matlab数据拟合,有图有例子,一看就会

Matlab CFTool使用简介：

单一变量的曲线逼近

Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类

型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。

假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0 。

1、在命令行输入数据：

》x=[你的X轴数据]；

》y=[你的Y轴数据]；

》cftool

可以将上面三个行建立一个M文件，以便后面进行数据拟合时可以直接使用，点击运行即可进入曲线拟合工具箱界面“Curve Fitting tool”

（1）点击“Data”按钮，弹出“Data”窗口；

（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；

（3）点击“Fitting”按钮，弹出“Fitting”窗口；

（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：

?Custom Equations：用户自定义的函数类型

?Exponential：指数逼近，有2种类型，a*exp(b*x) 、a*exp(b*x) + c*exp(d*x) ?Fourier：傅立叶逼近，有7种类型，基础型是a0 + a1*cos(x*w) + b1*sin(x*w) ?Gaussian：高斯逼近，有8种类型，基础型是a1*exp(-((x-b1)/c1)^2)

?Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving

?Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~

?Power：幂逼近，有2种类型，a*x^b 、a*x^b + c

?Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型

?Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）

?Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是a1*sin(b1*x + c1)

?Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)

选择好所需的拟合曲线类型及其子类型，并进行相关设置：

——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；

——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。

在本例中选Custom Equations，点击“New”按钮，选择“General Equations”

标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合

结果。

下面是一个实例：

建立M文件，COPY下面内容至M文件中：（这是真实实验数据，比较长，直接COPY

就可以，copy至“cftool”）

clc

clear all

x=[0 10 20 30 40 50 60 70 80 90 100 110 120 130 140 150 160 170 180 190 200 210 220 230 240 250 260 270 280 290 300 310 320 330 340 350 360 370 380 390 400 410 420 430 440 450 460 470 480 490 500 510 520 530 540 550 560 570 580 590 600 610 620 630 640 650 660 670 680 690 700 710 720 730 740 750 760 770 780 790 800 810 820 830 840 850 860 870 880 890 900 910 920 930 940 950 960 970 980 990 1000 1010 1020 1030 1040 1050 1060 1070 1080 1090 1100 1110 1120 1130

1140 1150 1160 1170 1180 1190 1200 1210 1220

1230 1240 1250 1260 1270 1280 1290 1300 1310

1320 1330 1340 1350 1360 1370 1380 1390 1400

1410 1420 1430 1440 1450 1460 1470 1480 1490

1500 1510 1520 1530 1540 1550 1560 1570 1580

1590 1600 1610 1620 1630 1640 1650 1660 1670

1680 1690 1700 1710 1720 1730 1740 1750 1760

1770 1780 1790 1800 1810 1820 1830 1840 1850

1860 1870 1880 1890 1900 1910 1920 1930 1940

1950 1960 1970 1980 1990 2000 2010 2020 2030

2040 2050 2060 2070 2080 2090 2100 2110 2120

2130 2140 2150 2160 2170 2180 2190 2200 2210

2220 2230 2240 2250 2260 2270 2280 2290 2300

2310 2320 2330 2340 2350 2360 2370 2380 2390

2400 2410 2420 2430 2440 2450 2460 2470 2480

2490 2500 2510 2520 2530 2540 2550 2560 2570

2580 2590 2600 2610 2620 2630 2640 2650 2660

2670 2680 2690 2700 2710 2720 2730 2740 2750

2760 2770 2780 2790 2800 2810 2820 2830 2840

2850 2860 2870 2880 2890 2900 2910 2920 2930

2940 2950 2960 2970 2980 2990 3000 3010 3020

3030 3040 3050 3060 3070 3080 3090 3100 3110

3120 3130 3140 3150 3160 3170 3180 3190 3200

3210 3220 3230 3240 3250 3260 3270 3280 3290

3300 3310 3320 3330 3340 3350 3360 3370 3380

3390 3400 3410 3420 3430 3440 3450 3460 3470

3480 3490 3500 3510 3520 3530 3540 3550 3560

3570 3580 3590 3600 3610 3620 3630 3640 3650 3660 3670 3680 3690 3700 3710 3720 3730 3740 3750 3760 3770 3780 3790 3800 3810 3820 3830 3840 3850 3860 3870 3880 3890 3900 3910 3920 3930 3940 3950 3960 3970 3980 3990 4000 4010 4020 4030 4040 4050 4060 4070 4080 4090 4100 4110 4120 4130 4140 4150 4160 4170 4180 4190 4200 4210 4220 4230 4240 4250 4260 4270 4280 4290 4300 4310 4320 4330 4340 4350 4360 4370 4380 4390 4400 4410 4420 4430 4440 4450 4460 4470 4480 4490 4500 4510 4520 4530 4540 4550 4560 4570 4580 4590 4600 4610 4620 4630 4640 4650 4660 4670 4680 4690 4700 4710 4720 4730 4740 4750 4760 4770 4780 4790 4800 4810 4820 4830 4840 4850 4860 4870 4880 4890 4900 4910 4920 4930 4940 4950 4960 4970 4980 4990 5000 5010 5020 5030 5040 5050 5060 5070 5080 5090 5100 5110 5120 5130 5140 5150 5160 5170 5180 5190 5200 5210 5220 5230 5240 5250 5260 5270 5280 5290 5300 5310 5320 5330 5340 5350 5360 5370 5380 5390 5400 5410 5420 5430 5440 5450 5460 5470 5480 5490 5500 5510 5520 5530 5540 5550 5560 5570 5580 5590 5600 5610 5620 5630 5640 5650 5660 5670 5680 5690 5700 5710 5720 5730 5740 5750 5760 5770 5780 5790 5800 5810 5820 5830 5840 5850 5860 5870 5880 5890 5900 5910 5920 5930 5940 5950 5960 5970 5980 5990 6000 6010 6020 6030 6040 6050 6060 6070 6080 6090 6100 6110 6120 6130 6140 6150 6160 6170 6180 6190 6200 6210 6220 6230 6240 6250 6260 6270 6280 6290 6300 6310 6320 6330 6340 6350 6360 6370 6380 6390 6400 6410 6420 6430 6440 6450 6460 6470 6480 6490 6500 6510 6520 6530 6540 6550 6560 6570 6580 6590 6600 6610 6620 6630 6640 6650 6660 6670 6680 6690 6700 6710 6720 6730 6740 6750 6760 6770 6780 6790 6800 6810 6820 6830 6840 6850 6860 6870 6880 6890 6900 6910 6920 6930 6940 6950 6960 6970 6980 6990 7000 7010 7020 7030 7040 7050 7060 7070 7080 7090 7100 7110 7120 7130 7140 7150 7160 7170 7180 7190 7200 7210 7220 7230 7240 7250 7260 7270 7280 7290 7300 7310 7320 7330 7340 7350 7360 7370 7380 7390 7400 7410 7420 7430 7440 7450 7460 7470 7480 7490 7500 7510 7520

