下载文档原格式
Excel是一款功能强大的电子表格软件，广泛应用于数据处理与分析领域。
其中最小二乘法是一种常见的曲线拟合方法，在Excel中通过使用函数进行实现。
本文将介绍如何利用Excel进行最小二乘法拟合曲线的操作步骤及相关注意事项。
希望通过本文的介绍，读者能够掌握利用Excel进行曲线拟合的方法，从而在实际工作中能够更加高效地处理数据和分析结果。
一、最小二乘法简介最小二乘法是一种数学上常用的曲线拟合方法，其本质是通过调整曲线参数使得实际观测值与拟合值之间的差异最小化。
在实际应用中，最小二乘法常用于拟合直线、曲线以及多项式等形式的函数模型，用于描述变量之间的关系。
二、Excel中最小二乘法拟合曲线的操作步骤1. 准备数据首先需要在Excel中准备好需要拟合的数据，通常是包含自变量和因变量的数据列。
假设我们有一组数据，自变量为x，因变量为y，我们希望通过最小二乘法找到一条曲线来描述它们之间的关系。
2. 插入散点图在准备好数据之后，需要在Excel中插入散点图来直观地观察数据点的分布情况。
选择数据区域后，点击插入菜单中的散点图，选择合适的图表类型进行插入。
通过散点图可以直观地观察到数据点的分布情况，从而初步判断需要拟合的曲线形式。
3. 计算拟合曲线参数利用Excel中的函数可以很方便地进行最小二乘法拟合曲线的计算。
在Excel中，可以使用“线性拟合”函数进行直线拟合，使用“多项式拟合”函数进行多项式曲线拟合。
通过输入相关参数和数据范围，即可得到拟合曲线的参数值，并在图表中显示拟合曲线。
4. 绘制拟合曲线根据计算得到的拟合曲线参数值，可以利用Excel中的图表工具绘制出拟合曲线。
在散点图的基础上，添加拟合曲线，并进行必要的格式设置，可以清晰地展示出拟合曲线与原始数据之间的关系。
5. 拟合曲线的评估拟合曲线的好坏可以通过一些评价指标来进行评估，例如拟合优度R方值、残差分布等。
通过观察这些评价指标，可以对拟合曲线的质量进行初步判断，从而确定是否需要调整模型或者采取其他措施。
曲线拟合（curve-fitting ）：工程实践中，用测量到的一些离散的数据},...2,1,0),,{(m i y x i i =求一个近似的函数)(x ϕ来拟合这组数据，要求所得的拟合曲线能最好的反映数据的基本趋势（即使)(x ϕ最好地逼近()x f ，而不必满足插值原则。
因此没必要取)(i x ϕ=i y ，只要使i i i y x -=)(ϕδ尽可能地小）。
原理：给定数据点},...2,1,0),,{(m i y x i i =。
求近似曲线)(x ϕ。
并且使得近似曲线与()x f 的偏差最小。
近似曲线在该点处的偏差i i i y x -=)(ϕδ，i=1,2,...,m 。
常见的曲线拟合方法:1.使偏差绝对值之和最小2.使偏差绝对值最大的最小3.使偏差平方和最小最小二乘法：按偏差平方和最小的原则选取拟合曲线，并且采取二项式方程为拟合曲线的方法,称为最小二乘法。
推导过程：1. 设拟合多项式为：2. 各点到这条曲线的距离之和，即偏差平方和如下：3. 问题转化为求待定系数0a ...k a 对等式右边求i a 偏导数，因而我们得到了： .......4、 把这些等式化简并表示成矩阵的形式，就可以得到下面的矩阵：5. 将这个范德蒙得矩阵化简后可得到:6. 也就是说X*A=Y ，那么A = (X'*X)-1*X'*Y ，便得到了系数矩阵A ，同时，我们也就得到了拟合曲线。
MATLAB 实现：MATLAB 提供了polyfit （）函数命令进行最小二乘曲线拟合。
调用格式：p=polyfit(x,y,n)[p,s]= polyfit(x,y,n)[p,s,mu]=polyfit(x,y,n)x,y 为数据点，n 为多项式阶数，返回p 为幂次从高到低的多项式系数向量p 。
x 必须是单调的。
矩阵s 包括R （对x 进行QR 分解的三角元素）、df(自由度）、normr(残差）用于生成预测值的误差估计。
