利用最小二乘法拟合求非线性度
x=[1 2 3 4 5 6];
y=[2.1 3.9 6.1 8.2 10.3 12];
nh1=polyfit(x,y,2);%这里是二次拟合,你也可以先画出大概图形 估计它是几次曲线然后再判断是1 2 还是3.。。等。
m=1:.5:6;%m是根据散点x来定的。
nh2=polyval(nh1,m);
plot(x,y,'+',m,nh2)
这是拟合图形
用最小二乘法求值就是用最小二乘法所导出的正规方程组的矩阵形式来求。
根据题意求一次拟合系数如下:
for i=1:6
for j=1:2
A(i,j)=i.^(j-1)
end
end
K=A'*A;
Final=K'*A'*y'
求出的第一个数为b,第二个是k
程序没运行过 大概思想是这样的
LINEST 函数可通过使用最小二乘法计算与现有数据最佳拟合的直线,来计算某直线的统计值,然后返回描述此直线的数组。也可以将 LINEST 与其他函数结合使用来计算未知参数中其他类型的线性模型的统计值,包括多项式、对数、指数和幂级数。因为此函数返回数值数组,所以必须以数组公式的形式输入。请按照本文中的示例使用此函数。
直线的公式为:
y = mx + b
- 或 -
y = m1x1 + m2x2 + ... + b(如果有多个区域的 x 值)
其中,因变量 y 是自变量 x 的函数值。m 值是与每个 x 值相对应的系数,b 为常量。注意,y、x 和 m 可以是向量。LINEST 函数返回的数组为 {mn,mn-1,...,m1,b}。LINEST 函数还可返回附加回归统计值。
语法
LINEST(known_y's, [known_x's], [const], [stats])LINEST 函数语法具有以下参数 (参数:为操作、事件、方法、属性、函数或过程提供信息的值。):
Known_y's 必需。关系表达式 y = mx + b 中已知的 y 值集合。
如果 known_y's 对应的单元格区域在单独一列中,则 known_x's 的每一列被视为一个独立的变量。
如果 known_y's 对应的单元格区域在单独一行中,则 known_x's 的每一行被视为一个独立的变量。
Known_x's 可选。关系表达式 y = mx + b 中已知的 x 值集合。
known_x's 对应的单元格区域可以包含一组或多组变量。如果仅使用一个变量,那么只要 known_y's 和 known_x's 具有相同的维数,则它们可以是任何形状的区域。如果使用多个变量,则 known_y's 必须为向量(即必须为一行或一列)。
如果省略 known_x's,则假设该数组为 {1,2,3,...},其大小与 known_y's 相同。
const 可选。一个逻辑值,用于指定是否将常量 b 强制设为 0。
如果 const 为 TRUE 或被省略,b 将按通常方式计算。
如果 const 为 FALSE,b 将被设为 0,并同时调整 m 值使 y = mx。
stats 可选。一个逻辑值,用于指定是否返回附加回归统计值。
如果 stats 为 TRUE,则 LINEST 函数返回附加回归统计值,这时返回的数组为 {mn,mn-1,...,m1,b;sen,sen-1,...,se1,seb;r2,sey;F,df;ssreg,ssresid}。
如果 stats 为 FALSE 或被省略,LINEST 函数只返回系数 m 和常量 b。
用Excel就可以搞定。
回归分析
回归分析工具通过对一组观察值使用“最小二乘法”直线拟合来执行线性回归分析。本工具可用来分析单个因变量是如何受一个或几个自变量影响的。
例如,观察某个运动员的运动成绩与一系列统计因素的关系,如年龄、身高和体重等。可以基于一组已知的成绩统计数据,确定这三个因素分别在运动成绩测试中所占的比重,使用该结果对尚未进行过测试的运动员的表现作出预测。
回归工具使用工作表函数 LINEST。
使用最小二乘法对已知数据进行最佳直线拟合,并返回描述此直线的数组。因为此函数返回数值数组,所以必须以数组公式的形式输入。
直线的公式为:
y = mx + b or
y = m1x1 + m2x2 + ... + b(如果有多个区域的 x 值)
