拟合算法2（Curve Fitting 工具箱的使用）

拟合算法2（Curve Fitting 工具箱的使用）

一、打开Curve Fitting工具箱

• 在APP中点开Curve Fitting

• 代码区输入cftool也可以直接启动

二、Curve Fitting工具箱简介

2.1 常用的拟合曲线类型

• Custom Equation：可以自己输入拟合曲线方程
• Linear Fitting：线性拟合
• Polynomial：多项式拟合

2.2 Curve Fitting工具箱界面

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-dWc1HEP1-1657623148424)(https://s1.ax1x.com/2022/07/11/jc6csU.md.png)]

三、Curve Fitting工具使用实例

3.1 案例1.预测美国人口

3.1.1 数据+拟合函数+题目要求

$$要求使用函数：\frac{x_m}{1+(\frac{x_m}{3.9}-1)e^{-r(t-1790)}}$$

• 要求能估算30年后的美国人口数

3.1.2 代码

clear,clc;
load American_population.mat %加载数据
cftool;  %打开曲线拟合的工具，并输入要求的拟合函数
[fitresult, gof] = USA_predict_code(year, population)  %拟合曲线的函数

Xm = 342.4;r = 0.02735;
new_year = 2000 : 10 : 2030;
%% 矩阵运算一定要注意点乘和点除
predict_population = Xm./( 1 + ( Xm./3.9 - 1 ) .* exp(-r .* (new_year - 1790)));
plot(new_year,predict_population,"c-")

[fitresult, gof] = USA_predict_code(year, population)

• 工具生成的函数

• 函数实现代码↓

function [fitresult, gof] = USA_predict_code(year, population)
%% USA_predict_code为生成的文件名，如果修改文件名，函数的名字也需要同步进行更改

%% Fit: 'American_Population'.
[xData, yData] = prepareCurveData( year, population );

% Set up fittype and options.
ft = fittype( 'Xm/( 1 + ( Xm/3.9 - 1 ) * exp(-r * (x - 1790)))', 'independent', 'x', 'dependent', 'y' );
opts = fitoptions( 'Method', 'NonlinearLeastSquares' );
opts.Display = 'Off';
opts.StartPoint = [0.546881519204984 0.957506835434298];

% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft, opts );

% Plot fit with data.作出拟合曲线图
figure( 'Name', 'American_Population' );
h = plot( fitresult, xData, yData );
legend( h, 'population vs. year', 'American_Population', 'Location', 'SouthEast', 'Interpreter', 'none' );
% Label axes
xlabel( 'year', 'Interpreter', 'none' );
ylabel( 'population', 'Interpreter', 'none' );
grid on
hold on

3.1.3运行结果 + 拟合结果

• 拟合曲线

• 人口预测

3.2案例2.曲线拟合+随机数生成

3.2.1题目要求

# y = exp(0.5xi) -5 + ei (i = 1,2,3……)
# xi ~ U[0,10];ei ~ N[0,10]
# 用自定义曲线对y进行拟合

3.2.2基础知识

1. randi():产生均匀分布的随机整数->rand+int
# randi(10,2,5):生成1~10的随机矩阵，大小2*5
# randi([-5,5],2,5):生成[-5,5]的随机矩阵，大小为2*5

2. rand():产生均匀分布的随机数
# rand(3,3):生成0~1的随机矩阵，大小为3*3
# 生成(a,b)的随机矩阵：a + (b - a)*rand(3,3)

3. normrnd:产生正态分布的随机数
# normrnd(μ，σ，3,5):生成均值为μ，标准差为σ的随机矩阵，大小为3*5

4. roundn:任意位四舍五入
# e = 2.718
# roundn(e , -1) % 2.700
# roundn(e , 0) % 3
# roundn(e , 1) % 0

3.2.3代码

• 主程序代码

clear,clc;
%% 生成30个均匀分布的x值,服从U[0,10]
x = 10 * rand(1 , 30);

%% 噪声e服从正态分布N(0,10)
e = normrnd(0 , sqrt(10) , 1 , 30);

