最小二乘法曲线拟合的Matlab程序
曲线拟合线性最小二乘法及其MATLAB程序
1 曲线拟合的线性最小二乘法及其MATLAB 程序例7.2.1 给出一组数据点列入表),(i i y x 7–2中，试用线性最小二乘法求拟合曲线，并用（7.2），（7.3）和（7.4）式估计其误差，作出拟合曲线.表7–2 例7.2.1的一组数据),(y x解 （1）在MATLAB 工作窗口输入程序>> x=[-2.5 -1.7 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[-192.9 -85.50 -36.15 -26.52 -9.10 -8.43 -13.12 6.50 68.04];plot(x,y,'r*'),legend('实验数据(xi,yi)')xlabel('x'), ylabel('y'),title('例7.2.1的数据点(xi,yi)的散点图')运行后屏幕显示数据的散点图（略）.（3）编写下列MA TLAB 程序计算在)(x f ),(i i y x 处的函数值，即输入程序>> syms a1 a2 a3 a4x=[-2.5 -1.7 -1.1 -0.8 0 0.1 1.5 2.7 3.6];fi=a1.*x.^3+ a2.*x.^2+ a3.*x+ a4运行后屏幕显示关于a 1,a 2, a3和a4的线性方程组fi =[ -125/8*a1+25/4*a2-5/2*a3+a4,-4913/1000*a1+289/100*a2-17/10*a3+a4,-1331/1000*a1+121/100*a2-11/10*a3+a4,-64/125*a1+16/25*a2-4/5*a3+a4,a4, 1/1000*a1+1/100*a2+1/10*a3+a4,27/8*a1+9/4*a2+3/2*a3+a4, 19683/1000*a1+729/100*a2+27/10*a3+a4, 5832/125*a1+324/25*a2+18/5*a3+a4]编写构造误差平方和的MA TLAB 程序>> y=[-192.9 -85.50 -36.15 -26.52 -9.10 -8.43 -13.12 6.5068.04];fi=[-125/8*a1+25/4*a2-5/2*a3+a4,-4913/1000*a1+289/100*a2-17/10*a3+a4,-1331/1000*a1+121/100*a2-11/10*a3+a4, -64/125*a1+16/25*a2-4/5*a3+a4, a4,1/1000*a1+1/100*a2+1/10*a3+a4,27/8*a1+9/4*a2+3/2*a3+a4,19683/1000*a1+729/100*a2+27/10*a3+a4,5832/125*a1+324/25*a2+18/5*a3+a4];fy=fi-y; fy2=fy.^2; J=sum(fy.^2)运行后屏幕显示误差平方和如下J=(-125/8*a1+25/4*a2-5/2*a3+a4+1929/10)^2+(-4913/1000*a1+289/100*a2-17/10*a3+a4+171/2)^2+(-1331/1000*a1+121/100*a2-11/10*a3+a4+723/20)^2+(-64/125*a1+16/25*a2-4/5*a3+a4+663/25)^2+(a4+91/10)^2+(1/1000*a1+1/100*a2+1/10*a3+a4+843/100)^2+(27/8*a1+9/4*a 2+3/2*a3+a4+328/25)^2+(19683/1000*a1+729/100*a2+27/10*a3+a4-13/2)^2+(5832/125*a1+324/25*a2+18/5*a3+a4-1701/25)^2为求使达到4321,,,a a a a J 最小，只需利用极值的必要条件0=∂∂ka J )4,3,2,1(=k ，得到关于的4321,,,a a a a 线性方程组，这可以由下面的MA TLAB 程序完成，即输入程序>> syms a1 a2 a3 a4J=(-125/8*a1+25/4*a2-5/2*a3+a4+1929/10)^2+(-4913/1000*a1+289/100*a2-17/10*a3+a4...+171/2)^2+(-1331/1000*a1+121/100*a2-11/10*a3+a4+723/20)^2+(-64/125*a1+16/25*a2-4/5*a3+a4+663/25)^2+(a 4+91/10)^2+(1/1000*a1+1/100*a2+1/10*a3+a4+843/100)^2+(27/8*a1+9/4*a2+3/2*a3+a4+328/25)^2+(19683/1000*a1+729/100*a2+27/10*a3+a4-13/2)^2+(5832/125*a1+324/25*a2+18/5*a3+a4-1701/25)^2;Ja1=diff(J,a1); Ja2=diff(J,a2); Ja3=diff(J,a3); Ja4=diff(J,a4);Ja11=simple(Ja1), Ja21=simple(Ja2), Ja31=simple(Ja3), Ja41=simple(Ja4),运行后屏幕显示J 分别对a 1, a 2 ,a 3 ,a4的偏导数如下Ja11=56918107/10000*a1+32097579/25000*a2+1377283/2500*a3+23667/250*a4-8442429/625Ja21 =32097579/25000*a1+1377283/2500*a2+23667/250*a3+67*a4+767319/625Ja31 =1377283/2500*a1+23667/250*a2+67*a3+18/5*a4-232638/125Ja41 =23667/250*a1+67*a2+18/5*a3+18*a4+14859/25解线性方程组Ja11 =0，Ja 21 =0，Ja 31 =0，Ja 41 =0，输入下列程序>>A=[56918107/10000, 32097579/25000, 1377283/2500, 23667/250; 32097579/25000, 1377283/2500, 23667/250, 67; 1377283/2500, 23667/250, 67, 18/5; 23667/250, 67, 18/5, 18];B=[8442429/625, -767319/625, 232638/125, -14859/25];C=B/A, f=poly2sym(C)运行后屏幕显示拟合函数f 及其系数C 如下C = 5.0911 -14.1905 6.4102 -8.2574f=716503695845759/140737488355328*x^3-7988544102557579/562949953421312*x^2+1804307491277693/281474976710656*x-4648521160813215/562949953421312故所求的拟合曲线为8.25746.410214.19055.0911)(23-+-=x x x x f .（4）编写下面的MATLAB 程序估计其误差，并作出拟合曲线和数据的图形.输入程序>> xi=[-2.5 -1.7 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[-192.9 -85.50 -36.15 -26.52 -9.10 -8.43 -13.12 6.50 68.04];n=length(xi);f=5.0911.*xi.^3-14.1905.*xi.^2+6.4102.*xi -8.2574;x=-2.5:0.01: 3.6;F=5.0911.*x.^3-14.1905.*x.^2+6.4102.*x -8.2574;fy=abs(f-y); fy2=fy.^2; Ew=max(fy),E1=sum(fy)/n, E2=sqrt((sum(fy2))/n)plot(xi,y,'r*'), hold on, plot(x,F,'b-'), hold offlegend('数据点(xi,yi)','拟合曲线y=f(x)'),xlabel('x'), ylabel('y'),title('例7.2.1的数据点(xi,yi)和拟合曲线y=f(x)的图形')运行后屏幕显示数据与),(i i y x 拟合函数f 的最大误差E w ，平均误差E 1和均方根误差E2及其数据点和),(i i y x 拟合曲线y=f (x )的图形（略）.Ew = E1 = E2 =3.105 4 0.903 4 1.240 97.3 函数的选取)(x r k 及其MATLAB 程序例7.3.1 给出一组实验数据点的),(i i y x 横坐标向量为x =(-8.5,-8.7,-7.1,-6.8,-5.10,-4.5,-3.6,-3.4,-2.6,-2.5, -2.1,-1.5, -2.7,-3.6)，纵横坐标向量为y =(459.26,52.81,198.27,165.60,59.17,41.66,25.92, 22.37,13.47, 12.87, 11.87,6.69,14.87,24.22)，试用线性最小二乘法求拟合曲线，并用（7.2），（7.3）和（7.4）式估计其误差，作出拟合曲线.解 （1）在MATLAB 工作窗口输入程序>>x=[-8.5,-8.7,-7.1,-6.8,-5.10,-4.5,-3.6,-3.4,-2.6,-2.5,-2.1,-1.5, -2.7,-3.6];y=[459.26,52.81,198.27,165.60,59.17,41.66,25.92,22.37,13.47, 12.87, 11.87,6.69,14.87,24.22];plot(x,y,'r*'),legend('实验数据(xi,yi)')xlabel('x'), ylabel('y'),title('例7.3.1的数据点(xi,yi)的散点图')运行后屏幕显示数据的散点图（略）.（3）编写下列MA TLAB 程序计算在)(x f ),(i i y x 处的函数值，即输入程序>> syms a bx=[-8.5,-8.7,-7.1,-6.8,-5.10,-4.5,-3.6,-3.4,-2.6,-2.5,-2.1,-1.5,-2.7,-3.6]; fi=a.*exp(-b.*x)运行后屏幕显示关于a 和b 的线性方程组fi =[ a*exp(17/2*b), a*exp(87/10*b), a*exp(71/10*b),a*exp(34/5*b), a*exp(51/10*b), a*exp(9/2*b), a*exp(18/5*b), a*exp(17/5*b), a*exp(13/5*b), a*exp(5/2*b), a*exp(21/10*b), a*exp(3/2*b), a*exp(27/10*b), a*exp(18/5*b)]编写构造误差平方和的MA TLAB 程序如下>>y=[459.26,52.81,198.27,165.60,59.17,41.66,25.92,22.37,13.47,12.87, 11.87, 6.69,14.87,24.22];fi =[ a*exp(17/2*b), a*exp(87/10*b), a*exp(71/10*b), a*exp(34/5*b), a*exp(51/10*b), a*exp(9/2*b), a*exp(18/5*b), a*exp(17/5*b), a*exp(13/5*b), a*exp(5/2*b), a*exp(21/10*b), a*exp(3/2*b), a*exp(27/10*b), a*exp(18/5*b)];fy=fi-y;fy2=fy.^2;J=sum(fy.