式中,因变量 y 是自变量 x 的函数值。M 值是与每个 x 值相对应的系数,b 为常量。注意 y、x 和 m 可以是向量。LINEST 函数返回的数组为 {mn,mn-1,...,m1,b}。LINEST 函数还可返回附加回归统计值。
语法
LINEST(known_y's,known_x's,const,stats)
Known_y's 是关系表达式 y = mx + b 中已知的 y 值集合。
如果数组 known_y's 在单独一列中,则 known_x's 的每一列被视为一个独立的变量。
如果数组 known-y's 在单独一行中,则 known-x's 的每一行被视为一个独立的变量。
Known_x's 是关系表达式 y = mx + b 中已知的可选 x 值集合。
数组 known_x's 可以包含一组或多组变量。如果只用到一个变量,只要 known_y's 和 known_x's 维数相同,它们可以是任何形状的区域。如果用到多个变量,则 known_y's 必须为向量(即必须为一行或一列)。
如果省略 known_x's,则假设该数组为 {1,2,3,...},其大小与 known_y's 相同。
Const 为一逻辑值,用于指定是否将常量 b 强制设为 0。
如果 const 为 TRUE 或省略,b 将按正常计算。
如果 const 为 FALSE,b 将被设为 0,并同时调整 m 值使 y = mx。
Stats 为一逻辑值,指定是否返回附加回归统计值。
如果 stats 为 TRUE,则 LINEST 函数返回附加回归统计值,这时返回的数组为 {mn,mn-1,...,m1,b;sen,sen-1,...,se1,seb;r2,sey;F,df;ssreg,ssresid}。
如果 stats 为 FALSE 或省略,LINEST 函数只返回系数 m 和常量 b。
附加回归统计值如下:
统计值 说明
se1,se2,...,sen 系数 m1,m2,...,mn 的标准误差值。
seb 常量 b 的标准误差值(当 const 为 FALSE时,seb = #N/A)
r2 判定系数。Y 的估计值与实际值之比,范围在 0 到 1 之间。如果为 1,则样本有很好的相关性,Y 的估计值与实际值之间没有差别。如果判定系数为 0,则回归公式不能用来预测 Y 值。有关计算 r2 的方法的详细信息,请参阅本主题后面的“说明”。
sey Y 估计值的标准误差。
F F 统计或 F 观察值。使用 F 统计可以判断因变量和自变量之间是否偶尔发生过可观察到的关系。
df 自由度。用于在统计表上查找 F 临界值。所查得的值和 LINEST 函数返回的 F 统计值的比值可用来判断模型的置信度。有关如何计算 df,请参阅在此主题中后面的“说明”。示例 4 说明了 F 和 df 的使用。
ssreg 回归平方和。
ssresid 残差平方和。 有关计算 ssreg 和 ssresid 的方法的详细信息,请参阅本主题后面的“说明”。
下面的图示显示了附加回归统计值返回的顺序。
说明
可以使用斜率和 y 轴截距描述任何直线:
斜率 (m):
通常记为 m,如果需要计算斜率,则选取直线上的两点,(x1,y1) 和 (x2,y2);斜率等于 (y2 - y1)/(x2 - x1)。
Y 轴截距 (b):
通常记为 b,直线的 y 轴的截距为直线通过 y 轴时与 y 轴交点的数值。
直线的公式为 y = mx + b。如果知道了 m 和 b 的值,将 y 或 x 的值代入公式就可计算出直线上的任意一点。还可以使用 TREND 函数。
当只有一个自变量 x 时,可直接利用下面公式得到斜率和 y 轴截距值:
斜率:
=INDEX(LINEST(known_y's,known_x's),1)
Y 轴截距:
=INDEX(LINEST(known_y's,known_x's),2)
数据的离散程度决定了 LINEST 函数计算的精确度。数据越接近线性,LINEST 模型就越精确。LINEST 函数使用最小二乘法来判定最适合数据的模型。当只有一个自变量 x 时,m 和 b 是根据下面的公式计算出的:
其中 x 和 y 是样本平均值,例如 x = AVERAGE(known x's) 和 y = AVERAGE(known_y's)。
直线和曲线函数 LINEST 和 LOGEST 可用来计算与给定数据拟合程度最高的直线或指数曲线。但需要判断两者中哪一个更适合数据。可以用函数 TREND(known_y's,known_x's) 来计算直线,或用函数 GROWTH(known_y's, known_x's) 来计算指数曲线。这些不带参数 new_x's 的函数可在实际数据点上根据直线或曲线来返回 y 的数组值,然后可以将预测值与实际值进行比较。还可以用图表方式来直观地比较二者。
回归分析时,Microsoft Excel 计算每一点的 y 的估计值和实际值的平方差。这些平方差之和称为残差平方和 (ssresid)。然后 Microsoft Excel 计算总平方和 (sstotal)。当 const = TRUE 或被删除时,总平方和是 y 的实际值和平均值的平方差之和。当 const = FALSE 时,总平方和是 y 的实际值的平方和(不需要从每个 y 值中减去平均值)。回归平方和 (ssreg) 可通过公式 ssreg = sstotal - ssresid 计算出来。残差平方和与总平方和的比值越小,判定系数 r2 的值就越大,r2 是表示回归分析公式的结果反映变量间关系的程度的标志。r2 等于 ssreg/sstotal。
在某些情况下,一个或多个 X 列可能没有出现在其他 X 列中的预测值(假设 Y's 和 X's 位于列中)。换句话说,删除一个或多个 X 列可能导致同样精度的 y 预测值。在这种情况下,这些多余的 X 列应该从回归模型中删除。这种现象被称为“共线”,原因是任何多余的 X 列被表示为多个非多余 X 列的和。LINEST 将检查是否存在共线,并在识别出来之后从回归模型中删除任何多余的 X 列。由于包含 0 系数以及 0 se's,所以已删除的 X 列能在 LINEST 输出中被识别出来。如果一个或多个多余的列被删除,则将影响 df,原因是 df 取决于被实际用于预测目的的 X 列的个数。有关计算 df 的详细信息,请参阅下面的示例 4。如果由于删除多余的 X 列而更改了 df,则也会影响 sey 和 F 的值。实际上,共线应该相对很少发生。但是,很可能引起共线的情况是,当某些 X 列仅包含 0's 和 1's 作为一个实验中的对象是否属于某个组的指示器。如果 const = TRUE 或被删除,则 LINEST 可有效地插入所有 1's 的其他 X 列以便模型化截取。如果有一列,1 对应于每个男性的对象,0 对应于非男性对象,还有一列,1 对应于每个女性对象,0 对应于非女性对象,那么后一列就是多余的,原因是其中的项可通过从所有 1's(由 LINEST 添加)的另一列中减去“男性指示器”列中的项来获得。
df 的计算方法,如下所示(没有 X 列由于共线而从模型中被删除):如果存在 known_x's 的 k 列和 const = TRUE 或被删除,那么 df = n – k – 1。如果 const = FALSE,那么 df = n - k。在这两种情况下,每次由于共线而删除一个 X 列都会使 df 加 1。
对于返回结果为数组的公式,必须以数组公式的形式输入。
当需要输入一个数组常量(如 known_x's)作为参数时,以逗号作为同一行中数据的分隔符,以分号作为不同行数据的分隔符。分隔符可能因“区域设置”中或“控制面板”的“区域选项”中区域设置的不同而有所不同。
注意,如果 y 的回归分析预测值超出了用来计算公式的 y 值的范围,它们可能是无效的。
示例 1 斜率和 Y 轴截距
如果您将示例复制到空白工作表中,可能会更易于理解该示例。
操作方法
创建空白工作簿或工作表。
请在“帮助”主题中选取示例。不要选取行或列标题。
从帮助中选取示例。
按 Ctrl+C。
在工作表中,选中单元格 A1,再按 Ctrl+V。
若要在查看结果和查看返回结果的公式之间切换,请按 Ctrl+`(重音符),或在“工具”菜单上,指向“公式审核”,再单击“公式审核模式”。
1
2
3
4
5
A B
已知 y 已知 x
1 0
9 4
5 2
7 3
公式 公式
