拟合法-matlab实现

目录

零.基础matlab知识

0.1 基础全局语法

0.2 图像绘制语法

0.3 .

0.4 随机数

一.拟合法的作用

二.拟合法——最小二乘法

2.1 损失函数定义

2.2 最小化损失函数的k，b

​编辑

2.3 评价拟合的好坏

三.拟合法的matlab实现

3.1 计算拟合函数的代码

3.2 计算拟合优度的代码

3.3 强大的曲线拟合工具箱cfool

---

零.基础matlab知识

具体可查看MATLAB官方帮助文档：

MATLABDocumentation- MathWorks 中国

0.1 基础全局语法

• clear

clc % 清楚命令窗口的内容，对工作环境无任何影响，只是为了方便后续程序的输出

close % 关闭当前的Figure窗口

clear % 清楚工作空间的所有变量

close all % 关闭所有的Figure窗口

clear all % 清除工作空间的所有变量，函数，和MEX文件

0.2 图像绘制语法

hold on %继续在之前的图形上画图形

grid on %显示网格线

f=@(x)k*x+b; %@()标明自变量

• fplot()

fplot(f) % 在默认区间 [-5 5]（对于 x）绘制由函数 y = f(x) 定义的曲线。

fplot(f,xinterval) % 将在指定区间绘图。将区间指定为 [xmin xmax] 形式的二元素向量。

fplot(funx,funy) % 在默认区间 [-5 5]（对于 t）绘制由 x = funx(t) 和 y = funy(t) 定义的曲线。

0.3 .

MATLAB 中用一个特殊的符号来区分矩阵运算和数组运算。在需要区分两者不同的时侯，把点置于符号前来指示这是一个数组运算（例如， .*）。线面给出的是一些常见的数组和矩阵运算。

1. 数组加法：A+B，数组加法和矩阵加法相同。

2. 数组减法：A-­B ，数组减法和矩阵减法相同。

3. 数组乘法：A.*B，A 和 B 的元素逐个对应相乘，两数组之间必须有相同的形，或其中一个是标量。

4. 矩阵乘法：A*B，A 和 B 的矩阵乘法，A 的列数必须和 B 的行数相同。

5. 数组右除法：A./B，A 和 B 的元素逐个对应相除：A(i,j)/B(i,j)两数组之间必须有相同的形，或其中一个是标量。

6. 数组左除法：A.\B，A 和 B 的元素逐个对应相除：B(i,j)/A(i,j)两数组之间必须有相同的形，或其中一个是标量。

7. 矩阵右除法：A/B 矩阵除法，等价于 A*inv(B)， inv(B)是 B 的逆阵。

8. 矩阵左除法：A\B 矩阵除法，等价于 inv(B)*A， inv(A)是 A 的逆阵。

9. 数组指数运算：A.^B，AB中的元素逐个进行如下运算：A(i,j)^B(i,j)，A(i,j)/B(i,j)两数组之间必须有相同的形，或其中一个是标量。

0.4 随机数

randi（）：产生均匀分布的随机整数

X = randi(imax,sz1,...,szN) 

% 返回 sz1×...×szN 数组，其中 sz1,...,szN 指示每个维度的大小。

% 例如，randi(10,3,4) 返回一个由介于 1 和 10 之间的伪随机整数组成的 3×4 数组。

rand：产生均匀分布的随机数

X = rand 返回从区间 (0,1) 的均匀分布中得到的随机标量。

X = rand(n) 返回一个由均匀分布的随机数组成的 n×n 矩阵。

normrnd：产生正态分布的随机数

r = normrnd(mu,sigma,sz1,...,szN) 

生成正态随机数数组，其中 sz1,...,szN 指示每个维度的大小。

roundn：任意位位置四舍五入

roundn(x,n) 返回在n位四舍五入的x值

一.拟合法的作用

• 与插值法相比，拟合法不要求曲线一定经过指定点，不易出现ronge现象。拟合法要求一个具体的尽量简洁的函数，该曲线在某种标准下和所有的数据点最为接近，称为拟合的好。
• 这种标准为最小化损失函数。
• 拟合法的突出特点为：达到简约性和准确性的平衡。

二.拟合法——最小二乘法

2.1 损失函数定义

 问题：为什么不用绝对值？三次方？四次方？

1. 取绝对值时不容易求导最小化损失函数，计算较为复杂。
2. 避免正负相消。（三次方）
3. 避免极端数据对拟合函数的影响。（四次方）

2.2 最小化损失函数的k，b

需要注意的是：

• 求导是对参数的求导，这和线性函数的定义相关。
• 运用最小二乘法的前提不一定要求拟合函数是线性函数，但我们这里只讲了线性函数的推导。

2.3 评价拟合的好坏

首先是看图像是否经过目标点附近

其次计算SSE,拟合优度等测量指标

 可以证明：SST=SSE+SSR

注意：证明是通过一阶导数条件而得的，故公式只对参数的线性函数成立。

一般而言，SSE越小，拟合程度越好。

对于拟合优度

• 出现的原因：SSE会随着量纲的减小而减小，拟合优度可以用来统一量纲
• 局限性：由于用到公式SST=SSE+SSR,故只能用于评价线性拟合函数
• 对于同一组数据，可以用SSE进行判断

三.拟合法的matlab实现

3.1 计算拟合函数的代码

n=size(x,1)
k=(n*sum(x.*y)-sum(x)*sum(y))/(n*sum(x.*x)-sum(x)*sum(x))
b=(sum(x.*x)*sum(y)-sum(x)*sum(x.*y))/(n*sum(x.*x)-sum(x)*sum(x))

3.2 计算拟合优度的代码

y_hat=k*x+b;
SSR=sum((y_hat-mean(y)).^2)
SSE=sum((y_hat-y).^2)
SST=sum((y-mean(y)).^2)
R_2=SSR/SST

3.3 强大的曲线拟合工具箱cfool

• 可以保存图像

文件->print to figure->导出设置->渲染->分辨率

• 可以保存代码——但需要自行修改代码内出现的名称

文件->Generate Code

• 有时候拟合的不收敛

也许是因为初始值没有设置好

fit options内修改starting point

• 脚本中计算预测值（注意这里要写成点乘和点除,这样可以保证按照对应元素进行计算）