^2)运行后屏幕显示误差平方和如下J =(a*exp(17/2*b)-22963/50)^2+(a*exp(87/10*b)-5281/100)^2+(a*exp(71/10*b)-19827/100)^2+(a*exp(34/5*b)-828/5)^2+(a*exp(51/10*b)-5917/100)^2+(a*exp(9/2*b)-2083/50)^2+(a*exp(18/5*b)-648/25)^2+(a*exp(17/5*b)-2237/100)^2+(a*exp(13/5*b)-1347/100)^2+(a*ex p(5/2*b)-1287/100)^2+(a*exp(21/10*b)-1187/100)^2+(a*exp(3/2*b)-669/100)^2+(a*exp(27/10*b)-1487/100)^2+(a*exp(18/5*b)-1211/50)^2为求使达到b a ,J 最小，只需利用极值的必要条件，得到关于的b a ,线性方程组，这可以由下面的MA TLAB 程序完成，即输入程序>> syms a bJ=(a*exp(17/2*b)-22963/50)^2+(a*exp(87/10*b)-5281/100)^2+(a*exp(71/10*b)-19827/100)^2+(a*exp(34/5*b)-828/5)^2+(a*exp(51/10*b)-5917/100)^2+(a*exp(9/2*b)-2083/50)^2+(a*exp(18/5*b)-648/25)^2+(a*exp(17/5*b)-2237/100)^2+(a*exp(13/5*b)-1347/100)^2+(a*exp(5/2*b)-1287/100)^2+(a*exp(21/10*b)-1187/100)^2+(a*exp(3/2*b)-669/100)^2+(a*exp(27/10*b)-1487/100)^2+(a*exp(18/5*b)-1211/50)^2;Ja=diff(J,a); Jb=diff(J,b);Ja1=simple(Ja), Jb1=simple(Jb),运行后屏幕显示J 分别对的偏导数b a ,如下Ja1 =2*a*exp(3*b)+2*a*exp(17*b)+2*a*exp(87/5*b)+2*exp(68/5*b)*a+2*exp(9*b)*a+2*a*exp(34/5*b)-669/50*exp(3/2*b)-1487/50*exp(27/10*b)-2507/25*exp(18/5*b)-22963/25*exp(17/2*b)-5281/50*exp(87/10*b)-19827/50*exp(71/10*b)-2237/50*exp(17/5*b)-1656/5*exp(34/5*b)-1347/50*exp(13/5*b)-5917/50*exp(51/10*b)-1287/50*exp(5/2*b )-2083/25*exp(9/2*b)-1187/50*exp(21/10*b)+4*a*exp(36/5*b)+2*a*e xp(26/5*b)+2*a*exp(71/5*b)+2*a*exp(51/5*b)+2*a*exp(5*b)+2*a*exp (21/5*b)+2*a*exp(27/5*b)Jb1 =1/500*a*(2100*a*exp(21/10*b)^2+8500*a*exp(17/2*b)^2+6800*a*exp(34/5*b)^2-10035*exp(3/2*b)-40149*exp(27/10*b)-180504*exp (18/5*b)-3903710*exp(17/2*b)-459447*exp(87/10*b)-1407717*exp(71/10*b)-76058*exp(17/5*b)-1126080*exp(34/5*b)-35022*exp(13/5*b)-301767*exp(51/10*b)-32175*exp(5/2*b)-187470*exp(9/2*b)-24927*ex p(21/10*b)+7100*a*exp(71/10*b)^2+5100*a*exp(51/10*b)^2+4500*a*e xp(9/2*b)^2+7200*a*exp(18/5*b)^2+3400*a*exp(17/5*b)^2+2600*a*ex p(13/5*b)^2+2500*a*exp(5/2*b)^2+1500*a*exp(3/2*b)^2+2700*a*exp(27/10*b)^2+8700*a*exp(87/10*b)^2)用解二元非线性方程组的牛顿法的MATLAB 程序求解线性方程组J a1 =0，J b1 =0，得a = b=2.811 0 0.581 6故所求的拟合曲线（7.13）为0811.2)(=x f e x 5816.0-. （7.14）（4）根据（7.2），（7.3），（7.4）和（7.14）式编写下面的MA TLAB 程序估计其误差，并做出拟合曲线和数据的图形.输入程序>> xi=[-8.5 -8.7 -7.1 -6.8 -5.10 -4.5 -3.6 -3.4 -2.6 -2.5-2.1 -1.5 -2.7 -3.6];y=[459.26 52.81 198.27 165.60 59.17 41.66 25.92 22.3713.47 12.87 11.87 6.69 14.87 24.22];n=length(xi); f=2.8110.*exp(-0.5816.*xi); x=-9:0.01: -1;F=2.8110.*exp(-0.5816.*x); fy=abs(f-y); fy2=fy.^2;Ew=max(fy),E1=sum(fy)/n, E2=sqrt((sum(fy2))/n), plot(xi,y,'r*'), hold on plot(x,F,'b-'), hold off,legend('数据点(xi,yi)','拟合曲线y=f(x)')xlabel('x'), ylabel('y'),title('例7.3.1的数据点(xi,yi)和拟合曲线y=f(x)的图形')运行后屏幕显示数据与),(i i y x 拟合函数f 的最大误差E w = 390.141 5，平均误差E 1=36.942 2和均方根误差E 2=106.031 7及其数据点和拟合曲),(i i y x 线y =f (x )的图形（略）.7.4 多项式拟合及其MATLAB 程序例7.4.1 给出一组数据点列入表),(i i y x 7–3中，试用线性最小二乘法求拟合曲线，并用（7.2），（7.3）和（7.4）式估计其误差，作出拟合曲线.表7–3 例7.4.1的一组数据),(y x解 （1）首先根据表7–3给出的数据点),(i i y x ，用下列MATLAB 程序画出散点图. 在MATLAB 工作窗口输入程序>> x=[-2.9 -1.9 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[53.94 33.68 20.88 16.92 8.79 8.98 4.17 9.1219.88];plot(x,y,'r*'), legend('数据点(xi,yi)')xlabel('x'), ylabel('y'),title('例7.4.1的数据点(xi,yi)的散点图')运行后屏幕显示数据的散点图（略）.（3）用作线性最小二乘拟合的多项式拟合的MAT LAB 程序求待定系数k a )3,2,1(=k .输入程序>> a=polyfit(x,y,2)运行后输出（7.16）式的系数a =2.8302 -7.3721 9.1382故拟合多项式为2138.91372.72830.2)(2+-=x x x f .（4）编写下面的MATLAB 程序估计其误差，并做出拟合曲线和数据的图形.输入程序>> xi=[-2.9 -1.9 -1.1 -0.8 0 0.1 1.5 2.7 3.6];y=[53.94 33.68 20.88 16.92 8.79 8.98 4.17 9.12 19.88];n=length(xi); f=2.8302.*xi.^2-7.3721.*xi+9.1382x=-2.9:0.001:3.6;F=2.8302.*x.^2-7.3721.*x+8.79;fy=abs(f-y); fy2=fy.^2; Ew=max(fy), E1=sum(fy)/n,E2=sqrt((sum(fy2))/n), plot(xi,y,'r*', x,F,'b-'),legend('数据点(xi,yi)','拟合曲线y=f(x)')xlabel('x'), ylabel('y'),title('例7.4.1 的数据点(xi,yi)和拟合曲线y=f(x)的图形')运行后屏幕显示数据与),(i i y x 拟合函数f 的最大误差E w ，平均误差E 1和均方根误差E2及其数据点(x i ,y i )和拟合曲线y =f (x )的图形（略）.Ew = E1 = E2 =0.745 7, 0.389 2, 0.436 37.5 拟合曲线的线性变换及其MATLAB 程序例7.5.1 给出一组实验数据点的),(i i y x 横坐标向量为x =（7.5 6.8 5.10 4.53.6 3.4 2.6 2.5 2.1 1.5 2.7 3.6），纵横坐标向量为y =（359.26 165.60 59.17 41.66 25.92 22.37 13.47 12.87 11.87 6.69 14.87 24.22），试用线性变换和线性最小二乘法求拟合曲线，并用（7.2），（7.3）和（7.4）式估计其误差，作出拟合曲线.解 （1）首先根据给出的数据点),(i i y x ，用下列MATLAB 程序画出散点图.在MATLAB 工作窗口输入程序>> x=[7.5 6.8 5.10 4.5 3.6 3.4 2.6 2.5 2.1 1.5 2.73.6];y=[359.26 165.60 59.17 41.66 25.92 22.37 13.47 12.87 11.87 6.69 14.87 24.22];plot(x,y,'r*'), legend('数据点(xi,yi)')xlabel('x'), ylabel('y'),title('例7.5.1的数据点(xi,yi)的散点图')运行后屏幕显示数据的散点图（略）.（2）根据数据散点图，取拟合曲线为a y =e bx )0,0(≠>b a , （7.19）其中是待定b a ,系数.令b B a A y Y ===,ln ,ln ，则（7.19）化为Bx A Y +=.在MATL AB 工作窗口输入程序>> x=[7.5 6.8 5.10 4.5 3.6 3.4 2.6 2.5 2.1 1.5 2.73.6];y=[359.26 165.60 59.17 41.66 25.92 22.37 13.47 12.87 11.87 6.69 14.87 24.22];Y=log(y); a=polyfit(x,Y,1); B=a(1);A=a(2); b=B,a=exp(A)n=length(x); X=8:-0.01:1; Y=a*exp(b.*X); f=a*exp(b.*x);plot(x,y,'r*',X,Y,'b-'), xlabel('x'),ylabel('y')legend('数据点(xi,yi)','拟合曲线y=f(x)')title('例7.5.1 的数据点(xi,yi)和拟合曲线y=f(x)的图形')fy=abs(f-y); fy2=fy.^2; Ew=max(fy), E1=sum(fy)/n,E2=sqrt((sum(fy2))/n)运行后屏幕显示e 的系a y =bx 数b =0.624 1，a =2.703 9,数据与拟合),(i i y x 函数f 的最大误差Ew =67.641 9，平均误差E 1=8.677 6和均方根误差E 2=20.711 3及其数据点和拟合曲),(i i y x 线e 的图形9703.2)(=x f x 1624.0（略）.7.6 函数逼近及其MATLAB 程序最佳均方逼近的MATLAB 主程序function [yy1,a,WE]=zjjfbj(f,X,Y,xx)m=size(f);n=length(X);m=m(1);b=zeros(m,m); c=zeros(m,1);if n~=length(Y)error('X 和Y 的维数应该相同')endfor j=1:mfor k=1:mb(j,k)=0;for i=1:nb(j,k)=b(j,k)+feval(f(j,:),X(i))*feval(f(k,:),X(i));endendc(j)=0;for i=1:nc(j)=c(j)+feval(f(j,:),X(i))*Y(i);endenda=b\c;WE=0;for i=1:nff=0;for j=1:mff=ff+a(j)*feval(f(j,:),X(i));endWE=WE+(Y(i)-ff)*(Y(i)-ff);endif nargin==3return ;endyy=[];for i=1:ml=[];for j=1:length(xx)l=[l,feval(f(i,:),xx(j))];endyy=[yy l'];endyy=yy*a; yy1=yy'; a=a';WE;例7.6.1 对数据X 和Y , 用函数进行2,,1x y x y y ===逼近，用所得到的逼近函数计算在处的函 6.5=x 数值，并估计误差.