matlab函数拟合（如何用matlab进行函数组的拟合）

本文目录

• 如何用matlab进行函数组的拟合
• 如何用matlab数据拟合函数
• matlab如何实现曲线拟合
• matlab拟合函数
• 怎么用matlab进行数据的多元拟合
• matlab 简单函数拟合
• matlab的函数拟合
• matlab如何进行曲线拟合

如何用matlab进行函数组的拟合

我觉得，首先你应该对微分方程求积分。使其变成一个一个随时间变化的函数。
cw=G(t)，或者cp=F(t)等等。这样就是一个比较简单的函数关系式。最后调用拟合函数就可以了。
比如由微分方程变化cw=G(t)，使用微分非齐次公式。成为cw=C1*exp(C2*t)+C3。当然C1,C2,C3包括了你的未知变量K1~K4。你使用完指数拟合后能知道C1~C3的值。
再把C1~C3求导，放回微分方程中。往变量t中带值，这样就会形成一个方程组求取K1~K4。由于可能是奇异矩阵，所以你用最小二乘法就能求出最后的K1~K4值。

如何用matlab数据拟合函数

1、首先启动matlab，选择器，再新建一个命令文件。

2、然后在器窗口中输入图示的代码。

3、然后我们点击界面上方菜单栏里的保存图标进行保存。

4、需要注意的是，保存文件的位置要与当前搜索路径的位置保持一致。这可以通过右键窗口的文件，在弹出的下拉框中选择。

5、最后再命令行窗口处输入dxsnh，并敲入键盘上的enter建。可以看出阶数越高，曲线与拟合点拟合得越好。

matlab如何实现曲线拟合

用matlab如何实现曲线拟合呢？可以按照下列步骤进行：
1、数据。数据必须有因变量y和自变量x1,x2,x3,...，且数据是等长的。
2、模型。根据经验自定义模型函数和已知模型函数。
3、如函数是线性的，可以使用regress（）函数，如函数是非线性的，可以使用nlinfit（）函数或lsqcurvefit（）函数等，求出模型的拟合系数。
4、根据y数据（已知值）和yn数据（拟合值），计算其相关性（决定系数）及其置信度。
关于这方面的内容，在百度知道里有很多例子。

matlab拟合函数

题主给出中国人口预测问题（二），可以使用英国经济学家马尔萨斯提出的Malthus模型来拟合与预测。其步骤：

第一步，自定义Malthus模型函数（指数函数），如

func=@(k,t)N0*exp(D*(t-t0))

这里,N0=60.2;t0=1954;

第二步，利用1954-2005年的数据，分别使用lsqcurvefit函数，求出系数D。即

[D,resnorm,residual,exitflag]=lsqcurvefit(func,a0,t,N);

第三步，计算拟合值，即

x1=func(D,t);

第四步，计算相关系数R^2,即

R2=R2_fun(x,x1);

第五步，预测2010年和2030年的人口数，即

xhat=func(D,2010);

disp([’预测2010年人口数为’,num2str(xhat),’千万’])

xhat=func(D,2030);

disp([’预测2030年人口数为’,num2str(xhat),’千万’])

第六步，使用plot函数绘制，中国人口数的统计数据与预测模型曲线对比图,即

plot(t,x,’*-’,t,x1,’+-’)

第七步，标注图例，即

legend(’统计数据’,’Malthus模型’)

第八步，编写标题，即

title=’中国人口数的统计数据与Malthus模型曲线对比’;

第九步，标注坐标轴名称，即

xlabel(’年份’);ylabel(’人口（千万）’);

最后，编写程序，并运行可以得到如下结果。

其他问题与上述过程类似。

怎么用matlab进行数据的多元拟合

如何用matlab进行数据的多元函数拟合？

1、拟合前，我们应准备x1,x2,x3,。。。,y的一系列数据

2、将x1,x2,x3,。。。数据赋值给X变量

3、自定义多元函数拟合函数，如func=@(a,x)a(1)*x1+a(2)*x2+a(3)*x3+a(4)，a为拟合系数

4、初定a的初始值，如a0=[0,0,0,0] %其个数必须与拟合显示对应

5、利用nlinfit或lsqcurvefit函数，求其拟合系数。如

[a,r,J]=nlinfit(X,y,func,a0)

这里，a为拟合系数；r为残差； J为Jacobian 矩阵

6、利用nlparci函数，求得拟合系数的置信区间，即

ci = nlparci(p,r,J)

7、计算拟合值，即 yi=func(a,x)

8、计算原数据与拟合数据的相关性，如R²≈1，则认为拟合是合理的。

matlab 简单函数拟合

1、一种方法是用非线性拟合nlinfit，

2、一种是用cftool，

t=[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]

c=[15 34 37.5 41 41 38.5 34 34 29 25.5 25 20.5 19 17.5 14 12.5 9 7.5 6 5 3.5 3.5 2] 

A=39.75;

k2=0.1235。（拟合状况如图所示）

3、还有一种就是根据设定的拟合公式，取对数后把非线性拟合转化为线性拟合：

c2=log(c)

pp=polyfit(t,c2,1);

pp=[-0.1696,3.8250)

k2=0.1696;

A=e^3.8250=45.8328  。

matlab的函数拟合

clc
clear
close all
%定义网络输入和期望输出
x=0:30:960;
y=[42 51 60.1 71.7 72 73.8 85.4 73 72.7 72.7 79 75.1 82 87.5 79.8 90.1 96.3 90]
input_train=m_data(1:120,1:4)’;
output_train=m_data(1:120,5)’;
input_test=m_data(121:180,1:4)’;
output_test=m_data(121:180,5)’;
%建立相应的BP网络
tic;
net=newff(minmax(input_train),[9 1],{’tansig’,’purelin’},’trainlm’);
inputWeights=net.IW{1,1};
inputbias=net.b{1};

% 训练网络
net.trainParam.show=50;
net.trainParam.lr=0.05;
net.trainParam.mc=0.9;
net.trainParam.epochs=1000;
net.trainParam.goal=0.0001;

%调用TRAINGDM算法训练BP网络
net=train(net,input_train,output_train);
toc;
%对BP网络进行仿真
A=sim(net,input_train);
E=A-output_train;
M=mse(E)
N=sse(E)
%测试网络
a2n=sim(net,input_test);
m=mse(a2n-output_test)
n=sse(a2n-output_test)
%结果作图
%训练曲线
figure(1)
plot(output_train,’r’);
hold on
plot(A,’b.:’);
legend(’训练样本值’,’BP拟合值’);
title(’BP网络训练图’);

xlabel(’样本个数’);
%测试曲线
figure(2)
plot(output_test,’r’);
hold on
plot(a2n,’b.:’);
legend(’测试样本值’,’BP测试值’);
title(’BP网络预测输出’);

xlabel(’样本个数’);
%训练误差
figure(3)
plot(output_train-A,’-’);
title(’BP网络训练误差’);
legend(’训练样本误差’);
ylabel(’训练绝对误差’);
xlabel(’样本个数’);
grid
%预测误差
figure(4)
plot(output_test-a2n,’-’);
title(’BP网络预测误差’);
legend(’测试样本误差’);
ylabel(’测试绝对误差’);
xlabel(’样本个数’);
grid;

matlab如何进行曲线拟合

您好，这样的：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、在命令行输入数据：

》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447
296.204 311.5475]

》y=[5 10 15 20 25 30 35 40 45 50]

2、启动曲线拟合工具箱
》cftool

3、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。