7530 7540 7550 7560 7570 7580 7590 7600 7610

7620 7630 7640 7650 7660 7670 7680 7690 7700

7710 7720 7730 7740 7750 7760 7770 7780 7790

7800 7810 7820 7830 7840 7850 7860 7870 7880

7890 7900 7910 7920 7930 7940 7950 7960 7970

7980 7990 8000 8010 8020 8030 8040 8050 8060

8070 8080 8090 8100 8110 8120 8130 8140 8150

8160 8170 8180 8190 8200 8210 8220 8230 8240

8250 8260 8270 8280 8290 8300 8310 8320 8330 8340];

y=[3.934 3.893 3.878 3.873 3.862 3.857 3.852 3.847 3.836 3.831 3.831 3.826 3.821 3.816 3.816 3.811 3.811 3.805

3.805 3.8 3.8 3.795 3.795 3.795 3.79 3.795 3.79 3.79

3.785 3.79 3.785 3.785 3.785 3.78 3.78 3.78 3.78

3.774 3.774 3.774 3.774 3.774 3.774 3.769 3.769 3.769

3.769 3.769 3.769 3.769 3.769 3.769 3.769 3.769 3.769

3.764 3.764 3.764 3.764 3.764 3.764 3.764 3.764 3.764

3.764 3.764 3.764 3.759 3.759 3.759 3.759 3.759 3.759

3.759 3.759 3.759 3.759 3.759 3.759 3.759 3.759 3.759

3.759 3.754 3.759 3.759 3.754 3.754 3.754 3.754 3.754

3.754 3.754 3.754 3.754 3.754 3.754 3.754 3.749 3.754

3.754 3.749 3.749 3.754 3.749 3.754 3.754 3.749 3.754

3.749 3.754 3.749 3.754 3.749 3.749 3.749 3.749 3.749

3.749 3.749 3.749 3.749 3.749 3.749 3.749 3.744 3.749

3.749 3.744 3.744 3.744 3.744 3.744 3.744 3.744 3.744

3.744 3.744 3.738 3.744 3.744 3.744 3.744 3.744 3.744

3.738 3.738 3.738 3.738 3.738 3.738 3.738 3.738 3.738

3.738 3.738 3.738 3.733 3.738 3.733 3.733 3.733 3.733

3.733 3.733 3.733 3.733 3.733 3.733 3.733 3.728 3.728

3.728 3.728 3.728 3.728 3.728 3.728 3.728 3.728 3.728

3.728 3.723 3.728 3.728 3.728 3.728 3.728 3.728 3.723

3.723 3.723 3.718 3.723 3.723 3.723 3.723 3.718 3.723

3.723 3.718 3.718 3.718 3.718 3.718 3.718 3.718 3.718

3.718 3.718 3.718 3.718 3.713 3.718 3.718 3.713 3.713

3.713 3.713 3.713 3.713 3.713 3.713 3.713 3.713 3.713

3.713 3.713 3.713 3.713 3.707 3.713 3.707 3.707 3.707

3.707 3.707 3.707 3.707 3.707 3.707 3.702 3.702 3.702

3.707 3.702 3.702 3.702 3.702 3.702 3.702 3.702 3.702

3.697 3.702 3.697 3.697 3.697 3.697 3.697 3.697 3.697

3.697 3.697 3.692 3.692 3.692 3.692 3.692 3.692 3.692

3.692 3.692 3.687 3.692 3.687 3.692 3.692 3.687 3.687

3.687 3.692 3.687 3.687 3.687 3.687 3.687 3.692 3.687

3.687 3.687 3.687 3.687 3.687 3.682 3.687 3.687 3.682

3.682 3.682 3.682 3.682 3.682 3.682 3.676 3.682 3.676

3.676 3.676 3.676 3.676 3.671 3.671 3.676 3.671 3.671 3.671 3.671 3.671 3.671 3.666 3.671 3.671 3.671 3.666 3.671 3.671 3.671 3.666 3.666 3.666 3.666 3.666 3.666 3.666 3.661 3.661 3.661 3.661 3.661 3.661 3.661 3.661 3.661 3.661 3.656 3.656 3.656 3.656 3.656 3.656 3.651 3.651 3.656 3.651 3.651 3.651 3.651 3.651 3.645 3.651 3.645 3.645 3.645 3.645 3.645 3.645 3.645 3.645 3.645 3.64 3.64 3.645 3.64 3.64 3.64 3.64 3.64 3.64 3.635 3.64 3.635 3.635 3.64 3.635 3.635 3.635 3.635 3.635 3.635 3.635 3.635 3.635 3.63 3.635 3.63 3.63 3.63 3.63 3.63 3.63 3.63 3.63 3.63 3.625 3.63 3.63 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.625 3.62 3.62 3.62 3.62 3.62 3.62 3.615 3.615 3.615 3.615 3.615 3.615 3.615 3.609 3.615 3.609 3.609 3.609 3.609 3.609 3.609 3.604 3.609 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.604 3.599 3.599 3.599 3.599 3.599 3.599 3.599 3.599 3.599 3.599 3.594 3.594 3.594 3.589 3.589 3.594 3.589 3.589 3.589 3.589 3.589 3.589 3.589 3.589 3.584 3.584 3.589 3.584 3.584 3.584 3.584 3.578 3.584 3.584 3.578 3.578 3.578 3.578 3.578 3.578 3.578 3.573 3.573 3.573 3.573 3.573 3.573 3.573 3.568 3.568 3.568 3.568 