其中X =(1 3 4 5 6 7 8 9); Y =(-11 -13 -11 -7 -1 7 17 29).解 在MATLAB 工作窗口输入程序>> X=[ 1 3 4 5 6 7 8 9]; Y=[-11 -13 -11 -7 -1 7 17 29];f=['fun0';'fun1';'fun2']; [yy,a,WE]=zjjfbj(f,X,Y,6.5)运行后屏幕显示如下yy =2.75000000000003a =-7.00000000000010 -4.99999999999995 1.00000000000000WE =7.172323350269439e-027例7.6.2 对数据X 和Y ，用函数2,,1x y x y y ===，x y cos =，=y e x，x y sin =进行逼近，其中X =（0 0.50 1.00 1.50 2.00 2.50 3.00），Y =（0 0.4794 0.8415 0.9815 0.9126 0.5985 0.1645）.解 在MATLAB 工作窗口输入程序>> X=[ 0 0.50 1.00 1.50 2.00 2.50 3.00];Y=[0 0.4794 0.8415 0.9815 0.9126 0.5985 0.1645];f=['fun0';'fun1';'fun2';'fun3';'fun4';'fun5'];xx=0:0.2:3;[yy,a,WE]=zjjfbj(f,X,Y, xx), plot(X,Y,'ro',xx,yy,'b-')运行后屏幕显示如下（图略）yy = Columns 1 through 7-0.0005 0.2037 0.3939 0.5656 0.7141 0.8348 0.9236Columns 8 through 140.9771 0.9926 0.9691 0.9069 0.8080 0.6766 0.5191Columns 15 through 160.3444 0.1642a = 0.3828 0.4070 -0.3901 0.0765 -0.4598 0.5653 WE = 1.5769e-004即，最佳逼近函数为y=0.3828+0.4070*x-0.3901*x^2+0.0765*exp(x) -0.4598*cos(x) +0.5653*sin(x). 7.7 三角多项式逼近及其MATLAB 程序计算三角多项式的MATLAB 主程序function [A,B,Y1,Rm]=sanjiao(X,Y,X1,m)n= length(X)-1;max1=fix((n-1)/2);if m > max1m=max1;endA=zeros(1,m+1);B=zeros(1,m+1);Ym=(Y(1)+Y(n+1))/2; Y(1)=Ym; Y(n+1)=Ym; A(1)=2*sum(Y)/n;for i=1:mB(i+1)=sin(i*X)*Y'; A(i+1)=cos(i*X)*Y';endA=2*A/n; B=2*B/n; A(1)=A(1)/2;Y1=A(1);for k=1:mY1=Y1+A(k+1)*cos(k*X1)+ B(k+1)*sin(k*X1);Tm=A(1)+A(k+1).*cos(k*X)+ B(k+1).*sin(k*X); k=k+1;endY;Tm; Rm=(sum(Y-Tm).^2)/n;例7.7.1 根据上的个],[ππ-350,60,13=n 等距横坐标点ni x i π+π-=2 ),,2,1,0(n i =和函数3sin 2)(x x f =. （1）求的6阶三)(x f 角多项式逼近，计算均方误差;（2）将这三个三角多项式分别与的傅里)(x f 叶级数nx n n x f n n sin 19)1(318)(121∑∞=+--π= 的前6项进行比较;（3）利用三角多项式分别计算X i = -2, 2.5的值;（4）在同一坐标系中，画出函数)(x f ，350,60,13=n 的三角多项式和数据点的图形.解 （1）输入程序>> X1=-pi:2*pi/13:pi;Y1=2*sin(X1/3);X1i=[-2,2.5];[A1,B1,Y11,Rm1]=sanjiao(X1,Y1,X1i,6),X2=-pi:2*pi/60:pi;Y2=2*sin(X2/3);[A2,B2,Y12,Rm2]=sanjiao(X2,Y2,X1i,6)X3=-pi:2*pi/350:pi;Y3=2*sin(X3/3);[A3,B3,Y13,Rm3]=sanjiao(X3,Y3,X1i,6)X1i=[-2,2.5];Y1=2*sin(X1i/3)for n=1:6bi=(-1)^(n+1)*18*sqrt(3)*n/(pi*(9*n^2-1))end（2）画图，输入程序>>X1=-pi:2*pi/13:pi;Y1=2*sin(X1/3);Xi=-pi:0.001:pi; f=2*sin(Xi/3);[A1,B1,Y1i,R1m]=sanjiao(X1,Y1,Xi,6);X2=-pi:2*pi/60:pi;Y2=2*sin(X2/3); X3=-pi:2*pi/350:pi;Y3=2*sin(X3/3);[A2,B2,Y2i,R2m]=sanjiao(X2,Y2,Xi,6);[A3,B3,Y3i,R3m]=sanjiao(X3,Y3,Xi,6);plot(X1,Y1,'r*', Xi, Y1i,'b-',Xi, Y2i,'g--', Xi, Y3i, 'm:',Xi, f, 'k-.')xlabel('x'),ylabel('y')legend('数据点(xi,yi)','n=13的三角多项式','n=60的三角多项式','n=350的三角多项式','函数f(x)')title('例7.7.1 的数据点(xi,yi)、n=13，60，350的三角多项式T3和函数f(x)的图形')运行后图形（略）.7.8 随机数据点上的二元拟合及其MATLAB 程序例7.8.1 设节点(X,Y,Z )中的X 和Y 分别是在区间和上的5]3,3[-]5.3,5.2[-0个随机数，Z 是函数Z =7-3x3e 在22y - -x (X,Y )的值，拟合点(X I ,Y I )中的X I =-3:0.2:3, Y I =-2.5:0.2:3.5.分别用二元拟合方法中最近邻内插法、三角基线性内插法、三角基三次内插法和MATLAB 4网格化坐标方法计算在(X I ,Y I )处的值，作出它们的图形，并与被拟和曲面进行比较.解 （1）最近邻内插法.输入程序>> x=rand(50,1);y=rand(50,1); %生成50个一元均匀分布随机数x 和y ， x ，y .X=-3+(3-(-3))*x;%利用x 生成的随机变量.Y=-2.5+(3.5-(-2.5))*y; %利用y 生成的随机变量.Z=7-3* X.^3 .* exp(-X.^2 - Y.^2); %在每个随机点（X,Y ）处计算Z的值.X1=-3:0.2:3;Y1=-2.5:0.2:3.5;[XI,YI] = meshgrid(X1,Y1); %将坐标（XI,YI ）网格化.ZI=griddata(X,Y,Z,XI,YI, 'nearest') %计算在每个插值点（XI,YI ）处的插值ZI.mesh(XI,YI, ZI) %作二元拟合图形.xlabel('x'), ylabel('y'), zlabel('z'),title('用最近邻内插法拟合函数z =7-3 x^3 exp(-x^2 - y^2) 的曲面和节点的图形')%legend('拟合曲面','节点(xi,yi,zi)')hold on %在当前图形上添加新图形.plot3(X,Y,Z, 'bo') %用兰色小圆圈画出每个节点(X,Y,Z). hold of %结束在当前图形上添加新图形.运行后屏幕显示用最近邻内插法拟合函数Z =7-3x3e 在22y - -x 两组不同节点处的曲面及其插值Z I （略）.（2）三角基线性内插法.输入程序>> x=rand(50,1);y=rand(50,1); %生成50个一元均匀分布随机数x 和y ， x ，y .X=-3+(3-(-3))*x;%利用x 生成 上的随机变量.Y=-2.5+(3.5-(-2.5))*y; %利用y 生成 上的随机变量.Z=7-3* X.^3 .* exp(-X.^2 - Y.^2); %在每个随机点（X,Y ）处计算Z的值.X1=-3:0.2:3;Y1=-2.5:0.2:3.5;[XI,YI] = meshgrid(X1,Y1); %将坐标（XI,YI ）网格化.ZI=griddata(X,Y,Z,XI,YI, 'linear') %计算在每个插值点（XI,YI ）处的插值ZI.mesh(XI,YI, ZI) %作二元拟合图形.xlabel('x'), ylabel('y'), zlabel('z'),title('用三角基线性内插法拟合函数z =7-3 x^3 exp(-x^2 - y^2) 的曲面和节点的图形')%legend('拟合曲面','节点(xi,yi,zi)')hold on %在当前图形上添加新图形.plot3(X,Y,Z, 'bo') %用兰色小圆圈画出每个节点(X,Y,Z). hold of %结束在当前图形上添加新图形.运行后屏幕显示用三角基线性内插法拟合函数Z =7-3x3e 在22y - -x 两组不同节点处的曲面和节点的图形及其插值Z I （略）.（3）三角基三次内插法.输入程序>> x=rand(50,1);y=rand(50,1); %生成50个一元均匀分布随机数x 和y ， x ，y .X=-3+(3-(-3))*x;%利用x 生成 上的随机变量.Y=-2.5+(3.5-(-2.5))*y; %利用y 生成 上的随机变量.Z=7-3* X.^3 .* exp(-X.^2 - Y.^2); %在每个随机点（X,Y ）处计算Z的值.X1=-3:0.2:3;Y1=-2.5:0.2:3.5;[XI,YI] = meshgrid(X1,Y1); %将坐标（XI,YI ）网格化.ZI=griddata(X,Y,Z,XI,YI, 'cubic') %计算在每个插值点（XI,YI ）处的插值ZI.mesh(XI,YI, ZI) %作二元拟合图形.xlabel('x'), ylabel('y'), zlabel('z'),title('用三角基三次内插法拟合函数z =7-3 x^3 exp(-x^2 - y^2) 的曲面和节点的图形')%legend('拟合曲面','节点(xi,yi,zi)')hold on %在当前图形上添加新图形.plot3(X,Y,Z, 'bo') %用兰色小圆圈画出每个节点(X,Y,Z). hold of %结束在当前图形上添加新图形.运行后屏幕显示用三角基三次内插法拟合函数Z =7-3x3e 在22y - -x 两组不同节点处的曲面和节点的图形及其插值Z I （略）.（4）MATLAB 4网格化坐标方法.输入程序>> x=rand(50,1);y=rand(50,1); %生成50个一元均匀分布随机数x 和y ， x ，y .X=-3+(3-(-3))*x;%利用x 生成 上的随机变量.Y=-2.5+(3.5-(-2.5))*y; %利用y 生成 上的随机变量.Z=7-3* X.^3 .* exp(-X.^2 - Y.^2); %在每个随机点（X,Y ）处计算Z的值.X1=-3:0.2:3; Y1=-2.5:0.2:3.5;[XI,YI] = meshgrid(X1,Y1); %将坐标（XI,YI ）网格化.ZI=griddata(X,Y,Z,XI,YI, 'v4') %计算在每个插值点（XI,YI ）处的插值ZI.mesh(XI,YI, ZI) %作二元拟合图形.xlabel('x'), ylabel('y'), zlabel('z'),title('用MATL AB 4网格化坐标方法拟合函数z =7-3 x^3 exp(-x^2 - y^2) 的曲面和节点的图形')%legend('拟合曲面','节点(xi,yi,zi)')hold on %在当前图形上添加新图形.plot3(X,Y,Z, 'bo') %用兰色小圆圈画出每个节点(X,Y,Z). hold of %结束在当前图形上添加新图形.