Interpolation och passande funktion approximation eller numerisk approximation är en viktig del som de har gemensamt är ett antal diskreta punkten fastställs av de kända begränsningar M att slå en definierad uppsättning konsekutiva S (M ingår i S), Continuous unknown funktion, så att man får det övergripande syftet med lagen, det vill säga med "glimt av några fläckar" för att uppnå "vet hela bilden." Enkelt uttryckt är det så kallade montering en funktion av kända värdena för ett antal diskret funktion {f1, f2, ..., fn}, genom att justera antalet obestämda koefficienter av funktionen f (λ1, λ2, ..., λ3), så att funktionen uppsättning punkter med kända skillnader (minsta kvadratmetoden) Min. Om den pågående funktion är linjär, en så kallad linjär anpassning eller linjär regression (främst i statistik), annars känd som icke-linjär anpassning, eller icke-linjär regression. Uttryck kan också vara en delad funktion, i detta fall kallas en spline montering. Den interpolering är en funktion av ett känt antal diskreta punkter i funktionen värden eller derivat information, som bestäms genom att lösa funktionen form interpolering funktion och de koefficienter som skall fastställas, så att funktionen ges tvånget diskreta punkter. Interpolationsfunktion kallas även basfunktioner, om basfunktionerna definierade på hela domänen av definition, känd global koncern, annars känd som Fenwick grupp. Om begränsningen funktionsvärden enda kravet kallas Lagrange interpolation, annars känd som Hermite interpolation. Från den geometriska innebörden av amiral, passa en given plats vid något tillfälle, att hitta en känd form av okända parametrar för att maximera approximation av en kontinuerlig yta av dessa punkter, medan interpolation är att hitta någon (eller några skivor släta) kontinuerlig yta att passera genom dessa punkter. Specifika montering interpolering beräkningar hänvisas till följande svar: 1) Matlab hur man passar en linjär / linjär regression / multipel linjär regression? Dvs med y = a * x b för att passa en uppsättning data {{x1, y1}, {x2, y2} ... {xn, yn}} Matlab med polyfitx = uppgifter (:, 1); y = data ( :, 2), p = polyfit (x, y, 1), p (1) är lutningen a är p (2), interceptet b en multipel linjär regression y = a1 * x1 a2 * x2 .. am * xm att passa datapunkterna {X1i, X2i, ... XMI, yi} (i = 1 ~ n) | x11, x21, ... XM1 | A = | x12, x22, ... XM2 | | ............... | | x1n, x2n, ... XMN | Y = {y1, y2, y3, ..., yn} 'då koefficienterna {a1, a2, ..., am}' = pinv (A) * Y i Matlab använder coeff = A \ Y är Du kan få känslan av minstakvadratmetoden stämmer koefficienter Matlab standard ger endast en polynomfunktion polyfit, den andra lite enklare montering, såsom standard exponentiella, logaritmiska, höga ordningens polynom montering, är analytisk formel För mer komplexa icke-linjär funktion, rekommenderar vi att använda Mathematica eller DataFitMathematica tillgänglig Fit [], liksom << Statistik `NonlinearFit` NonlinearFit [], NonlinearRegress [] kan passa godtyckligt komplexa uttryck. DataFit kan anpassa passformen modell för komplexa system passform.
|