3.568 3.563 3.563 3.563 3.563 3.563 3.563 3.563 3.563 3.563 3.558 3.558 3.558 3.558 3.558 3.558 3.558 3.553 3.558 3.558 3.553 3.553 3.553 3.553 3.553 3.553 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.547 3.542 3.542 3.542 3.542 3.542 3.542 3.537 3.537 3.537 3.537 3.537 3.537 3.537 3.537 3.532 3.532 3.532 3.532 3.527 3.527 3.527 3.527 3.527 3.527 3.527 3.527 3.527 3.522 3.522 3.522 3.522 3.522 3.522 3.522 3.522 3.522 3.516 3.516 3.516 3.516 3.516 3.516 3.511 3.511 3.506 3.506 3.506 3.506 3.506 3.506 3.506 3.501 3.501 3.501 3.501 3.496 3.496 3.496 3.496 3.496 3.496 3.491 3.491 3.491 3.491 3.491 3.491 3.485 3.485 3.485 3.485 3.48 3.48 3.48 3.48 3.48 3.48 3.475 3.475 3.475 3.475 3.475 3.47 3.47 3.47 3.47 3.47 3.465 3.465 3.465 3.465 3.465 3.465 3.465 3.46 3.46 3.46 3.46 3.455 3.455 3.455 3.455 3.449 3.449 3.449 3.449 3.444 3.444 3.444 3.444 3.439 3.439 3.439 3.439 3.439 3.439 3.434 3.434 3.434 3.434 3.429 3.429 3.429 3.424 3.424 3.424 3.424 3.424 3.418 3.418 3.418 3.418 3.418 3.413 3.413 3.408 3.408 3.408 3.408 3.408 3.403 3.403 3.398 3.398 3.398 3.393 3.393 3.393 3.393 3.387 3.387 3.387 3.382 3.382 3.382 3.382 3.382 3.377 3.377 3.377 3.377 3.372

3.372 3.372 3.367 3.367 3.362 3.362 3.362 3.362 3.362

3.356 3.356 3.356 3.351 3.351 3.351 3.346 3.346 3.341

3.341 3.341 3.341 3.336 3.336 3.331 3.331 3.326 3.326

3.326 3.32 3.32 3.315 3.315 3.31 3.31 3.31 3.305

3.305 3.305 3.3 3.3 3.3 3.295 3.295 3.295 3.289 3.289 3.284 3.284 3.279 3.274 3.274 3.274 3.269 3.269 3.269 3.264

3.264 3.258 3.258 3.253 3.253 3.253 3.248 3.248 3.243

3.238 3.238 3.233 3.233 3.227 3.227 3.222 3.222 3.217

3.217 3.212 3.212 3.207 3.207 3.202 3.202 3.196 3.196

3.191 3.191 3.186 3.186 3.181 3.176 3.176 3.171 3.166

3.16 3.155 3.155 3.15 3.145 3.145 3.14 3.135 3.135

3.129 3.129 3.124 3.119 3.114 3.114 3.109 3.104 3.104

3.098 3.093 3.088 3.083 3.083 3.078 3.073 3.062 3.057

3.057 3.052 3.047 3.047 3.042 3.031 3.031 3.026 3.021

3.021 3.011 3.006 3];

cftool

图1

图2

图3

“x 和y ” 选择后，就会出现这样的图形B

最后点击此按钮，得到图3 C

这两处分别选择“x 和y ”

A 点击此按钮，得到图4

点击此按钮，得到图

5

MATLAB中如何直接曲线拟合

MATLAB中如何直接曲线拟合，而不使用cftool的GUI 界面 我们知道在MATLAB中有个很方便的曲线拟合工具：cftool 最基本的使用方法如下，假设我们需要拟合的点集存放在两个向量X和Y中，分别储存着各离散点的横坐标和纵坐标，则在MATLAB中直接键入命令 cftool(X,Y) 就会弹出Curve Fitting Tool的GUI界面，点击界面上的fitting即可开始曲线拟合。 MATLAB提供了各种曲线拟合方法，例如：Exponential, Fourier, Gaussing, Interpolant, Polynomial, Power, Rational, Smoothing Spline, Sum of Functions, Weibull等，当然，也可以使用 Custom Equations. cftool不仅可以绘制拟合后的曲线、给出拟合参数，还能给出拟合好坏的评价 参数(Goodness of fit)如SSE, R-square, RMSE等数据，非常好用。但是如果我们已经确定了拟合的方法，只需要对数据进行计算，那么这种GUI的操作方式就不太适合了，比如在m文件中就不方便直接调用cftool。 MATLAB已经给出了解决办法，可以在cftool中根据情况生成特定的m文件，让我们直接进行特定的曲线拟合并给出参数。具体方法在帮助文件的如下文档中" \ Curve Fitting Toolbox \ Generating M-files From Curve Fitting Tool " ，以下简单举例说明： 以双色球从第125期到第145期蓝球为Y值： Y=[12 15 4 1 7 11 5 7 1 6 16 1 1 14 2 12 9 13 10 12 11]; X=1:1:21; cftool(X,Y); 点击Fitting选择最常用的多项式拟合(Polynomial)，选择3次多项式拟合(cubic)，然后就会出现如下拟合图形： 然后在Curve Fitting Tool窗口中点击 " \ File \ Generate M-file " 即可生成能直接曲线拟合的m函数文件，其中使用的拟合方法就是刚才使用的三次多项式拟合，文件中这条语句证明了这一点： ft_ = fittype('poly3'); 保存该m文件（默认叫做createFit.m），调用方法和通常的m文件一样，使用不同的X和Y值就能拟合出不同的曲线。但是，这种调用方法只能看到一个拟合出的图形窗口，拟合参数以及Goodness of fit参数都看不到了，因此需要在刚才的m文件中稍作修改。 找到这句话： cf_ = fit(X(ok_),Y(ok_),ft_); 修改为： [cf_,gof] = fit(X(ok_),Y(ok_),ft_); 然后将函数声明 function createFit(X,Y) 修改为 function [cf_,gof] = createFit(X,Y) ，这样我们再调用试试看： Y=[12 15 4 1 7 11 5 7 1 6 16 1 1 14 2 12 9 13 10 12 11]; X=1:1:21;