运行后屏幕显示用MA TLAB 4网格化坐标方法拟合函数Z =7-3x3e 在22y - -x 两组不同节点处的曲面和节点的图形及其插值ZI （略）.（5）作被拟合曲面Z =7-3x3e 和22y - -x 节点的图形.输入程序>> x=rand(50,1);y=rand(50,1); %生成50个一元均匀分布随机数x 和y ， x ，y .X=-3+(3-(-3))*x;%利用x 生成随机变量.Y=-2.5+(3.5-(-2.5))*y; %利用y 生成随机变量.Z=7-3* X.^3 .* exp(-X.^2 - Y.^2); %在每个随机点（X,Y ）处计算Z的值.X1=-3.:0.1:3.;Y1=-2.5:0.1:3.5;[XI,YI] = meshgrid(X1,Y1); %将坐标（XI,YI ）网格化.ZI=7-3* XI.^3 .* exp(-XI.^2 - YI.^2);mesh(XI,YI, ZI) %作二元拟合图形.xlabel('x'), ylabel('y'), zlabel('z'),title('被拟合函数z =7-3 x^3 exp(-x^2 - y^2) 的曲面和节点的图形')%legend('被拟合函数曲面','节点(xi,yi,zi)')hold on %在当前图形上添加新图形.plot3(X,Y,Z, 'bo') %用兰色小圆圈画出每个节点(X,Y,Z). hold of %结束在当前图形上添加新图形.运行后屏幕显示被拟合函数Z =7-3x3e 的22y - -x 曲面和节点的图形及其函数值ZI （略）.7.9 随机数据点上的元拟合n 及其MATLAB 程序例7.9.1 首先利用M ATLAB 函数ran d 产生随机数据X 1,Y 1,Z 1,然后用线性变换b at u += (其中5,5-==b a )将随机数据X 1,Y 1 ,Z 1 变换为节点坐标(X,Y,Z ),再用函数e )1(373+-=z y x w 222z y x ---生成数据W, 用三元最近邻内插法方法计算函数w 在插值点x i ,10:5.0:3-= y i ,13:5.0:2-=z i =y i 处拟合数据的值，并作其图形.解 输入程序>> X1=-5+5*rand(10,1);Y1=-5+5*rand(10,1);Z1=Y1;[X,Y,Z] = meshgrid(X1,Y1,Z1);W=7-3* X.^3 .* Y.*(Z+1).* exp(-X.^2 - Y.^2- Z.^2);xi=-3:0.5:10;yi=-2:0.5:13;zi=yi;[XI,YI,ZI] = meshgrid(xi,yi,zi);W1=griddata3(X, Y, Z, W, XI, YI, ZI, 'nearest');slice(XI,YI,ZI,W1,[-2 4 9.5],9,[-2 2 9]),%shading flat%lighting flatxlabel('x'), ylabel('y'), zlabel('z'),title('被拟合函数W=7-3X^3Y(Z+1)exp(-X^2 - Y^2- Z^2) ');hold oncolorbar('horiz')view([-30 45])运行后屏幕显示三元线性拟合值及其图形（略）.例7.9.2 设节点(X,Y,Z,W )中的X,Y 和Z 分别是在区间和]3,3[-]5.3,5.2[-,Y =Z 上的15个随机数，W 是函数e x w +=2222z y x ---在(X,Y,Z )的值，拟合点(x i ,y i ,z i )中的x i =-3:0.2:3， y i =-2.5:0.2:3.5，z i =y i ， 用'linear '方法计算拟合数据的值，并作其图形.解 输入程序>> x=rand(15,1); y=rand(15,1);X1=-3+(3-(-3))*x;Y1=-2.5+(3.5-(-2.5))*y;Z1=Y1;[X,Y,Z] = meshgrid(X1,Y1,Z1);W=2+X.* exp(-X.^2 - Y.^2- Z.^2);xi=-3:0.2:3; yi=-2.5:0.2:3.5; zi=yi;[X2,Y2,Z2]=meshgrid(xi,yi,zi);W1=griddata3(X, Y, Z, W, X2,Y2,Z2,'linear');slice(X2,Y2,Z2,W1,[-1 0 1.5],2,[-2 3]),shading flat,lighting flat,xlabel('x'), ylabel('y'), zlabel('z'),title('被拟合函数W=2+X exp(-X^2 - Y^2- Z^2)');hold on,colorbar('horiz'), view([-3 5])运行后屏幕显示三元线性拟合值及其图形（略）.。
Matlab曲线拟合 最小二乘法
Matlab曲线拟合最小二乘法polyfit2009-04-07 19:04曲线拟合已知离散点上的数据集，即已知在点集上的函数值，构造一个解析函数（其图形为一曲线）使在原离散点上尽可能接近给定的值，这一过程称为曲线拟合。
最常用的曲线拟合方法是最小二乘法，该方法是寻找函数使得最小。
MATLAB函数：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。
x必须是单调的。
矩阵s用于生成预测值的误差估计。
(见下一函数polyval)多项式曲线求值函数：polyval( )调用格式： y=polyval(p,x)[y,DELTA]=polyval(p,x,s)说明：y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。
[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。
它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。
则Y DELTA将至少包含50%的预测值。
练习:如下给定数据的拟合曲线，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=0.5:0.05:3.0;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+0.08287x+1.15560。
matlab最小二乘法曲线拟合
matlab最小二乘法曲线拟合最小二乘法是一种常用的曲线拟合方法，它通过最小化实际观测值与拟合曲线之间的平方误差来确定最佳拟合曲线的参数。
给定一组实际观测数据点(xi, yi)，我们希望找到一个拟合曲线y=f(x;θ)，其中θ表示曲线的参数。
最小二乘法的目标是使误差的平方和最小化，即使得下述损失函数最小化：L(θ) = ∑(yi - f(xi;θ))^2其中，∑表示求和运算，L(θ)是损失函数，yi是第i个观测数据点的输出值，f(xi;θ)是根据参数θ计算得到的拟合曲线在第i个观测点的预测值。
为了找到最佳的参数θ，我们通过最小化损失函数来求解优化问题：minimize L(θ)这个问题可以通过求解等式∂L/∂θ = 0 来得到最优参数θ的闭式解。
具体的求解方法，可以通过矩阵和向量的运算来实现。
在Matlab中，可以使用“polyfit”函数进行最小二乘法的曲线拟合。
该函数可以拟合出一条多项式曲线，通过指定最佳拟合的次数，即多项式的阶数。
拟合结果包括最佳参数和拟合误差等信息。
使用方法如下：```% 输入观测数据x = [x1, x2, x3, ...]';y = [y1, y2, y3, ...]';% 拟合曲线order = 1; % 最佳拟合的次数（如一次线性拟合）p = polyfit(x, y, order);% 最佳参数coefficients = p;% 拟合曲线curve = polyval(p, x);% 绘制拟合曲线和观测数据plot(x, y, 'o', x, curve)```这样，就可以使用Matlab的最小二乘法曲线拟合方法来得到最佳的拟合曲线。
最小二乘法拟合matlab
最小二乘法拟合matlab
最小二乘法拟合MATLAB
最小二乘法是一种有效地估计未知参数值的统计学方法，它假定误差服从正态分布，然后进行极大似然估计。
下面我们就来介绍一下如何使用MATLAB来拟合最小二乘法。
1.第一步：绘制出要拟合的数据，这里我们绘制出了一个简单的抛物线数据：
x=[-3 -2 -1 0 1 2 3];
y=[6 3 1 0 -2 -4 -7];
plot(x,y);
2.第二步：根据你要拟合的函数，构建出你所要拟合的模型。
这里，我们想拟合一条抛物线：y=ax2+bx+c ;
3.第三步：定义拟合函数：
fun=@(x,xdata)x(1)*xdata.^2+x(2)*xdata+x(3);
4.第四步：调用最小二乘法函数：
[x,resnorm,residual,exitflag,output,lambda,jacobian]=lsqcur vefit(fun,[1 1 1],x,y);
现在你已经可以看到拟合函数的参数了：
x的值为[1.7, 0.3, -1.5]，
而拟合函数为： y=1.7x2+0.3x-1.5
因此，使用MATLAB调用最小二乘法可以很方便地拟合出任意复
杂的函数，并且可以得到准确的参数值。
最小二乘法圆拟合及matlab程序
X i2 Yi2 +aX i bYi c
3
令Q(a,b,c)为
的平方和：
i
Q(a, b, c) i2 [( Xi2 Yi2 aXi bYi c)]2
下面求参数a,b,c使得Q(a,b,c)的值最小即可
4
F(a,b,c)对a,b,c求偏导，令偏导等于0，得到极值点，比较所有极值点的函 数值即可得到最小值。
② × N- ③ × Yi
且令 C (N Xi2 Xi Xi )
D (N XiYi Xi Yi )
E N
X
3 i
N
X iYi2
( X i2 Yi2 )
Xi
G (N Yi2 Yi Yi )
H N Yi3 N Xi2Yi ( X i2 Yi2 ) Yi
最小二乘法拟合圆曲线： R2 (x A)2 ( y B)2
R2 x2 2Ax A2 y2 2By B2
令a=-2A,b=-2B, c A2 B2 R2
则：圆的另一形式为：
x2 y2 ax by c 0
1
只需求出参数a,b,c即可以求的圆半径参数：
a A
2
B a 2
Q(a,b, c)
a
2( X i2 Yi2 aX i bYi c) X i 0
①
Q(a,b, c)
b
2( X i2 Yi2 aX i bYi c)Yi 0 ②
Q(a,b, c)
c
2( X i2 Yi2 aX i bYi c) 0 ③
5
由 ① × N- ③ × Xi
9
6
解得： Ca+Db+E=0
Da+Gb+H=0
a
Matlab最小二乘法曲线拟合的应用实例
MATLAB机械工程最小二乘法曲线拟合的应用实例班级:姓名:学号:指导教师:一，实验目的通过Matlab上机编程，掌握利用Matlab软件进行数据拟合分析及数据可视化方法二，实验内容1.有一组风机叶片的耐磨实验数据，如下表所示，其中X为使用时间，单位为小时h，Y为磨失质量，单位为克g。
要求：对该数据进行合理的最小二乘法数据拟合得下列数据。
