MATLAB实例：多元函数拟合(线性与非线性)（转载）

最新推荐文章于 2024-07-25 20:52:07 发布
最新推荐文章于 2024-07-25 20:52:07 发布
阅读量4.2k 收藏 33
点赞数 5
分类专栏： matlab 函数回归拟合 文章标签： matlab 回归
原文链接：https://www.cnblogs.com/kailugaji/p/13086180.html
版权

本文转载于：https://www.cnblogs.com/kailugaji/p/13086180.html

作者：凯鲁嘎吉 - 博客园 凯鲁嘎吉 - 博客园

作者：凯鲁嘎吉 - 博客园 凯鲁嘎吉 - 博客园

更多请看：随笔分类 - MATLAB作图

    之前写过一篇博文，是关于一元非线性曲线拟合，自定义曲线函数。

    现在用最小二乘法拟合多元函数，实现线性拟合与非线性拟合，其中非线性拟合要求自定义拟合函数。

    下面给出三种拟合方式，第一种是多元线性拟合(回归)，第二三种是多元非线性拟合，实际中第二三种方法是一个意思，任选一种即可，推荐第二种拟合方法。

1. MATLAB程序

fit_nonlinear_data.m

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

function [beta, r]=fit_nonlinear_data(X, Y, choose)

% Input: X 自变量数据(N, D)， Y 因变量(N, 1)，choose 1-regress, 2-nlinfit 3-lsqcurvefit

if choose==1

    X1=[ones(length(X(:, 1)), 1), X];

    [beta, bint, r, rint, states]=regress(Y, X1)

    % 多元线性回归

    % y=beta(1)+beta(2)*x1+beta(3)*x2+beta(4)*x3+...

    % beta—系数估计

    % bint—系数估计的上下置信界

    % r—残差

    % rint—诊断异常值的区间

    % states—模型统计信息

    rcoplot(r, rint)

    saveas(gcf,sprintf('线性曲线拟合_残差图.jpg'),'bmp');

elseif choose==2

    beta0=ones(7, 1);

    % 初始值的选取可能会导致结果具有较大的误差。

    [beta, r, J]=nlinfit(X, Y, @myfun, beta0)

    % 非线性回归

    % beta—系数估计

    % r—残差

    % J—雅可比矩阵

    [Ypred,delta]=nlpredci(@myfun, X, beta, r, 'Jacobian', J)

    % 非线性回归预测置信区间

    % Ypred—预测响应

    % delta—置信区间半角

    plot(X(:, 1), Y, 'k.', X(:, 1), Ypred, 'r');

    saveas(gcf,sprintf('非线性曲线拟合_1.jpg'),'bmp');

elseif choose==3

    beta0=ones(7, 1);

    % 初始值的选取可能会导致结果具有较大的误差。

    [beta,resnorm,r, ~, ~, ~, J]=lsqcurvefit(@myfun,beta0,X,Y)

    % 在最小二乘意义上解决非线性曲线拟合（数据拟合）问题

    % beta—系数估计

    % resnorm—残差的平方范数 sum((fun(x,xdata)-ydata).^2)

    % r—残差 r=fun(x,xdata)-ydata

    % J—雅可比矩阵

    [Ypred,delta]=nlpredci(@myfun, X, beta, r, 'Jacobian', J)

    plot(X(:, 1), Y, 'k.', X(:, 1), Ypred, 'r');

    saveas(gcf,sprintf('非线性曲线拟合_2.jpg'),'bmp');

end

end

function yy=myfun(beta,x) %自定义拟合函数

yy=beta(1)+beta(2)*x(:, 1)+beta(3)*x(:, 2)+beta(4)*x(:, 3)+beta(5)*(x(:, 1).^2)+beta(6)*(x(:, 2).^2)+beta(7)*(x(:, 3).^2);

end

demo.m

1

2

3

4

5

6

clear

clc

X=[1 13 1.5; 1.4 19 3; 1.8 25 1; 2.2 10 2.5;2.6 16 0.5; 3 22 2; 3.4 28 3.5; 3.5 30 3.7];

Y=[0.330; 0.336; 0.294; 0.476; 0.209; 0.451; 0.482; 0.5];

choose=1;

fit_nonlinear_data(X, Y, choose)

