最小二乘法拟合（C++）_最小二乘法拟合直线c++

曲线拟合

插值与拟合较为相似，同样是给出了数据点，要求求出一个函数，但是插值要求插值数据必须100%正确，即求出来的函数必须都过这些点，而拟合则不一定，因为拟合的数据点本身就不一定正确，比如拿尺子测量某物体的形变趋势，在测量的过程中，本身就存在测量误差，拟合函数强行经过这些点毫无意义，并且这个测量过程中会产生大量的测量数据，使用插值的方法也不适合。因此我们可以得出使用插值的条件：

1. 插值数据必须100%正确
2. 插值数据量不能太大

使用拟合的条件：

1. 数据为存在误差的数据
2. 数据量比较大

最小二乘法

拟合中最常见的方法就是最小二乘法，其基本思想是：
假如采用直线拟合，则设拟合直线为：$\hat{y}(x)=ax+b$，
则其相对于数据点的误差为$s=[y_0-(a{x}_0+b){]}^2+[y_1-(a{x}_1+b){]}^2+\cdots [y_n-(a{x}_n+b){]}^2$，对其求偏导可以得到
∂ s ∂ a = 2 [ x 0 [ y 0 − ( a x 0 + b ) ] + x 1 [ y 1 − ( a x 1 + b ) ] + ⋯ x n [ y n − ( a x n + b ) ] ] = 2 ( ∑ x i y i − a ∑ x i 2 − b ∑ x i ) ∂ s ∂ b = 2 ( ∑ y i − a ∑ x i − b ∗ n )

$$\begin{aligned} \frac{\partial s}{\partial a}&=2[x_0[y_0-(ax_0+b)]+x_1[y_1-(ax_1+b)]+\cdots x_n[y_n-(ax_n+b)]]\\ &=2(\sum x_iy_i-a\sum x_i^2-b\sum x_i)\\ \frac{\partial s}{\partial b}&=2(\sum y_i-a\sum x_i-b*n) \end{aligned}$$ ∂a∂s​∂b∂s​​=2[x0​[y0​−(ax0​+b)]+x1​[y1​−(ax1​+b)]+⋯xn​[yn​−(axn​+b)]]=2(∑xi​yi​−a∑xi2​−b∑xi​)=2(∑yi​−a∑xi​−b∗n)​
显然当s最小时，两个偏导都为0，所以整理可以得到
$$\begin{array}{rl}a& =\frac{\sum x_i{y}_i-\frac{\sum x_i\sum y_i}{n}}{\sum x_i^2-\frac{(\sum x_i{)}^2}{n}}\\ & =\frac{\sum x_i{y}_i-n\ast \overline{x}\overline{y}}{\sum x_i^2-n\ast {\overline{x}}^2}\end{array}$$
将此式子代入$\frac{\partial s}{\partial b}=0$可以得到
$$b=\overline{y}-a\ast \overline{x}$$
当然除了可以使用直线去拟合，也可以使用更高次的函数去拟合，比如抛物线拟合：
$$s_2=[y_0-(a{x}_0^2+b{x}_0+c){]}^2+[y_1-(a{x}_1^2+b{x}_1+c){]}^2+\cdots [y_n-(a{x}_n^2+b{x}_n+c){]}^2$$
一样地求偏导
$$\begin{array}{rl}\frac{\partial s_2}{\partial a}& =2[\sum x_i^2{y}_i-a\sum x_i^4-b\sum x_i^3-c\sum x_i^2]\\ \frac{\partial s_2}{\partial b}& =2[\sum x_i{y}_i-a\sum x_i^3-b\sum x_i^2-c\sum x_i]\\ \frac{\partial s_2}{\partial c}& =2[\sum y_i-a\sum x_i^2-b\sum x_i-c\ast n]\end{array}$$
令偏导都为0，化简可以得到
$$\begin{array}{rl}a& =\frac{(\sum x_i^2{y}_i-\frac{\sum x_i^2\sum y_i}{n}+(\sum x_i{y}_i-\frac{\sum x_i\sum y_i}{n})(\frac{\sum x_i^2\sum x_i}{n}-\sum x_i^3)/(\sum x_i^2-\sum x_i\sum x_i/n))}{(\sum x_i^4-\sum x_i^2\sum x_i^2/n+(\sum x_i^2\sum x_i/n-\sum x_i^3)(\sum x_i^3-\sum x_i^2\sum x_i/n)/(\sum x_i^2-\sum x_i\sum x_i/n))}\\ b& =\frac{\sum x_i{y}_i-a\ast \sum x_i^3-\sum x_i\sum y_i/n+a\ast \sum x_i^2\sum x_i/n}{\sum x_i^2-\sum x_i\sum x_i/n}\\ c& =\frac{\overline{y}-b\sum x_i-a\sum x_i^2}{n}\end{array}$$