x=[10000 11000 12000 13000 14000 15000 16000 170 00 18000 19000 20000 21000 22000 23000];y=[24.0 26.5 29.8 32.4 34.7 37.7 41.1 42.8 44.6 47.3 6 5.8 87.5 137.8 174.2]三，程序如下X=10000:1000:23000;Y=[24.0,26.5,29.8,32.4,34.7,37.7,41.1,42.8,44.6,47.3,6 5.8,87.5,137.8,174.2]dy=1.5; %拟合数据y的步长for n=1:6[a,S]=polyfit(x,y,n);A{n}=a;da=dy*sqrt(diag(inv(S.R´*S.R)));Da{n}=da´;freedom(n)=S.df;[ye,delta]=polyval(a,x,S);YE{n}=ye;D{n}=delta;chi2(n)=sum((y-ye).^2)/dy/dy;endQ=1-chi2cdf(chi2,freedom); %判断拟合良好度clf,shgsubplot(1,2,1),plot(1：6,abs(chi2-freedom),‘b’) xlabel(‘阶次’)，title(‘chi2与自由度’)subplot(1,2,2),plot(1：6,Q,‘r’,1：6,ones(1,6)*0.5) xlabel(‘阶次’),title(‘Q与0.5线’)nod=input(‘根据图形选择适当的阶次（请输入数值）’)；elf,shg,plot(x,y,‘kx’)；xlabel(‘x’),ylabel(‘y’)；axis([8000,23000,20.0,174.2])；hold onerrorbar(x,YE{nod},D{nod},‘r’)；hold offtitle(‘较适当阶次的拟合’)text(10000,150.0,[‘chi2=’num2str(chi2(nod))‘~’int2str(freedom(nod))])text(10000,140.0,[‘freedom=’int2str(freedom(nod))]) text(20000,40.0,[‘Q=’num2str(Q(nod))‘~0.5’])disp(‘’)disp(‘拟合多项式系数’)，disp(A{nod})disp(‘拟合系数的离差’)，disp(DA{nod})运行结果分为两个阶段，第一阶段先判断拟合度，第二阶段根据拟合度，选择合适的拟合阶次，再绘出拟合结果。
matlab中最小二乘法
matlab中最小二乘法最小二乘法是一种常用的数学方法，可以用来拟合一组数据，得到一个近似函数。
在Matlab 中，可以使用内置函数“polyfit”来进行最小二乘法拟合。
具体步骤如下：1.准备数据：将样本数据存储在一个向量或矩阵中。
2.选择一个合适的拟合函数：确定拟合函数的形式（线性、二次、指数等），并用该函数创建一个匿名函数。
3.使用“polyfit”函数拟合数据：将数据和拟合函数作为输入，使用“polyfit”函数进行最小二乘法拟合。
4.绘制拟合曲线：使用“polyval”函数和拟合系数，以及一组测试点，生成拟合曲线。
5.计算拟合误差：使用“norm”函数和拟合曲线，计算实际数据和拟合数据之间的平均误差。
以下是一个简单的示例代码，演示如何使用最小二乘法拟合一组数据到一个线性函数：x = [1,2,3,4,5,6,7];y = [1.1,1.9,3.2,4.1,5.1,5.8,7.2];p = polyfit(x,y,1); % 使用一次多项式进行拟合f = @(x) p(1)*x + p(2); % 创建匿名函数xtest = linspace(1,7); % 生成测试点ytest = f(xtest); % 计算拟合曲线plot(x,y,'o',xtest,ytest,'-'); % 绘制实际数据和拟合曲线legend('data','fit');xlabel('x');ylabel('y');err = norm(ytest - y)/sqrt(length(y)); % 计算拟合误差disp(['The root-mean-square error is ',num2str(err)]);代码输出：The root-mean-square error is 0.22777这表明，拟合误差的均方根值为0.22777，表示拟合效果良好。
最小二乘法曲线拟合的Matlab程序
最小二乘法曲线拟合的Matlab程序最小二乘法是一种常用的数学优化技术，它通过最小化误差的平方和来找到最佳函数匹配。
在曲线拟合中，最小二乘法被广泛使用来找到最佳拟合曲线。
下面的Matlab程序演示了如何使用最小二乘法进行曲线拟合。
% 输入数据x = [1, 2, 3, 4, 5];y = [2.2, 2.8, 3.6, 4.5, 5.1];% 构建矩阵A = [x(:), ones(size(x))]; % 使用x向量和单位矩阵构建矩阵A% 使用最小二乘法求解theta = (A' * A) \ (A' * y); % 利用最小二乘法的公式求解% 显示拟合曲线plot(x, theta(1) * x + theta(2), '-', 'LineWidth', 2); % 画出拟合曲线hold on; % 保持当前图像plot(x, y, 'o', 'MarkerSize', 10, 'MarkerFaceColor','b'); % 在图像上画出原始数据点xlabel('x'); % 设置x轴标签ylabel('y'); % 设置y轴标签legend('拟合曲线', '原始数据点'); % 设置图例这个程序首先定义了一组输入数据x和y。
然后，它构建了一个矩阵A，这个矩阵由输入数据x和单位矩阵构成。
然后，程序使用最小二乘法的公式来求解最佳拟合曲线的参数。
最后，程序画出拟合曲线和原始数据点。
这个程序使用的是线性最小二乘法，适用于一次曲线拟合。
如果你的数据更适合非线性模型，例如二次曲线或指数曲线，那么你需要使用非线性最小二乘法。
Matlab提供了lsqcurvefit函数，可以用于非线性曲线拟合。
例如：% 非线性模型 y = a * x^2 + b * x + cfun = @(theta, x) theta(1) * x.^2 + theta(2) * x +theta(3);guess = [1, 1, 1]; % 初始猜测值% 使用lsqcurvefit函数求解theta = lsqcurvefit(fun, guess, x, y);% 显示拟合曲线plot(x, fun(theta, x), '-', 'LineWidth', 2); % 画出拟合曲线hold on; % 保持当前图像plot(x, y, 'o', 'MarkerSize', 10, 'MarkerFaceColor','b'); % 在图像上画出原始数据点xlabel('x'); % 设置x轴标签ylabel('y'); % 设置y轴标签legend('拟合曲线', '原始数据点'); % 设置图例这个程序定义了一个非线性函数fun，然后使用lsqcurvefit函数来求解最佳拟合曲线的参数。
用Matlab作最小二乘曲线拟合
用Matlab 作最小二乘曲线拟合1．用n 次多项式作最小二乘拟合已知⎩⎨⎧m m y y y y x x x x ......1010：：，要从n H （即：全体次数不高于n 的多项式集合）中找一个)(x S n ，使得在节点处的总误差∑=-m i ii n y x S 02))((达到最小。
Matlab 命令格式：系数数组=polyfit (节点数组，函数值数组，次数n)例1：对函数C=C(t)测量得下面一组数据：t ： 1 2 3 4 5 6 7 8 9C ：4.54, 4.99, 5.35, 5.65, 5.90, 6.10, 6.26, 6.39, 6.50试分别用1次、2次、6次多项式作拟合，并画图显示拟合效果。
clearhold onx0=1:9;y0=[4.54,4.99,5.35,5.65,5.90,6.10,6.26,6.39,6.50];for i=1:9plot(x0(i),y0(i),'+')enda1=polyfit(x0,y0,1),a2=polyfit(x0,y0,2),a6=polyfit(x0,y0,6)x=0:0.1:10;y1=polyval(a1,x);y2=polyval(a2,x);y6=polyval(a6,x);plot(x,y1,x,y2,x,y6)hold off为了准确判断拟合效果，需计算“节点处的总误差”：（续前面程序） wc1=sqrt(sum((polyval(a1,x0)-y0).^2))wc2=sqrt(sum((polyval(a2,x0)-y0).^2))wc6=sqrt(sum((polyval(a6,x0)-y0).^2))2．用一般函数作最小二乘拟合已知⎩⎨⎧m m y y y y x x x x ......1010：：，要用一个函数)(x f 来近似代表y ，此函数中含有几个待定参数n a a a ,...,,21，现在的任务是：确定参数的值，使得在节点处的总误差∑=-m i ii y x f 02))((达到最小。
matlab最小二乘法拟合曲线并计算拟合曲线的总长度
matlab最小二乘法拟合曲线并计算拟合曲线的总长度在MATLAB中，你可以使用最小二乘法拟合曲线，然后使用积分的方法计算拟合曲线的总长度。
下面是一种可能的方法：1. 首先，使用MATLAB的`polyfit`函数进行最小二乘法拟合。
这个函数可以拟合多项式到一组数据。
```matlabx = [x1, x2, ... , xn]; % 输入数据y = [y1, y2, ... , yn]; % 输出数据p = polyfit(x, y, n); % n是多项式的阶数，比如2代表二次函数```这将返回一个向量p，代表多项式的系数，从最高阶到最低阶。
2. 然后，你可以使用`polyval`函数来评估拟合的曲线。
```matlabyfit = polyval(p, x); % 计算拟合的y值```3. 计算拟合曲线的总长度。
你可以使用数值积分的方法，例如`integral`函数。
你需要知道曲线在[a, b]之间的长度。
例如，如果你的数据在[-10, 10]，你可以这样做：```matlaba = -10; % 积分下限b = 10; % 积分上限L = integral((x) abs(diff(polyval(p, x))), a, b); % 计算长度```这里我们使用`diff`函数来计算拟合曲线的导数（即曲线的斜率），然后乘以x的差分（即dx）。
最后，我们使用`integral`函数来计算这个函数的积分，也就是曲线的长度。
注意，我们使用`abs`函数来确保每一段都是正的，因为曲线可能向上或向下弯曲。
注意：这种方法只适用于连续且可微的函数。
如果你的数据包含噪声或者有突变，那么这种方法可能不准确。
matlab最小二乘法拟合曲面
matlab最小二乘法拟合曲面在MATLAB中使用最小二乘法拟合曲面，您可以遵循以下步骤：1.准备数据：首先，您需要准备一组数据，包括曲面上的点的坐标和对应的函数值。
您可以使用自己的数据或下载已有的数据。
2.绘制散点图：使用MATLAB的绘图功能，将数据点的坐标和函数值绘制成散点图，以便更直观地观察数据分布和趋势。
3.导入数据：使用MATLAB的导入数据功能，将数据导入到MATLAB中，以便进行后续的数据处理和分析。
4.定义曲面类型：根据您的数据特征和曲面类型，选择合适的曲面类型进行拟合。
例如，二次曲面、高次曲面等。
5.拟合曲面：使用MATLAB的曲面拟合工具，将选定的曲面类型应用到您的数据上，并使用最小二乘法进行拟合。
您可以使用MATLAB提供的函数或手动编写代码实现拟合过程。
6.评估拟合结果：使用MATLAB的评估工具，对拟合结果进行评估和验证。
您可以计算拟合误差、残差等指标，以判断拟合结果的可靠性和精度。
7.可视化拟合曲面：使用MATLAB的绘图功能，将拟合得到的曲面可视化出来，以便更直观地观察和分析拟合结果。
需要注意的是，在使用最小二乘法拟合曲面时，您需要注意以下几点：1.数据预处理：在进行曲面拟合之前，需要对数据进行预处理，包括数据清洗、缺失值处理、异常值处理等。
2.曲面类型选择：选择合适的曲面类型对于拟合结果的精度和可靠性至关重要。
需要根据数据特征和实际需求进行选择。
3.拟合方法选择：MATLAB提供了多种曲面拟合方法，如多项式拟合、神经网络拟合等。
需要根据实际需求和数据特点选择合适的方法进行拟合。
4.评估指标选择：评估拟合结果需要选择合适的评估指标，如均方误差、残差等。
需要根据实际需求和数据特点选择合适的指标进行评估。
5.可视化结果：可视化拟合结果是曲面拟合过程中非常重要的一步。
通过可视化结果可以更直观地观察和分析拟合结果的形状、趋势和特征。
曲线拟合的最小二乘法matlab举例
