x1=[
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
19.85
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
60
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
15.30
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
30.12
];
x2=[
0.034
0.036
0.036
0.038
0.039
0.039
0.04
0.044
0.047
0.047
0.048
0.051
0.055
0.056
0.065
0.072
0.073
0.075
0.078
0.09
0.094
0.097
0.143
0.159
0.16
0.17
0.188
0.188
0.193
0.236
0.25
0.259
0.267
0.271
0.273
0.276
0.283
0.286
0.294
0.298
0.322
0.323
0.384
0.394
0.416
0.448
0.462
0.59
0.591
0.601
0.607
0.607
0.61
0.625
0.626
0.633
0.024
0.035
0.048
0.057
0.077
0.09
0.096
0.129
0.156
0.165
0.183
0.208
0.213
0.227
0.248
0.264
0.288
0.322
0.338
0.011
0.02
0.03
0.041
0.052
0.054
0.053
0.055
0.053
0.053
0.052
0.07
0.086
0.1
0.118
0.12
0.12
0.119
0.12
0.12
0.12
0.137
0.152
0.152
0.152
0.152
0.152
0.153
0.152
0.02
0.036
0.045
0.054
0.07
0.086
0.06
0.06
0.12
0.12
0.14
0.14
0.18
0.18
0.21
0.21
0.23
0.24
0.26
0.26
0.28
0.28
0.31
0.31
0.34
0.35
0.38
0.38
0.40
0.39
0.43
0.43
0.48
0.48
0.52
0.51
0.03
0.07
0.08
0.09
0.11
0.11
0.11
0.13
0.14
0.14
0.15
0.15
0.15
0.17
0.18
0.20
0.21
0.23
0.24
0.26
0.27
0.29
0.30
0.31
0.31
0.33
0.35
0.04
0.08
0.12
0.12
0.16
0.16
0.18
0.18
0.21
0.26
0.26
0.28
0.31
0.35
0.35
0.38
0.38
0.40
0.42
0.06
0.06
0.11
0.11
0.13
0.14
0.17
0.17
0.19
0.20
0.22
0.24
0.26
0.26
0.26
0.30
0.33
0.33
0.36
0.36
0.37
0.38
0.41
0.41
0.45
0.45
];
x=[x1 x2];
y=[
0.144
0.124
0.121
0.146
0.152
0.162
0.156
0.182
0.195
0.195
0.182
0.191
0.207
0.207
0.228
0.233
0.248
0.258
0.251
0.27
0.288
0.274
0.366
0.384
0.384
0.407
0.409
0.425
0.426
0.467
0.506
0.519
0.507
0.513
0.487
0.495
0.527
0.513
0.542
0.551
0.591
0.555
0.621
0.641
0.686
0.723
0.659
0.81
0.79
0.801
0.805
0.78
0.78
0.825
0.862
0.842
0.089
0.097
0.114
0.124
0.139
0.146
0.153
0.168
0.181
0.189
0.199
0.208
0.215
0.226
0.232
0.236
0.249
0.256
0.261
0.046
0.076
0.093
0.099
0.119
0.111
0.113
0.12
0.108
0.113
0.114
0.139
0.146
0.157
0.17
0.165
0.167
0.168
0.162
0.164
0.165
0.177
0.188
0.18
0.187
0.184
0.177
0.182
0.183
0.083
0.093
0.11
0.123
0.138
0.153
0.25
0.24
0.35
0.36
0.42
0.42
0.47
0.48
0.51
0.51
0.54
0.54
0.56
0.56
0.57
0.57
0.61
0.62
0.65
0.65
0.69
0.69
0.73
0.73
0.76
0.76
0.79
0.80
0.83
0.83
0.14
0.29
0.29
0.32
0.35
0.35
0.34
0.38
0.41
0.41
0.43
0.43
0.43
0.45
0.47
0.50
0.52
0.53
0.55
0.57
0.58
0.61
0.63
0.64
0.64
0.65
0.67
0.16
0.28
0.36
0.36
0.41
0.41
0.45
0.45
0.49
0.57
0.57
0.60
0.63
0.67
0.67
0.70
0.70
0.73
0.76
0.1848
0.1848
0.2421
0.2397
0.2584
0.29
0.3087
0.3087
0.3391
0.3391
0.3508
0.352
0.3625
0.3648
0.373
0.3765
0.3871
0.3894
0.4151
0.4163
0.4268
0.428
0.4292
0.4373
0.4584
0.4783
];
% f=@(c,x) c(1)*(x(:,1)).^(c(2)).*((sin(x(:,2))).^c(3));
% 拟合函数
f=@(c,x) c(1)*(x(:,1)).^(c(2)).*((x(:,2)).^c(3));
c0=[8 -1 0.5] ;
[d,resnorm]=lsqcurvefit(f,c0,x,y)
%求R2
yy=d(1,1)*(x(:,1)).^(d(1,2)).*((x(:,2)).^d(1,3))
a=mean(yy)
sse=sum((yy-a).^2);
sst=sum((y-a).^2);
r2=1-sse/sst
这是代码,比较急,在线等,公式和数据应该没错,通过其他方法可验证模型拟合的很好,就是想求个R2说明拟合的很好,但现在R2一值出错,非常的急:'(:'(:'(