第七讲 matlab实现非线性拟合
matlab各类拟合曲线代码
标题：探索MATLAB中各类拟合曲线的代码应用在MATLAB中，拟合曲线是数据分析和模型建立中常用的技术之一。
通过拟合曲线，我们可以了解数据之间的关联性并建立预测模型，为进一步分析和应用数据奠定基础。
本文将深入探讨MATLAB中各类拟合曲线的代码应用，帮助读者更深入地理解该主题。
一、线性拟合曲线1. 使用MATLAB进行线性拟合曲线的代码示例在MATLAB中，使用polyfit函数可以进行线性拟合。
对一组数据点(x, y)进行线性拟合，代码如下：```matlabx = [1, 2, 3, 4, 5];y = [2, 3.5, 5, 7, 8.5];p = polyfit(x, y, 1);```其中，x为自变量，y为因变量，1表示进行一次线性拟合。
通过polyfit函数，可以得到线性拟合的系数p。
2. 线性拟合曲线的应用和特点线性拟合曲线适用于线性关系较为明显的数据，例如物理实验数据中的直线关系。
通过线性拟合，可以获得各项系数，对数据进行预测和建模。
二、多项式拟合曲线1. 使用MATLAB进行多项式拟合曲线的代码示例在MATLAB中，使用polyfit函数同样可以进行多项式拟合。
对一组数据点(x, y)进行二次多项式拟合，代码如下：```matlabx = [1, 2, 3, 4, 5];y = [1, 4, 9, 16, 25];p = polyfit(x, y, 2);```其中，x为自变量，y为因变量，2表示进行二次多项式拟合。
通过polyfit函数，同样可以得到多项式拟合的系数p。
2. 多项式拟合曲线的应用和特点多项式拟合曲线适用于数据中存在曲线关系的情况，通过选择合适的最高次数，可以灵活地拟合各种曲线形状。
三、非线性拟合曲线1. 使用MATLAB进行非线性拟合曲线的代码示例在MATLAB中，使用fit函数可以进行非线性拟合。
对一组数据点(x, y)进行指数函数拟合，代码如下：```matlabx = [1, 2, 3, 4, 5];y = [2.1, 7.4, 16.1, 29.3, 48.2];f = fit(x', y', 'exp1');```其中，x为自变量，y为因变量，'exp1'表示进行指数函数拟合。
Matlab中的曲线拟合方法
Matlab中的曲线拟合方法引言在科学与工程领域，数据拟合是一个重要的技术，可用于分析实验数据、预测未知的对应关系，并量化观察到的现象。
其中，曲线拟合是一种常见的数据拟合方法，而Matlab作为一种功能强大的科学计算软件，提供了多种曲线拟合工具和函数，方便用户进行数据分析和模型建立。
本文将对Matlab中的曲线拟合方法进行详细介绍和讨论。
一、线性拟合线性拟合是最简单且常见的曲线拟合方法，其基本思想是通过一条直线拟合数据点，找到最佳拟合直线的参数。
在Matlab中，可以使用polyfit函数实现线性拟合。
该函数接受两个输入参数，第一个参数为数据点的x坐标，第二个参数为数据点的y坐标。
返回结果为一个一次多项式拟合模型的参数。
例如，我们有一组实验测量数据如下：x = [1, 2, 3, 4, 5];y = [3, 5, 7, 9, 11];通过polyfit函数进行线性拟合：coeff = polyfit(x, y, 1);其中，1表示要拟合的多项式的次数，这里我们选择了一次多项式（直线）。
coeff即为拟合得到的直线的参数，可以通过polyval函数将参数代入直线方程，得到对应x的y值。
y_fit = polyval(coeff, x);接下来，我们可以使用plot函数将原始数据点和拟合曲线都绘制在同一张图上：figure;plot(x, y, 'o', 'MarkerSize', 10); % 绘制原始数据点hold on;plot(x, y_fit); % 绘制拟合曲线xlabel('x');ylabel('y');legend('原始数据点', '拟合曲线');通过观察图像，我们可以初步判断拟合的效果如何。
如果数据点较为分散，直线拟合效果可能较差。
在此情况下，可以考虑使用更高次的多项式进行拟合。
二、多项式拟合多项式拟合是一种常见的曲线拟合方法，其基本思想是通过一个一定次数的多项式函数来拟合数据点。
非线性拟合
[x,renorm]=lsqcurvefit(@myfun,x0,xdata,ydata); %确定待定系数
disp(x);
disp(renorm);
function F=myfun(x,xdata)
F=x(1)*(xdata.^2)+x(2)*sin(xdata)+x(3)*(xdata.^3); %预定义函数关系式