=LINEST(A2:A5,B2:B5,,FALSE)
注释 示例中的公式必须以数组公式输入。在将公式复制到一张空白工作表后,选择以公式单元格开始的区域 A7:B7。按 F2,再按 Ctrl+Shift+Enter。如果公式不是以数组公式输入,则返回单个结果值 2。
当以数组输入时,将返回斜率 2 和 y 轴截距 1。
示例 2 简单线性回归
如果您将示例复制到空白工作表中,可能会更易于理解该示例。
操作方法
创建空白工作簿或工作表。
请在“帮助”主题中选取示例。不要选取行或列标题。
从帮助中选取示例。
按 Ctrl+C。
在工作表中,选中单元格 A1,再按 Ctrl+V。
若要在查看结果和查看返回结果的公式之间切换,请按 Ctrl+`(重音符),或在“工具”菜单上,指向“公式审核”,再单击“公式审核模式”。
1
2
3
4
5
6
7
A B
月 销售
1 3100
2 4500
3 4400
4 5400
5 7500
6 8100
公式 说明(结果)
=SUM(LINEST(B2:B7, A2:A7)*{9,1}) 估算第 9 个月的销售值 (11000)
通常,SUM({m,b}*{x,1}) 等于 mx + b,即给定 x 值的 y 的估计值。也可以使用 TREND 函数。
示例 3 多重线性回归
假设有开发商正在考虑购买商业区里的一组小型办公楼。
开发商可以根据下列变量,采用多重线性回归的方法来估算给定地区内的办公楼的价值。
变量 代表
y 办公楼的评估值
x1 底层面积(平方英尺)
x2 办公室的个数
x3 入口个数
x4 办公楼的使用年数
本示例假设在自变量(x1、x2、x3 和 x4)和因变量 (y) 之间存在线性关系。其中 y 是办公楼的价值。
开发商从 1,500 个可选的办公楼里随机选择了 11 个办公楼作为样本,得到下列数据。“半个入口”指的是运输专用入口。
如果您将示例复制到空白工作表中,可能会更易于理解该示例。
操作方法
创建空白工作簿或工作表。
请在“帮助”主题中选取示例。不要选取行或列标题。
从帮助中选取示例。
按 Ctrl+C。
在工作表中,选中单元格 A1,再按 Ctrl+V。
若要在查看结果和查看返回结果的公式之间切换,请按 Ctrl+`(重音符),或在“工具”菜单上,指向“公式审核”,再单击“公式审核模式”。
1
2
3
4
5
6
7
8
9
10
11
12
A B C D E
底层面积 (x1) 办公室的个数 (x2) 入口个数 (x3) 办公楼的使用年数 (x4) 办公楼的评估值 (y)
2310 2 2 20 142,000
2333 2 2 12 144,000
2356 3 1.5 33 151,000
2379 3 2 43 150,000
2402 2 3 53 139,000
2425 4 2 23 169,000
2448 2 1.5 99 126,000
2471 2 2 34 142,900
2494 3 3 23 163,000
2517 4 4 55 169,000
2540 2 3 22 149,000
公式
=LINEST(E2:E12,A2:D12,TRUE,TRUE)
注释 示例中的公式必须以数组公式输入。在将公式复制到一张空白工作表后,选择以公式单元格开始的区域 A14:E18。按 F2,再按 Ctrl+Shift+Enter。如果公式不是以数组公式输入,则返回单个结果值 -234.2371645。
当作为数组输入时,将返回下面的回归统计值,可用该值可识别所需的统计值。
多重回归公式,y = m1*x1 + m2*x2 + m3*x3 + m4*x4 + b,可通过第 14 行的值得到:
y = 27.64*x1 + 12,530*x2 + 2,553*x3 - 234.24*x4 + 52,318
现在,开发商用下面公式可得到办公楼的评估价值,其中面积为 2,500 平方英尺、3 个办公室、2 个入口,已使用 25 年:
y = 27.64*2500 + 12530*3 + 2553*2 - 234.24*25 + 52318 = $158,261
或者,可将下表复制到示例工作簿的单元格 A21。
底层面积 (x1) 办公室的个数 (x2) 入口个数 (x3) 办公楼的使用年数 (x4) 办公楼的评估值 (y)
