数学建模与数学实验 拟 合 后勤工程学院数学教研室

实验目的 实验内容 1、直观了解拟合基本内容。 2、掌握用数学软件求解拟合问题。 1、拟合问题引例及基本理论。 2、用数学软件求解拟合问题。 3、应用实例 4、实验作业。

拟 合 1. 拟合问题引例 2.拟合的基本原理

拟 合 问 题 引 例 1 温度t(0C) 20.5 32.7 51.0 73.0 95.7 电阻R() 765 826 873 942 1032 已知热敏电阻数据： 求600C时的电阻R。 设 R=at+b a,b为待定系数

拟 合 问 题 引 例 2 t (h) 0.25 0.5 1 1.5 2 3 4 6 8 c (g/ml) 19.21 18.15 15.36 14.10 12.89 9.32 7.45 5.24 3.01 已知一室模型快速静脉注射下的血药浓度数据(t=0注射300mg) 求血药浓度随时间的变化规律c(t). 作半对数坐标系(semilogy)下的图形 MATLAB(aa1)

曲 线 拟 合 问 题 的 提 法 已知一组（二维）数据，即平面上 n个点（xi,yi) i=1,…n, 寻求一个函数（曲线）y=f(x), 使 f(x) 在某种准则下与所有数据点最为接近，即曲线拟合得最好。 + x y (xi,yi) i y=f(x) i 为点（xi,yi) 与曲线 y=f(x) 的距离

问题：给定一批数据点，需确定满足特定要求的曲线或曲面 拟合与插值的关系 问题：给定一批数据点，需确定满足特定要求的曲线或曲面 解决方案： 若要求所求曲线（面）通过所给所有数据点，就是插值问题； 若不要求曲线（面）通过所有数据点，而是要求它反映对象整体的变化趋势，这就是数据拟合，又称曲线拟合或曲面拟合。 函数插值与曲线拟合都是要根据一组数据构造一个函数作为近似，由于近似的要求不同，二者的数学方法上是完全不同的。 实例：下面数据是某次实验所得，希望得到X和 f之间的关系？ MATLAB(cn)

最临近插值、线性插值、样条插值与曲线拟合结果：

曲线拟合问题最常用的解法——线性最小二乘法的基本思路 第一步:先选定一组函数 r1(x), r2(x), …rm(x), m<n, 令 f(x)=a1r1(x)+a2r2(x)+ …+amrm(x) （1） 其中 a1,a2, …am 为待定系数。 第二步: 确定a1,a2, …am 的准则（最小二乘准则）： 使n个点（xi,yi) 与曲线 y=f(x) 的距离i 的平方和最小 。 记 问题归结为，求 a1,a2, …am 使 J(a1,a2, …am) 最小。

超定方程组：方程个数大于未知量个数的方程组 线性最小二乘法的求解：预备知识 超定方程组：方程个数大于未知量个数的方程组 即 Ra=y 其中 超定方程一般是不存在解的矛盾方程组。 如果有向量a使得 达到最小， 则称a为上述超定方程的最小二乘解。

线性最小二乘法的求解 所以，曲线拟合的最小二乘法要解决的问题，实际上就是求以下超定方程组的最小二乘解的问题。 其中 Ra=y （3） 定理：当RTR可逆时，超定方程组（3）存在最小二乘解，且即为方程组 RTRa=RTy 的解：a=(RTR)-1RTy

2. 将数据 (xi,yi) i=1, …n 作图，通过直观判断确定 f(x)： 线性最小二乘拟合 f(x)=a1r1(x)+ …+amrm(x)中函数{r1(x), …rm(x)}的选取 1. 通过机理分析建立数学模型来确定 f(x)； 2. 将数据 (xi,yi) i=1, …n 作图，通过直观判断确定 f(x)： f=a1+a2x f=a1+a2x+a3x2 f=a1+a2x+a3x2 + + + f=a1+a2/x f=aebx f=ae-bx + + +

用MATLAB解拟合问题 1、线性最小二乘拟合 2、非线性最小二乘拟合

用MATLAB作线性最小二乘拟合 1. 作多项式f(x)=a1xm+ …+amx+am+1拟合,可利用已有程序: a=polyfit(x,y,m) 拟合多项 式次数 输出拟合多项式系数 a=[a1, …am , am+1] (数组)） 输入同长度 的数组X，Y 2. 对超定方程组 可得最小二乘意义下的解。 ，用 3.多项式在x处的值y可用以下命令计算： y=polyval（a，x）

