数学建模中经常会给出数据,然后进行拟合,matlab有cftool数据拟合工具箱,但是我还是习惯于使用拟合函数。
1.多项式拟合
拟合函数:
P = polyfit(X,Y,N)
[P,S] = polyfit(X,Y,N)
[P,S,MU] = polyfit(X,Y,N)
%参数解释
%X自变量数据序列
%Y因变量数据序列
%N序号拟合的多项式次数
%P多项式的系数向量
%f(x)=P(1)*X^N + P(2)*X^(N-1) +...+ P(N)*X + P(N+1)
%S是一个结构体,我们主要关注S.normr,是残差
%MU(1)=mean(X)均值 MU(2)=std(X)标准差
例子
X=0:0.01:10
Y=2*X.^2+1
N=2
[P,S] = polyfit(X,Y,N)
>>
P =
2.0000 -0.0000 1.0000
S =
R: [3x3 double]
df: 998
normr: 2.8477e-012
一般多项式拟合还会用到polyval函数,该函数是根据上面拟合出来的多项式模型进行求值。
Y = POLYVAL(P,X)
%P是polyfit返回的多项式系数
%X输入值
%Y是预测值
2.自定义函数拟合
除了上面的多项式拟合,matlab还支持自定义函数拟合,根据给出的函数求系数。lsqcurvefit函数利用最小二乘法求系数:
X=[3; 1; 4];
Y=6*exp(-1.5*xdata)+3;
a = lsqcurvefit(@(a,X)a(1)*exp(-1.5*X)-a(2),[0;-1.5],X,Y)
>>
a=
6 -3
%a是拟合函数的系数
lsqcurvefit还有其他形式
[X,RESNORM,RESIDUAL,EXITFLAG]=lsqcurvefit(FUN,X0,XDATA,YDATA,...)
%X0是初始解向量
%resnorm=sum ((fun(x,xdata)-ydata).^2),即在x处残差的平方和;
%residual=fun(x,xdata)-ydata,即在x处的残差;
%exitflag为终止迭代的条件;
%output为输出的优化信息;
%lambda为解x处的Lagrange乘子;
%jacobian为解x处拟合函数fun的jacobian矩阵。