曲线拟合的最小二乘法学院：光电信息学院 姓名：赵海峰 学号：200820501001一、曲线拟合的最小二乘法原理：由已知的离散数据点选择与实验点误差最小的曲线)(...)()()(1100x a x a x a x S n n ϕϕϕ+++=称为曲线拟合的最小二乘法。
若记),()()(),(0i k i j mi i k j x x x ϕϕωϕϕ∑==k i k i mi i k d x x f x f ≡=∑=)()()(),(0ϕωϕ上式可改写为),...,1,0(;),(n k d a k j noj j k -=∑=ϕϕ这个方程成为法方程，可写成距阵形式d Ga =其中,),...,,(,),...,,(1010T n T n d d d d a a a a ==⎥⎥⎥⎥⎦⎤⎢⎢⎢⎢⎣⎡=),(),(),()(),(),(),(),(),(101110101000n n n n n n G ϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕϕ 。
它的平方误差为：.)]()([)(||||2022i i mi i x f x S x -=∑=ωδ二、数值实例：下面给定的是乌鲁木齐最近1个月早晨7:00左右(新疆时间)的天气预报所得到的温度数据表，按照数据找出任意次曲线拟合方程和它的图像。
下面应用Matlab编程对上述数据进行最小二乘拟合三、Matlab程序代码：x=[1:1:30];y=[9,10,11,12,13,14,13,12,11,9,10,11,12,13,14,12,11,10,9,8,7,8,9,11,9,7,6,5,3,1]; a1=polyfit(x,y,3) %三次多项式拟合%a2= polyfit(x,y,9) %九次多项式拟合%a3= polyfit(x,y,15) %十五次多项式拟合%b1=polyval(a1,x)b2=polyval(a2,x)b3=polyval(a3,x)r1= sum((y-b1).^2) %三次多项式误差平方和%r2= sum((y-b2).^2) %九次次多项式误差平方和%r3= sum((y-b3).^2) %十五次多项式误差平方和%plot(x,y,'*') %用*画出x,y图像%hold onplot(x,b1, 'r') %用红色线画出x,b1图像%hold onplot(x,b2, 'g') %用绿色线画出x,b2图像%hold onplot(x,b3, 'b:o') %用蓝色o线画出x,b3图像%四、数值结果：不同次数多项式拟和误差平方和为：r1 = 67.6659r2 = 20.1060r3 = 3.7952r1、r2、r3分别表示三次、九次、十五次多项式误差平方和。
用MatLab画图（最小二乘法做曲线拟合）
---------------------------------------------------------------最新资料推荐------------------------------------------------------ 用MatLab画图(最小二乘法做曲线拟合) 用 MatLab 画图(最小二乘法做曲线拟合) 帮朋友利用实验数据画图时，发现 MatLab 的确是画图的好工具，用它画的图比Excel光滑、精确。
利用一组数据要计算出这组数据对应的函数表达式从而得到相应图像，MatLab 的程序如下：x=[1 5 10 20 30 40 60 80] y=[15. 4 33. 9 42. 2 50. 556 62. 7 72 81. 1] plot(x, y, ‘ r*’ ) ; legend(‘ 实验数据(xi, yi) ‘ ) xlabel(‘ x’ ) , ylabel(‘ y’ ) , title(‘ 数据点(xi, yi) 的散点图’ ) syms a1 a2 a3 x=[15 10 20 30 40 60 80]; fi=a1. *x. +a2. *x+a3 y=[15. 4 33.9 42. 2 50. 5 56 62. 7 72 81. 1] fi =[a1+a2+a3,25*a1+5*a2+a2+(400*a1+20*a2+a3-101/2) +(900*a1+30*a2+a3-56) +(1600*a1+40*a2+a3-627/10) +(3600*a1+60*a2+a3-72)+(6400*a1+80*a2+a3-811/10) ; Ja1=diff(J, a1) ;Ja2=diff(J, a2) ; Ja3=diff(J, a3) ; Ja11=simple(Ja1) ,Ja21=simple(Ja2) , Ja31=simple(Ja3) A=[114921252, 1656252, 26052; 1656252, 26052, 492; 26052, 492, 16]; B=[9542429/5, 166129/5, 4138/5]; C=B/A, f=poly2sym(C) xi=[1 5 10 20 3040 60 80] ; y=[15. 4 33. 9 42. 2 50. 5 56 62. 7 72 81. 1]; n=length(xi) ; f=-0. 0086. *xi. +1. 3876. *xi+23. 1078;1 / 6x=1: 1/10: 80; F=-0. 0086. *x. +1. 3876. *x+23. 1078; fy=abs(f-y) ; fy2=fy. ; Ew=max(fy) , E1=sum(fy) /n,E2=sqrt((sum(fy2) ) /n) plot(xi, y, ‘ r*’ ) , hold on, plot(x, F, ‘ b-’ ) , hold off legend(‘ 数据点(xi, yi) ‘ , ‘ 拟合曲线f(x) = -0. 0086x +1. 3876x+23. 1078’ ) , xlabel(‘ x’ ) , ylabel(‘ y’ ) , title(‘ 实验数据点(xi, yi) 及拟合曲线f(x) ‘ ) 下图是程序运行后得到的：Su7Tw8VxaW ybXAcZB d#Cf!Eg%FhGj*Ik(Jl-Kn+M o0Np2Or3Ps4R t6Sv7Tw8VxaWzbXAcZBe#Cf! Eg%Fi Gj*Ik)Jl-Kn+Mo1Np2Or3Qs4Rt6Sv7 Uw8Vx aWzbYAc ZBe#Df!Eg%FiHj*Ik) Jm-Kn +Mo1Nq2Or3Qs 5Rt6Sv7Uw9VxaWzbYAdZBe#D f$Eg%F iHj(I k) Jm-Ln+Mo1Nq2Pr3Qs5Ru6S v7Uw9V yaWzbY AdZCe#Df$Eh%FiHj(Il) Jm-Ln0Mo1Nq2Pr4 Qs5Ru6Tv8Uw9VyaXzbYAdZCe !Df$Eh %GiHj (Il) Km-Ln0Mp1Nq2Pr4Qt5Ru 6Tv8U x9VyaXz cYAdZCe! Dg$Eh%Gi*Hj(Il) Km+Ln0M p1Oq2P r4Qt5Su6Tv8Ux9WyaXzcYBdZ Ce!Dg$Fh%Gi* Hk(Il) Km+Lo0Mp1Oq3Pr4Qt5 Su7Tv8Ux9Wyb XzcYBd#Ce!Dg$FhGi*Hk(Jl ) Km+L o0Np1Oq 3Ps4Rt 5Su7Tw8Ux9WybXAcY Bd#Cf!Dg$FhGj*Hk(Jl-Km+Lo0Np2Oq3Ps4 Rt6Su7Tw8Vx9 WybXAcZBd#Cf!Eg$FhGj*Ik (Jl-Kn +Lo0Np2Or3Ps4Rt6Sv7Tw8VxaWybXA cZBe#Cf!Eg%F hGj*Ik) Jl-K n+Mo0Np2Or3Q s4Rt6Sv 7Uw8V xaWzbXAcZBe# D f! Eg%FiGj* Ik) Jm- Kn+Mo1 Nq2Or3Qs5Rt6Sv7Uw9VxaWzb YAcZBe#Df$Eg %FiHj*Ik)---------------------------------------------------------------最新资料推荐------------------------------------------------------ Jm-Ln+Mo1Nq2Pr 3Qs5Ru 6Sv7Uw 9VyaWzbYAdZBe#Df$Eh%FiH j(Ik) J m-Ln0M o1Nq2Pr4Qs5Ru6Tv7Uw9VyaX zbYAdZC e#Df$ Eh%GiHj(Il) Jm-Ln0Mp1Nq2 Pr4Qt5Ru6Tv8 Uw9VyaXzcYAdZCe!Df$Eh%Gi *Hj(Il) Km+Ln 0Mp1Oq2Pr4Qt5Su6Tv8Ux9Vy aXzcYB dZCe!D g$Eh%Gi*Hk(Il) Km+Lo0Mp1O q3Pr4Qt5Su7Tv8Ux9WyaXzc Y Bd#Ce!Dg$Fh %Gi*Hk( Jl) Km +Lo0Np1Oq3Ps 4 Qt5Su7Tw8Ux 9WybXzcYBd#C f!Dg$FhGi*H k (Jl-Km+Lo0N p2Oq3Ps4Rt5S u7Tw8Vx9WybX AcYBd#Cf! Eg$ FhGj*Ik (Jl- Kn+Lo0Np2Or3 P s4Rt6Su7Tw8 VxaWybXA cZBd #Cf!Eg%FhGj * Ik) Jl-Kn+Mo 0Np2Or3Qs4Rt 6Sv7Tw8VxaWz bXAcZBe#Cf!E g%FiGj*Ik) J m-Kn+Mo1Np2O r 3Qs5Rt6Sv7U w8VxaWzbYAcZ Be#Df! Eg%Fi H j*Ik) Jm-Ln+ Mo1Nq2O r3Qs5 Ru6Sv7Uw9Vxa W zbYAdZBe#Df $Eh%Fi Hj(Ik ) Jm-Ln0Mo1Nq 2Pr3Qs5Ru6Tv 7Uw9Vya WzbYA dZCe#Df$Eh%G iHj(Il) Jm-L n0Mp1Nq2Pr4Q s5Ru6Tv8Uw9V ya XzbYAdZCe! Df$Eh%Gi*Hj( Il) Km-Ln0Mp1 Oq 2Pr4 Qt5Ru6Tv8Ux9Vy aXz cYAdZCe!Dg$E h%G i*Hk(Il) K m+Ln0Mp1O q3P r4Qt5Su6Tv8U x9WyaXzcYBd# Ce!Dg$Fh% Gi* Hk(Jl) Km+Lo0 Mp1Oq3Ps4Qt5 Su7Tv8Ux9Wyb XzcYBd#Cf! Dg $F hGi*Hk(Jl -Km+Lo0N p1Oq 3Ps4Rt5Su7Tw 8U x9WybXAcYB d#Cf!Eg$F hG j*Hk(Jl-Kn+Lo0Np2O q3Ps4Rt 6Su7Tw8Vx9WybXAcZBd#Cf!E g%FhGj*Ik(J l-Kn+Mo0Np2O r3Ps4Rt6Sv7T w8Vxa WzbXAcZ Be#Cf! Eg%Fi Gj*Ik) Jl-Kn+ Mo1Np2Or3Qs4 Rt6Sv7Uw8VxaWzbYAcZBe#Df !Eg%FiHj*Ik )3 / 6Jm-Kn+Mo1Nq2Or3Qs5Rt6Sv 7Uw9Vx aWzbYA dZBe#Df$Eg%FiHj(Ik) Jm-L n+Mo1Nq2Pr3Q s5Ru6Sv7Uw9VyaWzbYAdZCe# Df$Eh %FiHj( Il) Jm-Ln0Mo1Nq2Pr4Qs5Ru6 Tv8Uw9VyaXzb YAdZCe!Df$Eh%GiHj(Il) Km -Ln0Mp 1Nq2Pr 4Qt5Ru6Tv8Ux9VyaXzcYAdZC e!Dg$E h%Gi*H j(Il) Km+Ln0Mp1Oq2Pr4Qt5S u6Tv8U x9WyaX zcYBdZCe! Dg$Fh%Gi*Hk(Il) Km+Lo0Mp1Oq3 Pr4Qt5Su7Tv8Ux9WybXzcYBd #Ce!D g$FhGi *Hk(Jl ) Km+Lo0Np1Oq3Ps4R t5Su7Tw8Ux9T v7Uw9VyaXzbYAdZCe#Df$Eh% GiHj( Il) Jm- Ln0Mp1Nq2Pr4Qs5Ru6Tv8Uw9 VyaXzcY AdZCe !Df$Eh%Gi*Hj(Il) Km-Ln0Mp 1Oq2Pr 4Qt5Ru 6Tv8Ux9VyaXzcYBdZCe! Dg$E h%Gi*Hk(Il) K