2500 3 2 25 =D14*A22 + C14*B22 + B14*C22 + A14*D22 + E14
也可以用 TREND 函数计算此值。
示例 4 使用 F 和 R2 统计
在上例中,判定系数(或 r2)为 0.99675(函数 LINEST 的输出单元格 A17 中的值),表明在自变量与销售价格之间存在很大的相关性。可以通过 F 统计来确定具有如此高的 r2 值的结果偶然发生的可能性。
假设事实上在变量间不存在相关性,但选用 11 个办公楼作为小样本进行统计分析却导致很强的相关性。术语“Alpha”表示得出这样的相关性结论错误的概率。
LINEST 输出中的 F 和 df 可被用于计算意外出现的较高 F 值的可能性。F 可与发布的 F 分布表中的值进行比较,或者 Excel 的 FDIST 可被用于计算意外出现的较高 F 值的概率。相应的 F 分布具有 v1 和 v2 自由度。如果 n 是数据点的个数,且 const = TRUE 或被删除,那么 v1 = n – df – 1 且 v2 = df。(如果 const = FALSE,那么 v1 = n – df 且 v2 = df。)Excel 的 FDIST(F,v1,v2) 将返回意外出现的较高 F 值的概率。在示例 4 中,df = 6 (cell B18) 且 F = 459.753674 (cell A18)。
假设存在 Alpha 值等于 0.05,v1 = 11 – 6 – 1 = 4 且 v2 = 6,那么 F 的临界值是 4.53。因为 F = 459.753674 远大于 4.53,所以意外出现高 F 值的可能性非常低。(如果 Alpha = 0.05,假设当 F 超过临界值 4.53 时,没有 known_y's 和 known_x's 之间的关系可被拒绝)使用 Excel 的 FDIST 可获得意外出现的较高 F 值的概率。FDIST(459.753674, 4, 6) = 1.37E-7,一个极小的概率。于是可以断定,无论通过在表中查找 F 的临界值,还是使用 Excel 的 FDIST,回归公式都可用于预测该区域中的办公楼的评估价值。请注意,使用在上一段中计算出的 v1 和 v2 的正确值是非常关键的。
示例 5 计算 T 统计
另一个假设检验可以检验示例中的每个斜率系数是否可以用来估算示例 3 中的办公楼的评估价值。例如,如果要检验年数系数的统计显著水平,用 13.268(单元格 A15 里的年数系数的估算标准误差)去除 -234.24(年数斜率系数)。下面是 T 观察值:
t = m4 ÷ se4 = -234.24 ÷ 13.268 = -17.7
如果 t 的绝对值足够大,那么可以断定倾斜系数可用来估算示例 3 中的办公楼的评估价值。下表显示了 4 个 t 观察值的绝对值。
如果查阅统计手册里的表格,将会发现:双尾、自由度为 6、Alpha = 0.05 的 t 临界值为 2.447。该临界值还可使用 Excel 的 TINV 函数计算,TINV(0.05,6) = 2.447。既然 t 的绝对值为 17.7,大于 2.447,则年数对于估算办公楼的评估价值来说是一个显著变量。用同样方法,可以测试自变量的统计显著水平。下面是每个自变量的 t 观察值。
变量 t 观察值
底层面积 5.1
办公室的个数 31.3
入口个数 4.8
使用年数 17.7
这些值的绝对值都大于 2.447;因此,回归公式的所有变量都可用来估算区域内的办公楼的评估价值。<SPAN FPRev
这个问题的计算量很大。
各点的(xi,yi) (i=1,2,3,4,5) 坐标大致成线形关系。可利用最小二乘法求出斜率、截距 以及非线性度。
首先约定 用小写的x和y表示各点坐标。而大写字母表示平均值。例如 (X)表示横坐标的平均值、(Y^2) 表示纵坐标平方的平均值、(Y)^2表示纵坐标平均值的平方、(XY)表示横纵坐标乘积的平均值 等等。
设 (xi,yi)之间的程线形关系。直线方程为 y=kx+b。k为斜率,b为截距。
按照最小二乘法:
k=[(X)(Y)-(XY)]/[(X)^2-(X^2)]
其中
