当前位置：文档之家 › matlab回归拟合

matlab回归拟合

  • 格式：docx
  • 大小：69.96 KB
  • 文档页数：3

在MATLAB中进行回归拟合的方法有很多种，包括线性回归、多项式回归和非线性回归。

1. 线性回归拟合：使用“polyfit”函数进行线性回归拟合。例如，如果你有一组x和y数据，可以使用以下代码进行线性回归拟合：

```matlab

x = [1, 2, 3, 4, 5];

y = [2, 4, 5, 4, 5];

p = polyfit(x, y, 1);

```

这将返回一个多项式系数数组p，其中p(1)是斜率，p(0)是截距。

2. 多项式回归拟合：使用“polyfit”函数进行多项式回归拟合。你需要指定多项式的阶数。例如，如果你想进行二次多项式回归，可以使用以下代码：

```matlab

x = [1, 2, 3, 4, 5];

y = [2, 4, 5, 4, 5];

p = polyfit(x, y, 2);

```

这将返回一个二次多项式系数数组p。

3. 非线性回归拟合：非线性回归可以通过非线性函数来拟合数据，可以更好地适应复杂的数据模式。在MATLAB中，可以使用“lsqcurvefit”函数来进行非线性回归拟合，需要指定拟合函数和初始参数。例如，如果你有一个非线性函数形式，可以定义一个函数句柄，然后使用“lsqcurvefit”进行拟合：

```matlab

定义非线性函数句柄

f = @(b,x) b(1)*exp(b(2)*x(:,1)) + b(3)*sin(b(4)*x(:,2));

定义初始参数

b0 = [1,1,1,1];

进行非线性回归拟合

xdata = [1:10];

ydata = [2*exp(1)+sin(1:10)]; 生成一些模拟数据

b = lsqcurvefit(f, b0, xdata', ydata');

```

这将返回拟合参数b，你可以使用这些参数来预测新的数据点。

合集下载

[matlab曲线拟合]MATLAB的曲线拟合

[matlab曲线拟合]MATLAB的曲线拟合

[matlab 曲线拟合]MATLAB的曲线拟合

篇一 : MATLAB的曲线拟合

MATLAB软件提供了基本的曲线拟合函数的命令。

曲线拟合就是计算出两组数据之间的一种函数关系，由此可描

绘其变化曲线及估计非采集数据对应的变量信息。

1.线性拟合函数：regress 调用格式： b =regress

[b,bint,r,rint,stats]= regress

[b,bint,r,rint,stats] =regress x=[ones „];

y=x*[10;1]+normrnd; [b,bint]=regress

结果得回归方程为：y=9.9213+1.0143x

x=1:20; y=x+3*sin;

p=polyfit xi=linspace;

z=polyval;% 多项式求值函数

plot legend

function yy=model

a=beta0; b=beta0;

yy=a+*exp); 拟合程序：

x=[8.00 8.00 10.00 10.00 10.00 10.00 12.00 12.00 12.00 14.00

14.0014.00... 16.00 16.00 16.00 18.00 18.00 20.00 20.00 20.00 20.00 22.00

22.0024.00... 24.00 24.00 26.00 26.00 26.00 28.00 28.00 30.00 30.00 30.00

32.0032.00...

34.00 36.00 36.00 38.00 38.00 40.00 42.00]‟; y=[0.49 0.49 0.48 0.47 0.48 0.47 0.46 0.46 0.45 0.43 0.45 0.43

0.430.44 0.43... 0.43 0.46 0.42 0.42 0.43 0.41 0.41 0.40 0.42 0.40 0.40 0.41

《计量经济学》与MATLAB编程-第六章多项式回归与非线性回归

《计量经济学》与MATLAB编程-第六章多项式回归与非线性回归

第六节 多项式回归

5.1 多项式曲线拟合 p = polyfit(x,y,n)

[p,S] = polyfit(x,y,n)

[p,S,mu] = polyfit(x,y,n)

Description p = polyfit(x,y,n) x、y为大小相等行或列向量，在是最小二乘意义上，将(x,y)拟合成次

数为n的多项式：

1121)(nnnpxpxpxpxpn

例如：

x=1:10;

y=[193 226 240 244 257 260 274 297 350 420];

p = polyfit(x,y,3) p =

0.9396 -12.9615 63.4777 141.7667

y1=p(1)*x.^3+p(2)*x.^2+p(3)*x+p(4);

0246810100200300400500

xy原值拟合值

[p,S] = polyfit(x,y,n)

[p,S] = polyfit(x,y,3) p =

0.9396 -12.9615 63.4777 141.7667

S =

R: [4x4 double]

df: 6 normr: 8.0464

S.R

ans =

1.0e+003 *

-1.4066 -0.1570 -0.0180 -0.0022 0 -0.0262 -0.0075 -0.0018 0 0 -0.0019 -0.0014

0 0 0 0.0005

normr是残差的模，即： norm(y-y1)

ans =

8.0464

[p,S,MU] = polyfit(x,y,n)

[p,S,MU] = polyfit(x,y,3) p =

26.0768 23.2986 18.6757 255.1312

S =

R: [4x4 double]

df: 6 normr: 8.0464

MU =

5.5000

3.0277

MU是x均值和x的标准差即std(x) S.R

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

实例数据：

x 1 2 3 4 5 6 7 8

9

y 9 7 6 3 -1 2 5 7 20

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ft（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];

MATLAB中的曲线拟合与插值

MATLAB中的曲线拟合与插值

MATLAB中的曲线拟合和插值

在大量的使用领域中，人们经常面临用一个分析函数描述数据(通常是测量值)的任务。对这个问题有两种方法。在插值法里，数据假定是正确的，要求以某种方法描述数据点之间所发生的情况。这种方法在下一节讨论。这里讨论的方法是曲线拟合或回归。人们设法找出某条光滑曲线，它最佳地拟合数据，但不必要经过任何数据点。图11.1说明了这两种方法。标有'o'的是数据点；连接数据点的实线描绘了线性内插，虚线是数据的最佳拟合。

11.1 曲线拟合

曲线拟合涉及回答两个基本问题：最佳拟合意味着什么？应该用什么样的曲线？可用许多不同的方法定义最佳拟合，并存在无穷数目的曲线。所以，从这里开始，我们走向何方？正如它证实的那样，当最佳拟合被解释为在数据点的最小误差平方和，且所用的曲线限定为多项式时，那么曲线拟合是相当简捷的。数学上，称为多项式的最小二乘曲线拟合。如果这种描述使你混淆，再研究图11.1。虚线和标志的数据点之间的垂直距离是在该点的误差。对各数据点距离求平方，并把平方距离全加起来，就是误差平方和。这条虚线是使误差平方和尽可能小的曲线，即是最佳拟合。最小二乘这个术语仅仅是使误差平方和最小的省略说法。

00.20.40.60.81-2024681012xy=f(x)Second Order Curve Fitting

图11.1 2阶曲线拟合

在MATLAB中，函数polyfit求解最小二乘曲线拟合问题。为了阐述这个函数的用法，让我们以上面图11.1中的数据开始。

» x=[0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1];

» y=[-.447 1.978 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30 11.2];

为了用polyfit，我们必须给函数赋予上面的数据和我们希望最佳拟合数据的多项式的阶次或度。如果我们选择n=1作为阶次，得到最简单的线性近似。通常称为线性回归。相反，如果我们选择n=2作为阶次，得到一个2阶多项式。现在，我们选择一个2阶多项式。