最小二乘法拟合

简介:  /** * 最小二乘法拟合 *  *  * @author Ken转发 *  */public class Linest { /**  * <p>  * 函数功能:最小二乘法曲线拟合  * </p>  *   * @param x  *            实型一维数组,长度为 n 。存放给定 n 个数据点的 X 坐标  * @param y  *         

 /**
 * 最小二乘法拟合
 * 
 *
 * @author Ken转发
 *
 */
public class Linest {
 /**
  * <p>
  * 函数功能:最小二乘法曲线拟合
  * </p>
  *
  * @param x
  *            实型一维数组,长度为 n 。存放给定 n 个数据点的 X 坐标
  * @param y
  *            实型一维数组,长度为 n 。存放给定 n 个数据点的 Y 坐标
  * @param n
  *            变量。给定数据点的个数
  * @param a
  *            实型一维数组,长度为 m 。返回 m-1 次拟合多项式的 m 个系数
  * @param m
  *            拟合多项式的项数,即拟合多项式的最高次数为 m-1. 要求 m<=n 且m<=20。若 m>n 或 m>20
  *            ,则本函数自动按 m=min{n,20} 处理.
  *            <p>
  *            Date:2007-12-25 16:21 PM
  *            </p>
  * @author qingbao-gao
  * @return
  */
 public static double[] PolyFit(double x[], double y[], int n, double a[],
   int m) {
  int i, j, k;
  double z, p, c, g, q = 0, d1, d2;
  double[] s = new double[20];
  double[] t = new double[20];
  double[] b = new double[20];
  double[] dt = new double[3];
  for (i = 0; i <= m - 1; i++) {
   a[i] = 0.0;
  }
  if (m > n) {
   m = n;
  }
  if (m > 20) {
   m = 20;
  }
  z = 0.0;
  for (i = 0; i <= n - 1; i++) {
   z = z + x[i] / (1.0 * n);
  }
  b[0] = 1.0;
  d1 = 1.0 * n;
  p = 0.0;
  c = 0.0;
  for (i = 0; i <= n - 1; i++) {
   p = p + (x[i] - z);
   c = c + y[i];
  }
  c = c / d1;
  p = p / d1;
  a[0] = c * b[0];
  if (m > 1) {
   t[1] = 1.0;
   t[0] = -p;
   d2 = 0.0;
   c = 0.0;
   g = 0.0;
   for (i = 0; i <= n - 1; i++) {
    q = x[i] - z - p;
    d2 = d2 + q * q;
    c = c + y[i] * q;
    g = g + (x[i] - z) * q * q;
   }
   c = c / d2;
   p = g / d2;
   q = d2 / d1;
   d1 = d2;
   a[1] = c * t[1];
   a[0] = c * t[0] + a[0];
  }
  for (j = 2; j <= m - 1; j++) {
   s[j] = t[j - 1];
   s[j - 1] = -p * t[j - 1] + t[j - 2];
   if (j >= 3)
    for (k = j - 2; k >= 1; k--) {
     s[k] = -p * t[k] + t[k - 1] - q * b[k];
    }
   s[0] = -p * t[0] - q * b[0];
   d2 = 0.0;
   c = 0.0;
   g = 0.0;
   for (i = 0; i <= n - 1; i++) {
    q = s[j];
    for (k = j - 1; k >= 0; k--) {
     q = q * (x[i] - z) + s[k];
    }
    d2 = d2 + q * q;
    c = c + y[i] * q;
    g = g + (x[i] - z) * q * q;
   }
   c = c / d2;
   p = g / d2;
   q = d2 / d1;
   d1 = d2;
   a[j] = c * s[j];
   t[j] = s[j];
   for (k = j - 1; k >= 0; k--) {
    a[k] = c * s[k] + a[k];
    b[k] = t[k];
    t[k] = s[k];
   }
  }
  dt[0] = 0.0;
  dt[1] = 0.0;
  dt[2] = 0.0;
  for (i = 0; i <= n - 1; i++) {
   q = a[m - 1];
   for (k = m - 2; k >= 0; k--) {
    q = a[k] + q * (x[i] - z);
   }
   p = q - y[i];
   if (Math.abs(p) > dt[2]) {
    dt[2] = Math.abs(p);
   }
   dt[0] = dt[0] + p * p;
   dt[1] = dt[1] + Math.abs(p);
  }
  return a;
 }