最小二乘法曲线拟合原理最小二乘法曲线拟合是一个重要的数值分析方法，它是通过最小二乘法对样本点与直线或曲线之间的关系进行拟合和分析，从而估算出一个函数的一组参数。
最小二乘法曲线拟合是一种经典的数值分析方法，可以用来拟合函数和曲线，估算出参数，预测数据，分析函数，优化模型，甚至可以分析复杂多变量函数。
最小二乘法曲线拟合的核心方法是使用最小二乘法把拟合的曲线拟合到观察到的数据，通过求解方程的最小二乘法，把一系列的观察数据点拟合为最小二乘法曲线，计算出拟合曲线的最佳系数，满足拟合效果的最佳拟合曲线。
最小二乘法曲线拟合的核心目标是通过计算拟合曲线的最小均方误差(SSE)、平均均方误差(MSE)、最大均方误差(MAXE)等方法，使拟合曲线与观察数据点之间的差距最小，从而求解出最佳拟合曲线系数。
最小二乘法曲线拟合具有很强的解析性，可以用数学计算方法快速求解，可以满足各种不同应用场景的需求，因而被广泛应用于科学研究、工程设计、市场分析等领域。
最小二乘法曲线拟合最常见的应用场景有：根据观察数据拟合和估计函数的参数；分析函数的性质；优化模型的能力；预测数据等等。
当应用最小二乘法拟合函数时，首先需要把观察数据用直线或曲线拟合，然后使用极小化残差平方和的方法，来求解参数，这是一个典型的最优化问题，利用一般最优化算法来求解，如梯度下降算法、牛顿法等。
此外，在应用最小二乘法曲线拟合的过程中，还可以考虑几种情况，比如样本数据受到误差的影响，具有某种偏差性；偏差是否服从正态分布；样本数据的分布是否同分布；拟合曲线的拟合是否收敛，参数计算是否准确等等。
总之，最小二乘法曲线拟合是一种重要的数值分析方法，可以用来拟合函数和曲线、估算参数、预测数据、优化模型等。
在应用最小二乘法曲线拟合时，需要考虑一些影响因素，比如样本数据受到误差的影响、偏差是否服从正态分布等，因此，它是一种有效的数值分析方法。
Excel拟合曲线用的最小二乘法1. 介绍Excel作为一款常用的办公软件，被广泛应用于数据分析和处理，而拟合曲线是数据分析中常用的方法之一。
拟合曲线用的最小二乘法是一种常见的拟合方法，通过最小化数据点与拟合曲线之间的距离来找到最佳拟合曲线，从而对数据进行预测和分析。
在本文中，我将从深度和广度的角度来探讨Excel拟合曲线用的最小二乘法，带你深入探索这一主题。
2. 最小二乘法的原理在Excel中进行曲线拟合时，最小二乘法是一种常用的拟合方法。
其原理是通过最小化残差平方和来找到最佳拟合曲线。
残差是指每个数据点到拟合曲线的垂直距离，最小二乘法通过调整拟合曲线的参数，使得残差平方和最小化，从而得到最佳拟合曲线。
在Excel中，可以利用内置函数或插件来实现最小二乘法的曲线拟合，对于不同类型的曲线拟合，可以选择不同的拟合函数进行拟合。
3. Excel中的拟合曲线在Excel中进行拟合曲线时，首先需要将数据导入Excel，然后利用内置的数据分析工具或者插件来进行曲线拟合。
通过选择拟合函数、调整参数等操作，可以得到拟合曲线的相关信息，如拟合优度、参数估计值等。
可以根据拟合曲线的结果来对数据进行预测和分析，从而得到对应的结论和见解。
4. 个人观点与理解对于Excel拟合曲线用的最小二乘法，我认为这是一种简单而有效的数据分析方法。
它能够快速对数据进行拟合，并得到拟合曲线的相关信息，对于数据的预测和分析具有一定的帮助。
然而，也需要注意到拟合曲线并不一定能够准确描述数据的真实情况，需要结合实际背景和专业知识进行分析和判断。
在使用最小二乘法进行曲线拟合时，需要注意数据的可靠性和拟合结果的可信度，以避免出现不准确的结论和偏差的情况。
5. 总结通过本文的探讨，我们对Excel拟合曲线用的最小二乘法有了更深入的了解。
最小二乘法的原理、Excel中的实际操作以及个人观点与理解都得到了充分的展示和探讨。
在实际应用中，需要结合具体情况和专业知识来灵活运用最小二乘法进行曲线拟合，从而得到准确的分析和预测结果。
假设现在有n对坐标系中的点
现在要做k阶多项式拟合，多项式函数如下
将已知的观测点数据代入上述公式得到如下n组等式：
......