matlab中nlinfit和lsqcurvefit的功能和用法有什么区别？
悬赏分：5 - 解决时间：2009-5-31 10:36
如题！
提问者： 珊珊小魔女 - 助理 三级 最佳答案
如果你懂英语,就用matlab最强大的函数help(一般人我不告诉他)
help nlinfit
help lsqcurvefit
f = A + B exp(C*x)+D*exp(E*x)
对数据集x与y进行拟合，其中y是在给定x的情况下的期望输出(可以是方程给出数组，也可以是单独数据组成的数组)。
为了解决这个问题，先建立下面的名为 fit_simp.m的函数，它利用数据x与y，将他们作为优化输入参数传递给LSQNONLIN。
关于采用matlab进行指定非线性方程拟合的问题
一。优化工具箱函数
LSQNONLIN 解决非线性最小二乘法问题，包括非线性数据拟合问题
LSQCURVEFIT 解决非线性数据拟合问题
下面给出利用这两个函数的例子：
LSQNONLIN：利用这个函数最小化连续函数只能够找到句柄解。下面的例子说明利用LSQNONLIN函数用下面的函数进行拟合：
也就是说，给定输入数据xdata，以及观测的输出数据ydata，找到系数x，使得函数F(x，xdata)能够最好的拟合向量值
matlab 多元与非线性回归即拟合问题regress、nlinfit
回归（拟合）自己的总结（20100728）1：学三条命令：polyfit(x,y,n)---拟合成一元幂函数（一元多次） regress(y,x)----可以多元，nlinfit(x,y,’fun ’,beta0) (可用于任何类型的函数，任意多元函数，应用范围最主，最万能的)2：同一个问题，可能这三条命令都可以使用，但结果肯定是不同的，因为拟合的近似结果，没有唯一的标准的答案。
相当于咨询多个专家。
3：回归的操作步骤：（1） 根据图形（实际点），选配一条恰当的函数形式（类型）---需要数学理论与基础和经验。
（并写出该函数表达式的一般形式，含待定系数）（2） 选用某条回归命令求出所有的待定系数所以可以说，回归就是求待定系数的过程（需确定函数的形式）配曲线的一般方法是： （一）先对两个变量x 和y 作n 次试验观察得n i y x ii,...,2,1),,( 画出散点图，散点图（二）根据散点图确定须配曲线的类型. 通常选择的六类曲线如下：（1）双曲线xba y +=1 （2）幂函数曲线y=a bx , 其中x>0,a>0（3）指数曲线y=a bx e 其中参数a>0.（4）倒指数曲线y=a xb e/其中a>0，（5）对数曲线y=a+blogx,x>0（6）S 型曲线x be a y -+=1（三）然后由n 对试验数据确定每一类曲线的未知参数a 和b.一、一元多次拟合polyfit(x,y,n)一元回归polyfit多元回归regress---nlinfit(非线性)二、多元回归分析(其实可以是非线性，它通用性极高)对于多元线性回归模型：e x x y p p ++++=βββ 110设变量12,,,px x x y 的n 组观测值为12(,,,)1,2,,i i ip i x x x y i n= ．记 ⎪⎪⎪⎪⎪⎭⎫⎝⎛=np n n p p x x x x x x x x x x 212222111211111，⎪⎪⎪⎪⎪⎭⎫⎝⎛=n y y y y 21，则⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=p ββββ 10 的估计值为排列方式与线性代数中的线性方程组相同（）拟合成多元函数---regress 使用格式：左边用b=或[b, bint, r, rint, stats]= 右边用regress(y, x) 或regress(y, x, alpha)---命令中是先y 后x,---须构造好矩阵x(x 中的每列与目标函数的一项对应) ---并且x 要在最前面额外添加全1列/对应于常数项 ---y 必须是列向量---结果是从常数项开始---与polyfit 的不同。
在Matlab中进行数据拟合和曲线拟合的方法
在Matlab中进行数据拟合和曲线拟合的方法在科学研究或工程应用中，数据拟合和曲线拟合是常见的计算任务之一。
Matlab作为一种强大的数值计算软件，提供了丰富的工具和函数，方便我们进行数据拟合和曲线拟合的操作。
本文将介绍在Matlab中进行数据拟合和曲线拟合的几种方法。
一、线性回归线性回归是最简单的数据拟合方法之一，常用于建立变量之间的线性关系模型。
在Matlab中，可以使用polyfit函数进行线性回归拟合。
