一种非线性函数的曲线拟合方法（函数公式： k = A*(T^a)*exp(E/T) ）

最新推荐文章于 2023-11-01 14:30:10 发布
最新推荐文章于 2023-11-01 14:30:10 发布
阅读量2.7w 收藏 19
点赞数 1
分类专栏： Matlab与Labview 文章标签： matlab plot fun function 百度 工具
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/chenyusiyuan/article/details/1942624
版权
本文介绍了如何使用Matlab处理k = A*(T^a)*exp(E/T)这种非线性函数的曲线拟合问题。通过将非线性公式线性化，建立线性方程组并求解，最终得到未知常数A、a和E的值，实现了数据的拟合。并提供了源代码实现和拟合效果展示。
摘要由CSDN通过智能技术生成


上一篇文章说了，函数的曲线拟合我以前没做过，所以是摸着石头过河，不知道所采用的方法是否合理，虽然是完成了拟合，不过我觉得自己采用的拟合方法还是比较原始的，希望做曲线拟合的朋友多多指教。

原始数据如下：
  T(K)                 K  
  200.00            2.5069E-13
  220.00            3.5043E-13
  223.00            3.6741E-13
  225.00            3.7904E-13
  250.00            5.4617E-13
  275.00            7.5744E-13
  295.00            9.6192E-13

最低0.47元/天 解锁文章
邹宇华
关注
专栏目录
通过EXCEL表格快速推导多项式拟合公式
jiangcy2008的博客
07-26 711
已知有限的几个点位数据，来推导多项式拟合公式，再运用多项式预测有限范围内的其它点位数据，这在检测中非常用。例如已知以下几个点的数据。2，选中数据，依次点击 “插入” --->"散点图"--->“带平滑曲线和数据标记的散点图”然后右边会出现趋势线的格式选择拦 -----> 选择多项式，阶数可以选2或者更高。3，点击曲线，单击右键，选择添加趋势线。
python拟合曲线_沉降物化实验的python数据分析与可视化
weixin_39601511的博客
12-04 640
1. 引言上期做无机实验的数据分析可视化的时候预告过这一期，但前段时间肝各路论文，也没抽出太多时间来写，今天补上。沉降物化实验是通过测定一个多级分散体系沉降曲线，得到分散体系粒度分布的实验，其中会要求使用Origin进行数据处理，因为这个实验涉及到几个比较麻烦的地方根据实验所给出的沉降曲线数据(m-t图)，绘制沉降曲线并根据已知超越方程对曲线进行拟合通过拟合所得的方程，求导函数，求取给定...
matlab 万能实用的非线性曲线拟合方法
热门推荐
It’s All Uphill From Here
08-13 19万+
        在科学计算和工程应用中，经常会遇到需要拟合一系列的离散数据，最近找了很多相关的文章方法，在这里进行总结一下其中最完整、几乎能解决所有离散参数非线性拟合的方法   第一步：得到散点数据 根据你的实际问题得到一系列的散点 例如： x=[3.2,3.6,3.8,4,4.2,4.8,5,5.4,6.2,6.4,6.6,6.9,7.1]';%加上一撇表示对矩阵的转置 y=[0....