MATLAB曲线拟合的应用

MATLAB曲线拟合的应用 王磊品吴东 新疆泒犨泰克石油科技有限公司新疆油田公司准东采油厂信息所 摘要：1.阐述MATLAB数学分析软件的基本功能； 2.对MATLAB在生产数据分析中的应用进行了研究,指出曲线拟合的基本方法； 3.以实例阐明MATLAB与行业生产数据结合对生产数据进行分析的原理。 关键词：MATLAB；曲线拟合；插值 1.引言 在生产开发过程中,复杂的生产数据之间或多或少的存在着这样或者那样的联系,如何利用现今普及的计算机以及网络资源在最短的时间内找到这个联系,以指导我们的生产开发,这对于行业科研人员来说无疑是一个最为关心的问题。MATLAB矩阵分析软件,自推出以来，已成为国际公认的最优秀的数学软件之一，其范围涵盖了工业、电子、医疗以及建筑等各个领域，以其强大的科学计算功能使众多科研机构纷纷采用。 为此，本文从介绍MATLAB软件开始，以实例讲述如何使用MATLAB对生产开发数据进行计算与分析，从而达到高效、科学指导生产的目的。 2.MATLAB简介 MATLAB是MathWorks公司于1982年推出的一套高性能的数值计算和可视化数学软件。由于使用编程运算与人进行科学计算的思路和表达方式完全一致，所以不象学习其它高级语言那样难于掌握，用Matlab编写程序犹如在演算纸上排列出公式与求解问题，所以又被称为演算纸式科学算法语言。在这个环境下，对所要求解的问题，用户只需简单地列出数学表达式，其结果便以数值或图形方式显示出来。 MATLAB的含义是矩阵实验室（MATRIX LABORATORY），主要用于方便矩阵的存取，其基本元素是无须定义维数的矩阵。自问世以来, 就是以数值计算称雄。MATLAB进行数值计算的基本单位是复数数组（或称阵列），这使得MATLAB高度“向量化”。经过十几年的完善和扩充，现已发展成为线性代数课程的标准工具。由于它不需定义数组的维数，并给出矩阵函数、特殊矩阵专门的库函数，使之在求解诸如信号处理、建模、系统识别、控制、优化等领域的问题时，显得大为简捷、高效、方便，这是其它高级语言所不能比拟的。美国许多大学的实验室都安装有供学习和研究之用。 MATLAB中包括了被称作工具箱（TOOLBOX）的各类应用问题的求解工具。工具箱实际上是对MATLAB进行扩展应用的一系列 MATLAB函数（称为M文件），它可用来求解各类学科的问题，包括信号处理、图象处理、控制系统辨识、神经网络等。随着 MATLAB版本的不断升

matlab曲线拟合实例

曲线拟合 求二次拟合多项式 解：（一）最小二乘法MA TLAB编程： function p=least_squar(x,y,n,w) if nargin<4 w=1 end if nargin<3 n=1 end m=length(y); X=ones(1,m) if m<=n error end for i=1:n X=[(x.^i);X] end A=X*diag(w)*X';b=X*(w.*y)';p=(A\b)' 输入： x=[1 3 5 6 7 8 9 10]; y=[10 5 2 1 1 2 3 4] p=least_squar(x,y,2) 运行得： p = 0.2763 -3.6800 13.4320 故所求多项式为：s(x)=13.432-3.68x+0.27632x （二）正交多项式拟合MATLAB编程： function p=least_squar2(x,y,n,w) if nargin<4 w=1; end if nargin<3 n=1; end m=length(x); X=ones(1,m); if m<=n error end for i=1:n X=[x.^i;X]; end A=zeros(1,n+1);

A(1,n+1)=1; a=zeros(1,n+1); z=zeros(1,n+1); for i=1:n phi=A(i,:)*X;t=sum(w.*phi.*phi); b=-sum(w.*phi.*x.*phi)/t a(i)=sum(w.*y.*phi)/t; if i==1 c=0;else c=-t/t1; end t1=t for j=1:n z(j)=A(i,j+1); end z(n+1)=0 if i==1 z=z+b*A(i,:); else z=z+b*A(i,:)+c*A(i-1,:); end A=[A;z]; end phi=A(n+1,:)*X;t=sum(w.*phi.*phi); a(n+1)=sum(w.*y.*phi)/t; p=a*A; 输入： x=[1 3 5 6 7 8 9 10]; y=[10 5 2 1 1 2 3 4]; p=least_squar2(x,y,2) 运行得： b = -6.1250 t1 = 8 z = 0 1 0 b = -4.9328 t1 = 64.8750 z = 1.0000 -6.1250 0 p = 0.2763 -3.6800 13.4320 故所求多项式为：s(x)=13.432-3.68x+0.27632x