该函数可以根据输入数据点的横纵坐标，拟合出一条直线，并返回直线的斜率和截距。
例如，以下代码演示了如何使用polyfit函数进行线性回归拟合：```matlabx = [1, 2, 3, 4, 5];y = [2, 3, 4, 5, 6];coefficients = polyfit(x, y, 1);slope = coefficients(1);intercept = coefficients(2);```在上述代码中，数组x和y分别表示数据点的横纵坐标。
polyfit函数的第三个参数1表示拟合的直线为一阶多项式。
函数返回的coefficients是一个包含斜率和截距的数组，可以通过coefficients(1)和coefficients(2)获取。
二、多项式拟合在实际应用中，线性模型并不适用于所有情况。
有时，数据点之间的关系可能更复杂，需要使用更高阶的多项式模型来拟合。
Matlab中的polyfit函数同样支持多项式拟合。
我们可以通过调整多项式的阶数来拟合不同次数的曲线。
以下代码展示了如何使用polyfit函数进行二次多项式拟合：```matlabx = [1, 2, 3, 4, 5];y = [2, 6, 10, 16, 24];coefficients = polyfit(x, y, 2);a = coefficients(1);b = coefficients(2);c = coefficients(3);```在上述代码中，polyfit的第三个参数2表示拟合的多项式为二阶。
MATLAB神经网络（2）BP神经网络的非线性系统建模——非线性函数拟合
MATLAB神经⽹络（2）BP神经⽹络的⾮线性系统建模——⾮线性函数拟合2.1 案例背景在⼯程应⽤中经常会遇到⼀些复杂的⾮线性系统，这些系统状态⽅程复杂，难以⽤数学⽅法准确建模。
在这种情况下，可以建⽴BP神经⽹络表达这些⾮线性系统。
该⽅法把未知系统看成是⼀个⿊箱，⾸先⽤系统输⼊输出数据训练BP神经⽹络，使⽹络能够表达该未知函数，然后⽤训练好的BP神经⽹络预测系统输出。
本章拟合的⾮线性函数为y=x12+x22该函数的图形如下图所⽰。
t=-5:0.1:5;[x1,x2] =meshgrid(t);y=x1.^2+x2.^2;surfc(x1,x2,y);shading interpxlabel('x1');ylabel('x2');zlabel('y');title('⾮线性函数');2.2 模型建⽴神经⽹络结构：2-5-1从⾮线性函数中随机得到2000组输⼊输出数据，从中随机选择1900 组作为训练数据，⽤于⽹络训练，100组作为测试数据，⽤于测试⽹络的拟合性能。
2.3 MATLAB实现2.3.1 BP神经⽹络⼯具箱函数newffBP神经⽹络参数设置函数。
net=newff(P, T, S, TF, BTF, BLF, PF, IPF, OPF, DDF)P：输⼊数据矩阵；T：输出数据矩阵；S：隐含层节点数；TF：结点传递函数。
包括硬限幅传递函数hardlim、对称硬限幅传递函数hardlims、线性传递函数purelin、正切型传递函数tansig、对数型传递函数logsig；x=-5:0.1:5;subplot(2,6,[2,3]);y=hardlim(x);plot(x,y,'LineWidth',1.5);title('hardlim');subplot(2,6,[4,5]);y=hardlims(x);plot(x,y,'LineWidth',1.5);title('hardlims');subplot(2,6,[7,8]);y=purelin(x);plot(x,y,'LineWidth',1.5);title('purelin');subplot(2,6,[9,10]);y=tansig(x);plot(x,y,'LineWidth',1.5);title('tansig');subplot(2,6,[11,12]);y=logsig(x);plot(x,y,'LineWidth',1.5);title('logsig');BTF：训练函数。
关于采用matlab进行指定非线性方程拟合的问题
关于采用matlab进行指定非线性方程拟合的问题(1)※1。
优化工具箱的利用函数描述LSQLIN 有约束线性最小二乘优化LSQNONNEG 非负约束线性最小二乘优化问题当有约束问题存在的时候，应该采用上面的方法代替Polyfit与反斜线（\）。
具体例子请参阅优化工具箱文档中的相应利用这两个函数的例子。
d. 非线性曲线拟合利用MA TLAB的内建函数函数名描述FMINBND 只解决单变量固定区域的最小值问题FMINSEARCH 多变量无约束非线性最小化问题（Nelder-Mead 方法）。