例 对下面一组数据作二次多项式拟合 即要求 出二次多项式: 中 的 使得:

解法1．用解超定方程的方法 1）输入以下命令： x=0:0.1:1; y=[-0.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; R=[(x.^2)' x' ones(11,1)]； A=R\y' MATLAB(zxec1) 2）计算结果： Ａ = -9.8108 20.1293 -0.0317

解法2．用多项式拟合的命令 1）输入以下命令： x=0:0.1:1; y=[-0.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2]; A=polyfit(x,y,2) z=polyval(A,x); plot(x,y,'k+',x,z,'r') %作出数据点和拟合曲线的图形 MATLAB(zxec2) 2）计算结果： Ａ = -9.8108 20.1293 -0.0317

用MATLAB作非线性最小二乘拟合 Matlab的提供了两个求非线性最小二乘拟合的函数：lsqcurvefit和lsqnonlin。两个命令都要先建立M-文件fun.m，在其中定义函数f(x)，但两者定义f(x)的方式是不同的,可参考例题. 1. lsqcurvefit 已知数据点： xdata=（xdata1，xdata2，…，xdatan）， ydata=（ydata1，ydata2，…，ydatan） lsqcurvefit用以求含参量x（向量）的向量值函数 F(x,xdata)=（F（x，xdata1），…，F（x，xdatan））T 中的参变量x(向量),使得

说明：x = lsqcurvefit (‘fun’,x0,xdata,ydata,options); 输入格式为: (1) x = lsqcurvefit (‘fun’,x0,xdata,ydata); (2) x =lsqcurvefit (‘fun’,x0,xdata,ydata,options); (3) x = lsqcurvefit (‘fun’,x0,xdata,ydata,options,’grad’); (4) [x, options] = lsqcurvefit (‘fun’,x0,xdata,ydata,…); (5) [x, options,funval] = lsqcurvefit (‘fun’,x0,xdata,ydata,…); (6) [x, options,funval, Jacob] = lsqcurvefit (‘fun’,x0,xdata,ydata,…); 说明：x = lsqcurvefit (‘fun’,x0,xdata,ydata,options); fun是一个事先建立的定义函数F(x,xdata) 的M-文件, 自变量为x和xdata 迭代初值 选项见无 约束优化 已知数据点

已知数据点： xdata=（xdata1，xdata2，…，xdatan） ydata=（ydata1，ydata2，…，ydatan） 2. lsqnonlin 已知数据点： xdata=（xdata1，xdata2，…，xdatan） ydata=（ydata1，ydata2，…，ydatan） lsqnonlin用以求含参量x（向量）的向量值函数 f(x)=(f1(x),f2(x),…,fn(x))T 中的参量x，使得 最小。 其中 fi（x）=f（x，xdatai，ydatai） =F(x,xdatai)-ydatai

说明：x= lsqnonlin （‘fun’，x0，options）； 输入格式为： 1） x=lsqnonlin（‘fun’，x0）； 2） x= lsqnonlin （‘fun’，x0，options）； 3） x= lsqnonlin （‘fun’，x0，options，‘grad’）； 4） [x，options]= lsqnonlin （‘fun’，x0，…）； 5） [x，options，funval]= lsqnonlin （‘fun’，x0，…）； 说明：x= lsqnonlin （‘fun’，x0，options）； fun是一个事先建立的定义函数f(x)的M-文件，自变量为x 迭代初值 选项见无 约束优化

例2 用下面一组数据拟合 中的参数a，b，k 该问题即解最优化问题：

F(x，tdata)= ，x=(a，b，k) 解法1. 用命令lsqcurvefit F(x，tdata)= ，x=(a，b，k) 1）编写M-文件 curvefun1.m function f=curvefun1(x,tdata) f=x(1)+x(2)*exp(-0.02*x(3)*tdata) %其中 x(1)=a; x(2)=b；x(3)=k; 2）输入命令 tdata=100:100:1000 cdata=1e-03*[4.54,4.99,5.35,5.65,5.90,6.10,6.26,6.39, 6.50,6.59]; x0=[0.2,0.05,0.05]; x=lsqcurvefit ('curvefun1',x0,tdata,cdata) f= curvefun1(x,tdata) MATLAB(fzxec1)