最小二乘法（又称最小平方法）是一种数学优化技术。
它通过最小化误差的平方和寻找数据的最佳函数匹配。
利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小，如下所示：
代入公式可以得到
可以通过上述公式对求偏导后，令其为0来求解所有a的值，得到下面的式子
......
将上述方程整理归纳得
......
将上述方程用矩阵表述
将上述方程分解，令
，
那么上面的矩阵计算可以简化为，所以得到
网上的一些证明到这里基本就结束了，但我觉得根据逆矩阵的特性还可以优化的，在矩阵中AB的逆等于B的逆乘A的逆，如下
化简可以得到a为X的逆乘Y
计算出X的逆矩阵乘Y得到的就是多项式的系数，就能得到一个多项式了，曲线拟合就算完成了。
但是有没有发现，X的逆矩阵计算量很大，还要明白如何求解逆矩阵的，用程序去实现也有一定难度。
后面会介绍一种法则，求解多项式的系数，套公式即可。
以及用C语言实现最小二乘法的2次曲线拟合算法。
普通最小二乘法的拟合曲线准则1. 什么是普通最小二乘法？普通最小二乘法（Ordinary Least Squares, OLS）是一种经典的统计学和数学工具，用于拟合数据点与数学模型的关系。
通过最小化观测数据点与拟合曲线之间的残差平方和来确定最佳拟合曲线，从而推断出数据点之间的潜在关系。
2. 拟合曲线的准则在进行数据拟合时，选择合适的拟合曲线准则对最终结果具有至关重要的影响。
常见的拟合曲线准则包括最小化残差平方和、最小化残差绝对值和最小化残差的百分比等。
其中，最小二乘法的核心就是最小化残差平方和，使得拟合曲线与观测数据点之间的误差达到最小。
3. 评估拟合曲线的深度和广度为了全面评估拟合曲线的深度和广度，我们可以从以下几个方面进行考虑：- 数据拟合的准确性：通过分析拟合曲线与实际观测数据点之间的误差大小和分布情况，可以评估拟合曲线对数据的拟合程度。
一般来说，残差应该在一定范围内呈现随机分布，同时残差的平方和应该足够小，这样才能认为拟合曲线较好地拟合了数据点。
- 拟合曲线的泛化能力：除了拟合实际观测数据点外，我们还需要考虑拟合曲线在未知数据的泛化能力。
拟合曲线是否能够很好地适应新的数据点，是否具有较好的预测能力，这些都是评价拟合曲线广度的重要指标。
- 模型的复杂度：复杂的拟合曲线可能会过度拟合观测数据点，导致在未知数据上的预测能力降低；而过于简单的拟合曲线可能无法很好地拟合实际观测数据点。
我们需要对拟合曲线的复杂度进行合理的权衡，以达到最佳的拟合效果。
4. 个人观点和理解在我看来，普通最小二乘法是一种较为可靠和普遍适用的拟合方法，其核心准则即最小化残差平方和可以帮助我们得到相对较好的拟合效果。
然而，需要注意的是，在进行数据拟合时，我们应该不断地评估拟合曲线的准确性和泛化能力，并合理地考虑拟合曲线的复杂度，以得到更加可靠和实用的结果。
通过对普通最小二乘法的拟合曲线准则进行充分的评估，我们可以更深入地理解数据拟合的原理和方法，从而在实际应用中取得更加准确和可靠的结果。
拟合函数的原理和应用例题1. 原理介绍拟合函数是指通过已知的一组数据点，在给定的函数模型中，找到最接近这组数据点的曲线或曲面。
拟合函数的原理主要基于最小二乘法，即通过最小化观测值与拟合函数之间的差距来确定最佳拟合曲线。
最常见的拟合函数形式是多项式拟合，即通过一个高次多项式来逼近数据点。
其他常见的拟合函数形式包括指数函数、对数函数、幂函数等。
2. 应用例题下面将通过两个例题来说明拟合函数的应用。
2.1 例题一：拟合一组汽车销量数据假设我们得到了一组汽车销量数据，我们希望通过拟合函数来预测未来的销量。
首先，我们收集了过去5年的汽车销量数据，数据如下：年份销量（单位：万辆）2016 82017 92018 102019 112020 12我们可以使用多项式拟合来逼近这组数据点。
假设我们选择使用二次多项式拟合，即拟合函数的形式为：f(x)=ax2+bx+c我们要通过最小二乘法确定拟合函数的系数a、b、c。
计算最小二乘法的残差平方和（Residual Sum of Squares, RSS）：$$ RSS = \\sum_{i=1}^{n} (f(x_i) - y_i)^2 $$其中n为数据点的个数，f(x i)为拟合函数计算出的值，y i为真实值。
