Matlab最小二乘法曲线拟合.pdf

word格式-可编辑-感谢下载支持

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))xx^2];

执行：

para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。

2.假设要拟合：y=a+b*exp(x)+cx*exp(x^2)

设计矩阵X为

X=[ones(size(x))exp(x)x.*exp(x.^2)];X=[ones(size(x))exp(x)x.*exp(x.^2)];

3.多重回归(乘积回归)

设要拟合：y=a+b*x+c*t，其中x和t是预测变量，y是响应变量。设计矩阵为

X=[ones(size(x))xt]%注意x,t大小相等！

polyfit函数

polyfit函数不需要输入设计矩阵，在参数估计中，polyfit会根据输入的数据生成设计矩阵。

1.假设要拟合的多项式是：y=a+b*x+c*x^2

p=polyfit(x,y,2)

然后可以使用polyval在t处预测：

y_hat=polyval(p,t)

polyfit函数可以给出置信区间。

[pS]=polyfit(x,y,2)%S中包含了标准差

[y_fit,delta]=polyval(p,t,S)%按照拟合模型在t处预测

在每个t处的95%CI为：(y_fit-1.96*delta,y_fit+1.96*delta)

2.指数模型也适应

假设要拟合：y=a+b*exp(x)+c*exp(x.?2)

p=polyfit(x,log(y),2)

fminsearch函数

fminsearch是优化工具箱的极小化函数。LS问题的基本思想就是残差的平方和(一种范数，由此，LS产生了许多应用)最

小，因此可以利用fminsearch函数进行曲线拟合。

假设要拟合：y=a+b*exp(x)+c*exp(x.?2)

首先建立函数，可以通过m文件或函数句柄建立：

word格式-可编辑-感谢下载支持

x=[];

y=[];

f=@(p,x)p(1)+p(2)*exp(x)+p(3)*exp(x.?2)%注意向量化:p(1)=a;p(2)=b;p(3)=c;

%可以根据需要选择是否优化参数

%opt=options()

p0=ones(3,1);%初值

para=fminsearch(@(p)(y-f(p,x)).^2,p0)%可以输出Hessian矩阵

res=y-f(para,x)%拟合残差

曲线拟合工具箱

提供了很多拟合函数，对大样本场合比较有效！

非线性拟合nlinfit函数

clearall;

x1=[0.42920.42690.3810.40150.41170.3017];

x2=[0.000140.000590.01260.00610.004250.0443];

x=[x1x2];

y=[0.5170.5090.440.4660.4790.309];

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=[80.5];

opt=optimset(TolFun,1e-3,TolX,1e-3);%

[pR]=nlinfit(x,y,f,p0,opt)

例子例子例子例子例子例子例子例子例子例子例子例子例子例子例子例子

直