数据插值，拟合，方程求解的MATLAB实现
dangshan5的博客
07-22 6424
数据插值，拟合，方程求解的MATLAB实现一.简介二.数据插值1.实验数据的一维插值2.实验数据的二维插值三.数据拟合1.实验数据的拟合四.方程和方程组1.方程和方程组的求解 一.简介 在生产和科学实验中，自变量x与因变量y间的函数关系y=f(x)有时不能写成解析表达式的形式，而只能得到函数在若干点的函数值或导数值。有时表达式过于复杂而需要较大的计算量，从而只能计算函数在若干点的函数值或者导数值，当要求知道其它点的函数值时，需要估计函数在该点的值。 为了完成这样的任务，需要改造一个比较简单的函数y=φ(x
数学建模学习（1）之插值与拟合篇
sagewbx的博客
08-10 673
数学建模学习
[C#] 使用 Excel 和 Math.Net 进行曲线拟合和数据预测
biyusr的专栏
07-08 1485
以前在工作中遇到了一个数据错误的问题，顺便写下 用 Math.Net 解决的思路。上图是同一组探测器在同一天采集到的 19 次数据，总体来说重复性不错，但很明显最后 8 个探测器出了问题，导致采集到的数据在最后八个点一片混乱。即使把其中看起来最好的一组数据拿出来使用多项式拟合，也可以看出最后几个点没有落在拟合曲线上（只拟合最后 14 个点）：虽然我知道这是硬件问题，但是遇到事情不能坐以待毙，软件方面也许可以做些什么。既然我从上图中得知出了最后几个点之外，其它数据都在拟合曲线上，那我可以使用前面几个点的拟合结
三种不同的曲线拟合方法_三种不同的函数表示方法进行曲线拟合_曲线拟合方式_
09-29
在数据分析和科学计算中，曲线拟合是一种常用的技术，它旨在找到一条数学曲线来最佳地贴合一组给定的数据点。这有助于揭示隐藏在数据背后的规律，预测未知数据点，或者简化复杂的数据模式。本主题将详细介绍三种不同...
机器学习作业，分别使用最小二乘法与高斯核函数拟合非线性函数曲线
02-15
在非线性函数拟合中，高斯核函数能将低维空间中的数据映射到高维空间，使得原本难以在原空间中线性分隔的数据在高维空间中变得容易线性分隔。高斯核函数通常写作 exp(-γ||x - x'||²)，其中x和x'是输入数据，γ是...
将对数螺旋拟合到 x,y 数据：将对数螺旋 r=a*exp(b*theta) 拟合到 x,y 数据点。-matlab开发
06-01
对数螺旋经常出现在自然界中，例如有腔鹦鹉螺的横截面、低压区域... 它使用非线性 Nedler-Mead 单纯形例程“fminsearch”来查找最佳中心位置和系数 a、b 的简单线性化最小二乘解。 该代码提供了拟合优度的 RMS 度量。
C#Mathnet最小二乘法拟合自定义指数曲线
最新发布
mengyingguxing的博客
11-01 1453
Mathnet最小二乘法拟合自定义指数曲线
曲线拟合工具
08-31
针对散列点进行多阶的曲线拟合，非常好用，本身亲自所写，并且亲自使用，非常好，谁规定的必须100个字，讨厌的很
使用C#的Mathnet类库实现非线性拟合
12-30
使用C#的Mathnet类库实现非线性拟合 作者:linbor tinka
神经网络基础知识 1
qq_53094315的博客
10-04 486
1、什么是神经网络？ 神经网络是由具有适应性的简单单元（神经元模型）组成的广泛并行互连的网络，它的组织能够模拟生物神经系统对真实世界物体所作出的交互反应。【Kohonen 1988】 神经网络的一 个重要性质是它可以自动地从数据中学习到合适的权重参数。 用图来表示神经网络的话，如图所示。我们把最左边的一列称为 输入层，最右边的一列称为输出层，中间的一列称为中间层。中间层有时 也称为隐藏层。“隐藏”一词的意思是，隐藏层的神经元（和输入层、输出 层不同）肉眼...
MATLAB 非线性隐函数拟合采坑记录（使用 fsolve solve nlinfit lsqcurvefit函数）
EstrangedZ的博客
06-24 3521
使用MATLAB对非线性隐函数进行拟合的经验，使用fsolve solve nlinfit lsqcurvefit函数进行拟合
最小二乘法详解（线性拟合与非线性拟合）
专注 图像处理+模式识别+机器学习+深度学习
12-26 3万+
          监督学习中，如果预测的变量是离散的，我们称其为分类（如决策树，支持向量机等），如果预测的变量是连续的，我们称其为回归。回归分析中，如果只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析。如果回归分析中包括两个或两个以上的自变量，且因变量和自变量之间是线性关系，则称为多元线性回归分析。对于二维空间线性是一条直线；对于三维空间线性
【转】利用matlab实现非线性拟合（三维、高维、参数方程）
weixin_46713695的博客
09-20 5325
利用matlab实现非线性拟合（三维、高维、参数方程）
巧妙地进行非线性拟合——非线性拟合转化为线性拟合
wql7013的博客
04-17 1万+
1.  前言（不在意来龙去脉的可忽略不看）对于多项式函数，可以用最小二乘法求得精确的拟合结果，使得拟合函数具有全局最优的拟合误差；对于某些非线性函数，如指数函数y=e^(ax+b)，也可以对函数转化后，求得精确的拟合结果，如上述指数函数可转化为x=(ln y)/a -b/a，同样可以求得具有全局最优拟合误差的拟合函数。上述函数都可以用MATLAB的regress函数或者polyfit函数求得最优的...
