matlab进行拟合
拟合
- 线性最小二乘法
- 1、解线性方程组 拟合参数
- 1、对于方程` y=a*t+b`
- 2、
- 约束线性最小二乘解（解 约束线性方程组）
- 多项式拟合
- fit 和fittype
- 1、f = fittype(libraryModelName) %利用库模型函数类
- 2、f = fittype(expression) %自定义函数
- fit
- fit用法举例
- 经典问题的拟合方式
线性最小二乘法
1、解线性方程组 拟合参数
1、对于方程 y=a*t+b
clc, clear, t=[0:7]';
y=[27.0, 26.8, 26.5, 26.3, 26.1, 25.7, 25.3, 24.8]';
tb=mean(t); yb=mean(y);
ahat=sum((t-tb).*(y-yb))/sum((t-tb).^2) %编程计算
bhat=yb-ahat*tb
%以上是解方程得出的参数结果，以下是拟合得到的参数结果
R=[t,ones(8,1)];
cs=R\y %解超定线性方程组求拟合参数 y=a*t+b2、
clc, clear
x0=[5.764 6.286 6.759 7.168 7.408]';
y0=[0.648 1.202 1.823 2.526 3.360]';
a=[x0.^2, x0.*y0, y0.^2, x0, y0];
b=-ones(5,1); c=a\b
fxy=@(x,y)c(1)*x.^2+c(2)*x.*y+c(3)*y.^2+c(4)*x+c(5)*y+1; %定义匿名函数
% h=fimplicit(fxy,[3.5,8,-1,5]), title('')
%fimplicit效果据说优于ezplot，但这里用不了，差不多啦
h=ezplot(fxy,[3.5,8,-1,5]), title('') %绘制隐函数、符号函数
set(h,'Color','k','LineWidth',1.5)
xlabel('$x$','Interpreter','Latex')
ylabel('$y$','Interpreter','Latex','Rotation',0)约束线性最小二乘解（解 约束线性方程组）
clc, clear, a=load('data5_11.txt');
x0=a(1,:)'; d=a(2,:)'; C=[exp(x0),log(x0)];
A=[1 1]; b=1; %线性不等式的约束矩阵和常数项列 A对应系数，b对应等式右侧值 a+b<=1
lb=zeros(2,1); %参数向量的下界
cs=lsqlin(C,d,A,b,[],[],lb) %拟合参数多项式拟合
m、t为未知参数
clc, clear, a=load('data5_12.txt');
t0=a(1,:); y0=log(a(2,:));
p=polyfit(t0,y0,1), p(2)=exp(p(2))原来ployfit还可以拟合像 lny=mx+b（这也是多项式？）这样的式子
fit 和fittype
使用如下两种方式，可以使用MATLAB已经实现的拟合算法或者使用自定义的拟合算法（可以引用.m文件），具体算法有‘poly11’，‘poly2’，‘linearinterp’等，具体详见fittype的文档说明。
1、f = fittype(libraryModelName) %利用库模型函数类
f = fittype( 'gauss1' ); %高斯拟合
f=fit(t,y,'poly1') %利用库模型函数类
2、f = fittype(expression) %自定义函数
2.1 匿名函数
ft = fittype(@(a,b,c,x) a*x^3 + b*x^2 +c*x );
2.2 公式具体表达（常用）
f=fittype('公式具体表达','dependent','因变量名','independent','自变量名','coefficients',{'待定参数1','待定参数2'});
syms t;
x=[50; 200; 400; 600; 800];
y=[0.00000209; 0.00000267; 0.00000825; 0.000748; 0.0216];f=fittype('C*(1-(0.0005)^(0.00013-0.000000372*t+0.0000000036*t^2))^(n+1)','independent','t','coefficients',{'C','n'}); [cfun,rsquare]=fit(x,y,f,'Lower',[580,1.4],'Upper',[3000000,3],'StartPoint',[600, 1.5]); xi=0:1:850;
yi=cfun(xi);plot(x,y,'r*',xi,yi,'b-');
clc, clear
x0=linspace(1,10,20); y0=linspace(3,20,20);
z0=1+2*log(x0)+3*y0; %产生z=1+2lnx+3y的数据