实验6答案 Matlab数值计算

实验6 Matlab数值计算 实验目的： 1、掌握数据统计与分析的方法； 2、掌握数据插值和曲线拟合的方法及其应用； 3、掌握多项式的常用运算。 实验内容： 1.利用randn函数生成符合正态分布的10×5随机矩阵A，进行如下操作： （1）求A的最大元素和最小元素； （2）求A的每行元素的和以及全部元素的和； （3）分别对A的每列元素按升序、每行元素按降序排列。 a = randn(10,5)+10; ma = max(max(a)) mi = min(min(a)) s = sum(a,2) sa = sum(sum(a)) p = sort(a) p1 = -sort(-a,2) 2.用3次多项式方法插值计算1-100之间整数的平方根。 f = sqrt(n); interp1(n,f,(1:100),'cubic') 3.某气象观测站测得某日6：00-18：00之间每隔2h的室内外温度（°C）如下表所示。

使用三次样条插值分别求出该日室内外6：30-17：30之间每隔2h 各点的近似温度，并绘制插值后的温度曲线。 n= 6:2:18; f1 = [18 20 22 25 30 28 24]; f2 = [15 19 24 28 34 32 30]; r = 6.5:2:17.5; w = interp1(n,f1,r,'spline'); w1 = interp1(n,f2,r,'spline'); subplot(211),plot(r,w) subplot(212),plot(r,w1) 4. 已知lgx 在[1,101]区间10个整数采样点的函数值如下表所示， 试求lgx 的5次拟合多项式p(x)，并绘制lgx 和p(x)在[1,101]区间的函数曲线。 x = linspace(1,101,10); y = log(x) /log(10); p = polyfit(x,y,5) y1 = polyval(p,x) plot(x,y,':o',x,y1,'-*') legend('sin(x)','fit') 5. 有3个多项式(),(),()P x x x x P x x P x x x =+++=+=++4 3 2 2 123245223，试进 行下列操作： （1） 求()()()()P x P x P x P x =+123。 （2） 求()P x 的根。 （3） 当x 取矩阵A 的每一元素时，求()P x 的值。其中： .....A --?? ? ?=?????? 11214075 2350 5 25 p1 = [1 2 4 0 5]; p2 = [0 0 0 1 2];

MATLAB中简单的数据拟合方法与应用实例①

MATLAB中简单的数据拟合方法与应用实例 仅供努力学习matlab的同学们参考参考,查阅了M多资料,总结了以下方法 按步骤做能够基本学会matlab曲线拟合的 1.1数据拟合方法 1.1.1多项式拟合 1.多项式拟合命令 polyfit(X,Y,N):多项式拟合，返回降幂排列的多项式系数。 Polyval(P,xi):计算多项式的值。 其中,X,Y是数据点的值；N是拟合的最高次幂；P是返回的多项式系数；xi是要求的横坐标 拟合命令如下： x=[1 2 3 4 5 6 7 8 9]; y=[9 7 6 3 -1 2 5 7 20]; P=polyfit(x,y,3); xi=0:.2:10; yi=polyval(P,xi); plot(xi,yi,x,y,'r*'); 拟合曲线与原始数据如图1-1 图1-1 2图形窗口的多项式拟合 1）先画出数据点如图1-2 x=[1 2 3 4 5 6 7 8 9]; y=[9 7 6 3 -1 2 5 7 20]; plot(x,y,'r*');

图1-2 2）在图形窗口单击Tools—Basic Fitting,如图1-3勾选. 图1-3 图1-3右方分别是线性、二阶、三阶对数据进行多项式拟合。下面的柱状图显示残差，可以看出,三阶多项式的拟合效果是最好的。 1.1.2指定函数拟合 已知M组数据点和对应的函数形式f t （t）=acos(kt)e X Y 编写M文件：

syms t x=[0;0.4;1.2;2;2.8;3.6;4.4;5.2;6;7.2;8;9.2;10.4;11.6;12.4;13.6;14.4;15]; y=[1;0.85;0.29;-0.27;-0.53;-0.4;-0.12;0.17;0.28;0.15;-0.03;-0.15;-0.071;0.059;0.08;0.032;-0.015;-0.02]; f=fittype('a*cos(k*t)*exp(w*t)','independent','t','coefficients',{'a','k','w'}); cfun=fit(x,y,f) xi=0:.1:20; yi=cfun(xi); plot(x,y,'r*',xi,yi,'b-'); 图1-4 运行程序,在命令窗口可达到以下运行结果，图像如图1-4 Warning: Start point not provided, choosing random start point. > In fit>handlewarn at 715 In fit at 315 In Untitled2 at 5 cfun = General model: cfun(t) = a*cos(k*t)*exp(w*t) Coefficients (with 95% confidence bounds): a = 0.9987 ( 0.9835, 1.014) k = 1.001 (0.9958, 1.006) w = -0.2066 (-0.2131, -0.2002) 从结果可以看出,拟合的曲线为： (0.2066) ()0.9987cos(1.001)*t f t t e- =。拟 合曲线给出了数据大致趋势，并给出了各参数的置信区间。

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 17000 18000 19000 2 0000 21000 22000 23000]; y=[24.0 26.5 29.8 32.4 34.7 37.7 41.1 42.8 44.6 47.3 65.8 87.5 137.8 174. 2] 三，程序如下 X=10000:1000:23000; Y=[24.0,26.5,29.8,32.4,34.7,37.7,41.1,42.8,44.6,47.3,65.8,87.5,137.8,17 4.2] 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; end Q=1-chi2cdf(chi2,freedom); %判断拟合良好度 clf,shg subplot(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 on errorbar(x,YE{nod},D{nod},‘r’)；hold off title(‘较适当阶次的拟合’) text(10000,150.0,[‘chi2=’num2str(chi2(nod))‘~’int2str(freedom(nod))])