下面给出一个小例子展示一下如何利用FMINSEARCH1．首先生成数据>> t=0:.1:10;>> t=t(:);>> Data=40*exp(-.5*t)+rand(size(t)); % 将数据加上随机噪声2．写一个m文件，以曲线参数作为输入，以拟合误差作为输出function sse=myfit(params,Input,Actural_Output)A=params(1);lamda=params(2);Fitted_Curve=A.*exp(-lamda*Input);Error_V ector=Fitted_Curve-Actural_Output;%当曲线拟合的时候，一个典型的质量评价标准就是误差平方和sse=sum(Error_V ector.^2);%当然，也可以将sse写作：sse=Error_V ector(:)*Error_V ector(:);3．调用FMINSEARCH>> Strarting=rand(1,2);>> options=optimset('Display','iter');>> Estimates=fiminsearch(@myfit,Strarting,options,t,Data);>> plot(t,Data,'*');>> hold on>> plot(t,Estimates(1)*exp(-Estimates(2)*t),'r');Estimates将是一个包含了对原数据集进行估计的参数值的向量。
matlab 拟合方法
在MATLAB 中，有多种方法可以进行数据拟合。
以下是一些常用的拟合方法：1. **线性拟合（Linear Fit）**：这是最简单的拟合方法，用于描述数据中的线性关系。
你可以使用`polyfit` 函数进行线性拟合。
```matlabx = [1, 2, 3, 4, 5];y = [2.2, 2.8, 3.6, 4.5, 5.1];p = polyfit(x,y,1);```这里，`p` 是拟合的系数，然后可以用这些系数来生成拟合线。
2. **多项式拟合（Polynomial Fit）**：你可以使用`polyfit` 函数进行多项式拟合，该函数接受两个参数（x和y），和一个表示多项式阶数的参数。
```matlabx = [1, 2, 3, 4, 5];y = [2.2, 2.8, 3.6, 4.5, 5.1];p = polyfit(x,y,2); % 二阶多项式拟合```3. **非线性拟合（Nonlinear Fit）**：对于非线性关系的数据，你可以使用`fit` 或`lsqcurvefit` 或`fminsearch` 等函数进行非线性拟合。
这通常需要你指定一个模型函数，然后将这个函数应用到数据上。
```matlabx = [1, 2, 3, 4, 5];y = [2.2, 2.8, 3.6, 4.5, 5.1];f = fit(x', y', 'poly1'); % 对数拟合```在这个例子中，'poly1' 是预先定义好的模型，代表一次多项式（也就是线性）。
你也可以定义自己的模型函数。
4. **最小二乘法（Least Squares Method）**：最小二乘法是一种优化算法，常用于求解线性回归问题。
你可以使用`polyfit` 或者`lsqcurvefit` 等函数进行最小二乘法拟合。
在使用这些函数时，需要注意以下几点：* 对于`polyfit`，当你的数据点数量少于你定义的多项式的阶数时，可能会出现过拟合的问题。
matlab_多元与非线性回归即拟合问题regressnlinfit
回归（拟合）自己的总结（20100728）1：学三条命令：polyfit(x,y,n)---拟合成一元幂函数（一元多次） regress(y,x)----可以多元，nlinfit(x,y,’fun ’,beta0) (可用于任何类型的函数，任意多元函数，应用范围最主，最万能的)2：同一个问题，可能这三条命令都可以使用，但结果肯定是不同的，因为拟合的近似结果，没有唯一的标准的答案。
相当于咨询多个专家。
3：回归的操作步骤：（1） 根据图形（实际点），选配一条恰当的函数形式（类型）---需要数学理论与基础和经验。