g=fittype('a+b*log(x)+c*y', 'dependent', {'z'}, 'independent', {'x', 'y'})
f=fit([x0',y0'],z0',g,'StartPoint',rand(1,3)) %利用模拟数据拟合fit
fitobject = fit(x,y,fitType)
fitobject = fit([x,y],z,fitType)
fitobject = fit(x,y,fitType,fitOptions)
fitobject = fit(x,y,fitType,Name,Value)
[fitobject,gof] = fit(x,y,fitType)
[fitobject,gof,output] = fit(x,y,fitType)
fitresult= fit( xData, yData, ftype);
其输出fitresult是一个cfit型的对象(object)，主要包含两个内容：
1，拟合模型，即第一步中确定的拟合类型；
(即恰当的拟合函数，比如 f(x) = p1x + p2， fo(x) = a1exp(-((x-b1)/c1)^2)
2，拟合所得系数的值。例如对第一步中所创建的高斯模型，其fitresult 的值为
fitresult = General model Gauss1:fo(x) = a1*exp(-((x-b1)/c1)^2)Coefficients (with 95% confidence bounds):a1 = 45.54 (42.45, 48.64)b1 = 0.01011 (0.0101, 0.01012)c1 = 0.0002551 (0.0002353, 0.0002748)
3、获得了这样一个object，如何把其中的系数提取出来呢？这个要用到coeffvalues函数
coeffvalues(fitresult)
ans =45.5426 0.0101 0.0003
4、获取拟合优度gof
现在已经获得了拟合系数，那到底拟合得怎么样呢？可以使用下面的格式获取拟合优度
[fitresult ,gof] = fit(X,Y,‘gauss1’);
gof是一个结构体，包含4个量
sse：Sunm of squares due to error
rsquare：R-square 这个就是线性回归里的那个R2，与线性回归里的具有同样的意义
dfe：Degrees of freedom in the error，不懂
adjrsquare: 也不懂
rmse: 误差的均方根值(rms)
接下来这个例子解释fit的具体用法
syms t;
x=[50; 200; 400; 600; 800];
y=[0.00000209; 0.00000267; 0.00000825; 0.000748; 0.0216];f=fittype('C*(1-(0.0005)^(0.00013-0.000000372*t+0.0000000036*t^2))^(n+1)','independent','t','coefficients',{'C','n'}); [cfun,rsquare]=fit(x,y,f,'Lower',[580,1.4],'Upper',[3000000,3],'StartPoint',[600, 1.5]); xi=0:1:850;
yi=cfun(xi);plot(x,y,'r*',xi,yi,'b-');
5、fitoptions设置，即拟合选项的设置
[cfun,函数输出设置]=fit(x,y,f,'函数输入设置1',输入设置1具体定义,'函数输入设置2',输入设置2具体定义,...,'函数输入设置n',输入设置n具体定义)
[cfun,rsquare]=fit(x,y,f,'Lower',[580,1.4],'Upper',[3000000,3],'StartPoint',[600, 1.5]);
函数输出设置可选rsquare等，需要注意的是其输出是作为一个整体输出的。一般写rsquare，诸如sse、rsquare、dfe、adjusted rsquare、rmse都会给出。所以建议只写rsquare即可。
函数输入设置可选较多，这里只给常用的几个参数设定：
1、lower：拟合参数下界限，和参数一 一对应，案例中’Lower’,[580,1.4]即表示拟合过程中参数C取值不小于580，参数n取值不小于1.4。
2、upper：拟合参数上界限，和参数一 一对应，案例中’Upper’,[3000000,3]即表示拟合过程中参数C取值不大于3000000，参数n取值不大于3。
3、StartPoint：拟合参数初始值，和参数一 一对应，案例中’StartPoint’,[600,1.5]即表示拟合开始时参数C取值为600，参数n取值为1.5。
需要注意的一点是上述参数不知道的情况下可全部删去。但拟合结果会出现以下语句，其大意为计算过程中参数初值由系统随机选定，这将导致拟合结果不可靠。在不知道参数上下界范围的时候，建议删去所有输入设置，多次试算以确定参数大致范围。
警告: Start point not provided, choosing random start point.
