其实拟和本来就是想找一条最接近数据的曲线函数,对于两条线(有相同参数),
不妨用f=w1*sum((f1-f1.data).^2)+w2*sum((f2-f2.data).^2)来代表俩条线的共同精度。
w1,w2为权值;
f1,f2为因变量的函数向量;
f1.data,f2.data为因变量的数据向量;
同于单条线的最小二乘法,通过用fminsearch搜无约束min(f)来得到参数x(1)...x(i)...
简化,可认为w1,w2均为1
设z3,zz4,zz5,z11,zz17,z24,z27,zz28,zz32,z35,zz36,z2,z10,z23,z26,z34为x(1)...x(16)
s1为f1,s2为f2.
m函数为
function f=f(x);
y=[-1 -0.8 -0.6 -0.4 -0.2 0 0.2 0.4 0.6 0.8 1];
f1.data=[0.55 0.7 0.3 -0.23 -0.67 -0.8 -0.66 -0.2 0.28 0.6 0.4];
f2.data=[0.55 0.4 0.08 -0.22 -0.46 -0.76 -0.73 -0.3 0.28 0.62 0.75];
f=sum((x(1).*y+x(2).*(-1+2*y.^2)-x(3).*y.^2-x(4).*y.^3+x(5).*y.^4+x(6).*(-4*y+30*y.^3-60*y.^5+35*y.^7) +x(7).*y.^5+x(8).*(-5*y.^4+6*y.^6)+x(9).*(10*y.^2-60*y.^4+105*y.^6-56*y.^8)+x(10).*(5*y-6