘法、最小绝对偏差法等。
根据实际情况，选择合适的误差函数可以更好地描述拟合曲线的准确性。
4. 拟合曲线方程的求解一旦确定了拟合类型和误差函数，我们就可以利用数学工具来求解拟合曲线的方程。
以最小二乘法为例，我们需要建立一个关于拟合曲线参数的优化问题，并通过最优化算法来求解最优的曲线方程参数。
5. 举例说明为了更好地理解已知离散点如何拟合曲线方程，我们举一个具体的例子来说明。
假设我们有一组离散点数据{(x1, y1), (x2, y2), …, (xn, yn)}，我们通过二次多项式拟合来找到与这些点最为吻合的曲线方程。
6. 实际应用与局限性在实际应用中，拟合曲线方程常常用于预测、模拟和数据分析等方面。
然而，我们也需要认识到拟合曲线方程的局限性，它只能够近似地描述离散点数据，而并非完全准确地反映实际情况。
7. 结论通过本文的讨论，我们对已知离散点如何拟合曲线方程有了更深入的了解。
选择合适的拟合类型和误差函数，以及运用数学工具求解拟合曲线方程，能够帮助我们更好地描述和理解离散点数据的规律性。
然而，在实际应用中，我们也需要注意拟合曲线方程的局限性，从而更加谨慎地应用于实际问题中。
8. 个人观点个人认为，在拟合曲线方程的过程中，除了数学工具和算法的运用外，还需要结合实际问题的背景和需求，以及对拟合曲线方程的合理性进行思考，这样才能够得到更为准确和有用的结果。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
标拟合为连续的数学模型， 并讨论了运用不同多项式拟合 后的误差结果，经过数据拟合，将离散的数据点拟合为连续 的函数模型，有效地解决了色品坐标数据的离散型问题。 运
色品图离散数据的曲线拟合 钱牧云，等
用这种 CIE xy-λ 色品图光谱轨迹数学模型 ，可以得到满足
图 2 第一段原始曲线与拟合曲线
……
计算出不同阶次拟合函数的与原始数据的最大误差、 平均误差与均方根误差来评定拟合函数的精度是否符合要 求，并选取误差在允许范围内的函数为最佳拟合函数。 其中
ak 是待定系数（k=1，2，……66）。 编写 MATLAB 程序，用最小 二乘准则求待定系数 ak（k=1，2，……66）。
4 数据拟合结果 编写 MATLAB 误差程序计算出每段数据经过不同阶次
多项式拟合后的平均误差和均方根误差， 对每段数据进行
误差分析 。 每段函数的平均误 差 和 均 方 根 误 差 E2 分 别 如
下： 二次拟合：
第 一 段 （380~500nm）Ew=20.4440，E1=7.2121，E2=2.6855； 第 二 段 （500~540nm）Ew=0.0315，E1=0.0194，E2=0.1222； 第 三 段 （540~780nm ）Ew=28.7976，E1=11.0631，E2=3.3261。
由于色品坐标给出的离散点是波长间隔为 1nm 等精度 的数据，选择合适的多项式，运用数据拟合中多项式拟合线 性最小二乘法，生成一个连续的分段函数，即能建立离散数 据光谱轨迹的数据拟合连续模型。 因此，本文采用多项式最 小二乘法实现。
面 对 一 组 数 据(xi，yi)，i=1，2，……n，用 线 性 最 小 二 乘 法 作 拟 合 时 ， 如 果 选 取 一 组 函 数 r1（x）， …… rm（x） 为 1，x，x2， … … xm（m<n），则 拟 合 曲 线 为 多 项 式 [7]：
色品图离散数据的曲线拟合 钱牧云，等
色品图离散数据的曲线拟合
钱牧云，赵光兴 （安徽工业大学 电气信息学院 安徽马鞍山，243002）
摘 要：研究了在 380~830nm 波长范围的单色光色品坐标的数据特性，叙述了基于入射光的 R、G、B 三色测量值离散数据
经计算、转换，最终获得波长值的数学模型的分析、构造原理和研究过程，提出了采用不同分段方法获取离散数据连续函数的
the incident on the R, G, B three-color measurement of discrete data after calculation, conversion, ultimately wavelength value of the
mathematical model was described, the structure principle and the research process, different segmentation methods for getting
y=a1xm+……+amx+am+1
3 光谱轨迹的分段数据拟合 选取不同阶次的函数对每段数据进行多项式最小二乘
法数据拟合，即分别令：
拟合。 三次拟合：
第一段 Ew=42.9126，E1=1.4830，E2=1.2178； 第三段 Ew= 24.1379，E1=6.8424，E2=2.6158。
…… 十次拟合：
参考文献 [1] 范世福.光谱技术仪器的新发展[J]. 光学仪器,2000.8,22(4): 35-
40. [2] Nageshwar Singh, H.S. Vora. The spectral measurement of a high
repetition rate tunable dye laser output using Fabry -Perot fringe [J]. Optics & Laser Technology, 2007(39): 733-737. [3] 胡威捷,唐顺青,朱正芳. 现代颜色技术原理及应用[M]. 北京.北 京理工大学出版社,2007.10: 412-415. [4] 汤顺青. 色度学[M]. 北京: 北京理工大学出版社, 1990. [5] 张继龙,甄蜀春,曹鹏,姚广锋.实验数据的曲线拟合方 法 及其 应 用[J]. 测试技术学报,2003,17(3):255-257. [6] 赵 光 兴,陈 洪 谬,杨 国 光.干 涉 条 纹 的 数 据 拟 合 方 法[J]. 光 学 学 报.2000,6(20):797-800. [7] 任玉杰.数值分析及其 MATLAB 实现（MATLAB 6.X,7.X 版 ）.北 京[M]. 高等教育出版社,2007.3; 495-505.
