QR分解与最小二乘
主要内容：
1、QR分解定义
2、QR分解求法
3、QR分解与最小二乘
4、Matlab实现
一、QR分解
定义：
实数矩阵 A 的 QR 分解是把 A 分解为Q、R，这里的 Q 是正交矩阵（意味着 QTQ = I）而 R 是上三角矩阵。类似的，我们可以定义 A 的 QL, RQ 和 LQ 分解。
更一般的说，我们可以因数分解复数 m×n 矩阵（有着 m ≥ n）为 m×n 酉矩阵（在 Q∗Q = I 的意义上）和n×n 上三角矩阵的乘积。
如果 A 是非奇异的，则这个因数分解为是唯一，当我们要求 R 的对角是正数的时候。
二、QR分解的求法
QR分解的实际计算有很多方法，例如Givens旋转、Householder变换，以及Gram-Schmidt正交化等等。每一种方法都有其优点和不足。
三、QR分解与最小二乘
最小二乘：
对给定数据点{(Xi，Yi)}(i=0,1，…，m），在取定的函数类Φ 中，求p(x）∈Φ，使误差的平方和E^2最小，E^2=∑[p(Xi)-Yi]^2。从几何意义上讲，就是寻求与给定点 {(Xi，Yi)}(i=0,1，…，m）的距离平方和为最小的曲线y=p(x)。函数p(x)称为拟合函数或最小二乘解，求拟合函数p(x)的方法称为曲线拟合的最小二乘法。
最小二乘的矩阵形式：Ax=b，其中A为nxk的矩阵，x为kx1的列向量，b为nx1的列向量。如果n>k（方程的个数大于未知量的个数），这个方程系统称为Over Determined System，如果n<k（方程的个数小于未知量的个数），这个系统就是Under Determined System。
最小二乘与QR分解:
正常来看，这个方程是没有解的，但在数值计算领域，我们通常是计算 min ||Ax-b||，解出其中的x。比较直观的做法是求解A'Ax=A'b，但通常比较低效。其中一种常见的解法是对A进行QR分解（A=QR），其中Q是nxk正交矩阵（Orthonormal Matrix），R是kxk上三角矩阵（Upper Triangular Matrix），然后min ||Ax-b|| = min ||QRx-b|| = min ||Rx-Q'b||，用MATLAB命令x=R\(Q'*b）可解得x。
最小二乘的Matlab实现：
① 一次函数使用polyfit（x,y,1）
②多项式函数使用 polyfit（x,y,n），n为次数
拟合曲线
x=[0.5,1.0,1.5,2.0,2.5,3.0]，
y=[1.75,2.45,3.81,4.80,7.00,8.60]。
解：MATLAB程序如下：
x=[0.5,1.0,1.5,2.0,2.5,3.0];
y=[1.75,2.45,3.81,4.80,7.00,8.60];
p=polyfit(x,y,2)
x1=0.5:0.5:3.0;
y1=polyval(p,x1);
plot(x,y,'*r',x1,y1,'-b')
计算结果为：
p =0.5614 0.8287 1.1560
即所得多项式为y=0.5614x^2+0.8287x+1.15560
③非线性函数使用 lsqcurvefit(fun,x0,x,y)
四、QR分解的Matlab实现
- [Q,R]=qr(A) or [Q,R]=qr(A,0) (二者的区别自行help或doc一下)
- 其中Q代表正规正交矩阵，
- 而R代表上三角形矩阵。
此外，原矩阵A不必为正方矩阵； 如果矩阵A大小为n*m，则矩阵Q大小为n*m，矩阵R大小为m*m。
五、参考文献：
http://www.360doc.com/content/13/1015/09/12712639_321543226.shtml