Matlab数据拟合程序

课程设计名称：设计二：数据拟合指导教师：张莉 课程设计时数： 6 课程设计设备：安装了Matlab、C++软件的计算机 课程设计日期：实验地点：第五教学楼北902 课程设计目的： 1. 了解最小二乘拟合的原理，掌握用MA TLAB作最小二乘拟合的方法； 2. 学会利用曲线拟合的方法建立数学模型。 课程设计准备： 1.在开始本实验之前，请回顾相关内容； 2.需要一台准备安装Windows XP Professional操作系统和装有数学软件的计算机。 课程设计内容及要求 要求：设计过程必须包括问题的简要叙述、问题分析、实验程序及注释、实验数据及结果分析和实验结论几个主要部分。 1. 用切削机床进行金属品加工时，为了适当地调整机床，需要测定刀具的磨损速度，在一定的时间测量刀具的厚度，得数据如表所示，请选用合适的函数来描述切削时间与刀具厚度的关系。 首先对数据进行分析，画出离散的点，观察点近似的曲线： t=0:1:15; y=[30.0 29.1 29.8 28.1 28.0 27.7 27.5 27.2 27.0 26.8 26.5 26.3 26.1 25.7 25.3 24.8]; plot(t,y,'r*')

判断出曲线是近似直线函数，所以对数据进行测试可以做三次函数拟合： t=0:1:15; y=[30.0 29.1 29.8 28.1 28.0 27.7 27.5 27.2 27.0 26.8 26.5 26.3 26.1 25.7 25.3 24.8]; %plot(t,y,'r*') A=polyfit(t,y,3) z=polyval(A,t); plot(t,y,'r*',t,z,'b') 051015 拟合结果： A = -0.3099 29.5676 拟合函数为：y=-0.3099t+29.5676

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 S( x) a 0 0 ( x) a 1 1(x) ... a n n ( x) 称为曲线拟合的最小二乘法。 若记 m ( j , k ) i (x i ) j (x i ) k (x i ), 0 m (f , k ) i0 (x i )f (x i ) k (x i ) d k n 上式可改写为 ( k , jo j )a j d k ; (k 0,1,..., n) 这个方程成为法方程，可写成距阵 形式 Ga d 其中 a (a 0,a 1,...,a n )T ,d (d 0,d 1,...,d n )T , 、 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。 它的平方误差为： || 2 | 2 ] x ( f

(2008 年 10 月 26~11 月 26) F 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]; %三次多项式拟合% %九次多项式拟合% %十五次多项式拟合% %三次多项式误差平方和 % %九次次多项式误差平方和 % %十五次多项式误差平方和 % %用*画出x,y 图像% %用红色线画出x,b1图像% %用绿色线画出x,b2图像% %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 = 67.6659 r2 = 20.1060 r3 = 3.7952 r1、r2、r3分别表示三次、九次、十五次多项式误差平方和 拟和曲线如下图: a 仁polyfit(x,y,3) a2= polyfit(x,y,9) a3= polyfit(x,y,15) b1= polyval(a1,x) b2= polyval(a2,x) b3= polyval(a3,x) r1= sum((y-b1).A 2) r2= sum((y-b2).A2) r3= sum((y-b3).A2) plot(x,y,'*') hold on plot(x,b1, 'r') hold on plot(x,b2, 'g') hold on plot(x,b3, 'b:o')

MATLAB拟合函数

在Matlab 6.5以上的环境下，在左下方有一个"Start"按钮，如同Windows的开始菜单，点开它，在目录"Toolboxes"下有一个"Curve Fitting"，点开"Curve Fitting Tool"，出现数据拟合工具界面，基本上所有的数据拟合和回归分析都可以在这里进行。 下面给你简单介绍一下它的使用方法。 首先在Matlab的命令行输入两个向量，一个向量是你要的x坐标的各个数据，另外一个是你要的y坐标的各个数据。输入以后假定叫x向量与y向量，可以在workspace里面看见这两个向量，要确保这两个向量的元素数一致，如果不一致的话是不能在工具箱里面进行拟合的。 例如在命令行里输入下列数据: x=(0:0.02:0.98)';二胡与施工的计划的风光好舒服很多国家法规和积分高科技 y=sin(4*pi*x+rand(size(x))); 此时x-y之间的函数近似的为正弦关系，频率为2，但是存在一个误差项。 可以通过作图看出它们的大体分布: plot(x,y,'*','markersize',2); 打开曲线拟合共工具界面，点击最左边的"Data..."按钮，出现一个Data对话框，在Data Sets 页面里，在X Data选项中选取x向量，Y Data选项中选取y向量，如果两个向量的元素数相同，那么Create data set按钮就激活了，此时点击它，生成一个数据组，显示在下方Data Sets列表框中。关闭Data对话框。此时Curve Fitting Tool窗口中显示出这一数据组的散点分布图。 点击Fitting...按钮，出现Fitting对话框，Fitting对话框分为两部分，上面为Fit Editor，下面为Table of Fits,有时候窗口界面比较小，Fit Editor部分会被收起来，只要把Table of Fits 上方的横条往下拉就可以看见Fit Editor。在Fit Editor里面点击New Fit按钮，此时其下方的各个选框被激活，在Data Set选框中选中刚才建立的x-y数据组，然后在Type of fit 选框中选取拟合或回归类型，各个类型的拟合或回归相应的分别是： Custom Equations 用户自定义函数 Expotential e指数函数 Fourier 傅立叶函数，含有三角函数 Gaussian 正态分布函数，高斯函数 Interpolant 插值函数，含有线性函数，移动平均等类型的拟合 Polynomial 多项式函数 Power 幂函数 Rational 有理函数（不太清楚，没有怎么用过） Smooth Spline ？？（光滑插值或者光滑拟合，不太清楚） Sum of sin functions正弦函数类 Weibull 威布尔函数（没用过） 不好意思，没有学过数理统计，所以很多东西都是用了才知道，翻译也就不太准确。不过在Type of fit选框下方有一个列表框，基本上各个函数类里的函数都写成解析式列在下方以供选择，所以找合适的函数还是比较容易的。

matlab曲线拟合2010a演示

2010a版本曲线拟合工具箱 一、单一变量的曲线逼近 Matlab有一个功能强大的曲线拟合工具箱cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的Matlab R2007b 来简单介绍如何使用这个工具箱。 假设我们要拟合的函数形式是y=A*x*x + B*x, 且A>0,B>0。 1、在主命令输入数据： x=233.8:0.5:238.8; y=[235.148 235.218 235.287 235.357 235.383 235.419 235.456 235.49 235.503 235.508 235.536]; 2、启动曲线拟合工具箱 cftool(x,y) 3、进入曲线拟合工具箱界面“Curve Fitting tool” 如图 （1）利用X data和Y data的下拉菜单读入数据x,y，可在Fit name修改数据集名，这时会自动画出数据集的曲线图；