（并写出该函数表达式的一般形式，含待定系数）（2） 选用某条回归命令求出所有的待定系数所以可以说，回归就是求待定系数的过程（需确定函数的形式）配曲线的一般方法是： （一）先对两个变量x 和y 作n 次试验观察得n i y x ii,...,2,1),,( 画出散点图，散点图（二）根据散点图确定须配曲线的类型. 通常选择的六类曲线如下：（1）双曲线xb a y +=1 （2）幂函数曲线y=a bx , 其中x>0,a>0（3）指数曲线y=a bx e 其中参数a>0.（4）倒指数曲线y=a xb e/其中a>0，（5）对数曲线y=a+blogx,x>0（6）S 型曲线x be a y -+=1（三）然后由n 对试验数据确定每一类曲线的未知参数a 和b.一、一元多次拟合polyfit(x,y,n)一元回归polyfit多元回归regress---nlinfit(非线性)二、多元回归分析(其实可以是非线性，它通用性极高)对于多元线性回归模型：e x x y p p ++++=βββ 110设变量12,,,p x x x y的n 组观测值为12(,,,)1,2,,i i ip i x x x y i n=．记 ⎪⎪⎪⎪⎪⎭⎫⎝⎛=np n n p p x x x x x x x x x x 212222111211111，⎪⎪⎪⎪⎪⎭⎫⎝⎛=n y y y y 21，则⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=p ββββ 10 的估计值为排列方式与线性代数中的线性方程组相同（）拟合成多元函数---regress 使用格式：左边用b=或[b, bint, r, rint, stats]= 右边用regress(y, x) 或regress(y, x, alpha)---命令中是先y 后x,---须构造好矩阵x(x 中的每列与目标函数的一项对应) ---并且x 要在最前面额外添加全1列/对应于常数项 ---y 必须是列向量---结果是从常数项开始---与polyfit 的不同。
MATLAB在非线性曲线拟合中的应用研究
MATLAB在⾮线性曲线拟合中的应⽤研究MATLAB 在⾮线性曲线拟合中的应⽤⼩结摘要：归纳总结了⾮线性曲线拟合的⽅法、求解步骤和上机操作过程关键词:曲线拟合⾮线性MAT ＬAB正⽂：1.曲线拟合的基本原理已知⼀组测定的数据（例如Ｎ个点（ｘi,yi ）去求得⾃变量ｘ和因变量y 的⼀个近似解析表达式y=φ（ｘ）。
若记误差δｉ=φ(ｘi ）-yi ，i=1，２，…N ,则要使误差的平⽅和最⼩,即要求:∑==Ni iQ 12δ为最⼩，这就是常⽤的最⼩⼆乘法原理。
２ .MATLAB 曲线拟合的相关⽅法 2．1.函数形式：(1)多项式拟合函数po ｌy ｆｉt ,调⽤格式为： p ＝polyfit （x ，y,n ）其中x ，y 为参与曲线拟合的实验数据,ｎ为拟合多项式的次数,函数返回值为拟合多项式的系数(按降幂排列)。
n ＝1时,就为线性拟合。
例1:给出表１数据，试⽤最⼩⼆乘法求⼀次和⼆次拟合多项式。
表1 数据在M ＡT ＬAB 命令窗⼝中输⼊: cle ａr ； cl ｏs ｅ; x=-1:0.25：1;y=[-0.2209,０.3２95，０.8826,１.4392,2.0０03,２.５645,３．1３34,3.7０61,4．2836] p1＝p ｏｌyfit(x,y ，1) p2＝po ｌyf ｉt(x,y,2) y １=polyva ｌ(p １,x)； y ２=p ｏly ｖal(p2,ｘ）;pl ｏt(ｘ,y,'+',x,ｙ1,'ｒ:'，x ，y ２，＇k-.＇)运⾏结果：拟合多项式为:y*=2．0516+2.0１3１和y ＊=0.０３13ｘ２＋2.25１6x ＋2．20001 （2）⾮线性数据拟合函数lsq ｃu ｒvefit 调⽤格式为： c=ls ｑcur ｖefi （t ＇f ｕｎ',x0，xdata,yd ａta ）其中'ｆun'为拟合函数的Ｍ-函数⽂件名,ｘ0为初始向量,x ｄata ，ydat ａ为参与曲线拟合的实验数据。
MATLAB教学视频：详解数据拟合的MATLAB实现(非线性拟合)
◼ 不合理的初值 → 可能导致求解失败
◼ 超出国界的出发地点 → 无法跨越的障碍
5 # 初值
O
珠 穆 朗 印玛
1 # 初值
2 # 初值
初
3 # 初值
4 # 初值
值
的
度峰
四
新川
X
疆
四
X
川
吐
盆
鲁
地
X
上
海
钓
海
平
鱼
面
岛
选 取 要 合 理
番
拟合效果的评价
◼ 不同的参数初值 → 可能会得到不同的局部最优解 ◼ 引发两个基本问题
◼ 待定参数初值的确定 param0 = [0.15, 400]
✓ 当人口总数较少时，近似成指数增长，令 x = 5
y = erx y1975 = 20.3 e5r r 0.15
y0
y1970 9.7
✓ 人口数量的极限为 ym → ym > 2015 年人口数量 (330.7)
y=
ym
