其实拟和本来就是想找一条最接近数据的曲线函数，对于两条线(有相同参数)，

不妨用f=w1*sum((f1-f1.data).^2)+w2*sum((f2-f2.data).^2)来代表俩条线的共同精度。

w1,w2为权值；

f1,f2为因变量的函数向量；

f1.data,f2.data为因变量的数据向量；

同于单条线的最小二乘法，通过用fminsearch搜无约束min(f)来得到参数x(1)...x(i)...

简化，可认为w1,w2均为1

设z3,zz4,zz5,z11,zz17,z24,z27,zz28,zz32,z35,zz36,z2,z10,z23,z26,z34为x(1)...x(16)

s1为f1,s2为f2.

m函数为

function f=f(x);

y=[-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1];

f1.data=[0.55 0.7 0.3 -0.23 -0.67 -0.8 -0.66 -0.2 0.28 0.6 0.4];

f2.data=[0.55 0.4 0.08 -0.22 -0.46 -0.76 -0.73 -0.3 0.28 0.62 0.75];

f=sum((x(1).*y+x(2).*(-1+2*y.^2)-x(3).*y.^2-x(4).*y.^3+x(5).*y.^4+x(6).*(-4*y+30*y.^3-60*y.^5+35*y.^7)  +x(7).*y.^5+x(8).*(-5*y.^4+6*y.^6)+x(9).*(10*y.^2-60*y.^4+105*y.^6-56*y.^8)+x(10).*(5*y-60*y.^3+210*y.^5-280*y.^7+126*y.^9)+x(11).*(-1+30*y.^2-210*y.^4+560*y.^6-630*y.^8+252*y.^10)-f1.data).^2)+sum((x(12)*y+x(2).*(-1+2*y.^2)+x(3).*y.^2+x(13).*y.^3+x(5).*y.^4+x(14).*(-4*y+30*y.^3-60*y.^5+35*y.^7)+x(15).*y.^5+x(8).*(-5*y.^4+6*y.^6)+x(9).*(-10*y.^2+60*y.^4-105*y.^6+56*y.^8)+x(16).*(5*y-60*y.^3+210*y.^5-280*y.^7+126*y.^9)+x(11).*(-1+30*y.^2-210*y.^4+560*y.^6-630*y.^8+252*y.^10)-f2.data).^2);

command为

x0=[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1];

>> fminsearch(@f,x0)

Exiting: Maximum number of function evaluations has been exceeded

- increase MaxFunEvals option.

Current function value: 0.943133

ans =

Columns 1 through 7

1.9997    0.5955   -0.0233    6.7263    0.3692    0.2029    4.5607

Columns 8 through 14

-0.6031    0.0995   -0.0041    0.1625   -0.4829    1.7129    0.0494

Columns 15 through 16

-1.0260   -0.1287

不知道这样合不合适