(X)= (1/n)(∑xi)=(1/5)×(1+2+3+5+6)=3.4
(Y)= (1/n)(∑yi)=(1/5)×(2.20+4.00+5.98+10.10+12.05)= 6.866
(XY)=(1/n)(∑xiyi)
=(1/5)×(1×2.20+2×4.00+3×5.98+5×10.10+6×12.05)=30.188
(X^2)=(1/n)(∑xi^2)=(1/5)×(1×1+2×2+3×3+5×5+6×6)=15
(X)^2=3.4×3.4=11.56
k=(3.4×6.866-30.188)/(11.56-15)=1.99
以上关于直线的斜率,楼主没有要求计算。如果不需要算,可以忽略不看。另外,请楼主自己决定是否需要遵循有效数字的位数运算规则。
--------------------
关于非线性度γ:
γ=[(XY)-(X)(Y)]/SQRT{[(X^2)-(X)^2][(Y^2)-(Y)^2]}
SQRT表示开平方运算。
(X)= 3.4
(Y)= 6.866
(XY)=30.188
(X^2)=15
(X)^2=11.56
(Y^2)=(1/5)[2.20×2.20+4.00×4.00+5.98×5.98+10.10×10.10+12.05×12.05]
= 60.76
(Y)^2= 6.866×6.866=47.14
γ=[30.188-3.4×6.866]/SQRT[(15-11.56)(60.76-47.14)
=6.8436/SQRT(46.8528)
=6.8436/6.8449
≈1.00
非线性度参数γ总是在0和1之间。越接近于1,数据的线形越好。本题目中,γ已经很接近于1,这表明各数据点很好地在一条直线上。
用matlab来做吧,可以达到你的要求,程序如下:
/***************************************************************
* 本算法用最小二乘法依据指定的M个基函数及N个已知数据进行曲线拟和
* 输入: m--已知数据点的个数M
* f--M维基函数向量
* n--已知数据点的个数N-1
* x--已知数据点第一坐标的N维列向量
* y--已知数据点第二坐标的N维列向量
* a--无用
* 输出: 函数返回值为曲线拟和的均方误差
* a为用基函数进行曲线拟和的系数,
* 即a[0]f[0]+a[1]f[1]+...+a[M]f[M].
****************************************************************/
double mini_product(int m,double(*f[M])(double),int n,double x[N],
double y[N],double a[M])
{
double e,ff,b[M][M],c[M][1];
int i,j,k;
for(j=0;j
{
for(k=0;k
{
b[j][k]=0.0;
for(i=0;i
b[j][k]+=(*f[j])(x)*(*f[k])(x);
}
c[j][0]=0.0;
for(i=0;i
c[j][0]+=(*f[j])(x)*y;
}
gaussian_elimination(m,b,1,c); /*求拟和系数*/
for(i=0;i
a=c[0];
e=0.0;
for(i=0;i
{
ff=0.0;
for(j=0;j
ff+=a[j]*(*f[j])(x);
e+=(y-ff)*(y-ff);
}
return(e);
}
用matlab来做吧,可以达到你的要求,程序如下:
/***************************************************************
* 本算法用最小二乘法依据指定的M个基函数及N个已知数据进行曲线拟和
* 输入: m--已知数据点的个数M
* f--M维基函数向量
* n--已知数据点的个数N-1
* x--已知数据点第一坐标的N维列向量
* y--已知数据点第二坐标的N维列向量
* a--无用
* 输出: 函数返回值为曲线拟和的均方误差
* a为用基函数进行曲线拟和的系数,
* 即a[0]f[0]+a[1]f[1]+...+a[M]f[M].