✓ 人口指数增长模型 —— Malthus 模型 ✓ 人口阻滞增长模型 —— Logistics 模型
◼ MATLAB 实现非线性拟合 —— lsqcurvefit ◼ 寻优算法 —— 局部最优解 ◼ 拟合效果的评价 ◼ 土壤含水率问题的分析 ◼ 结束语 —— 拟合问题总结
拟合残差及残差平方和
◼ 残差：已知的测量点到拟合曲线 y = f(x) 的距离，即拟合值 (估计值) 与测量值 (观察值) 之差 ◼ 残差平方和：即残差的平方和 → 拟合值 (估计值) 与测量值 (观察值) 之差的平方和 ◼ 回顾线性拟合教学视频：拟合的定义 → 求解 y = f(x) 里的待定参数，使得残差平方和最小
使用Matlab进行曲线拟合
使用Matlab进行曲线拟合引言在科学研究和工程应用中，曲线拟合是一个非常常见和重要的问题。
通过拟合实验数据或者观测数据，我们可以找到一条曲线，以最佳地描述数据的趋势。
Matlab是一个功能强大的数值计算软件，提供了丰富的工具和函数，可以帮助我们对数据进行曲线拟合。
本文将介绍如何使用Matlab进行曲线拟合，并给出一些实际案例。
一、简单线性回归简单线性回归是曲线拟合中最基础的一种方法。
它假设数据可以用一条直线来表示。
在Matlab中，使用"polyfit"函数可以很方便地进行简单线性回归。
该函数可以从数据中拟合出一个多项式，我们可以选择线性多项式来进行简单线性回归。
下面是一个例子：```matlabx = [1, 2, 3, 4, 5];y = [2, 3, 4, 5, 6];p = polyfit(x, y, 1);f = polyval(p, x);plot(x, y, 'o'); % 绘制原始数据点hold on;plot(x, f, 'r-'); % 绘制拟合曲线```在这个例子中，我们有一个包含5个数据点的数据集，分别存储在向量"x"和"y"中。
通过polyfit函数，我们可以拟合出一个线性多项式的系数"p"，然后使用polyval函数来计算拟合曲线上各个x点对应的y值。
最后，使用plot函数将原始数据点和拟合曲线绘制在同一张图上。
这样我们就可以直观地看到拟合效果。
二、非线性曲线拟合除了简单线性回归，Matlab还提供了许多其他方法来进行非线性曲线拟合。
这些方法通常需要指定一个函数形式，然后通过调整函数的参数来拟合数据。
其中最常用的方法之一是最小二乘法。
在Matlab中，可以使用lsqcurvefit函数来进行非线性曲线拟合。
下面是一个例子：```matlabx = [1, 2, 3, 4, 5];y = [5.1, 6.2, 7.1, 8.5, 9.9];f = @(c,x) c(1) * exp(-c(2)*x) + c(3); % 定义拟合函数c0 = [1, 1, 1]; % 初始参数猜测c = lsqcurvefit(f, c0, x, y); % 进行曲线拟合plot(x, y, 'o'); % 绘制原始数据点hold on;plot(x, f(c, x), 'r-'); % 绘制拟合曲线```在这个例子中，我们有一个包含5个数据点的数据集，存储在向量"x"和"y"中。
matlab：最小二乘法线性和非线性拟合
0.0056 0.0063 0.2542
0.0059 0.0063
4）结论：a=0.0063, b=-0.0034, k=0.2542
0.0061 0.0063
24
解法 2 用命令lsqnonlin
f(x)=F(x,tdata,ctada)= (a be0.02kt1 c1,, a be0.02kt10 c1)T
R=[(x.^2)' x' ones(11,1)]； A=R\y'
MATLAB(zxec1)
2）计算成果： Ａ = -9.8108 20.1293 -0.0317
f (x) 9.8108x2 20.1293x 0.0317 16
解法2．用多项式拟合旳命令
1）输入下列命令： x=0:0.1:1;
9
线性最小二乘法旳求解：预备知识
超定方程组：方程个数不小于未知量个数旳方程组
r11a1
r12a2
r1mam
y1
(n m)
rn1a1 rn2a2 rnmam yn
即 Ra=y
r11 r12 r1m
a1
y1
其中 R
,
a
,
y
rn1 rn2 rnm
am
yn
2. 将数据 (xi,yi) i=1, …n 作图，经过直观判断拟定 f(x)：
f=a1+a2x +
++
++
f=a1+a2x+a3x2 +
+
+ +
+
f=a1+a2x+a3x2
++ +
matlab最小二乘法的非线性参数拟合