m+Ln0Mp1Oq3Pr4Qt5Su6Tv8U x9WyaX zcYBd# Ce!Dg$Fh%Gi*Hk(Jl) Km+Lo0 Mp1Oq3P s4Qt5 Su7Tw8Ux9Wyb X zcYBd#Cf!Dg $FhGi*Hk(Jl -Km+Lo0Np1Oq3Ps4Rt5Su7Tw 8Vx9Wy bXAcYB d#Cf! Eg$FhGj*Hk(Jl-Kn+L o0Np2O q3Ps4R t6Su7Tw8VxaWybXAcZBd#Cf! Eg%Fh Gj*Ik( Jl-Kn+Mo0Np2Or3Ps4Rt6Sv7 Tw8Vxa WzbXAc ZBe#Cf!Eg%FiGj*Ik) Jl-Kn +Mo1Np2Or3Qs 5Rt6Sv7Uw8Vx a WzbYAcZBe#D f! Eg%FiHj*Ik) Jm-Kn+Mo1 Nq 2Or3Qs5Ru6 Sv7Uw9Vx aWzb YAdZBe#Df$Eg %F iHj(Ik) Jm -Ln+Mo1N q2Pr 3Qs5Ru6Tv7Uw 9VyaWzbYAdZC e#Df$Eh%FiH j(Il) Jm-Ln0M o1Nq2Pr4Qs5R u6Tv8Uw9VyaX zbYAdZCe! Df$ E h%GiHj(Il) Km-Ln0Mp 1Oq2 Pr4Qt5Ru6Tv8 U x9VyaXzcYAd ZCe!Dg$E h%Gi *Hj(Il) Km+Ln 0Mp1Oq3Pr4Qt 5Su6Tv8Ux9Wy aXzcYBdZCe!D g $Fh%Gi*Hk(I l)---------------------------------------------------------------最新资料推荐------------------------------------------------------ Km+Lo0Mp1O q3Ps4Qt5Su7T v 8Ux9WybXzcY Bd#Ce! D g$Fh Gi*Hk(Jl) Km+ L o0Np1Oq3Ps4 Rt5Su7T w8Ux9 WybXAcYBd#Cf !Dg$FhGj*Hk (Jl-Km+ Lo0Np 2Oq3Ps4Rt6Su 7Tw8Vx9WybXA cZBd#Cf ! Eg$F hGj*Ik(Jl-K n+Mo0Np2Or3P s4Rt6Sv 7Tw8V xaWybXAcZBe# C f!Eg% FhGj*Ik) Jl-K n+Mo 1Np2Or3Qs4Rt 6Sv 7Uw8VxaWz bXAcZBe#D f!E g%FiGj*Ik) J m- Kn+Mo1Nq2O r3Qs5Rt6Sv7U w9VxaWzbYAcZ Be#Df$Eg%Fi Hj*Ik) Jm-Ln+ Mo1Nq2Pr3Qs5 Ru6Sv7Uw9Vya WzbYAdZBe#Df $Eh%FiHj(Il ) Jm -Ln0Mo1Nq 2Pr4Qs5Ru 6Tv 7Uw9VyaXzbYA dZCe#Df$Bd#C f! Eg%FhGj*I k(Jl-Kn+Mo0Np2O r3Qs4Rt 6Sv7Tw8VxaWzbXAcZBe#Cf!E g%FiGj*Ik) J l-Kn+Mo1Np2O r3Qs5Rt6Sv7U w8Vxa WzbYAcZ Be#Df! Eg%Fi Hj*Ik) Jm-Kn+ Mo1Nq2Or3Qs5 Ru6Sv7Uw9VxaWzbYAdZBe#Df $Eg%FiHj(Ik ) Jm-Ln0Mo1Nq2Pr3Qs5Ru6Tv 7Uw9Vy aWzbYA dZCe#Df$Eh%FiHj(Il) Jm-L n0Mp1Nq2Pr4Q s5Ru6Tv8Uw9VyaXzbYAdZCe! Df$Eh %GiHj( Il) Km-Ln0Mp1Oq2Pr4Qt5Ru6 Tv8Ux9VyaXzc YAdZCe!Dg$Eh%Gi*Hj(Il) Km +Ln0Mp 1Oq3Pr 4Qt5Su6Tv8Ux9WyaXzcYBdZC e!Dg$F h%Gi*H k(Jl) Km+Lo0Mp1Oq3Ps4Qt5S u7Ts5R u6Sv7U w9VyaWzbYAdZBe#Df$Eh%Fi Hj(Ik)Jm-Ln0 Mo1Nq2Pr4Qs5Ru6Tv7Uw9Vya XzbYA dZCe#Df $Eh%Gi Hj(Il) Jm-Ln0Mp1N q2Pr4Qt5Ru6T v8Uw9VyaXzcYAdZCe!Df$Eh% Gi*Hj( Il) Km- Ln0Mp1Oq2Pr4Qt5Su6Tv8Ux9 VyaXzcY BdZCe !Dg$Eh%Gi*Hk(Il) Km+Ln0Mp 1Oq3Pr4Qt5Su5 / 67Tv8Ux9WyaXzcYBd#Ce! Dg$F h%Gi*Hk (Jl) K m+Lo0Np1Oq3Ps4Qt5Su7Tw8U x9WybX zcYBd# Cf!Dg$FhGi*Hk(Jl-Km+Lo0 Np2Oq3Ps4Rt5 Su7Tw8Vx9WybXAcYBd#Cf!Eg $FhGj*Hk(Jl -Kn+Lo0Np2Or3Ps4Rt6Su7Tw 8VxaWy bXAcZB d#Cf! Eg%FhG j*Ik(Jl-Kn+M o0Np2O r3Qs4R t6Sr4Qt5Su6Tv8Ux9WyaXzcY BdZCe!Dg$Fh% Gi*Hk(Il) Km+Lo0Mp1Oq3Pr4 Qt5Su7Tv8Ux9 WybXzcYBd#Ce! Dg$FhGi*Hk (Jl) Km +Lo0Np 1Oq3Ps4Rt5Su7Tw8Ux9WybXA cYBd#Cf!Dg$FhGj*Hk(Jl- K m+Lo0Np2Oq3 Ps4Rt6Su7Tw8 Vx9WybXAcZBd # Cf!Eg$FhGj *Ik(Jl- Kn+Lo 0Np2Or3Ps4Rt 6Sv7Tw8VxaWy bXAcZBe#Cf!E g%FhGj*Ik) J l-Kn+Mo0Np2O r3Qs4Rt6Sv7U w8VxaWzbXAcZ B e#Df!Eg%Fi Gj*Ik) J m-Kn+ Mo1Nq2Or3Qs5 R t6Sv7Uw9Vxa WzbYAcZB e#Df $Eg%Ff! Dg$Fh Gi*Hk(Jl-Km +Lo0Np1Oq3Ps 4Rt5Su7Tw8Vx 9W ybXAcYBd#C f!Eg$Fh Gj*H k(Jl-Kn+Lo0N p2Oq3Ps4Rt6S u7Tw8Vxa WybX AcZBd#Cf!Eg% F hGj*Ik(Jl- Kn+Mo0N p2Or3 Ps4Rt6Sv7Tw8 V xaWzbXAcZBe #Cf!Eg% FiGj *Ik) Jl-Kn+Mo 1Np2Or3Qs5Rt 6Sv7Uw8V xaWz bYAcZBe#Df!E g%FiHj*Ik) J m-Kn+Mo1Nq2O r3Qs5Ru6Sv7U w9VxaW zbYAdZBe#Df$Eg %Fi Hj(Ik) Jm-Ln +M o1Nq2Pr3Qs 5Ru6Tv7U w9Vy aWzbYAdZCe#D f$Eh%FiHj(I l) Jm-Ln0Mo1N q2Pr4Qs5Or3P s4Rt6Su7Tw8V xaWybXAcZ Be# Cf! Eg%FhGj* I。
最小二乘法曲线拟合的Matlab程序
方便大家使用的最小二乘法曲线拟合的Matlab程序非常方便用户使用,直接按提示操作即可;这里我演示一个例子:(红色部分为用户输入部分,其余为程序运行的结果,结果图为Untitled.fig,Untitled2.fig) 请以向量的形式输入x,y.x=[1,2,3,4]y=[3,4,5,6]通过下面的交互式图形，你可以事先估计一下你要拟合的多项式的阶数，方便下面的计算.polytool()是交互式函数,在图形上方[Degree]框中输入阶数,右击左下角的[Export]输出图形回车打开polytool交互式界面回车继续进行拟合输入多项式拟合的阶数m = 4Warning: Polynomial is not unique; degree >= number of data points. > In polyfit at 72In zxecf at 64输出多项式的各项系数a = 0.0200000000000001a = -0.2000000000000008a = 0.7000000000000022a = 0.0000000000000000a = 2.4799999999999973输出多项式的有关信息 SR: [4x5 double]df: 0normr: 2.3915e-015Warning: Zero degrees of freedom implies infinite error bounds.> In polyval at 104In polyconf at 92In zxecf at 69观测数据拟合数据x y yh1.0000 3.0000 3.00002.0000 4.0000 4.00003 5 54.0000 6.0000 6.0000剩余平方和 Q = 0.000000标准误差 Sigma = 0.000000相关指数 RR = 1.000000请输入你所需要拟合的数据点，若没有请按回车键结束程序.输入插值点x0 = 3输出插值点拟合函数值 y0 = 5.0000>>结果：untitled.figuntitled2.fig一些matlab优化算法代码的分享代码的目录如下：欢迎讨论1.约束优化问题：minRosen(Rosen梯度法求解约束多维函数的极值)(算法还有bug) minPF(外点罚函数法解线性等式约束)minGeneralPF(外点罚函数法解一般等式约束)minNF(内点罚函数法)minMixFun(混合罚函数法)minJSMixFun(混合罚函数加速法)minFactor(乘子法)minconPS(坐标轮换法)(算法还有bug)minconSimpSearch(复合形法)2.非线性最小二乘优化问题minMGN(修正G-N法)3.线性规划：CmpSimpleMthd(完整单纯形法)4.整数规划(含0-1规划)DividePlane(割平面法)ZeroOneprog(枚举法)5.二次规划QuadLagR(拉格朗日法)ActivedeSet(起作用集法)6.辅助函数(在一些函数中会调用)minNT(牛顿法求多元函数的极值)Funval(求目标函数的值)minMNT(修正的牛顿法求多元函数极值)minHJ(黄金分割法求一维函数的极值)7.高级优化算法1）粒子群优化算法(求解无约束优化问题)1>PSO(基本粒子群算法)2>YSPSO(待压缩因子的粒子群算法)3>LinWPSO(线性递减权重粒子群优化算法)4>SAPSO(自适应权重粒子群优化算法)5>RandWSPO(随机权重粒子群优化算法)6>LnCPSO(同步变化的学习因子)7>AsyLnCPSO(异步变化的学习因子)(算法还有bug)8>SecPSO(用二阶粒子群优化算法求解无约束优化问题)9>SecVibratPSO(用二阶振荡粒子群优化算法求解五约束优化问题)10>CLSPSO(用混沌群粒子优化算法求解无约束优化问题)11>SelPSO(基于选择的粒子群优化算法)12>BreedPSO(基于交叉遗传的粒子群优化算法)13>SimuAPSO(基于模拟退火的粒子群优化算法)2)遗传算法1>myGA(基本遗传算法解决一维约束规划问题)2>SBOGA(顺序选择遗传算法求解一维无约束优化问题)3>NormFitGA(动态线性标定适应值的遗传算法求解一维无约束优化问题)4>GMGA(大变异遗传算法求解一维无约束优化问题)5>AdapGA(自适应遗传算法求解一维无约束优化问题)6>DblGEGA(双切点遗传算法求解一维无约束优化问题)7>MMAdapGA(多变异位自适应遗传算法求解一维无约束优化问题)自己编写的马尔科夫链程序A 代表一组数据序列一维数组本程序的操作对象也是如此t=length(A); % 计算序列“A”的总状态数B=unique(A); % 序列“A”的独立状态数顺序，“E”E=sort(B,'ascend');a=0;b=0;c=0;d=0;for j=1:1:ttLocalization=find(A==E(j)); % 序列“A”中找到其独立状态“E”的位置for i=1:1:length(Localization)if Localization(i)+1>tbreak; % 范围限定elseif A(Localization(i)+1)== E(1)a=a+1;elseif A(Localization(i)+1)== E(2)b=b+1;elseif A(Localization(i)+1)== E(3)c=c+1;% 依此类推，取决于独立状态“E”的个数elsed=d+1;endendT(j,1:tt)=[a,b,c,d]; % “T”为占位矩阵endTT=T;for u=2:1:ttTT(u,:)= T(u,:)- T(u-1,:);endTT; % 至此，得到转移频数矩阵Y=sum(TT,2);for uu=1:1:ttTR(uu,:)= TT(uu,:)./Y(uu,1);endTR % 最终得到马尔科夫转移频率/概率矩阵% 观测序列马尔科夫性质的检验：N=numel(TT);uuu=1;Col=sum(TT,2); % 对列求和Row=sum(TT,1); % 对行求和Total=sum(Row); % 频数总和for i=1:1:ttfor j=1:1:ttxx(uuu,1)=sum((TT(i,j)-(Row(i)*Col(j))./Total).^2./( (Row(i)*Col(j)). /Total));uuu=uuu+1; % 计算统计量x2endendxx=sum(xx)。
