polyfit
多项式曲线拟合
描述
例子
拟合多项式与三角函数
在区间内沿正弦曲线等距生成10个点[0, 4 *π)
.
x = linspace(0, 4 *π,10);y = sin (x);
使用polyfit
用7次多项式来拟合这些点。
p = polyfit (x, y, 7);
在一个更细的网格上计算多项式并绘制结果。
x1 = linspace(0, 4 *π);日元= polyval (p, x1);图绘制(x, y,“o”)举行在情节(x1, y1)从
拟合多项式到点集
在区间内创建一个由5个等间隔点组成的向量[0, 1]
,并评估
在这些点。
x = linspace (0, 1, 5);y = 1. / (1 + x);
拟合5个点的4次多项式。一般来说,对n
点,你可以拟合一个多项式的次数n - 1
精确地穿过这些点。
p = polyfit (x, y, 4);
评估原始函数和多项式拟合在0到2点之间的更精细网格上。
x1 = linspace (0, 2);日元= 1. / (1 + x1);f1 = polyval (p, x1);
在较宽的区间内绘制函数值和多项式拟合图(0, 2)
,用于获得多项式拟合的点以圆圈突出显示。多项式拟合较好[0, 1]
区间,但很快就偏离了该区间以外的拟合函数。
图绘制(x, y,“o”)举行在情节(x1, y1)情节(x1, f1,“r——”)传说(“y”,“日元”,“f1”)
拟合多项式与误差函数
首先生成一个向量x
点,间隔相等[0, 2.5]
,然后评估小块土地(x)
在这些点。
x =(0:0.1:2.5)”;y =小块土地(x);
求6次近似多项式的系数。
p = polyfit (x, y, 6)
p =1×70.0084 -0.0983 0.4217 -0.7435 0.1471 1.1064 0.0004
要查看拟合有多好,可以在数据点处计算多项式,并生成一个显示数据、拟合和误差的表。
f = polyval (p (x);T =表(x, y, f, yf,“VariableNames”,{“X”,“Y”,“健康”,“FitError”})
T =26日×4表X Y Fit FitError __________ __________ ___________ 00 0.00044117 -0.00044117 0.1 0.11246 0.11185 0.00060836 0.2 0.2227 0.22231 0.00039189 0.3 0.32839 0.2231 0.22231 0.00039189 -9.7429e-05 0.4 0.42839 0.4288 -0.00040661 0.5 0.5205 0.52093 -0.00042568 0.6 0.60386 0.60408 -0.00022824 0.7 0.6778 0.67775 4.6383e-05 0.8 0.7421 0.74183 0.00026992 0.9 0.79691 0.79654 0.00036515 1 0.8427 0.84238 0.0003164 1.1 0.88021 0.88005 0.00015948 1.2 0.91031 0.91035 -3.9919e-05 1.3 0.95229 0.95258-0.00029933 1.5 0.96611 0.96639 -0.00028097
在这个区间内,插值值与实际值相当接近。创建一个图来显示在这个区间之外,外推值如何迅速偏离实际数据。
x1 = (0:0.1:5) ';日元=小块土地(x1);f1 = polyval (p, x1);图绘制(x, y,“o”)举行在情节(x1, y1,“- - -”)情节(x1, f1,“r——”)轴([0 5 0 2])保持从
使用定心和缩放来改善数值特性
创建一个1750 - 2000年的人口数据表,并绘制数据点。
年= (1750:25:2000)';Pop = 1e6*[791 856 978 1050 1262 1544 1650 2532 6122 8170 11560]';T =表(年份,年份)
T =11×2表年流行____ _________ 1750 7.91e+08 1775 8.56e+08 1800 9.78e+08 1825 1.05e+09 1850 1.262e+09 1875 1.544e+09 1900 1.65e+09 1925 2.532e+09 1950 6.122e+09 1975 8.17e+09 2000 1.156e+10
情节(年,流行,“o”)
使用polyfit
用三个输出拟合五次多项式,采用定心和缩放,改善了问题的数值性质。polyfit
将数据集中在一年
并将其缩放为1的标准差,这避免了在拟合计算中出现病态范德蒙德矩阵。
(p ~μ)= polyfit (T。年T.pop 5);
使用polyval
有四个输入进行评估p
随着年数的增加,(year-mu(1)) /μ(2)
.将结果与原始年份进行对比。
f = polyval (p,年,[],μ);持有在情节(一年,f)从
简单线性回归
对一组离散的二维数据点拟合一个简单的线性回归模型。
创建一些样本数据点的向量(x, y).对数据拟合一阶多项式。
x = 1:50;Y = -0.3*x + 2*randn(1,50);p = polyfit (x, y, 1);
对拟合多项式求值p
在x
.用数据绘制得到的线性回归模型。
f = polyval (p (x);情节(x, y,“o”f, x,,“- - -”)传说(“数据”,“线性适应”)
带有误差估计的线性回归
拟合一组数据点的线性模型并绘制结果图,包括对95%预测区间的估计。
创建一些样本数据点的向量(x, y).使用polyfit
用一阶多项式拟合数据。指定两个输出来返回线性拟合的系数以及误差估计结构。
x = 1:10 0;Y = -0.3*x + 2*randn(1100);[p, S] = polyfit (x, y, 1);
评价一阶多项式拟合p
在x
.将误差估计结构指定为第三个输入,以便polyval
计算标准误差的估计值。返回标准误差估计δ
.