通过求导数，我们可以得到方程组：$$ \\begin{align*} \\frac{\\partial RSS}{\\partial a} &= 0 \\\\ \\frac{\\partial RSS}{\\partial b} &= 0 \\\\ \\frac{\\partial RSS}{\\partial c} &= 0 \\\\\\end{align*} $$解这个方程组，就可以得到拟合函数的系数。
计算得到的拟合函数为：f(x)=0.5x2+0.5x+7.5接下来，我们可以使用这个拟合函数来预测未来几年的汽车销量。
2.2 例题二：拟合气温随时间变化的曲线假设我们有一组记录了一周内某个城市的每天的平均气温的数据，我们希望通过拟合函数来找到气温随时间变化的曲线。
最小二乘法解题
最小二乘法（LeastSquaresMethod，LSM）是一种常见的数学优化方法，用于求解最优解的估计量。
它用于拟合模型、拟合曲面和拟合函数，是统计学中最基本的建模方法。
最小二乘法可以用来拟合一个已知数据点的模型，以最大程度地逼近数据点。
使用最小二乘法解题的基本步骤如下：
1、确定拟合目标：设定拟合系数，确定拟合函数；
2、识别拟合曲线：根据给定的数据对拟合函数求导，并得到最小二乘拟合曲线；
3、计算拟合函数的最优参数：使用以上拟合曲线，根据最小二乘方法求解函数；
4、确定拟合精度：根据最优参数求取拟合函数的最小二乘值，以此来评价拟合的精度；
5、根据拟合精度，优化参数：如果所得到的最小二乘值不能满足需求，则可以优化参数或挑选更优的拟合函数，以获得更好的拟合效果。
- 1 -。
三次贝塞尔曲线可以用最小二乘法进行拟合。
最小二乘法是一种数学优化技术，它通过最小化误差的平方和来找到最佳函数匹配。
对于三次贝塞尔曲线，可以使用四个控制点来定义曲线。
设这四个控制点为P0, P1, P2, P3，并设t为参数，满足
0<=t<=1。
根据贝塞尔曲线的定义，三次贝塞尔曲线的参数形式为：B(t) = (1-t)^3*P0 + 3*(1-t)^2*P1 + 3*(1-t)*P2 + P3
这是一个关于t的函数，可以将其视为一个误差函数。
最小二乘法的目标是找到一组最佳控制点，使得这个误差函数最小。
为了实现这个目标，需要将实际问题转化为数学问题。
设实际的曲线为y(t)，我们可以通过测量得到一组数据点
{(t1,y1),(t2,y2),...,(tn,yn)}。
然后，我们可以计算出实际曲线与贝塞尔曲线的差距，即误差函数：
E = Σ[(y(ti) - B(ti))^2]
这个误差函数就是我们要优化的目标函数。
我们可以通过求导来找到最佳的控制点。
在实际操作中，可能还需要根据实际情况进行一些其他的
处理，比如数据归一化、异常值处理等。
总的来说，三次贝塞尔曲线最小二乘拟合需要将实际问题
转化为数学问题，然后通过数学方法来找到最佳的解决方案。
origin曲线二次函数拟合为了进行二次函数拟合，我们需要先将数据点(x,y)表示成二次方程的形式：y = ax^2 + bx + c。
其中a、b、c是待求的系数。
我们需要寻找最佳的拟合曲线，使得所有数据点到该曲线的距离最小化。
这可以通过最小化误差平方和来实现：min E = Σ(y - ax^2 - bx - c)^2。
我们可以使用最小二乘法来求解a、b、c的值。
最小二乘法要求E对a、b、c的偏导数为0，可以得到以下公式：a = (nΣxy - ΣxΣy) / (nΣx^2 - (Σx)^2)。
b=(Σy-aΣx^2-cΣx)/n。
c=(Σy-aΣx^2-bΣx)/n。
其中n是数据点的个数，Σ表示求和运算。
这些公式可以通过计算一个二次矩阵来导出。
一旦我们发现a、b、c的值，我们可以使用该曲线来拟合数据并进行预测。
下面是使用Python代码进行二次函数拟合的示例：import numpy as np。
import matplotlib.pyplot as plt。
#输入数据。
x = np.array([1, 2, 3, 4, 5])。