（4）脊 波 导 变 形 后 的 场 结 构 图 和 没 有 变 形 时 的 场 结 构 比较类似。 主模的电力线在三角形脊的顶部比较集中，第一 高次模的电力线更集中分布在三角形脊的两侧。
computational model of discrete data continuous function were proposed , data conversions through the model was achieved. The
studies show that the chromatic diagram discrete data curve fitting to derive the wavelength has a smaller error. This method can meet
根据波长范围在 380~830nm 之间、 分辨率为 1nm 的波 长 三 刺 激 值 X、Y、Z 值 ，利 用 MATLAB 软 件 画 图 功 能 ，可 以 画出 xyz 三维图线，如图 1。 观察、分析该图线的特点表明 ，
收 稿 日 期 ：2010-06-20 作 者 简 介 ：钱 牧 云(1985-), 女,硕 士 研 究 生 ,研 究 领 域 为 光 谱 测 量 。
128
Байду номын сангаас
简单的曲线拟合不能满足拟合精度。 更进一步分析数据拟 合方法的特点，通过对上述图线研究得到，采用分段拟合方 法可以满足要求。
表 1 CIE 1931 标准色度观察者色品坐标 （波长范围 380~385nm）
波 长 /nm 380 381 382 383 384 385
x（λ） 0.174122234 0.174188307 0.174072591 0.174057024 0.174036271 0.174007918
观察误差可以得知，第二段拟合精度比较高，因此可用 二次拟合。 但第一段和第三段误差较大，应继续用更高次数
图 3 第二段段原始曲线与拟合曲线
图 4 第三段原始曲线与拟合曲线 通过运用 MATLAB 软件， 经多项式最小二乘法的数据
拟合后，CIE xy-λ 色品图光谱轨迹的数学模型为: 129
显然，采样 RGB 的三色值转换得到的三刺激值 X、Y、Z 值，必须根据 CIE xy-λ 色品图坐标的 x 和 y 区域判定，代入 上述模型中计算，可以得到满足精度要求的波长值。
the requirements of the spectral data measurement and analysis.
Key words: Curve fitting；color coordinates；spectral measurements
中 国 分 类 号 ：TP7
文 献 标 识 码 ：B
《自动化与仪器仪表》2010 年第 6 期（总第 152 期）
830nm 四段可以获得误差较小的数学模型。 其中，靠近波长 末端 700~830nm 的光谱波段具有一个恒定的色品值， 可以 由一个点来表示。
2 曲线拟合的线性最小二乘法 可以用很多方法来定义不同准则的最佳拟合。 例如，通
过求最大误差、平均误差、均方根误差、误差平方和之一的 最小值等。 其中，使其误差平方和最小且所用的曲线限定为 多项式的方法称为最小二乘准则。 最小二乘法是一种比较 严格的曲线拟合方法，其判据是：对等精度测量若存在一条 最佳拟合曲线， 则各测量值与这条曲线上对应点之差的平 方 和 应 取 极 小 值 [5-6]。
y（λ） 0.004963726 0.00049363 0.00498036 0.004972543 0.004985961 0.004980576
第一段 第二段 第三段
图 1 色品坐标 xy-λ 的三维图线
经过对上述图线进行不同分段的拟合研究表明， 将该 曲 线 分 为 波 长 为 380~500nm、500~540nm、540~700nm、700~
CIE 1931 色品坐标是波长间隔为 1nm 的离散数据[2]。 一 般情况下， 转换得到的三刺激值 X、Y、Z 常常介于波长间隔 为 1nm 的离散数据之间，因此，有必要对这些离散的数据进 行研究，并建立连续函数的数学模型，实现通过模型计算给 出对应的入射光波长的目标。 为此，本文对 CIE 1931 色品图 离散数据的曲线拟合进行了研究。
第 一 段 Ew=2.2787，E1=0.3174，E2=0.5610； 第 三 段 Ew= 9.2874，E1=1.7478，E2=1.3220。
由以上拟合函数的误差可以看出， 第一段和第三段数 据用十次方函数拟合后，误差在允许范围之内。
拟合后的数据原始曲线与拟合曲线图分别为图 2，图 3 和图 4，其中红色为原始数据曲线，蓝色为拟合数据曲线。 由 于拟合精度较高，误差较小，图中的拟合曲线基本与原始数 据的曲线重合。
!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!
（上接第 127 页） 长 在 增 大 ；（a）、（b）图 所 示 的 变 形 中 ，随 着 受 力 增 大 ，变 形 程 度增加，单模带宽在减小 ，（c）、（d）图所示的变形中 ，随 着 受 力增大，变形程度增加，单模带宽在增大。