%% 建构需要拟合的y
y = exp(0.5*x) - 5 + e; 

%% y的图像
plot(x,y,"o")
xlabel("x的值")
ylabel("y的值")
legend("样本点","location","southeast")
grid on
hold on

[fitresult, gof] = Curve_Exercise_Fitting_Code(x, y);

• 生成拟合代码

function [fitresult, gof] = Curve_Exercise_Fitting_Code(x, y)

%% Fit: 'Curve'.
[xData, yData] = prepareCurveData( x, y );

% Set up fittype and options.
ft = fittype( 'a*exp(b*x)+c', 'independent', 'x', 'dependent', 'y' );
opts = fitoptions( 'Method', 'NonlinearLeastSquares' );
opts.Display = 'Off';
opts.StartPoint = [0.798228090398017 0.542736137989038 0.232630828301327];

% Fit model to data.
[fitresult, gof] = fit( xData, yData, ft, opts );

% Plot fit with data.
figure( 'Name', 'Curve' );
h = plot( fitresult , "m-" , xData, yData ,"o" );
title("Curve Fitting Exercise")
legend( h, 'y vs. x', 'Curve', 'Location', 'NorthEast', 'Interpreter', 'none' );
% Label axes
xlabel( 'x', 'Interpreter', 'none' );
ylabel( 'y', 'Interpreter', 'none' );
grid on

3.2.4运行结果

3.3案例三.选择最优的拟合曲线

3.3.1 题目要求：为人口选择最合适的拟合曲线（三种备选）

3.3.2 代码

clear,clc;
load Chinese_Population
plot(Year,Population,"o")
xlabel("Year")
ylabel("Population")
legend("样本点")
grid on
cftool;

%% 线性拟合->Linear Fitting 拟合公式：a*(sin(x-pi))+b*((x-10)^2)+c*(1)
%参数的值：
%Coefficients (with 95% confidence bounds):
%       a =      -19.81  (-138, 98.43)
%       b =       0.175  (0.1676, 0.1825)
%       c =  -5.664e+05  (-5.963e+05, -5.365e+05)

[fitresult, gof] = Linear_Fitting(Year, Population)

%线性拟合的参数：
%gof = 
%           sse: 8.7413e+04
%       rsquare: 0.9979
%           dfe: 7
%    adjrsquare: 0.9972
%          rmse: 111.7478

%% 一次多项式拟合->f(x) = p1*x + p2
%Coefficients (with 95% confidence bounds):
%       p1 =       702.4  (675.3, 729.6)
%       p2 =  -1.278e+06  (-1.333e+06, -1.223e+06)

[fitresult1, gof1] = Polynominal1_Fitting(Year, Population)

%Goodness of fit:
%  SSE: 9.166e+04
%  R-square: 0.9978
%  Adjusted R-square: 0.9975
%  RMSE: 107

%% 二次多项式拟合->f(x) = p1*x^2 + p2*x + p3
%Coefficients (with 95% confidence bounds):
%       p1 =       12.46  (8.639, 16.29)
%       p2 =  -4.948e+04  (-6.488e+04, -3.409e+04)
%       p3 =   4.925e+07  (3.375e+07, 6.475e+07)

[fitresult2, gof2] = polinominal2(Year, Population)

%Goodness of fit:
%  SSE: 9662
%  R-square: 0.9998
%  Adjusted R-square: 0.9997
%  RMSE: 37.15

3.3.3 代码运行结果

# 结果判断:
* 由于三种函数都是线性函数，因此可以用拟合优度R^2来衡量拟合好坏
* R^2比较：二次函数(0.9998) > 线性函数(0.9779) > 一次函数(0.9778)
* 函数复杂程度比较：一次函数拟合 < 二次函数拟合 < 线性函数拟合
* 由于三者的拟合优度R^2相差较小，相差最大的仅为2%((0.9998-0.9778)/0.9998),因此选择函数复杂程度最低的一次函数较为合适