【机器学习】使用e^x函数拟合数据
qq_41340996的博客
10-12 1541
使用 scipy.optimize.curve_fit 函数实现。 curve_fit 的参数如下： scipy.optimize.curve_fit(f, xdata, ydata, p0=None, sigma=None, absolute_sigma=False, check_finite=True, bounds=(- inf, inf), method=None, jac=None, **kwargs) 介绍一下使用时需要的基本参数，详细参数查看 官方文档： f：模型函数，yda
用c语言实现指数函数y = a * exp(-b * x) + k 的曲线拟合
05-31
实现指数函数的曲线拟合需要使用非线性最小二乘法，以下是一个简单的实现： ```c #include <stdio.h> #include <stdlib.h> #include <math.h> #define N 10 // 数据点数目 #define MAX_ITER 100 // 最大迭代次数 #define TOL 1e-6 // 迭代精度 // 指数函数模型 y = a * exp(-b * x) + k double model_func(double x, double a, double b, double k) { return a * exp(-b * x) + k; } // 计算残差 double residuals(double x[], double y[], double a, double b, double k) { double res = 0.0; for (int i = 0; i < N; i++) { res += pow(y[i] - model_func(x[i], a, b, k), 2); } return res; } int main() { double x[N] = {0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0}; // 数据点的 x 坐标 double y[N] = {2.0, 1.8, 1.5, 1.2, 1.0, 0.8, 0.6, 0.5, 0.4, 0.3}; // 数据点的 y 坐标 double a = 1.0, b = 1.0, k = 1.0; // 初始参数值 double alpha = 0.001; // 步长 double J_curr, J_prev = residuals(x, y, a, b, k); // 当前和上一次的残差 for (int iter = 0; iter < MAX_ITER; iter++) { // 计算梯度 double grad_a = 0.0, grad_b = 0.0, grad_k = 0.0; for (int i = 0; i < N; i++) { double exp_bx = exp(-b * x[i]); grad_a += -2 * (y[i] - a * exp_bx - k) * exp_bx; grad_b += 2 * a * x[i] * (y[i] - a * exp_bx - k) * exp_bx; grad_k += -2 * (y[i] - a * exp_bx - k); } // 更新参数 double a_new = a - alpha * grad_a; double b_new = b - alpha * grad_b; double k_new = k - alpha * grad_k; // 计算新的残差 J_curr = residuals(x, y, a_new, b_new, k_new); // 判断是否收敛 if (fabs(J_curr - J_prev) < TOL) { printf("Converged after %d iterations\n", iter + 1); break; } // 更新参数和残差 a = a_new; b = b_new; k = k_new; J_prev = J_curr; } // 输出拟合结果 printf("a = %f, b = %f, k = %f\n", a, b, k); return 0; } ``` 上述代码中，我们使用了梯度下降法来求解最小二乘问题。首先，我们定义了指数函数模型 `model_func` 和残差函数 `residuals`。然后，我们初始化了参数值和步长，并进行迭代更新。在每次迭代中，我们计算梯度并更新参数，然后计算新的残差。如果新的残差与上一次的残差之差小于设定的迭代精度，我们认为已经收敛，结束迭代并输出拟合结果。 注意：这只是一个简单的实现，实际应用中还需要考虑更多因素，例如初始化参数值的选择、梯度下降的收敛性等。
评论 11
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值