[y_fitδ]= polyval (p, x, S);
绘制原始数据、线性拟合和95%预测区间 .
情节(x, y,“波”)举行在情节(x, y_fit,的r -)情节(x, y_fit + 2 *δ,“m——”, x, y_fit-2 *δ,“m——”)标题(“95%预测区间的数据线性拟合”)传说(“数据”,“线性适应”,“95%的预测区间”)
输入参数
x
- - - - - -查询点
向量
查询点,指定为向量。的点x
中的拟合函数值对应y
.如果x
不是向量吗polyfit
将其转换为列向量x (:)
.
当产生警告消息时x
是否重复了(或几乎重复了)点x
可能需要定心和缩放。
数据类型:单
|双
复数的支持:是的
y
- - - - - -查询点上的拟合值
向量
查询点的拟合值,指定为向量。中的值y
中包含的查询点对应x
.如果y
不是向量吗polyfit
将其转换为列向量y (:)
.
数据类型:单
|双
复数的支持:是的
n
- - - - - -多项式拟合度
正整数标量
多项式拟合度,指定为正整数标量。n
中最左边系数的多项式幂p
.
输出参数
p
-最小二乘拟合多项式系数
向量
最小二乘拟合多项式系数,作为向量返回。p
长度n + 1
并包含多项式系数的降次幂,其最高幂为n
.如果任何一x
或y
包含南
价值观和n <长度(x)
,然后所有的元素p
是南
.如果指定三个输出参数来集中和缩放数据,则polyfit
返回不同的系数p
与数据没有居中和缩放时相比。
使用polyval
评估p
在查询点。
年代
-误差估计结构
结构
误差估计结构。类的输入polyval
函数获取误差估计。年代
包含以下字段:
场 | 描述 |
---|---|
R |
三角R 的Vandermonde矩阵的QR分解(可能是排列的)x |
df |
自由度 |
normr |
残差的Norm |
如果数据在y
是随机的,那么协方差矩阵的估计p
是(Rinv * Rinv”)* normr ^ 2 / df
,在那里Rinv
是的倒数R
.
如果错误的数据在y
在恒定方差下是独立的和正态的(y),δ)= polyval(…)
产生包含至少50%预测的错误边界。也就是说,y
±δ
包含至少50%对未来观测结果的预测x
.
μ
-定心和缩放值
双元素向量
定心和缩放值,作为双元素向量返回。μ(1)
是意思是(x)
,μ(2)
是性病(x)
.这些值将查询点集中在中间x
在单位标准差为零时。
使用μ
作为第四个输入polyval
评估p
在标度点处,(x - mu(1)) /μ(2)
.
限制
在多点问题中,增加多项式拟合的程度
polyfit
并不总能带来更好的效果。高阶多项式可以在数据点之间振荡,导致一个贫穷符合数据。在这些情况下,您可能会使用低阶多项式拟合(这往往在点之间更平滑)或不同的技术,这取决于问题。多项式本质上是无界振荡函数。因此,它们不太适合外推有界数据或单调(增加或减少)数据。
算法
polyfit
使用x
形成范德蒙德矩阵V
与n + 1
列和m =长度(x)
行,得到线性系统
哪一个polyfit
解决与p = V \ y
.因为范德蒙德矩阵中的列是向量的幂x
的条件号V
对于高阶拟合通常较大,导致奇异系数矩阵。在这种情况下,定心和缩放可以改善系统的数值特性,产生更可靠的拟合。
扩展功能
高大的数组
使用行数超过内存容量的数组进行计算。
C / c++代码生成
使用MATLAB®Coder™生成C和c++代码。
使用注意事项和限制:
看到工具箱函数代码生成的变量大小限制(MATLAB编码器).
线程环境
在后台使用MATLAB®运行代码backgroundPool
或使用并行计算工具箱™加速代码ThreadPool
.
这个函数完全支持基于线程的环境。有关更多信息,请参见在线程环境中运行MATLAB函数.
GPU数组
通过使用并行计算工具箱™在图形处理单元(GPU)上运行来加速代码。
该功能完全支持GPU阵列。有关更多信息,请参见在图形处理器上运行MATLAB函数(并行计算工具箱).
分布式阵列
使用并行计算工具箱™跨集群的组合内存分区大型数组。
这个函数完全支持分布式数组。有关更多信息,请参见运行MATLAB函数与分布式数组(并行计算工具箱).
版本历史
之前介绍过的R2006a
MATLAB命令
你点击了一个对应于这个MATLAB命令的链接:
在MATLAB命令窗口中输入命令来运行该命令。Web浏览器不支持MATLAB命令。
您也可以从以下列表中选择网站:
如何获得最佳的网站性能
选择中国网站(中文或英文)以获得最佳的网站表现。其他MathWorks国家网站没有针对从您的位置访问进行优化。