Matlab数据拟合（专题四）

插值拟合和数据拟合都是数据分析和模型构建中常见的方法，其区别主要在于以下几点：
1. 对于给定的数据点，插值拟合通过构造插值函数来精确地穿过每个数据点，从而得到一条平滑的曲线，其拟合误差为零。而数据拟合则是通过构建一个函数模型来近似拟合数据点，这个模型在数据点处的拟合误差不一定为零。
2. 插值拟合对数据点的位置十分敏感，如果数据点在插值区间内存在偏差或噪声，插值曲线会受到很大影响。而数据拟合则通过拟合模型来平滑噪声或异常值的影响，具有一定的鲁棒性。
3. 插值拟合所得到的函数只能在已知数据点处进行插值计算，而无法在插值区间外进行外推。而数据拟合则可以通过模型预测未知区间内的数据。
因此，插值拟合和数据拟合各有优缺点，根据具体情况选择合适的方法进行数据分析和模型构建。

线性最小二乘拟合

工具箱操作

某观测站测得某日6:00~18:00之间每隔2小时的室内温度如下表所示，用样条值分别求得该室内6：30~17：30之间每隔2小时各点的近似温度值。
 

时间h	6:00	8:00	10:00	12:00	14:00	16:00	18:00
室内温度c	18.0	20.2	22.0	25.1	30.2	29.5	21.5

h=6:2:18;
c=[18.0 20.2 22.0 25.1 30.2 29.5 21.5];
plot(h,c,'ro--')
grid on

运行以上代码可得以下图形，咱们接下来用工具做最小二乘法的拟合。 

 点击工具点击最下方的基本拟合勾选三次方

拟合完成

函数法

h=6:2:18;
c=[18.0 20.2 22.0 25.1 30.2 29.5 21.5];
a=polyfit(h,c,3)

可以看出和上面的多项式系数a1,a2,a3,a4 是一样的。

 

系数出来了，接下来我们可以拟合作图看看效果

h=6:2:18;
c=[18.0 20.2 22.0 25.1 30.2 29.5 21.5];
a=polyfit(h,c,3)
y1=a(1)*h.^3+a(2)*h.^2+a(3)*h+a(4)*1
plot(h,c,'ro--',h,y1)
legend('原数据','拟合数据')

 

也可以用ployval来做计算拟合多项式的函数值，即上面的y1，一样的效果

 h=6:2:18;
c=[18.0 20.2 22.0 25.1 30.2 29.5 21.5];
a=polyfit(h,c,3)
y1=polyval(a,h)
plot(h,c,'ro--',h,y1)
legend('原数据','拟合数据')

 

非线性最小二乘拟合

lsqcurvefit

[x,resnorm]= lsqcurvefit(fun,x0,xdata,ydata)

fun为需要拟合的函数（需要编写m文件，也可以不编写m文件用内置函数inline）

x0为对函数中各个参数的初始值

xdata为已知x轴的数据

ydata为已知y轴的数据

x为各个参数的最优解

resnorm为误差的平方和

已知实测一组数据

x	0.1	0.2	0.3	0.4	0.5	0.6	0.7	0.8	0.9	1
y	2.32	2.64	2.97	3.28	3.60	3.91	4.21	4.52	4.82	5.12

该数据可能满足的原型函数为,试着求满足该数据的最小二乘法

解a，b，c，d的值。

inline法

x=0.1:0.1:1;
y=[2.32	2.64	2.97	3.28	3.60	3.91	4.21	4.52	4.82	5.12];
f1=inline('a(1)*x+a(2)*x.^2.*exp(-a(3)*x)+a(4)','a','x');
[aa,res]=lsqcurvefit(f1,[1 1 1 1],x,y)
disp(['a=',num2str(aa(1)),'  b=',num2str(aa(2)),'  c=',num2str(aa(3)),'  d=',num2str(aa(4))])

 m文件法

编写脚本c.m

function f=c(a,x)
f=a(1)*x+a(2)*x.^2.*exp(-a(3)*x)+a(4);%计算新的y值。

命令行窗口

clc
clear
x=0.1:0.1:1;
y=[2.32	2.64	2.97	3.28	3.60	3.91	4.21	4.52	4.82	5.12];
a=lsqcurvefit('c',[1 1 1 1],x,y);
disp(['a=',num2str(a(1)),'  b=',num2str(a(2)),'  c=',num2str(a(3)),'  d=',num2str(a(4))])
c(a,x)

lsqnonlin

用下面一组数据拟合中的参数b，c.并作图。

x	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15
y	6.42	8.20	9.58	9.70	9.50	10.00	9.93	9.99	10.49	10.59	10.60	10.80	10.60	10.90	10.76

建立脚本文件

function f=c(a)
x=1:15;
y=[6.42	8.20 9.58 9.70 9.50	10.00 9.93 9.99	10.49 10.59	10.60 10.80	10.60 10.90	10.76];
f=x./(a(1)*x+a(2))-y;%计算新的y值。

命令行窗口

 

a=lsqnonlin('c',[1 1])
y=[6.42	8.20 9.58 9.70 9.50	10.00 9.93 9.99	10.49 10.59	10.60 10.80	10.60 10.90	10.76];
x=1:15;
h=c(a)+y;
plot(1:15,h,1:15,y,'ro')
legend('拟合','原数据')

即b=0.0887   c=0.0646