matlab最小二乘法拟合曲线代码
在Matlab中使用最小二乘法进行曲线拟合是一项非常常见的任务。
最小二乘法是一种数学优化技术，用于对一组数据进行曲线拟合，以便找到最能代表数据趋势的曲线。
在本文中，我将深入探讨Matlab中最小二乘法拟合曲线的代码实现，并共享我对这一主题的个人理解。
让我们来了解一下什么是最小二乘法。
最小二乘法是一种数学优化技术，用于寻找一组数据的最佳拟合曲线。
在Matlab中，可以使用内置的polyfit函数来实现最小二乘法曲线拟合。
这个函数的基本语法是：```matlabp = polyfit(x, y, n)```其中，x和y分别是数据点的横纵坐标，n是要拟合的多项式次数。
这个函数将返回多项式系数向量p，使得拟合多项式最小化了实际数据点与拟合曲线之间的误差平方和。
举个例子，假设我们有一组数据点(x, y)，我们可以使用polyfit函数来进行二次多项式拟合：```matlabx = [1, 2, 3, 4, 5];y = [2, 3, 4, 3, 5];p = polyfit(x, y, 2);```在这个例子中，p将会是一个包含三个元素的向量，分别代表二次多项式的系数a、b和c。
通过这些系数，我们就可以得到拟合的二次多项式方程。
除了使用polyfit函数，我们还可以使用polyval函数来计算拟合曲线上的点。
其基本语法形式是：```matlaby_fit = polyval(p, x)```在这个例子中，p是通过polyfit得到的多项式系数向量，x是我们要计算拟合曲线上的点的横坐标，y_fit将是这些点的纵坐标。
另外，Matlab还提供了许多其他的拟合函数和工具箱，用于不同类型的数据和曲线拟合需求。
通过调用这些函数和工具箱，我们可以实现更复杂的曲线拟合任务，满足不同数据类型和拟合目标的需求。
总结来说，Matlab提供了丰富的工具和函数，用于实现最小二乘法曲线拟合。
通过调用polyfit函数和其他拟合工具箱，我们可以轻松地对一组数据进行曲线拟合，从而得到最能代表数据趋势的曲线。
最小二乘法曲线拟合_原理及matlab实现
曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据},...2,1,0),,{(m i y x i i =求一个近似的函数)(x ϕ来拟合这组数据，要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ϕ最好地逼近()x f ，而不必满足插值原则。
因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ尽可能地小）。
原理：给定数据点},...2,1,0),,{(m i y x i i =。
求近似曲线)(x ϕ。
并且使得近似曲线与()x f 的偏差最小。
近似曲线在该点处的偏差i i i y x -=)(ϕδ，i=1,2,...,m 。
常见的曲线拟合方法:1.使偏差绝对值之和最小2.使偏差绝对值最大的最小3.使偏差平方和最小最小二乘法：按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法,称为最小二乘法。
推导过程：1. 设拟合多项式为：2. 各点到这条曲线的距离之和，即偏差平方和如下：3. 问题转化为求待定系数0a ...k a 对等式右边求i a 偏导数，因而我们得到了： .......4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：5. 将这个范德蒙得矩阵化简后可得到:6. 也就是说X*A=Y ，那么A = (X'*X)-1*X'*Y ，便得到了系数矩阵A ，同时，我们也就得到了拟合曲线。
MATLAB 实现：MATLAB 提供了polyfit （）函数命令进行最小二乘曲线拟合。
调用格式：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)[p,s,mu]=polyfit(x,y,n)x,y 为数据点，n 为多项式阶数，返回p 为幂次从高到低的多项式系数向量p 。
x 必须是单调的。
矩阵s 包括R （对x 进行QR 分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
方便大家使用的最小二乘法曲线拟合的Matlab程序
非常方便用户使用,直接按提示操作即可;这里我演示一个例子:(红色部分为用户输入部分,其余为程序运行的结果,结果图为Untitled.fig,Untitled2.fig) 请以向量的形式输入x,y.
x=[1,2,3,4]
y=[3,4,5,6]
通过下面的交互式图形，你可以事先估计一下你要拟合的多项式的阶数，方便下面的计算.
polytool()是交互式函数,在图形上方[Degree]框中输入阶数,右击左下角的[Export]输出图形
回车打开polytool交互式界面
回车继续进行拟合
输入多项式拟合的阶数m = 4
Warning: Polynomial is not unique; degree >= number of data points. > In polyfit at 72
In zxecf at 64
输出多项式的各项系数
a = 0.0200000000000001
a = -0.2000000000000008
a = 0.7000000000000022
a = 0.0000000000000000
a = 2.4799999999999973
输出多项式的有关信息 S
R: [4x5 double]
df: 0
normr: 2.3915e-015
Warning: Zero degrees of freedom implies infinite error bounds.
> In polyval at 104
In polyconf at 92
In zxecf at 69
观测数据拟合数据
x y yh
1.0000 3.0000 3.0000
2.0000 4.0000 4.0000
3 5 5
4.0000 6.0000 6.0000
剩余平方和 Q = 0.000000
标准误差 Sigma = 0.000000
相关指数 RR = 1.000000
请输入你所需要拟合的数据点，若没有请按回车键结束程序.
输入插值点x0 = 3
输出插值点拟合函数值 y0 = 5.0000
>>
结果：untitled.fig
untitled2.fig
一些matlab优化算法代码的分享
代码的目录如下：
欢迎讨论
1.约束优化问题：
minRosen(Rosen梯度法求解约束多维函数的极值)(算法还有bug) minPF(外点罚函数法解线性等式约束)
minGeneralPF(外点罚函数法解一般等式约束)
minNF(内点罚函数法)
minMixFun(混合罚函数法)
minJSMixFun(混合罚函数加速法)
minFactor(乘子法)
minconPS(坐标轮换法)(算法还有bug)
minconSimpSearch(复合形法)
2.非线性最小二乘优化问题
minMGN(修正G-N法)
3.线性规划：
CmpSimpleMthd(完整单纯形法)
4.整数规划(含0-1规划)
DividePlane(割平面法)
ZeroOneprog(枚举法)
5.二次规划
QuadLagR(拉格朗日法)
ActivedeSet(起作用集法)
6.辅助函数(在一些函数中会调用)
minNT(牛顿法求多元函数的极值)
Funval(求目标函数的值)
minMNT(修正的牛顿法求多元函数极值)
minHJ(黄金分割法求一维函数的极值)
7.高级优化算法
1）粒子群优化算法(求解无约束优化问题)
1>PSO(基本粒子群算法)
2>YSPSO(待压缩因子的粒子群算法)
3>LinWPSO(线性递减权重粒子群优化算法)
4>SAPSO(自适应权重粒子群优化算法)
5>RandWSPO(随机权重粒子群优化算法)
6>LnCPSO(同步变化的学习因子)
7>AsyLnCPSO(异步变化的学习因子)(算法还有bug)
8>SecPSO(用二阶粒子群优化算法求解无约束优化问题)
9>SecVibratPSO(用二阶振荡粒子群优化算法求解五约束优化问题)
10>CLSPSO(用混沌群粒子优化算法求解无约束优化问题)
11>SelPSO(基于选择的粒子群优化算法)
12>BreedPSO(基于交叉遗传的粒子群优化算法)
13>SimuAPSO(基于模拟退火的粒子群优化算法)
2)遗传算法
1>myGA(基本遗传算法解决一维约束规划问题)
2>SBOGA(顺序选择遗传算法求解一维无约束优化问题)
3>NormFitGA(动态线性标定适应值的遗传算法求解一维无约束优化问题)
4>GMGA(大变异遗传算法求解一维无约束优化问题)
5>AdapGA(自适应遗传算法求解一维无约束优化问题)
6>DblGEGA(双切点遗传算法求解一维无约束优化问题)
7>MMAdapGA(多变异位自适应遗传算法求解一维无约束优化问题)
自己编写的马尔科夫链程序
A 代表一组数据序列一维数组本程序的操作对象也是如此
t=length(A); % 计算序列“A”的总状态数
B=unique(A); % 序列“A”的独立状态数顺序，“E”
E=sort(B,'ascend');
a=0;
b=0;
c=0;
d=0;
for j=1:1:tt
Localization=find(A==E(j)); % 序列“A”中找到其独立状态“E”的位置
for i=1:1:length(Localization)
if Localization(i)+1>t
break; % 范围限定
elseif A(Localization(i)+1)== E(1)
a=a+1;
elseif A(Localization(i)+1)== E(2)
b=b+1;
elseif A(Localization(i)+1)== E(3)
c=c+1;
% 依此类推，取决于独立状态“E”的个数
else
d=d+1;
end
end
T(j,1:tt)=[a,b,c,d]; % “T”为占位矩阵
end
TT=T;
for u=2:1:tt
TT(u,:)= T(u,:)- T(u-1,:);
end
TT; % 至此，得到转移频数矩阵
Y=sum(TT,2);
for uu=1:1:tt
TR(uu,:)= TT(uu,:)./Y(uu,1);
end
TR % 最终得到马尔科夫转移频率/概率矩阵
% 观测序列马尔科夫性质的检验：
N=numel(TT);
uuu=1;
Col=sum(TT,2); % 对列求和
Row=sum(TT,1); % 对行求和
Total=sum(Row); % 频数总和
for i=1:1:tt
for j=1:1:tt
xx(uuu,1)=sum((TT(i,j)-(Row(i)*Col(j))./Total).^2./( (Row(i)*Col(j)). /Total));
uuu=uuu+1; % 计算统计量x2
end
end
xx=sum(xx)。