3）运算结果为： f =0.0043 0.0051 0.0056 0.0059 0.0061 0.0062 0.0062 0.0063 0.0063 0.0063 x = 0.0063 -0.0034 0.2542 4）结论：a=0.0063, b=-0.0034, k=0.2542

f(x)=F(x,tdata,ctada)= x=（a，b，k） 解法 2 用命令lsqnonlin f(x)=F(x,tdata,ctada)= x=（a，b，k） 函数curvefun2的自变量是x，cdata和tdata是已知参数，故应将cdata tdata的值写在curvefun2.m中 1）编写M-文件 curvefun2.m function f=curvefun2(x) tdata=100:100:1000; cdata=1e-03*[4.54,4.99,5.35,5.65,5.90, 6.10,6.26,6.39,6.50,6.59]; f=x(1)+x(2)*exp(-0.02*x(3)*tdata)- cdata 2）输入命令: x0=[0.2,0.05,0.05]; x=lsqnonlin('curvefun2',x0) f= curvefun2(x) MATLAB(fzxec2)

3）运算结果为 f =1.0e-003 *(0.2322 -0.1243 -0.2495 -0.2413 -0.1668 -0.0724 0.0241 0.1159 0.2030 0.2792 x =0.0063 -0.0034 0.2542 4）结论：即拟合得a=0.0063 b=-0.0034 k=0.2542 可以看出,两个命令的计算结果是相同的.

MATLAB解应用问题实例 1、电阻问题 2、给药方案问题 *3、水塔流量估计问题

电阻问题 例. 由数据 拟合R=a1t+a2 方法1.用命令 polyfit(x,y,m) MATLAB(dianzu1) 温度t(0C) 20.5 32.7 51.0 73.0 95.7 电阻R() 765 826 873 942 1032 例. 由数据 拟合R=a1t+a2 方法1.用命令 polyfit(x,y,m) MATLAB(dianzu1) 得到 a1=3.3940, a2=702.4918 方法2.直接用 MATLAB(dianzu2) 结果相同。

给药方案 —— 拟 合 问 题 实 例 2 一种新药用于临床之前，必须设计给药方案. 药物进入机体后血液输送到全身，在这个过程中不断地被吸收、分布、代谢，最终排出体外，药物在血液中的浓度，即单位体积血液中的药物含量，称为血药浓度。 一室模型：将整个机体看作一个房室，称中心室，室内血药浓度是均匀的。快速静脉注射后，浓度立即上升；然后迅速下降。当浓度太低时，达不到预期的治疗效果；当浓度太高，又可能导致药物中毒或副作用太强。临床上，每种药物有一个最小有效浓度c1和一个最大有效浓度c2。设计给药方案时，要使血药浓度 保持在c1~c2之间。本题设c1=10，c2=25(ug/ml).

在实验方面,对某人用快速静脉注射方式一次注入该药物300mg后,在一定时刻t(小时)采集血药,测得血药浓度c(ug/ml)如下表: 要设计给药方案,必须知道给药后血药浓度随时间变化的规律。从实验和理论两方面着手： 在实验方面,对某人用快速静脉注射方式一次注入该药物300mg后,在一定时刻t(小时)采集血药,测得血药浓度c(ug/ml)如下表: t (h) 0.25 0.5 1 1.5 2 3 4 6 8 c (g/ml) 19.21 18.15 15.36 14.10 12.89 9.32 7.45 5.24 3.01

给药方案 1. 在快速静脉注射的给药方式下，研究血药浓度（单位体积血液中的药物含量）的变化规律。 问题 2. 给定药物的最小有效浓度和最大治疗浓度，设计给药方案：每次注射剂量多大；间隔时间多长。 实验：对血药浓度数据作拟合，符合负指数变化规律 c2 c c1  分析 理论：用一室模型研究血药浓度变化规律 t

模型假设 模型建立 1. 机体看作一个房室，室内血药浓度均匀——一室模型 2.药物排除速率与血药浓度成正比，比例系数 k(>0) 3.血液容积v, t=0注射剂量d, 血药浓度立即为d/v. 模型建立 在此，d=300mg，t及c（t）在某些点处的值见前表，需经拟合求出参数k、v

用线性最小二乘拟合c(t) 程序： d=300; t=[0.25 0.5 1 1.5 2 3 4 6 8]; y=log(c); a=polyfit(t,y,1) k=-a(1) v=d/exp(a(2)) 程序： MATLAB(lihe1) 用非线性最小二乘拟合c(t) 计算结果：