> In curvefit.attention.Warning/throw (line 30)In fit>iFit (line 299)In fit (line 108)
cfun = General model:cfun(t) = C*(1-(0.0005)^(0.00013-0.000000372*t+0.0000000036*t^2))^(n+1)Coefficients (with 95% confidence bounds):C = 589.8 (-6265, 7445)n = 1.488 (-1.303, 4.279)rsquare = 包含以下字段的 struct:sse: 1.9441e-05rsquare: 0.9470dfe: 3adjrsquare: 0.9294rmse: 0.0025
6、进行 拟合自变量范围及间隔设置。
案例中xi=0:1:850；表示绘制0到850之间的拟合曲线，拟合曲线计算间隔为1。（理论上设置间隔越小，最后拟合结果越可靠，建议间隔不要超过3000个）
7、通过调用plot函数绘制拟合图像
最后结果如下：
cfun = General model:cfun(t) = C*(1-(0.0005)^(0.00013-0.000000372*t+0.0000000036*t^2))^(n+1)Coefficients (with 95% confidence bounds):C = 2152 (-2.326e+04, 2.756e+04)n = 1.805 (-1.038, 4.647)rsquare = 包含以下字段的 struct:sse: 1.3311e-05rsquare: 0.9637dfe: 3adjrsquare: 0.9517rmse: 0.0021
很好的详细步骤
参考博文1
官方文档
一个例子
可以看看的博客
工具箱拟合
fit用法举例
clc, clear, d=load('data5_15.txt');
xy0=d([1,2],:)'; z0=d(3,:)';
g=fittype('a*exp(b*x)+c*y^2','dependent','z','independent',{'x', 'y'})
[f,st]=fit(xy0,z0,g,'StartPoint',rand(1,3))
g = General model:g(a,b,c,x,y) = a*exp(b*x)+c*y^2General model:f(x,y) = a*exp(b*x)+c*y^2Coefficients (with 95% confidence bounds):a = 6.193 (5.043, 7.343)b = 0.04353 (0.01983, 0.06723)c = 0.3995 (0.3856, 0.4135)st = sse: 0.4410rsquare: 0.9995dfe: 5adjrsquare: 0.9993rmse: 0.2970
clc, clear
x0=[1:50]'; y0=2*cos(2*x0)+6*sin(2*x0);
lb=[-inf*ones(1,5),1]; ub=[inf*ones(1,5),1];
%要拟合的这个傅里叶函数有6个要拟合的参数
%w参数在最后一个位置，约束w=1
[f,g]=fit(x0,y0,'fourier2','Lower',lb,'Upper',ub)
f = General model Fourier2:f(x) = a0 + a1*cos(x*w) + b1*sin(x*w) + a2*cos(2*x*w) + b2*sin(2*x*w)Coefficients (with 95% confidence bounds):a0 = 3.96e-17 (-3.85e-16, 4.642e-16)a1 = -5.136e-16 (-1.115e-15, 8.836e-17)b1 = -3.754e-17 (-6.366e-16, 5.615e-16)a2 = 2 (2, 2)b2 = 6 (6, 6)w = 1 (fixed at bound)g = sse: 9.9988e-29rsquare: 1dfe: 45adjrsquare: 1rmse: 1.4906e-15
经典问题的拟合方式
clc, clear
t0=[0 1 2 3 4 5 6 8 10 12 14 16 18]';
x0=[60 63 64 63 61 58 53 44 39 38 41 46 53]';
y0=[30 34 38 44 50 55 58 56 47 38 30 27 26]';
dt=diff(t0); dx=diff(x0); dy=diff(y0);
temp=x0(1:end-1).*y0(1:end-1);
mat=[x0(1:end-1), -temp,zeros(12,2)zeros(12,2), -y0(1:end-1), temp]; %构造线性方程组的系数矩阵
const=[dx./dt; dy./dt]; %构造线性方程组的常数项列
abcd=mat\const %拟合参数a,b,c,dmatlab进行拟合相关推荐
- MATLAB快速拟合二组数据
MATLAB快速拟合二组数据 第一步:打开MATLAB,点击主页中的新建变量,点击修改变量名为a,然后复制数据进去,接着新建变量b,复制数据进去. 第二步:点击上端的APP,选择第一个图标 第三步:选 ...