 /**
  * <p>
  * 对X轴数据节点球平均值
  * </p>
  *
  * @param x
  *            存储X轴节点的数组
  *            <p>
  *            Date:2007-12-25 20:21 PM
  *            </p>
  * @author qingbao-gao
  * @return 平均值
  */
 public static double ave(double[] x) {
  double ave = 0;
  double sum = 0;
  if (x != null) {
   for (int i = 0; i < x.length; i++) {
    sum += x[i];
   }
   System.out.println("sum-->" + sum);
   ave = sum / x.length;
   System.out.println("ave" + ave + "x.length" + x.length);
  }
  return ave;
 }

 /**
  * <p>
  * 由X值获得Y值
  * </p>
  *
  * @param x
  *            当前X轴输入值,即为预测的月份
  * @param xx
  *            当前X轴输入值的前X数据点
  * @param a
  *            存储多项式系数的数组
  * @param m
  *            存储多项式的最高次数的数组
  *            <p>
  *            Date:2007-12-25 PM 20:07
  *            </p>
  *            <P>
  *            Author:qingbao-gao
  *            </P>
  * @return 对应X轴节点值的Y轴值
  */
 public static double getY(double x, double[] xx, double[] a, int m) {
  double y = 0;
  double ave = ave(xx);

  double l = 0;
  for (int i = 0; i < m; i++) {
   l = a[0];
   if (i > 0) {
    y += a[i] * Math.pow((x - ave), i);
    System.out.println(i + "--|-->" + y + "--a[i]--" + a[i]);
   }
   System.out.println("a[0]|" + a[0]);
  }
  System.out.println("l--|" + (l));
  return (y + l);
 }

 // --------------------------------------------测试代码

 public static void main(String[] args) {

  double[] x = { 200401, 200402, 200403, 200404, 200405, 200406, 200407,
    200408, 200409, 2004010, 2004011, 2004012, 200501, 200502,
    200503, 200504 };
  double[] y = { 51, 51, 53, 53, 54, 55, 57, 60, 63, 64, 66, 66, 69, 71,
    72, 75 };
  double[] a = new double[20];
  double[] aa = PolyFit(x, y, 16, a, 3);
  double yy = 0;
  System.out.println("拟合-->" + getY(200505, x, aa, 3));
 }

}

相关文章
|
12月前
MATALB运用——最小二乘法拟合
MATALB运用——最小二乘法拟合
135 0
|
机器学习/深度学习 数据可视化 Python
逻辑回归那些事—使用牛顿法解决实际问题
逻辑回归是机器学习中的重要章节,本文将带你从公式推导到算法实现详细讲述这部分内容,想学习这个高大上的技能么,快来看吧!!!
5484 0
|
3月前
|
机器学习/深度学习
|
6月前
|
机器学习/深度学习 算法 调度
多元线性回归梯度下降法
梯度下降法是一种通用的优化算法,尤其适用于机器学习中找到最优解。与解析解法不同,它不局限于特定情况,能在数据规模较大时依然有效。该方法通过迭代逐步接近最优解,每次迭代利用损失函数的梯度信息调整参数。学习率是控制参数更新幅度的关键因素,太大会导致发散,太小则收敛慢。全量梯度下降每次使用所有样本更新,收敛稳定但速度慢;随机梯度下降每次仅用一个样本,速度快但可能产生较大波动;小批量梯度下降取两者之间,以一定的样本批量进行更新,兼顾速度和稳定性。
68 1
|
6月前
R方和线性回归拟合优度
R方和线性回归拟合优度
|
机器学习/深度学习 数据采集
多项式回归
机器学习中的多项式回归是一种用于解决回归问题的非线性模型。与线性回归不同,
102 2
|
6月前
R语言多项式线性模型:最大似然估计二次曲线
R语言多项式线性模型:最大似然估计二次曲线
|
6月前
|
C++
拟合R语言中的多项式回归
拟合R语言中的多项式回归
|
C++ 计算机视觉
C++-柱面拟合FitCylinder
C++-柱面拟合FitCylinder
曲线拟合-最小二乘法
线性最小二乘法及matlab例程