matlab最小二乘法的非线性参数拟合首先说一下匿名函数：在创建匿名函数时，Matlab记录了关于函数的信息，当使用句柄调用该函数的时候，Matlab不再进行搜索，而是立即执行该函数，极大提高了效率。
所以首选匿名函数。
具体拟合时可以使用的方法如下：1 曲线拟合工具箱提供了很多拟合函数，使用简单非线性拟合nlinfit函数clear all;x1=[0.4292 0.4269 0.381 0.4015 0.4117 0.3017]';x2=[0.00014 0.00059 0.0126 0.0061 0.00425 0.0443]';x=[x1 x2];y=[0.517 0.509 0.44 0.466 0.479 0.309]';f=@(p,x)2.350176*p(1)*(1-1/p(2))*(1-(1-x(:,1).^(1/p(2))).^p(2)).^2.*(x(:,1).^(-1/p(2))-1).^(-p(2)).*x(:,1).^(-1/p(2)-0.5).*x(:,2);p0=[8 0.5]';opt=optimset('TolFun',1e-3,'TolX',1e-3);%[p R]=nlinfit(x,y,f,p0,opt)2 最小二乘法在曲线拟合中比较普遍。
拟合的模型主要有1.直线型2.多项式型3.分数函数型4.指数函数型5.对数线性型6.高斯函数型一般对于LS问题，通常利用反斜杠运算“\”、fminsearch或优化工具箱提供的极小化函数求解。
在Matlab中，曲线拟合工具箱也提供了曲线拟合的图形界面操作。
在命令提示符后键入：cftool，即可根据数据，选择适当的拟合模型。
“\”命令1.假设要拟合的多项式是：y=a+b*x+c*x^2.首先建立设计矩阵X：X=[ones(size(x)) x x^2];执行：para=X\ypara中包含了三个参数：para(1)=a;para(2)=b;para(3)=c;这种方法对于系数是线性的模型也适应。
第七讲_matlab实现非线性拟合
i 1
i 1
其中 是待定的参数，而 ˆ 就是最小二乘法所确定的 最佳参数.
解决此类问题有以下几个步骤：（1）首先作出散点 图，确定函数的类别；（2）根据已知数据确定待定 参数的初始值，利用Matlab软件计算最佳参数；（3） 根据可决系数，比较拟合效果，计算可决系数的公式 为
其中
n
( yi yˆi )2
[x,y]=solve('6.42*(2*a+b)=2','10.76*(16*a+b)=16')
y a(1 becx ) ln b cx ln( y / a 1)
取点：(2,6.42),(8,9.93),(10,10.49)代入上述方程
[a,b,c]=solve('log(b)+c*2=log(6.42/a-1)','log(b)+c*10=log(10.49/a-1)','log(b)+c*8=log(9.93/a-1)')
理查德（Richards）模型： 威布尔(Weibull)模型：
y /[1 exp( x)]1/ y exp( t )
为了实现非线性拟合，首先要定义在线函数
1. inline 定义的函数：用于曲线拟合、数值计算 步骤：(1)建立M文件； (2)fun=inline('f(x) ', '参变量'，'x')
y1=x./(0.1152+0.0845*x); % 拟合曲线
R2=1-sum((y-y1).^2)/sum((y-mean(y)).^2)
如果是多项式函数，则称为多项式回归，此时
的参数即多项式的系数；如果为指数函数、对数函 数、幂函数或三角函数等，则称为非线性拟合.下面 的图形给出了常见曲线与方程的对应关系：
- 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)。
R2 1
1 yi n i 1
n
ˆ ( yi yi ) 2
i 1 n
n
(y
i 1
i
y) 2
其中
y
R2越趋近于1表明拟合效果越好.
在Matlab中实现可决系数的计算的例子：
x=[2:16]; y=[6.42,8.2,9.58,9.5,9.7,10,9.93,9.99,10.49,10.59,10.6,10.8,10.6,10.9,10.76];
设有实验数据 ( xi , yi ), (i 1,2, , n) ,寻找函数
f ( x, )
使得函数在点 xi , (i 1,2,, n) 处的函数值与观测数据偏差 f 的平方和达到最小.即求满足如下条件的函数 ( x,ˆ) 使得
ˆ m in ( f ( xi , ) yi ) ( f ( xi , ) yi ) 2
拟合结果如右图 所示，红色为拟 合曲线图形，*为 原始散点图.
