Matlab线性回归(拟合)

Matlab 线性回归（拟合）

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 2122221112

11111，⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=n y y y y 21，则⎪⎪⎪⎪⎪⎭⎫ ⎝⎛=p ββββ 10 的估计值为 y x x x b ')'(ˆ1-==β

在Matlab 中，用regress 函数进行多元线性回归分析，应用方法如下：

语法：b = regress(y, x)

[b, bint, r, rint, stats] = regress(y, x)

[b, bint, r, rint, stats] = regress(y, x, alpha)

b = regress(y, x)，得到的1+p 维列向量b 即为式给出的回归系数β的估计值．

[b, bint, r, rint, stats]=regress(y, x) 给出回归系数β的估计值b ，β的95％置信区间（(1)2p +⨯向量）bint ，残差r 以及每个残差的95％置信区间（2⨯n 向量）rint ；向量stats 给出回归的R 2统计量和F 以及临界概率p 的值．

如果i β的置信区间（bint 的第1i +行）不包含0，则在显著水平为α时拒绝0i β=的假设，认为变量i x 是显著的．

[b, bint, r, rint, stats]=regress(y, x, alpha) 给出了bint 和rint 的100(1-alpha)%的置信区间．

三次样条插值函数的MATLAB 程序

matlab 的spline

x = 0:10; y = sin(x); %插值点

xx = 0:.25:10; %绘图点

yy = spline(x,y,xx);

plot(x,y,'o',xx,yy)

非线性拟合

非线性拟合可以用以下命令(同样适用于线形回归分析)：

= nlinfit(X,y,fun,beta0)

X给定的自变量数据,Y给定的因变量数据,fun要拟合的函数模型(句柄函数或者内联函数形式),

beta0函数模型中系数估计初值,beta返回拟合后的系数

= lsqcurvefit(fun,x0,xdata,ydata)

fun要拟合的目标函数,x0目标函数中的系数估计初值,xdata自变量数据,ydata 函数值数据

X拟合返回的系数(拟合结果)

nlinfit

格式：[beta，r，J]=nlinfit（x，y，’model’, beta0）

Beta 估计出的回归系数

r 残差

J Jacobian矩阵

x，y 输入数据x、y分别为n*m矩阵和n维列向量，对一元非线性回归，x为n维列向量。model是事先用m-文件定义的非线性函数

beta0 回归系数的初值

例1已知数据：

x1=[,,,,];

x2=[,,,,];

x3=[,,,,];

y=[,,,,]’;

且y与x1，x2 , x3关系为多元非线性关系（只与x2,x3相关）为：

y=a+b*x2+c*x3+d*(x2.^2)+e*(x3.^2)

求非线性回归系数a , b , c , d , e 。

(1)对回归模型建立M文件如下:

function yy=myfun(beta,x)

x1=x(:,1);

x2=x(:,2);

x3=x(:,3);

yy=beta(1)+beta(2)*x2+beta(3)*x3+beta(4)*(x2.^2)+beta(5)*(x3.^2);

(2)主程序如下:

x=[,,,,;,,,,;,,,,]';

y=[,,,,]';

beta0=[1,1, 1,1, 1]';

[beta,r,j] = nlinfit(x,y,@myfun,beta0)

例题2：混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作成12个试块，记录了养护日期（日）及抗压强度y（kg/cm2）的数据：

养护时间：x =[2 3 4 5 7 9 12 14 17 21 28 56 ]

抗压强度：y =[35+r 42+r 47+r 53+r 59+r 65+r 68+r 73+r 76+r 82+r 86+r 99+r ]

建立非线性回归模型，对得到的模型和系数进行检验。

注明：此题中的+r代表加上一个[,]之间的随机数

模型为：y=a+k1*exp(m*x)+k2*exp(-m*x);

Matlab程序：

x=[2 3 4 5 7 9 12 14 17 21 28 56];

r=rand(1,12);

y1=[35 42 47 53 59 65 68 73 76 82 86 99];

y=y1+r ;

myfunc=inline('beta(1)+beta(2)*exp(beta(4)*x)+beta(3)*exp(-beta(4)*x)','beta','x');

beta=nlinfit(x,y,myfunc,[ ]);

a=beta(1),k1=beta(2),k2=beta(3),m=beta(4)

%test the model

xx=min(x):max(x);

yy=a+k1*exp(m*xx)+k2*exp(-m*xx);

plot(x,y,'o',xx,yy,'r')

结果：

a =

k1 =

k2 = -63.4591

m =

图形：