一维移动最小二乘（Moving Least Squares, MLS）近似的MATLAB程序
一维移动最小二乘原理
移动最小二乘法的核心思想是：在求解域内每个点处，通过加权最小二乘法进行局部拟合，权重函数使得越靠近当前点的数据对拟合影响越大。一维情况下，对于任意点x，其近似函数u(x)通过最小化以下加权二次型得到：
J = ∑ i = 1 n w ( ∥ x − x i ∥ ) [ u ( x i ) − f i ] 2 J = \sum_{i=1}^{n} w(\|x - x_i\|) \left[ u(x_i) - f_i \right]^2J=∑i=1nw(∥x−xi∥)[u(xi)−fi]2
其中，u ( x ) u(x)u(x)通常取为多项式形式，例如线性基：p ( x ) = [ 1 , x ] T p(x) = [1, x]^Tp(x)=[1,x]T，w ( d ) w(d)w(d)是权重函数（通常为紧支的），f i f_ifi是在x i x_ixi处的已知数据值。
权重函数选择
权重函数是移动最小二乘法的关键，常用的有：
- 高斯权重函数：w ( r ) = exp ( − r 2 h 2 ) w(r) = \exp\left(-\frac{r^2}{h^2}\right)w(r)=exp(−h2r2)，其中h hh是影响半径。
- 样条权重函数：例如w ( r ) = 1 − 6 ( r h ) 2 + 8 ( r h ) 3 − 3 ( r h ) 4 w(r) = 1 - 6\left(\frac{r}{h}\right)^2 + 8\left(\frac{r}{h}\right)^3 - 3\left(\frac{r}{h}\right)^4w(r)=1−6(hr)2+8(hr)3−3(hr)4，当0 ≤ r ≤ h 0 \leq r \leq h0≤r≤h；否则为0。
一维MLS的MATLAB程序
基于线性基和高斯权重函数的一维移动最小二乘近似MATLAB函数及示例。
function[y_fit,coefficients]=MLS1D(x_data,y_data,x_fit,h)% 一维移动最小二乘近似% 输入：% x_data: 数据点x坐标 (向量)% y_data: 数据点y坐标 (向量)% x_fit: 拟合点x坐标 (向量)% h: 权重函数的影响半径% 输出：% y_fit: 在x_fit处的拟合值% coefficients: 在x_fit处的拟合系数 (对于线性基，每行是[a0, a1])ifnargin<4% 默认影响半径取数据点平均间距的3倍h=3*mean(diff(sort(x_data)));endn_fit=length(x_fit);y_fit=zeros(size(x_fit));coefficients=zeros(n_fit,2);% 对于线性基 (1, x)，有2个系数fork=1:n_fit x_current=x_fit(k);% 1. 计算权重 (高斯函数)r=abs(x_data-x_current);% 避免过远的点影响，设置一个阈值，这里直接用高斯函数自然衰减weights=exp(-(r/h).^2);% 也可以使用紧支权重，例如只考虑r < 2*h的点% valid = r < 2*h;% weights = weights .* valid'; % 确保weights是行向量% 2. 构建矩阵 A = P^T W P 和 右端项 B = P^T W y% 线性基: P = [1, x]P=[ones(size(x_data)),x_data];W=diag(weights);A=P'*W*P;B=P'*W*y_data';% 3. 求解线性方程组 A * coeffs = B% 使用伪逆或左除，增加稳定性判断ifrcond(A)<1e-12% 矩阵接近奇异，使用伪逆coeffs=pinv(A)*B;elsecoeffs=A\B;endcoefficients(k,:)=coeffs';% 4. 计算当前点拟合值 u(x) = p(x)^T * coeffs% 对于线性基 p(x_current) = [1; x_current]y_fit(k)=[1,x_current]*coeffs;endend示例和结果验证
下面是如何使用上述函数进行数据拟合的示例：
% 生成示例数据 (带噪声的正弦曲线)rng(1);% 设置随机数种子以便复现结果x_data=linspace(0,2*pi,30)';y_data=sin(x_data)+0.1*randn(size(x_data));% 生成密集的拟合点x_fit=linspace(0,2*pi,100)';% 调用MLS1D函数h=0.8;% 设置影响半径[y_fit,coefficients]=MLS1D(x_data,y_data,x_fit,h);% 绘制结果figure;plot(x_data,y_data,'ko','MarkerSize',4,'DisplayName','原始数据 (带噪声)');hold on;plot(x_fit,y_fit,'r-','LineWidth',2,'DisplayName','MLS拟合');plot(x_fit,sin(x_fit),'b--','LineWidth',1,'DisplayName','真实函数 (sin(x))');xlabel('x');ylabel('y');legend('show');grid on;title('一维移动最小二乘近似示例');参考代码 一维移动最小二乘近似的MATLAB程序www.3dddown.com/csa/81365.html
关键参数说明
影响半径
h：控制拟合的局部性程度。h较小=> 拟合更依赖邻近点，结果捕捉细节能力强，但可能不稳定、对噪声敏感。h较大=>更多点参与拟合，结果更平滑，但可能忽略局部特征。- 选择技巧：通常可先取数据点平均间距的3~5倍，再根据效果调整。
基函数选择：示例中使用的是线性基
[1, x]。你也可以选择：- 常数基
[1]：结果类似于局部加权平均。 - 二次基
[1, x, x^2]：能捕捉曲率，但需要更多数据点，且更易受振荡影响。
- 常数基