2. 结果

(1)多元线性拟合(regress)

choose=1:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

>> demo

beta =

   0.200908829282537

   0.044949392540298

  -0.003878606875016

   0.070813489681112

bint =

  -0.026479907290565   0.428297565855639

  -0.057656451966002   0.147555237046598

  -0.017251051845827   0.009493838095795

   0.000201918738160   0.141425060624065

r =

   0.028343433030705

  -0.066584917256987

   0.038333946339215

   0.037954851676187

  -0.082126284727611

   0.058945364984698

  -0.010982985302994

  -0.003883408743214

rint =

  -0.151352966773048   0.208039832834458

  -0.188622801533810   0.055452967019837

  -0.090283529625345   0.166951422303776

  -0.090266067743345   0.166175771095720

  -0.108068661106325  -0.056183908348897

  -0.130409602930181   0.248300332899576

  -0.206254481234707   0.184288510628719

  -0.184329400080620   0.176562582594191

states =

   0.768591079367914   4.428472778943478   0.092289917768436   0.004625488283939

(2)多元非线性拟合(nlinfit)

choose=2:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

>> demo

beta =

   0.312525876099987

   0.015300533415459

  -0.036942272680920

   0.299760796634952

   0.009412595106141

   0.000976411370591

  -0.062931846673372

r =

   1.0e-03 *

  -0.047521336834000

   0.127597019984715

  -0.092883949615763

  -0.040370056416994

   0.031209476614974

   0.211856736183458

  -0.727835090583939

   0.537947200592082

J =

   1.0e+02 *

   0.010000000000266   0.010000000001236   0.129999999998477   0.014999999999641   0.010000000007909   1.689999999969476   0.022499999999756

   0.010000000000266   0.014000000006524   0.189999999999301   0.029999999999283   0.019600000006932   3.609999999769248   0.089999999999024

   0.010000000000266   0.018000000011811   0.249999999990199   0.009999999999965   0.032399999999135   6.250000000033778   0.010000000000377

   0.009999999999679   0.022000000005116   0.099999999998065   0.025000000000218   0.048400000003999   1.000000000103046   0.062500000001264

   0.009999999999972   0.025999999998421   0.159999999998889   0.004999999999982   0.067599999997174   2.559999999999039   0.002499999999730

   0.009999999999679   0.029999999991726   0.219999999999713   0.019999999999930   0.089999999993269   4.839999999890361   0.040000000000052

   0.009999999999092   0.033999999985031   0.279999999990611   0.034999999998348   0.115599999997155   7.839999999636182   0.122500000000614

   0.010000000000266   0.034999999992344   0.299999999994194   0.037000000000420   0.122499999994626   8.999999999988553   0.136899999999292

Ypred =

   0.330047521336834

   0.335872402980015

   0.294092883949616

   0.476040370056417

   0.208968790523385

   0.450788143263817

   0.482727835090584

   0.499462052799408

delta =

   0.011997285626178

   0.011902559677366

   0.011954353934643

   0.012001513980794

   0.012005923574387

   0.011706970437467

   0.007666390995581

   0.009878186927507

(3)多元非线性拟合(lsqcurvefit)

choose=3:

1

2

3

4

5

6

7

8

9

10

11

12

13

14

15

16

17

18

19

20

21

22

23

24

25

26

27

28

29

30

31

32

33

34

35

36

37

38

39

40

41

42

43

44

45

46

47

48

49

50

51

52

53

54

55

56

57

58

59

60

61

62

63

64

65

66

67

68

69

70

71

72

73

74

75

76

77

78

79

80

81

82

83

84

85

86

87

88

89

90

91

92

93

94

95

96

97

98

99

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

>> demo

beta =

   0.312525876070457

   0.015300533464733

  -0.036942272680581

   0.299760796608728

   0.009412595094407

   0.000976411370579

  -0.062931846666179

resnorm =

     8.937848643213721e-07

r =

   1.0e-03 *

   0.047521324135769

  -0.127597015215197

   0.092883952947764

   0.040370060121864

  -0.031209466218374

  -0.211856745335304

   0.727835089662676

  -0.537947200236699

J =

   1.0e+02 *

   (1,1)      0.010000000000000

   (2,1)      0.010000000000000

   (3,1)      0.010000000000000

   (4,1)      0.010000000000000

   (5,1)      0.010000000000000

   (6,1)      0.010000000000000

   (7,1)      0.010000000000000

   (8,1)      0.010000000000000

   (1,2)      0.010000000000000

   (2,2)      0.014000000059605

   (3,2)      0.017999999970198

   (4,2)      0.022000000029802

   (5,2)      0.026000000014901

   (6,2)      0.030000000000000

   (7,2)      0.034000000059605

   (8,2)      0.035000000000000

   (1,3)      0.130000000000000

   (2,3)      0.190000000000000

   (3,3)      0.250000000000000

   (4,3)      0.100000000000000

   (5,3)      0.160000000000000

   (6,3)      0.220000000000000

   (7,3)      0.280000000000000

   (8,3)      0.300000000000000

   (1,4)      0.015000000000000

   (2,4)      0.030000000000000

   (3,4)      0.010000000000000

   (4,4)      0.025000000000000

   (5,4)      0.005000000000000

   (6,4)      0.020000000000000

   (7,4)      0.035000000000000

   (8,4)      0.036999999880791

   (1,5)      0.010000000000000

   (2,5)      0.019599999934435

   (3,5)      0.032399999983609

   (4,5)      0.048400000035763

   (5,5)      0.067599999997765

   (6,5)      0.090000000000000

   (7,5)      0.115600000023842

   (8,5)      0.122500000000000

   (1,6)      1.690000000000000

   (2,6)      3.610000000000000

   (3,6)      6.250000000000000

   (4,6)      1.000000000000000

   (5,6)      2.560000000000000

   (6,6)      4.840000000000000

   (7,6)      7.840000000000000

   (8,6)      9.000000000000000

   (1,7)      0.022500000000000

   (2,7)      0.090000000000000

   (3,7)      0.010000000000000

   (4,7)      0.062500000000000

   (5,7)      0.002500000000000

   (6,7)      0.040000000000000

   (7,7)      0.122500000000000

   (8,7)      0.136899999976158

Ypred =

   0.330047521324136

   0.335872402984785

   0.294092883952948

   0.476040370060122

   0.208968790533782

   0.450788143254665

   0.482727835089663

   0.499462052799763

delta =

   0.011997285618724

   0.011902559623756

   0.011954353977139

   0.012001513949620

   0.012005923574975

   0.011706970418735

   0.007666391016173

   0.009878186931566

注意

1）多元非线性函数拟合中参数的初始值需要提前设置，有些情况下，参数的初始选取对函数拟合结果影响极大，需要谨慎处理。

2）第二三种方法中，由于数据是多维的，因此只展示了第一个维度的拟合函数图。如有需要，可自行修改。

3）自定义拟合函数要看清楚数据X的维度，我这里是三维的，因此有x(:, 3)，如果是D维，要写到x(:, D)。同时，参数beta的尺寸也要相应更新。

4）数据归一化方法自行选择，可能有些数据集不适合最大-最小归一化。

5）很多时候拟合函数很难构造，线性拟合效果又不理想，在这种情况下，可以尝试使用神经网络，深度学习，支持向量机等工具进行拟合非线性函数。这里是BP神经网络来进行拟合(回归)的一个例子。MATLAB实例：BP神经网络用于回归任务 - 凯鲁嘎吉 - 博客园 