（2）在红色区域选择拟合曲线类型 工具箱提供的拟合类型有： ?Custom Equations：用户自定义的函数类型 ?Exponential：指数逼近，有2种类型，a*exp(b*x) 、a*exp(b*x) + c*exp(d*x) ?Fourier：傅立叶逼近，有7种类型，基础型是a0 + a1*cos(x*w) + b1*sin(x*w) ?Gaussian：高斯逼近，有8种类型，基础型是a1*exp(-((x-b1)/c1)^2) ?Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubicspline、shape-preserving ?Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree~ ?Power：幂逼近，有2种类型，a*x^b 、a*x^b + c ?Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree~；此外，分子还包括constant型 ?Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思） ?Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是a1*sin(b1*x + c1) ?Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b) 在results一栏看结果

matlab_数学实验_实验报告_数据拟合

数据的分析之数据的拟合 一、实验项目：Matlab 数据拟合 二、实验目的和要求 1、掌握用matlab 作最小二乘多项式拟合和曲线拟合的方法。 2、通过实例学习如何用拟合方法解决实际问题，注意差值方法的区别。 3、鼓励不囿于固定的模式或秩序，灵活调整思路，突破思维的呆板性，找到打破常规的解决方法。并在文献检索 动手和动脑等方面得到锻炼。 三、实验内容 操作一：Malthus 人口指数增长模型 用以上数据检验马尔萨斯人口指数增长模型，根据检验结果进一步讨论马尔萨斯人口模型的改进。 马尔萨斯模型的基本假设是人口的增长率为常数，记为r 。记时刻t 的人口为()x t ，且初始时刻的人口为x 0，于是得到如下微分方程 (0)dx rx dt x x ?=???=? 需要先求微分方程的解，再用数据拟合模型中的参数。 一、分析 有这个方程很容易解出0()*rt x t x e = r>0时，是表示人口箭杆指数规律随时间无限增长，称为指数增长模型。 将上式取对数，可得y=rt+a ，y=lnx ，a=lnx0 二、用matlab 编码 t=1790:10:1980; x=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92 106.5 123.2 131.7 150.7 179.3 204.0 226.5]; p=polyfit(t,log(x),1); r=p(1) x0=exp(p(2)) x1=x0.*exp(r.*t); plot(t,x,'r',t,x1,'b')

三、结果和图像 0.0214r = 0 1.2480016x e =- 1780 1800182018401860188019001920194019601980 050 100 150 200 250 300 350 操练二：旧车价格预测 分析用什么形式的曲线来拟合数据，并预测使用4、5年后的轿车平均价格大致为多少。 一、分析 用matlab 编码绘制出点图，预测图像大致形状。

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 ?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 ?最好地逼近()x f ，而不必满足插值原则。因此没必要取)(i x ?=i y ，只要使i i i y x -=)(?δ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 ?。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 -=)(?δ，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： k k x a x a a x +++=...)(10?

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。 [p,s,mu]=polyfit(x,y,n)在拟合过程中，首先对x进行数据标准化处理，以在拟合中消除量纲等影响，mu包含标准化处理过程中使用的x的均值和标准差。polyval( )为多项式曲线求值函数，调用格式：y=polyval(p,x) [y,DELTA]=polyval(p,x,s) 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。 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') 运行结果如图1 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数据拟合例子

MATLAB数据拟合例子（一次函数、指数函数、双曲线） (2010-06-03 01:44:30)转载▼ 分类：数学工具 标签：杂 谈 一次函数：（a+bx = y） %先求出拟合函数 format long; x = [2001 2002 2003 2004 2005 2006 2007 2008 2009]; y = [32.2 31.3 29.7 28.6 27.5 26.1 25.3 23.7 22.7]; d = [1 1 1 1 1 1 1 1 1]; a=[d;x]; b = a*y'; a=a*a'; c=a\b c = 1.0e+003 * 2.436797222221444 -0.001201666666666 %所以，拟合函数为 y = 1.0e+003 *(2.436797222221444 - 0.001201666666666*x %根据拟合函数求估测值 format short; x = [2010, 2011, 2012, 2013, 2014] 1.0e+003 *( 2.436797222221444 - 0.001201666666666*x) ans = 21.4472 20.2456 19.0439 17.8422 16.6406

指数函数：( y = exp(a + b*x)） >> x = [2001 2002 2003 2004 2005 2006 2007 2008 2009]; y = [21.5 15.9 11.8 8.7 6.5 4.8 3.5 2.6 2.0]; y=log(y'); d = [1 1 1 1 1 1 1 1 1]; a=[d;x]; b = a*y; a=a*a'; c=a\b c = 601.9448 -0.2993 %所以，拟合函数为 y = exp(601.9448 - 0.2993*x) %根据拟合函数求估测值 >> x = [2010, 2011, 2012, 2013, 2014] exp(601.9448 - 0.2993*x) ans = 1.4216 1.0539 0.7813 0.5792 0.4294 双曲线：（1/y = a + b/x） format long;

