Tabla de contenido
Función lineal ajustada al ruido lineal
Contenido del programa: primero genere una imagen de dispersión lineal con ruido aleatorio, configure un polinomio de primer orden para que se ajuste a la imagen de dispersión y finalmente muestre la imagen de dispersión original y la función polinomial ajustada.
el código se muestra a continuación:
import numpy as np
import matplotlib.pyplot as plt
from numpy import polyfit
x = np.linspace(-5, 5, 100)
y = 4 * x + 1.5
noise_y = y + np.random.randn(y.shape[0]) * 2.5
plt.subplot(2,1,1)
plt.title("original image")
p = plt.plot(x, noise_y,'rx', marker="3")
plt.subplot(2,1,2)
# 用多项式进行拟合，在此用一次函数拟合
coeff = polyfit(x, noise_y, 1)
print(coeff)
plt.title("image after polynomial fitting")
p = plt.plot(x, coeff[0] * x + coeff[1], 'k-')
plt.show()
La pantalla de resultados:
Ajuste de una función seno con un polinomio
Aquí, se utilizan polinomios de tres grados, polinomios de cinco grados y polinomios de nueve grados para ajustar la función seno.
El código del programa es el siguiente:
import numpy as np
import matplotlib.pyplot as plt
from numpy import polyfit, poly1d
x = np.linspace(0,4*np.pi,200)
y = np.sin(x)
y3 = poly1d(polyfit(x,y,3))
y5 = poly1d(polyfit(x,y,5))
y9 = poly1d(polyfit(x,y,9))
plt.subplot(2,2,1)
plt.title("original image")
p = plt.plot(x, y)
plt.subplot(2,2,2)
plt.title("Third Order polynomials")
p = plt.plot(x, y3(x))
plt.subplot(2,2,3)
plt.title("fifth Order polynomials")
p = plt.plot(x, y5(x))
plt.subplot(2,2,4)
plt.title("ninth Order polynomials")
p = plt.plot(x, y9(x))
plt.show()
Los resultados obtenidos se muestran a continuación: Como
se puede ver en la figura, a medida que aumenta el coeficiente del polinomio, el efecto de ajuste es cada vez mejor. Cuando el polinomio es 9, la función seno se puede restaurar muy bien.