2

我已经尝试了两种实现最小二乘拟合 (LSF) 算法的方法。

第一个代码只是教科书的方法，如 Wolfram 在 LSF 上的页面所述。第二个代码重新排列方程以最小化机器错误。两种代码都为我的数据产生了相似的结果。我将这些结果与 Matlab 的 p=polyfit(x,y,1) 函数进行了比较，使用相关系数来测量拟合的“优度”并比较 3 个例程中的每一个。我观察到，虽然所有 3 种方法都产生了良好的结果，但至少对于我的数据而言，Matlab 的例程最适合（其他 2 个例程的结果彼此相似）。

Matlab 的 p=polyfit(x,y,1) 函数使用 Vandermonde 矩阵、V（nx 2 矩阵）和 QR 分解来解决最小二乘问题。在 Matlab 代码中，它看起来像：

V = [x1,1; x2,1; x3,1; ... xn,1]  % this line is pseudo-code
[Q,R] = qr(V,0);
p = R\(Q'*y);      % performs same as p = V\y

我不是数学家，所以我不明白为什么它会更准确。尽管差异很小，但在我的情况下，我需要从 LSF 中获得斜率并将其乘以一个大数，因此我的结果中会显示出任何准确性的提高。

由于无法进入的原因，我无法在工作中使用 Matlab 的例程。所以，我想知道是否有人有一个更准确的基于方程的方法推荐，我可以使用它是对上述两种方法的改进，在舍入误差/机器精度/等方面。

任何意见表示赞赏！提前致谢。

4

1 回答 1

0

对于多项式拟合，您可以创建Vandermonde矩阵并求解线性系统，就像您已经完成的那样。

另一种解决方案是使用Gauss-Newton之类的方法来拟合数据（因为系统是线性的，一次迭代就可以了）。方法之间存在差异。一个可能的原因是龙格现象。

于 2010-12-28T14:16:19.173 回答