y = np.array([3.3, 3.6, 3.8, 4.2, 4.6])。
#计算系数。
n = len(x)。
x2=x**2。
xy = x * y。
a = (n * np.sum(xy) - np.sum(x) * np.sum(y)) / (n * np.sum(x2) - np.sum(x) ** 2)。
b = (np.sum(y) - a * np.sum(x2)) / n。
c = np.mean(y) - a * np.mean(x2) - b * np.mean(x)。
#绘制原始数据。
plt.scatter(x, y)。
#绘制拟合曲线。
x_fit = np.linspace(1, 5, 100)。
y_fit = a * x_fit ** 2 + b * x_fit + c。
Python曲线拟合的最小二乘法引言在实际应用中，我们经常需要通过已知数据去拟合一条曲线，以便更好地理解数据的趋势和规律。
曲线拟合是一种常用的数据分析方法，而最小二乘法则是其中最常见和重要的一种技术手段。
本文将介绍如何使用Python进行曲线拟合，并着重讨论最小二乘法的应用和原理。
1. 什么是最小二乘法？最小二乘法是一种数学优化方法，用于确定一组数据和一个数学关系式之间的最优拟合曲线。
具体来说，对于给定的一组数据点，最小二乘法的目标是找到一个数学模型，使得该模型计算出的值与实际观测值之间的残差平方和最小。
2. 最小二乘法的原理考虑一个简单的情况，假设我们有一组数据点(x1, y1), (x2, y2), … , (xn, yn)，我们想要用一条直线y = ax + b来拟合这些数据。
最小二乘法的目标是找到最优的参数a和b，使得拟合后的直线与数据点之间的残差平方和最小。
为了求解最优参数，可以通过最小化残差平方和的方式来进行。
具体来说，可以定义一个损失函数，即残差平方和的平均值，如下所示：J(a, b) = (1/n) * Σ(yi - (axi + b))^2其中，n表示数据点的个数，xi和yi分别表示第i个数据点的横坐标和纵坐标。
通过最小化这个损失函数，可以得到最优的参数a和b。
对于更复杂的情况，比如需要拟合高阶曲线，最小二乘法的原理类似，只是拟合模型不同。
还可以通过增加更多的参数来适应更复杂的曲线形状。
3. 使用Python进行最小二乘法曲线拟合在Python中，使用最小二乘法进行曲线拟合非常方便，可以使用scipy库的optimize模块中的curve_fit函数来实现。
我们需要导入必要的库：import numpy as npfrom scipy.optimize import curve_fitimport matplotlib.pyplot as plt我们可以定义拟合的数学模型。
以拟合一条指数函数为例，定义一个指数函数的模型：def func(x, a, b, c):return a * np.exp(-b * x) + c接下来，我们可以生成一组测试数据：x = np.linspace(0, 4, 50)y = func(x, 2.5, 1.3, 0.5)使用curve_fit函数进行曲线拟合：params, params_covariance = curve_fit(func, x, y)我们可以绘制原始数据和拟合曲线的图像：plt.plot(x, y, 'bo', label='Original Data')plt.plot(x, func(x, params[0], params[1], params[2]), 'r-', label='Fitted Curv e')plt.legend()plt.show()4. 个人观点和总结最小二乘法在数据分析和曲线拟合中被广泛应用，其原理简单而有效。
在Excel中使用最小二乘法拟合曲线的步骤如下：
1. 打开Excel，输入或导入要进行最小二乘法拟合的数据。
数据应包括自变量和因变量。
2. 按住“shift”键的同时，用鼠标左键单击以选择数据。
3. 依次点击菜单栏上的【插入】-【图表】-【散点图】图标。
4. 弹出下拉列表，单击【散点图】-【仅带数据标记的散点图】图标。