给药方案 设计 设每次注射剂量D, 间隔时间 血药浓度c(t) 应c1 c(t)  c2 初次剂量D0 应加大 c c2 c1  t  t 给药方案 设计 设每次注射剂量D, 间隔时间 血药浓度c(t) 应c1 c(t)  c2 初次剂量D0 应加大 给药方案记为： 1、 c1=10,c2=25 k=0.2347 v=15.02 2、 计算结果： 给药方案：

故可制定给药方案： 即: 首次注射375mg， 其余每次注射225mg， 注射的间隔时间为4小时。

估计水塔的流量 1、问题 2、解题思路 3、算法设计与编程

某居民区有一供居民用水的园柱形水塔，一般可以通过测量其水位来估计水的流量，但面临的困难是，当水塔水位下降到设定的最低水位时，水泵自动启动向水塔供水，到设定的最高水位时停止供水，这段时间无法测量水塔的水位和水泵的供水量．通常水泵每天供水一两次，每次约两小时. 水塔是一个高12.2米，直径17.4米的正园柱．按照设计，水塔水位降至约8.2米时，水泵自动启动，水位升到约10.8米时水泵停止工作． 表1 是某一天的水位测量记录，试估计任何时刻（包括水泵正供水时）从水塔流出的水流量，及一天的总用水量．

流量估计的解题思路 拟合水位~时间函数 确定流量~时间函数 估计一天总用水量

拟合水位~时间函数 测量记录看，一天有两个供水时段（以下称第1供水时段和第2供水时段），和3个水泵不工作时段（以下称第1时段t=0到t=8.97，第2次时段t=10.95到t=20.84和第3时段t=23以后）．对第1、2时段的测量数据直接分别作多项式拟合，得到水位函数．为使拟合曲线比较光滑，多项式次数不要太高，一般在3~6．由于第3时段只有3个测量记录，无法对这一时段的水位作出较好的拟合．

2、确定流量~时间函数 对于第1、2时段只需将水位函数求导数即可，对于两个供水时段的流量，则用供水时段前后（水泵不工作时段）的流量拟合得到，并且将拟合得到的第2供水时段流量外推，将第3时段流量包含在第2供水时段内．

总用水量等于两个水泵不工作时段和两个供水时段用水量之和，它们都可以由流量对时间的积分得到。 3、一天总用水量的估计 总用水量等于两个水泵不工作时段和两个供水时段用水量之和，它们都可以由流量对时间的积分得到。

算法设计与编程 1、拟合第1、2时段的水位，并导出流量 2、拟合供水时段的流量 3、估计一天总用水量 4、流量及总用水量的检验

设t，h为已输入的时刻和水位测量记录（水泵启动的4个时刻不输入），第1时段各时刻的流量可如下得： 1、拟合第1时段的水位，并导出流量 设t，h为已输入的时刻和水位测量记录（水泵启动的4个时刻不输入），第1时段各时刻的流量可如下得： 1） c1=polyfit（t（1：10），h（1：10），3）； %用3次多项式拟合第1时段水位，c1输出3次多项式的系数 2）a1=polyder（c1）； % a1输出多项式（系数为c1）导数的系数 3）tp1=0：0.1：9； x1=-polyval（a1，tp1）； % x1输出多项式（系数为a1）在tp1点的函数值（取负后边为正值），即tp1时刻的流量 MATLAB(llgj1) 4）流量函数为：

设t，h为已输入的时刻和水位测量记录（水泵启动的4个时刻不输入），第2时段各时刻的流量可如下得： 2、拟合第2时段的水位，并导出流量 设t，h为已输入的时刻和水位测量记录（水泵启动的4个时刻不输入），第2时段各时刻的流量可如下得： 1） c2=polyfit(t(10.9:21),h(10.9:21),3)； %用3次多项式拟合第2时段水位，c2输出3次多项式的系数 2） a2=polyder(c2)； % a2输出多项式（系数为c2）导数的系数 3）tp2=10.9:0.1:21; x2=-polyval(a2,tp2); % x2输出多项式（系数为a2）在tp2点的函数值（取负后边为正值），即tp2时刻的流量 MATLAB(llgj2) 4）流量函数为：