代码实现

#include <iostream>
using namespace std;
#define N 5//散点数量
//直线拟合，y=kx+b
void Least_Squares_1(float x[], float y[], float n, float &k, float &b)
{
    //分别为x、y、xy和x的平方的和
    float sum_x = 0, sum_y = 0, sum_xy = 0, sum_x2 = 0;
    for (int i = 0; i < n; i++)
    {
        sum_x += x[i];//x的和
        sum_y += y[i];//y的和
        sum_xy += x[i] * y[i];//xy的和
        sum_x2 += x[i] * x[i];//x平方和
    }
    k=(sum_xy-sum_x*sum_y/n)/(sum_x2-sum_x*sum_x/n);
    b=(sum_y-k*sum_x)/n;
    cout<<"拟合出来的函数为："<<"y="<<k<<"x"<<(b>=0?"+":"")<<b<<endl;
}
//二次曲线拟合，y=ax^2+bx+c
void Least_Squares_2(float x[], float y[], float n, float &a, float &b,float &c)
{
    float sum_x = 0, sum_y = 0, sum_xy = 0, sum_x2 = 0, sum_x3 = 0,sum_x4=0,\
    sum_x2y=0;//分别为x、y、xy和x的平方的和
    for (int i = 0; i < n; i++)
    {
        sum_x += x[i];//x的和
        sum_y += y[i];//y的和
        sum_xy += x[i] * y[i];//xy的和
        sum_x2 += x[i] * x[i];//x的平方和
        sum_x3 += x[i] * x[i] * x[i];//x的立方和
        sum_x4 += x[i] * x[i] * x[i] * x[i];//x的四次方和
        sum_x2y += x[i] * x[i] * y[i];//(x^2)(y)的和
    }
    a = (sum_x2y - sum_x2 * sum_y/n + (sum_xy - sum_x * sum_y/n) *
    (sum_x2 * sum_x/n - sum_x3) / (sum_x2 - sum_x * sum_x/n ))/
    (sum_x4-sum_x2*sum_x2/n+(sum_x2*sum_x/n-sum_x3)*
    (sum_x3-sum_x2*sum_x/n)/(sum_x2-sum_x*sum_x/n));
    b = (sum_xy - a * sum_x3 - sum_x*sum_y/n+a*sum_x2*sum_x/n) /
    (sum_x2 - sum_x * sum_x/n);
    c=(sum_y-b*sum_x-a*sum_x2)/n;
    cout<<"拟合出来的函数为："<<"y="<<a<<"x^2"<<
    (b>=0?"+":"")<<b<<"x"<<(c>=0?"+":"")<<c<<endl;
}
int main()
{
    float k, b;//拟合出来的系数，y=kx+b
    float a, c;
    float x1[N] = {1, 1.25, 1.5,1.75,2};//课件例题，使用Least_Squares_1进行拟合
    float y1[N] = {5.1,5.79,6.53,7.45,8.46};
    Least_Squares_1(x1, y1, N, k, b);
    float x2[N] = {1, 2, 3,4,5};//取函数y=0.3x^2+0.7x-7的点验证二次拟合
    float y2[N] = {-6, -4.4, -2.2,0.6,4};
    Least_Squares_2(x2, y2, N, a, b, c);
    return 0;
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56

结果分析

matlab可以使用 polyfit函数进行验证。

可以发现两者几乎一样。