作图程序为：
50 45 40 35 30 25 20 15 0 100 200 300 400 500 600 700
(图6.4) y1=42.6643*(1-0.5483*exp(-0.0099*k)); plot(k,y,'*',k,y1,'-or')
威布尔(Weibull)模型：
y exp(e kx )
y /[1 exp( x)]1 /
y exp( t )
为了实现非线性拟合，首先要定义在线函数 1. inline 定义的函数：用于曲线拟合、数值计算 步骤：(1)建立M文件；
(2)fun=inline('f(x) ', '参变量'，'x')
幂函数
y axb
指数函数 y aebx
双曲线函数
y
x ax b
对数函数
y a b ln x
指数函数
y ae
b x
S形曲线
y
1 a be x
具有S形曲线的常见方程有： 罗杰斯蒂（logistic）模型
：
y
1 e x
龚帕兹（Gomperty）模型： 理查德（Richards）模型：
2 i 1 i 1 n n
其中 是待定的参数，而 ˆ 就是最小二乘法所确定的 最佳参数. 解决此类问题有以下几个步骤：（1）首先作出散点 图，确定函数的类别；（2）根据已知数据确定待定 参数的初始值，利用Matlab软件计算最佳参数；（3） 根据可决系数，比较拟合效果，计算可决系数的公式 为
现在利用最小二乘法确定最 佳参数：b1,b2,b3 b0=[43,0.6,0.1]; %初始参数值 fun=inline('b(1)*(1-b(2)*exp(-b(3)*k))','b','k'); [b,r,j]=nlinfit(k,y,fun,b0); b %最佳参数 R=sum(r.^2) %误差平方和 b = 42.6643，0.5483，0.0099 即拟合曲线为： y 42.6643(1-0.5483e -0.0099k ) (图6.3)
2 6.42 2a b 16 10.76 16a b
6.42(2a b) 2 a 0.084 10.76(16a b) 16 b 0.1435
上述方程组有两种解法：手工，Matlab,下面介 绍Matlab 解方程组的方法
[x,y]=solve('6.42*(2*a+b)=2','10.76*(16*a+b)=16')
y a(1 be )
cx
ln b cx ln( y / a 1)
取点：(2,6.42),(8,9.93),(10,10.49)代入上述方程
[a,b,c]=solve('log(b)+c*2=log(6.42/a-1)','log(b)+c*10=log(10.49/a-1)','log(b)+c*8=log(9.93/a-1)')
在实际问题中，有时散点图作出后未必是多项式的 图形，可能像其他的曲线，这时可以猜测曲线类型， 然后利用如下命令： [beta,r,J] = nlinfit(x,y,fun,beta0) 其中，x,y为原始数据，fun是在M文件中定义的函数， beta0是函数中参数的初始值；beta为参数的最优值，r 是各点处的拟合残差，J为雅克比矩阵的数值. 例2. 已知如下数据，求拟合曲线
k=[ 0,47,93,140,186,279,372,465,558,651]; y=[18.98,27.35,34.86,38.52,38.44,37.73,38.43,43.87,42.77,46.22];
plot(k,y,'*')
根据右图，我们猜测曲线为：
y b1 (1 - b 2e - b 3 k )
注意：如果出现复数解，则只取实部
y a(1 be cx ) a,b,c为待定的参数 例1. 建立函数：
fun=inline('b(1)*(1-b(2)*exp(-b(3)*x))','b','x'); 此处，将b看成参变量，b(1),b(2),b(3)为其分量. 若计算函数在x=0:0.1:1上的函数值，由于此时x为矩阵， 只需将函数表达式中的某些量表示成向量有些*改成.* 即可.
y1=x./(0.1152+0.0845*x); % 拟合曲线
R2=1-sum((y-y1).^2)/sum((y-mean(y)).^2) 如果是多项式函数，则称为多项式回归，此时 的参数即多项式的系数；如果为指数函数、对数函 数、幂函数或三角函数等，则称为非线性拟合.下面 的图形给出了常见曲线与方程的对应关系：
9.58 9.5 12 13
10.49 10.59 10.6 10.8 10.6 10.9 10.76
x y 分别选择函数 ax b
y a(1 be )
cxLeabharlann y aeb x拟合钢包容积与使用次数的关系 ,在同一坐标系内 作出函数图形.
下面给出分式函数拟合程序：
x1=[2:16]; y1=[6.42,8.2,9.58,9.5,9.7,10,9.93,9.99,10.49,10.59,10.6,10.8 ,10.6,10.9,10.76]; b01=[0.1435,0.084]; %初始参数值 fun1=inline('x./(b(1)+b(2)*x)','b','x'); % 定义函数 [b1,r1,j1]=nlinfit(x1,y1,fun1,b01); y=x1./(0.1152+0.0845*x1); %根据b1写出具体函数 plot(x1,y1,'*',x1,y,'-or'); 可决系数计算： 初始参数b0的计算， 由于确定两个参数值，因此我 们选择已知数据中的两点（2,6.42）和（16,10.76）代 入方程，得到方程组：
练习：计算可决系数
例3.炼钢厂出钢时所用盛钢水的钢包，由于钢水对耐 火材料的侵蚀，容积不断增大，我们希望找出使用次 数与增大容积之间的函数关系.实验数据如下： 表4.2 钢包使用次数与增大容积
使用 次数 增大 容积 使用 次数 增大 容积 2 6.42 10 3 8.2 11 4 5 6 9.7 14 7 10 15 8 9.93 16 9 9.99