本算法用最小二乘法依据指定的M个基函数及N个已知数据进行曲线拟和
* 输入: m--已知数据点的个数M
* f--M维基函数向量
* n--已知数据点的个数N-1
* x--已知数据点第一坐标的N维列向量
* y--已知数据点第二坐标的N维列向量
* a--无用
* 输出: 函数返回值为曲线拟和的均方误差
* a为用基函数进行曲线拟和的系数,
* 即a[0]f[0]+double mini_product(int m,double(*f[M])(double),int n,double x[N],
double y[N],double a[M])
{
double e,ff,b[M][M],c[M][1];
int i,j,k;
for(j=0;j
{
for(k=0;k
{
b[j][k]=0.0;
for(i=0;i
b[j][k]+=(*f[j])(x)*(*f[k])(x);
}
c[j][0]=0.0;
for(i=0;i
c[j][0]+=(*f[j])(x)*y;
}
gaussian_elimination(m,b,1,c); /*求拟和系数*/
for(i=0;i
a=c[0];
e=0.0;
for(i=0;i
{
ff=0.0;
for(j=0;j
ff+=a[j]*(*f[j])(x);
e+=(y-ff)*(y-ff);
}
return(e);
a[1]f[1]+...+a[M]f[M].
最小二乘法求出曲线拟合公式是什么?
最小二乘法求出直线拟合公式:y=a+bx,其中,y是因变量,x是自变量,a和b是拟合线的参数。一、最小二乘法 最小二乘法(又称最小平方法)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。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差...
最小二乘法拟合公式
最小二乘法拟合公式b=y(平均)-a*x(平均)。∑(X--X平)(Y--Y平)=∑X^2--nX平^2(针对y=ax+b形式)a=(NΣxy-ΣxΣy)\/(NΣx^2-(Σx)^2)b=y(平均)-a*x(平均)。最小二乘法(又称最小平方法)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...
最小二乘法怎么求拟合直线啊?
最小二乘法公式是一个数学的公式,在数学上称为曲线拟合,此处所讲最小二乘法,专指线性回归方程!最小二乘法公式为a=y(平均)-b*x(平均)。最小二乘法(又称最小平方法)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。利用最小二乘法可以简便地求得未知的数据,并使...
曲线拟合的最小二乘法
首先,需要选择一个数学模型来描述曲线的形状,例如多项式函数、指数函数等。然后,根据给定的数据点,将模型的参数视为未知数,利用最小二乘法求解出最佳的参数值。最后,用得到的参数值来构建拟合曲线,使得该曲线与数据点的残差平方和最小。4.最小二乘法的步骤是什么?选择一个数学模型来描述曲线的形...
最小二乘法拟合曲线
最小二乘法(又称最小平方法)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。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合,其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来...
最小二乘法拟合直线公式
A=y - -b*x - 最小二乘法可以帮助我们在进行线性拟合时,如何选择“最好”的直线。要注意的是,利用实验数据进行拟合时,所用数据的多少直接影响拟合的结果,从理论上说,数据越多,效果越好,即所估计的直线方程越能更好地反映变量之间的关系。一般地,我们可以先作出样本点的散点图,确认线性...
线性回归的拟合方程
线性回归都可以通过最小二乘法求出其方程,可以计算出对于y=bx+a的直线。拟合是推求一个函数表达式y=f(x)来描述y和x之间的关系,一般用最小二乘法原理来计算。用直线来拟合时,可以叫一次曲线拟合,虽然有点别扭;用二次函数来拟合时,可以叫抛物线拟合或二次曲线拟合,但不能说线性回归。用直线(...
最小二乘法拟合求常数m,n.知道A,B的一组数据。设A,B之间函数关系为A=m...
A=mB^n 两边取对数:lnA=lnm+nlnB 将lnm, n看成是要拟合的数,lnA, lnB为已知数据。此即为线性拟合。
如何在matlab中用最小二乘法拟合的方式求解方程系数?
如何在matlab中用最小二乘法拟合的方式求解 y=c1*z1+c2*z2+c3*z3 方程系数(c1,c2,c3)?我们可以按下列方法来求解:第一步,读取数据,z1、z2、z3和y,然后组成z数组向量,即z=[z1 z2 z3]第二步,自定义拟合函数,即 func=@(c,z)c(1)*z(:,1)+c(2)*z(:,2)+c(3)...
最小二乘法拟合求常数m,n.知道A,B的一组数据。设A,B之间函数关系为A=m...