5. 完成上述步骤后，会弹出散点图窗口。
在【图表工具】-【布局】-【标签】组中，勾选“数据表”。
6. 在弹出的“数据表”对话框中，选择“显示值”和“显示公式”。
7. 单击“确定”按钮，即可在散点图中看到拟合曲线的公式。
以上步骤可以帮助您在Excel中使用最小二乘法拟合曲线。
需要注意的是，这种方法仅适用于具有线性趋势的数据，如果数据不具备线性趋势，可能需要使用其他方法进行拟合。
最小二乘法拟合曲线公式
最小二乘法是一种常用的数学方法，可以用来拟合一条曲线，使得曲线上的点与实际观测值的误差最小化。
最小二乘法拟合曲线的公式为：
y = a + bx
其中，y 是因变量，x 是自变量，a 和 b 是拟合曲线的系数。
最小二乘法通过最小化误差平方和来确定 a 和 b 的值，即：
b = (n∑xy - ∑x∑y) / (n∑x^2 - (∑x)^2)
a = (∑y - b∑x) / n
其中，n 是数据点的个数，∑表示求和符号，x 和 y 分别表示自变量和因变量的值。
拟合曲线的误差可以通过计算残差平方和来评估，即：
SSR = ∑(y - )^2
其中，y 是实际观测值，是拟合曲线的预测值。
最小二乘法拟合曲线的优点在于可以用简单的数学公式表示，易于理解和应用。
- 1 -。
用最小二乘法计算拟合曲线系数的MATLAB 程序
（1） 输入数据点m k y x k k ,,2,1),,( =
选择逼近函数类：)}(,),(),({10x x x span D n ϕϕϕ =
（2）求解法方程y A Ac A T T =*
（3）得出拟合函数)()(0*
*x c x n
j j
j ∑==ϕϕ
clear all %% 清除了所有的变量，包括全局变量global
load('F:\XX\XXX\datafile.mat') %%加载数据（mat 数据格式是matlab 的数据存储的标准格式）
[r,c]=size(data); %%data 数据第一列为点序号，第二列为x 坐标，第三列为y 坐标 m=20; %%假设其运行次数
for n=1:m;
for i=1:r/2 %%用数据的前半部分计算系数
x1=data(i,2); %%把数据的第i 行第2列赋值给x1
y1=data(i,3); %%把数据的第i 行第3列赋值给y1
for j=1:n;
B1(i,j)=x1^(j-1); %%B1矩阵计算
end
l(i,1)=y1; %%l 矩阵
end
X=inv(B1'*B1)*B1'*l; %%系数矩阵
V=B1*X-l;
[r1,c1]=size(B1);
m0(n,1)=sqrt((V'*V)/(r1-c1)); %%单位权中误差
if n>2&&m0(n,1)>=m0(n-1,1); %%判断单位权中误差
disp(n)
xsgs=n-1; %%单位权中误差最小时其系数的个数
zgcs=n-2; %%单位权中误差最小时其x 的最高次数
break %%如果找到了最优值时跳出循环
end
end
for i=1:r
x2=data(i,2);
y2=data(i,3);
for k=1:xsgs;
B2(i,k)=x2^(k-1);
end
l2(i,1)=y2;
X1=inv(B2'*B2)*B2'*l2; %%计算出最优的系数矩阵
end
x2=data(:,2); %%把数据的所有行第2列赋值给x2
y2=data(:,3); %%把数据的所有行第2列赋值给y2
plot(x2,y2,'bo'); %%作出测量点的图形
hold on
y3(i,1)=0;
for i=1:r;
for k=1:5;
a=X1(k,1)*data(i,2)^(k-1);
y3(i,1)=y3(i,1)+a;
end %%该循环是将求出的系数代入拟合曲线，验证所有数据end
y4=y3(:,1);
plot(x2,y4,'r'); %%作出拟合曲线的图形
title('最小二乘法拟合'); %%作给做出的图形加上标题
xlabel('数据'); %%x轴标注
ylabel('拟合'); %%y轴标注
legend('观测数据点','拟合曲线',1); %%添加图例的标注msgbox '计算完毕!'；。