xx1=-polyval（a1，[8 9]）； %取第1时段在t=8,9的流量 3、拟合供水时段的流量 在第1供水时段（t=9~11）之前（即第1时段）和之后（即第2时段）各取几点，其流量已经得到，用它们拟合第1供水时段的流量．为使流量函数在t=9和t=11连续，我们简单地只取4个点，拟合3次多项式（即曲线必过这4个点），实现如下： xx1=-polyval（a1，[8 9]）； %取第1时段在t=8,9的流量 xx2=-polyval（a2，[11 12]）； %取第2时段在t=11,12的流量 xx12=[xx1 xx2]； c12=polyfit（[8 9 11 12]，xx12，3）； %拟合3次多项式 tp12=9：0.1：11； x12=polyval（c12，tp12）； % x12输出第1供水时段 各时刻的流量 MATLAB(llgj3) 拟合的流量函数为：

dt3=diff（t(22：24)）； %最后3个时刻的两两之差 dh3=diff（h(22：24)）； %最后3个水位的两两之差 dht3=-dh3./dt3； %t(22)和t(23)的流量 t3=[20 20.8 t(22) t(23)]； xx3=[-polyval(a2，t3(1：2)，dht3)]； %取t3各时刻的流量 c3=polyfit（t3，xx3，3）； %拟合3次多项式 t3=20.8：0.1：24； x3=polyval（c3，tp3）；% x3输出第2供水时段 （外推至t=24）各时刻的流量 MATLAB(llgj4) 拟合的流量函数为：

y1=0.1*trapz(x1)； %第1时段用水量（仍按高 度计），0.1为积分步长 y2=0.1*trapz(x2)； %第2时段用水量 3、一天总用水量的估计 第1、2时段和第1、2供水时段流量的积分之和，就是一天总用水量．虽然诸时段的流量已表为多项式函数，积分可以解析地算出，这里仍用数值积分计算如下： y1=0.1*trapz(x1)； %第1时段用水量（仍按高 度计），0.1为积分步长 y2=0.1*trapz(x2)； %第2时段用水量 y12=0.1*trapz(x12)； %第1供水时段用水量 y3=0.1*trapz(x3)； %第2供水时段用水量 y=（y1+y2+y12+y3）*237.8*0.01； %一天总用水量（ ） 计算结果：y1=146.2, y2=266.8, y12=47.4, y3=77.3，y=1250.4 MATLAB(llgjz)

xp2=polyval（c3，tp4）； % xp2输出第2供水时段 各时刻的流量 4、流量及总用水量的检验 计算出的各时刻的流量可用水位记录的数值微分来检验．用水量y1可用第1时段水位测量记录中下降高度968-822=146来检验，类似地，y2用1082-822=260检验． 供水时段流量的一种检验方法如下：供水时段的用水量加上水位上升值260是该时段泵入的水量，除以时段长度得到水泵的功率（单位时间泵入的水量），而两个供水时段水泵的功率应大致相等．第1、2时段水泵的功率可计算如下： p1=(y12+260)/2； %第1供水时段水泵的功率 （水量仍以高度计） tp4=20.8：0.1：23； xp2=polyval（c3，tp4）； % xp2输出第2供水时段 各时刻的流量 p2=(0.1*trapz(xp2)+260)/2.2； %第2供水时段水泵的功率 计算结果：p1=154.5 ，p2=140.1 MATLAB (ll)

计算结果 流量函数为：

流量曲线见图 n=(3,4) n=(5,6)

练习1 用给定的多项式，如y=x3-6x2+5x-3，产生一组数据(xi,yi，i=1,2,…,n),再在yi上添加随机干扰(可用rand产生(0,1)均匀分布随机数,或用rands产生N(0,1)分布随机数)，然后用xi和添加了随机干扰的yi作的3次多项式拟合，与原系数比较。 如果作2或4次多项式拟合，结果如何？

练习2、用电压V=10伏的电池给电容器充电，电容器上t时刻的电压为 ，其中V0是电容器的初始电压， 是充电常数。试由下面一组t，V数据确定V0， 。

用非线性最小二乘拟合c(t)-用lsqcurvefit 1、用M-文件curvefun3.m定义函数 function f=curvefun3(x,tdata) d=300 f=(x(1)\d)*exp(-x(2)*tdata) % x(1)=v; x(2)=k 2、主程序lihe2.m如下 clear tdata=[0.25 0.5 1 1.5 2 3 4 6 8]; cdata=[19.21 18.15 15.36 14.10 12.89 9.32 7.45 5.24 3.01]; x0=[10,0.5]; x=lsqcurvefit('curvefun3',x0,tdata,cdata); f=curvefun3(x,tdata) x MATLAB(lihe2)