目录

最近做项目遇到曲线拟合的问题，简单做个总结。

1. 曲线拟合

先扔出一点基本概念：

如果已知函数f(x)在若干点xi（i = 1,2,……n）处的值为yi，便可根据插值原理建立插值多项式作为f(x)的近似。但在科学实验和生产实践中，往往会遇到这样一种情况，即节点上的函数值并不是很精确的，这些函数值是由实验或观测得到的数据，不可避免的带有测量误差，如果要求所得的近似函数曲线精确无误的通过所有的点（xi, yi），就会使曲线保留着一切测试误差。所以希望从给定的数据（xi, yi）出发，构造一个近似函数ψ(x)，能反映数据的基本趋势即可。

2. 最小二乘法

对于曲线拟合函数ψ(x)，不要求其严格的通过所有数据点，也就是说拟合函数ψ(x)在xi处的偏差（亦称残差）不都严格的等于零，即为矛盾方程组：

为了是近似曲线能尽量反映所给数据点的变化趋势，要求偏差按照某种度量标准最小。这后面的分析用到了范数的概念，这个不太懂，感兴趣的可以查看《数值分析》相关内容。总之，结论是要求误差的平方和最小，即要求下式具有最小值。

这种方法就叫做曲线拟合的最小二乘法。归根结底是求上式的极小值。

3. 二次函数拟合

假设拟合方程为二次曲线：

已知数据点（xi, yi），i = 1,2,……n，该近似拟合曲线的均方误差为：

要求上式的极小值，那么归结为多元函数求极值的问题，立刻就会想到求导，则有：

求导过程如下：

可以将上面的结果，将上述线性方程组转换为矩阵方程，即：

其系数行列式（行列式符号错了，懒得改）为：

其值若不为0，则方程组有解，另外：

由此可以解得二次曲线的各系数：

4. 高斯拟合

高斯函数形式如下：

直接采用最小二乘法，其均方误差为：

直接这样计算比较复杂，可以先对高斯函数两边求对数，则均方误差可以改写为：

从形式上化为了二次函数，则可用多项式拟合的方法做相应的计算。