- matlab 中最小二乘拟合,matlab 最小二乘拟合
matlab 最小二乘拟合 2018-1-25来自ip:12.12.148.103的网友咨询 浏览量:157 问题补充: matlab 最小二乘拟合 这是m文件 function y=nihe4(p, ...
- 双曲线matlab函数拟合,matlab怎么拟合双曲线
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 ...
- 用MATLAB求解拟合公式系数和拟合优度
使用Matlab编写拟合计算函数类,程序代码如下: 注: 非线性拟合函数Lsqcurvefit(f,a,x,y)参数介绍: f:符号函数句柄. a:系数预估的值(预拟合的未知参数的估计值). x:我们 ...
- Matlab 最小二乘法 拟合平面
一.原理推导 最小二乘法 拟合平面是我们最常用的拟合平面的方法,但是有特殊的情况是用这种方法是不能拟合的,后续会加上这种拟合方法(RANSAC). matlab 最小二乘拟合平面(方法一) - 灰信网 ...
- 二次函数 用matlab,这个二次函数如何在MATLAB中拟合出来？
这个二次函数如何在MATLAB中拟合出来? 关注:278 答案:2 手机版 解决时间 2021-01-15 20:02 提问者夕阳再美ソ也会落幕 2021-01-15 17:12 (q+1/1.1 ...
- matlab参数方程拟合
Matlab参数方程拟合 拟解决的问题: 问题描述 数据 程序 结论 拟解决的问题: 假设已经得到了一个描述特定数据规律的方程,但是不知道方程参数的具体值,通过与已有数据的拟合求解方程参数. 以种群增 ...
- matlab 二次曲面拟合,利用MATLAB结合C语言实现GPS高程二次曲面拟合
最小二乘法 c语言实现线性,matlab进行拟合及 熊志强+肖腾飞 摘 要:对GPS高程曲面拟合的研究有很多,通常人们实现GPS高程曲面拟合都是用单一的编程语言.而文章则介绍结合两种编程语言更加方便地 ...
- matlab 多重拟合,matlab多变量曲线拟合
大家好,由于初学不知道该怎么入手,希望高手及热心的朋友帮帮忙,一共有8组数据,abcd是自变量,F是因变量,需要利用这些数据用matlab编程拟合成一条曲线,得出一个含有abcd变量的F=f(abcd ...
- matlab数值拟合r2_MATLAB之数据处理+公式拟合
MATLAB之数据处理+公式拟合 前言:由试验得到一组数据,对该组数据进行处理,作图分析,分析各变量的关系,期望得到拟合公式. 试验数据背景 本次试验有三个自变量:V.M.G,因变量为F,每组试验重复 ...
最新文章
- Ubuntu下修改DNS重启也能用的方法
- 自学python需要安装什么软件-零基础入门Python怎么学习？老男孩python用什么软件...
- C# string.Format谨慎使用
- 【struts2】action中使用通配符
- 《嵌入式C编程：PIC单片机和C编程技术与应用》一1.2 注释
- 如何更改电脑ip地址租期_局域网通过IP地址如何找到电脑的位置
- 初级黑客安全技术命令详解
- Python数据可视化案例一：自定义曲线频率、颜色与线型
- 举例 微积分 拉格朗日方程_变量数学时代——微积分的发明
- 深度浅析：国民产业链两大泡沫
- 简单绑定要注意的问题_AX
- 插入数据值 设置标签属性的值 来自 精通ASP-NET-MVC-5-弗瑞曼
- Hibernate 二级缓存和查询缓存
- 第二重要极限公式推导过程_土木考研 土力学第八章公式推导
- Unity 源码研究 获取颜色面板ColorPicker键值信息
- scrapy_redis种子优化
- DANN困扰解决-交替训练数据
- Android BLE 蓝牙开发指南（三）外围设备端开发详解
- AR眼镜进入发展热潮，替代手机还有多远？
- 记录java围棋小游戏心得