weixin_59715783
关注
  • 5
    点赞
  • 踩
  • 33
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
matlab 画非线性曲线,MATLAB实例：非线性曲线拟合
weixin_35351343的博客
03-18 2750
MATLAB实例：非线性曲线拟合用最小二乘法拟合非线性曲线，给出两种方法：(1)指定非线性函数，(2)用傅里叶函数拟合曲线1. MATLAB程序clearclcxdata=[0.1732;0.1775;0.1819;0.1862;0.1905;0.1949;0.1992;0.2035;0.2079;0.2122;0.2165;0.2208;0.2252;0.2295;0.2338;0.2384];...
遗传算法优化BP神经网络-非线性函数拟合(matlab实现).zip
08-24
遗传算法优化BP神经网络-非线性函数拟合(matlab实现)，包含源代码和测试数据
MATLAB多元线性回归
08-19
MATLAB多元线性回归: 基于MATLAB的多元非线性回归模型.pdf 多元线性回归建模以及MATLAB和SPSS求解.pdf MATLAB语言在多元线性回归中的应用.pdf
【技术教程】使用Matlab进行多元线性回归和多元函数拟合，实现输出量与输入量关系的预测模型【含神经网络模型】（附现成代码P2） ，多元线性回归与函数拟合方法及应用，在Matlab中实现多元线性回归和
CiHoICaFcB的博客
06-19 1011
首先，我们进行了一个多元线性回归的预测问题，通过拟合结果如图3所示，我们可以看到预测精度较高。不仅可以处理线性关系，还可以拟合非线性关系，对于输入变量和输出变量之间的复杂关系，多元线性回归同样可以应对。例如，我们可以通过多元线性回归来拟合三元以上的非线性关系，这时可以参考主页的“神经网络模型”获取更多的信息。对于多元线性回归，Matlab提供了现成的代码（P2），我们可以直接根据自己的需求进行修改和使用。与一元线性回归不同的是，多元线性回归可以处理多个输入变量的情况，从而更好地解释数据之间的复杂关系。
Matlab多元函数分析
07-28
介绍Matlab多元回归分析的理论和操作，包括一般多元回归和逐步回归分析和拟合函数的预测分析
matlab复杂函数多元函数拟合
xiyangxiaoguo的博客
01-05 1万+
本文介绍了一个具有3个变量，14个参数的复杂多元函数的拟合实现，通过matlab的lsqnonlin方法实现，并分享了一些拟合的技巧心得。中间过程的脚本和数据，以及心得技巧在此分享给有需要的人，共勉链接：https://pan.baidu.com/s/1JO2DFQ5b1AP0GGtFErn19w?pwd=ptty提取码：ptty。
多元线性回归与函数拟合方法及应用，在Matlab中实现多元线性回归和多元函数拟合,并预测输出量与输入量的关系
gNBLeLqPnc的博客
04-21 812
通过多元线性回归和多元函数拟合，我们可以得到输入量与输出量之间的关系模型，并进行预测。之前我们做了一个多元线性回归的预测问题，并进行了拟合，如图3所示。通过对数据的拟合，我们获得了较高的预测精度，从而对未知数据进行了准确的预测。在多元线性回归中，可以处理一元和多元的情况，同时也可以处理线性和非线性的关系。神经网络模型是一种基于生物神经网络的人工智能算法，可以通过训练数据来建立模型，进而预测未知的输出结果。通过建立输入量与输出量之间的关系模型，可以对未知数据进行预测，并获得较高的预测精度。
Matlab非线性拟合函数——nlinfit
m0_64087341的博客
09-11 1万+
matlab非线性回归函数nlinfit介绍
BP神经网络的非线性系统建模(matlab实现)
配电网和matlab的博客
07-18 1679
在工程应用中经常会遇到一些复杂的非线性系统,这些系统状态方程复杂,难以用数学方法准确建模。在这种情况下,可以建立BP神经网络表达这些非线性系统。方法把未知系统看成是一个黑箱,首先用系统输入输出数据训练BP神经网络,使网络能够表达该未知函数,然后用训练好的 BP神经网络预测系统输出。
matlab求非线性函数的解,MATLAB求解非线性方程（转）
weixin_36453829的博客
03-17 5161
1、解方程最近有多人问如何用matlab解方程组的问题，其实在matlab中解方程组还是很方便的，例如，对于代数方程组Ax=b(A为系数矩阵，非奇异)的求解，MATLAB中有两种方法：(1)x=inv(A)*b —采用求逆运算解方程组；(2)x=A — 采用左除运算解方程组。例:x1+2x2=82x1+3x2=13>>A=[1,2;2,3];b=[8;13];>>x=inv...
MATLAB源码集锦-多元非线性回归代码
02-14
在MATLAB中，多元非线性回归涉及到拟合一个非线性函数到多个自变量和一个因变量的数据。这种模型通常表示为： \[ y = f(x_1, x_2, ..., x_n; \beta) + \epsilon \] 其中，\( y \)是因变量，\( x_1, x_2, ..., x_n ...
基于Matlab实现非线性拟合lsqcurefit（源码）.rar
07-20