令:y=lnA,x=lnB,lnm=a,n=b (★)那么(2)变成:y=a+bx (3)这是y、x之间 的一个线性方程。对于给定的一组A,B的值,通过 (★)式可以确定一组x,y的值,应用最小二乘法对方程(3)进行拟合计算,求出拟合系数a、b的值。将x、y用B、A回代就得到关于A、B的非线性方程:A=e...
钟离爸仁怡: 这个问题的计算量很大.各点的(xi,yi) (i=1,2,3,4,5) 坐标大致成线形关系.可利用最小二乘法求出斜率、截距 以及非线性度.首先约定 用小写的x和y表示各点坐标.而大写字母表示平均值.例如 (X)表示横坐标的平均值、(Y^2) 表示纵坐标平...
秦州区17319432810: 如何利用sas拟合ols模型 - ?
钟离爸仁怡: 可利用最小二乘法求出斜率、截距 以及非线性度. 首先约定 用小写的x和y回归分析工具通过对一组观察值使用“最小二乘法”直线拟合来执行线性回归分析,
秦州区17319432810: 【MATLAB】如何用最小二乘法拟合直线? - ?
钟离爸仁怡: x=[1 2 3 4 5 6]; y=[2.1 3.9 6.1 8.2 10.3 12]; nh1=polyfit(x,y,2);%这里是二次拟合,你也可以先画出大概图形 估计它是几次曲线然后再判断是1 2 还是3...等. m=1:.5:6;%m是根据散点x来定的. nh2=polyval(nh1,m); plot(x,y,'+',m,nh2)这是拟合图...
秦州区17319432810: 霍尔电流传感器线性度是怎么计算的?假如在霍尔电流传感器原边线性的增加电流,在用仪表测量输出信号,怎么根据测出的数据计算线性度? - ?
钟离爸仁怡:[答案] 可以先用最小二乘法来算拟合曲线(高数书中有具体过程): 在规定条件下,传感器校准曲线与拟合直线间的最大偏差(ΔYmax)与满量程输出(Y)的百分比,称为线性度(线性度又称为“非线性误差”),该值越小,表明线性特性越好.表示为公...
秦州区17319432810: 如何使用fsolve函数? - ?
钟离爸仁怡: *非线性方程组的求解 对于非线性方程组F(X)=0,用fsolve函数求其数值解.fsolve函数的调用格式为: X=fsolve('fun',X0,option) 其中X为返回的解,fun是用于定义需求解的非线性方程组的函数文件名,X0是求根过程的初值,option为最优化工具...
秦州区17319432810: 如何用matlab实现非线性最小二乘拟合 - ?
钟离爸仁怡: 可以调用matlab中的polyfit函数,其数学原理是最小二乘法曲线拟合法. 格式如下: A=polyfit(xdata,ydata,n); 其中n表示多项式的最高阶数; xdata,ydata为将要拟合的数据;
秦州区17319432810: matlab非线性拟合计算求助 - ?
钟离爸仁怡: 非线性拟合计算步骤:1、数据,x=[...];y=[...];2、自定义非线性拟合函数,fun=@(a,x)(log(1-a(1).*a(2).^x)-log(1-a(1).*a(2).^(x+1))./log(1-a(1)));3、初定x的初值,x0=[0.87038 0.0099273]; 4、用最小二乘法函数拟合系数,如lsqcurvefit()、nlinfit()或lsqnonlin()5、拟合前的y与拟合后的y1进行比较,即 y-y1 是否约等于06、或计算决定系数(相关系数),R²是否接近于1.
秦州区17319432810: origin 最小二乘法 非线性拟合参数 如何操作 - ?
钟离爸仁怡: 平方和最小
秦州区17319432810: 用EVIEWS进行非线性最小二乘估计,求方法(详细得),在线等,急急!!! - ?
钟离爸仁怡: 在命令窗口输入 ls y c x x^2 然后回车
秦州区17319432810: 什么是最小二乘法?最小二乘法是什么?除了可以解决线性拟合问题,还 ?
钟离爸仁怡: 最小二乘法,是数据处理曲线拟合的一种常用方法. 最小二乘法,解决线性拟合问题,就是解线性方程组. 当然也可以解决非线性拟合问题,不过非线性方程组的求解比较复杂.可以用线性化的方法.