数学建模使用MATLAB进行数据拟合

1.线性最小二乘法 x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; ab=r\y % if AB=C then B=A\C x0=19:0.1:44; y0=ab(1)+ab(2)*x0.^2; plot(x,y,'o',x0,y0,'r') 运行结果： 2.多项式拟合方法 x0=[1990 1991 1992 1993 1994 1995 1996]; y0=[70 122 144 152 174 196 202]; a=polyfit(x0,y0,1) y97=polyval(a,1997) x1=1990:0.1:1997; y1=a(1)*x1+a(2);

plot(x1,y1) hold on plot(x0,y0,'*') plot(1997,y97,'o') 3.最小二乘优化 3.1 lsqlin函数 例四： x=[19 25 31 38 44]'; y=[19.0 32.3 49.0 73.3 97.8]'; r=[ones(5,1),x.^2]; ab=lsqlin(r,y) x0=19:0.1:44; y0=ab(1)+ab(2)*x0.^2; plot(x,y,'o',x0,y0,'r') 3.2lsqcurvefit函数

（1）定义函数 function f=fun1(x,tdata); f=x(1)+x(2)*exp(-0.02*x(3)*tdata); %其中x(1)=a，x(2)=b，x(3)=k （2） td=100:100:1000; cd=[4.54 4.99 5.35 5.65 5.90 6.10 6.26 6.39 6.50 6.59]; x0=[0.2 0.05 0.05]; x=lsqcurvefit(@fun1,x0,td,cd) %x(1)=a，x(2)=b，x(3)=k t=100:10:1000; c=x(1)+x(2)*exp(-0.02*x(3)*t); plot(t,c) hold on plot(td,cd,'*')

matlab数据拟合,有图有例子,一看就会

Matlab CFTool使用简介： 单一变量的曲线逼近 Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类 型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。 假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0 。 1、在命令行输入数据： 》x=[你的X轴数据]； 》y=[你的Y轴数据]； 》cftool 可以将上面三个行建立一个M文件，以便后面进行数据拟合时可以直接使用，点击运行即可进入曲线拟合工具箱界面“Curve Fitting tool” （1）点击“Data”按钮，弹出“Data”窗口； （2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图； （3）点击“Fitting”按钮，弹出“Fitting”窗口； （4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有： ?Custom Equations：用户自定义的函数类型 ?Exponential：指数逼近，有2种类型，a*exp(b*x) 、a*exp(b*x) + c*exp(d*x) ?Fourier：傅立叶逼近，有7种类型，基础型是a0 + a1*cos(x*w) + b1*sin(x*w) ?Gaussian：高斯逼近，有8种类型，基础型是a1*exp(-((x-b1)/c1)^2) ?Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving ?Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~ ?Power：幂逼近，有2种类型，a*x^b 、a*x^b + c ?Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型 ?Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思） ?Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是a1*sin(b1*x + c1) ?Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b) 选择好所需的拟合曲线类型及其子类型，并进行相关设置： ——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数； ——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。

matlab拟合工具箱的使用

matlab拟合工具箱使用 2011-06-17 12:53 1.打开CFTOOL工具箱。在Matlab 6.5以上的环境下，在左下方有一个"Start"按钮，如同Windows的开始菜单，点开它，在目录"Toolboxes"下有一个"Curve Fitting"，点开"Curve Fitting Tool"，出现数据拟合工具界面，基本上所有的数据拟合和回归分析都可以在这里进行。也可以在命令窗口中直接输入”cftool”，打开工具箱。 2.输入两组向量x，y。 首先在Matlab的命令行输入两个向量，一个向量是你要的x坐标的各个数据，另外一个是你要的y坐标的各个数据。输入以后假定叫x向量与y向量，可以在workspace里面看见这两个向量，要确保这两个向量的元素数一致，如果不一致的话是不能在工具箱里面进行拟合的。 例如在命令行里输入下列数据: x = [196,186, 137, 136, 122, 122, 71, 71, 70, 33]; y=[0.012605,0.013115,0.016866,0.014741,0.022353,0.019278,0.041803,0.0 38026,0.038128,0.088196]; 3.数据的选取。打开曲线拟合共工具界面，点击最左边的"Data..."按钮，出现一个Data对话框，在Data Sets页面里，在X Data选项中选取x向量，Y Data 选项中选取y向量，如果两个向量的元素数相同，那么Create data set按钮就激活了，此时点击它，生成一个数据组，显示在下方Data Sets列表框中。关闭Data对话框。此时Curve Fitting Tool窗口中显示出这一数据组的散点分布图。

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: ∑==N i i Q 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。函数返回值ｃ为非线性函数fun 的拟合系数。 例２：２004年全国大学生数学建模竞赛C 题(酒后驾车）中给出某人在短时间内喝下两瓶啤酒后，间隔一定的时间测量他的血液中酒精含量y （毫克/百毫升)，得到数据如表2。 表2 酒精含量与饮酒时间的实验数据 通过建立微分方程模型得到短时间内喝酒后血液中 酒精浓度与时间的关系为： )(321t c t c e e c y ---= （2) 根据实验数据,利用非线性拟合函数ls ｑｃurve ｆit ,确定模型(2)式中的参数c １，c ２,ｃ3。求解过程为: 先编写一个M -函数文件Example2_1: ｆun ｃｔion f=Ex ａmple2_１(c,td ａta) f ＝c(1）*(ex ｐ(-c(２)*t ｄａｔａ)－exp （-c(3)*t ｄa ｔa ）); 保存后,在命令窗口中输入: clea ｒ tdata=［０.25 0.5 0.75 1 1.5 ２ ２.5 ３ 3．5 4 4.5 ５ 6 7 8 ９ 10 11 12 13 14 15 16]; 时间(小时） 0.25 ０．5 0.75 １ 1.5 2 ２．5 3 3.5 4 ４.5 5 酒精含量 3０ 68 7５ 82 82 77 ６8 68 58 51 ５０ 4１ 时间(小时） 6 7 8 9 １ 16 酒精含量 38 35 2８ ２5 1８ １5 1２ 1０ 7 7 4