总之，这个基于Matlab的非线性拟合lsqcurefit源码实例，是学习和实践非线性拟合的宝贵资源。通过深入学习和研究，不仅可以掌握`lsqcurvefit`的使用，还能提升在数据分析和科学建模中的能力。对于从事工程、物理、...
MATLAB教学视频：详解非线性规划问题的MATLAB实现.zip
08-20
MATLAB教学视频，数学建模与数值计算类：本期视频时长约75分钟，首先通过对比线性规划和非线性规划的数学模型，讲解非线性规划问题MATLAB求解函数fmincon的基本调用格式；然后通过三个具体的应用案例，详细演示了非...
遗传算法求解非线性函数的Matlab资源
05-10
在本资源中，我们探讨的是如何使用Matlab来实现遗传算法，以寻找非线性函数的最小值。Matlab作为一种强大的数值计算和可视化工具，非常适合进行此类算法的编程和实验。 首先，遗传算法的基本流程包括初始化种群、...
数学建模——多元线性回归 /多元线性拟合 (工具：matlab)
热门推荐
Wang_Dou_Dou_的博客
08-27 9万+
本文旨在能快速地用 matlab 实现基于多元线性回归拟合/分析。小编已将代码都封装好了。在分析样例的同时，也简单地讲解了其原理和相关参数。该系列文章是个人在参加2021年暑假国赛数模的培训，自己记录的心得与体会，意在总结归纳自己的学习成果，也希望能帮助想在数模比赛中施展身手的志同道合者。...
matlab多元函数拟合，只有数据，不知道函数形式，未知函数关系的多元函数拟合
alsj123456的博客
08-03 1万+
今天遇到一个问题，是求解matlab多元函数拟合的， 但是函数关系不确定，就是需要自己定义函数关系，然后自己调试函数中需要的参数的值。 刚开始思路是自定义一个函数关系式，然后用pso求解最优参数，其最后输出的y的值为下图所示，输入有三个自变量，x1，x2，x3. 最后的需求是找到x1，x2，x3.与y的具体关系式子，比如 y=ax1+bx2+cx3； y=ax1+bx2+cx3+ex1x1+fx2x2++ex3x3；等等 找到思路后，尝试了很多能想到的函数关系，当然，部分结果我感觉是还可以：从刚开始的下图效
基于深度学习网络的USB摄像头实时视频采集与水果识别matlab仿真
MATLAB,verilog,python,opencv,tensorflow,caffe,C,C++
07-25 296
GoogleNet（也称为Inception-v1）是一种深度卷积神经网络（CNN），它通过使用Inception模块来减少参数量，同时保持网络的深度和宽度。Inception模块的设计旨在捕捉不同尺度的特征，并通过并行的卷积层和池化层来实现这一点。USB摄像头采集图像的过程可以通过读取摄像头帧并将其转换为可用于深度学习网络的格式来实现。假设摄像头采集的图像为I.
BP神经网络及其Python和MATLAB实现预测
最新发布
qq_45441438的博客
07-25 920
model.add(tf.keras.layers.Dense(10, activation='relu', input_shape=(20,))) # 隐藏层，10个神经元。4. **创建模型**：使用 `tf.keras.Sequential` 创建一个包含一个隐藏层（10个神经元）和一个输出层（1个神经元）的神经网络。model.add(tf.keras.layers.Dense(1, activation='linear')) # 输出层，1个神经元。请确保已安装神经网络工具箱。
matlab拟合非线性函数实例
03-28
下面是一个使用 MATLAB 拟合非线性函数的实例： 假设我们有一个数据集，包含 x 和 y 值，我们希望拟合出一个函数 y = a * x ^ b + c，其中 a，b 和 c 是参数。 首先，我们需要定义拟合函数： ``` function y_fit = myfunc(params, xdata) a = params(1); b = params(2); c = params(3); y_fit = a * xdata.^b + c; end ``` 其中，params 是参数向量，xdata 是自变量向量。 然后，我们可以使用 MATLAB 的 curve fitting 工具箱中的 lsqcurvefit 函数进行拟合： ``` xdata = [1 2 3 4 5]; ydata = [1.1 2.2 3.3 4.4 5.5]; params0 = [1 1 1]; % 初始参数值 params_fit = lsqcurvefit(@myfunc, params0, xdata, ydata); a = params_fit(1); b = params_fit(2); c = params_fit(3); x = linspace(0, 6, 100); y_fit = a * x.^b + c; plot(xdata, ydata, 'o', x, y_fit, '-') ``` 其中，@myfunc 是拟合函数句柄，params0 是初始参数值，xdata 和 ydata 是数据集。 最后，我们可以将拟合结果可视化。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值