如何用matlab数据拟合函数

1. 如何用matlab数据拟合函数

2. 如何用matlab数据拟合函数?

Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。

假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0。

1、在命令行输入数据：
》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；
》y=[5 10 15 20 25 30 35 40 45 50]；

2、启动曲线拟合工具箱
》cftool

3、进入曲线拟合工具箱界面“Curve Fitting tool”
（1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：
Custom Equations：用户自定义的函数类型
Exponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)
Fourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)
Gaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)
Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)

3. 如何用matlab数据拟合函数?

Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。\x0d\x0a\x0d\x0a假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0。\x0d\x0a\x0d\x0a1、在命令行输入数据：\x0d\x0a》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；\x0d\x0a》y=[5 10 15 20 25 30 35 40 45 50]；\x0d\x0a\x0d\x0a2、启动曲线拟合工具箱\x0d\x0a》cftool\x0d\x0a\x0d\x0a3、进入曲线拟合工具箱界面“Curve Fitting tool”\x0d\x0a（1）点击“Data”按钮，弹出“Data”窗口；\x0d\x0a（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；\x0d\x0a（3）点击“Fitting”按钮，弹出“Fitting”窗口；\x0d\x0a（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：\x0d\x0aCustom Equations：用户自定义的函数类型\x0d\x0aExponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)\x0d\x0aFourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)\x0d\x0aGaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)\x0d\x0aInterpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving\x0d\x0aPolynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~\x0d\x0aPower：幂逼近，有2种类型，a*x^b 、a*x^b + c\x0d\x0aRational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型\x0d\x0aSmoothing Spline：平滑逼近（翻译的不大恰当，不好意思）\x0d\x0aSum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)\x0d\x0aWeibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)

4. 关于matlab拟合

用matlab拟合三维曲线函数，一般可以用lsqcurvefit或nlinfit等函数来求解其函数的系数。求解步骤：
1、已知x、y、z的对应的数据，若干组（数据要求十组以上）
x=[。。。];y=[。。。];z=[。。。];
X=[x y]; %组成X向量组
2、自定义拟合函数，例如，fun=@(a,X)a(1)*X(:,1).^2+a(2))*X(:,2).^2
3、初定a的初值，a0
4、求解拟合系数，a=lsqcurvefit(fun,a0,x,z)
5、已知值与拟合值对比，并求其决定系数 R²
z1=fun(a,X)
[z  z1] %对比
6、判断其决定系数 R²是否接近于1。

5. matlab自定义函数拟合

matlab中的非线性拟合函数nonlinfit具有强大的用自己定义的一个任意函数来拟合数据的功能。
最常见的调用形式为
BETA
=
nlinfit(X,Y,MODELFUN,BETA0)
BETA为待拟合的参数，X为自变量（矩阵），Y为应变量（向量），MODELFUN为自定义的拟合函数（function
handle
型数据），BETA0为BETA的初始值（向量）。
X可以是矩阵，当有多列时，每一列均为一个自变量。
MODELFUN有特定的格式。MODELFUN接受2个参数，第一个是待拟合的参数矢量，第二个是自变量矩阵。
模板函数定义案例：
模型：y=ax^2+bx+c
定义模型函数代码：f_model=@(b,x)b(1)*x.^2+b(2)*x+b(3);
%定义时要注意x是一个矢量
BETA0是迭代算法的参数初始值，当模型函数复杂时，拟合的好坏会受初始值的影响。
扩展：
matlab还提供了配套的函数nlparci与nlpredci，这两个函数可以求出参数与预测值的拟合误差。

6. 在matlab中如何根据拟合图得到函数？

在matlab中根据拟合图得到函数步骤如下：
1、常用的模型有多项式模型、幂函数模型、指数函数模型等。

2、设出函数，用命令“plot”绘出图像作为对比。

3、准备好散点数据，用命令“plot”绘出散点作为对比。

4、调用函数“fit”，参数包括散点数据和曲线拟合模型。

5、按回车键即可完成曲线拟合，p1、p2、p3为多项式前面的系数。

7. matlab曲线拟合

你这个如果拟合成正比例函数会误差很大，所以给你加上了个常数，仿真效果图如下：
y=8725.6495*ln(x)-66204.5041

程序如下~~~~~~
clear;clc;close all;
x=[1975 1977 1979 1981];
y=[10.7, 12.38, 29.75, 34.32];
lx=log(x);
p=polyfit(lx,y,1);
disp(['y=',num2str(p(1)),'*ln(x)+',num2str(p(2))]);
figure;
plot(x,y,'o-');hold on;
plot(x,p(1)*log(x)+p(2),'ro-');

8. 怎样用matlab指数函数拟合

拟合函数表达式：y=a*exp(b+cx)
式中a=0.06154920769,
b=-3.18125203,
c=7.822374803
拟合度0.9725（相关系数）
用V=A(1)*exp(A(2)*I)+A(3)*exp(A(4)*I)模型比较好。
A = nlinfit(X,Y,myfun,[700 -0.01 -700 -1 ])
I=min(X):0.1:max(X);
V=A(1)*exp(A(2)*I)+A(3)*exp(A(4)*I);
plot(X,Y,'o',I,V)
结果：A =668.9571 -0.0688 -656.7991 -1.0321

意义
a>1时，Y随X增大而增大，先快后慢；0<a<1时，Y随X增大而减少，先快后慢。当以Y和lnX绘制的散点图呈直线趋势时，可考虑采用对数函数描述Y与X之间的非线性关系，式中的b和a分别为斜率和截距。
曲线直线化是曲线拟合的重要手段之一。对于某些非线性的资料可以通过简单的变量变换使之直线化，这样就可以按最小二乘法原理求出变换后变量的直线方程，在实际工作中常利用此直线方程绘制资料的标准工作曲线，同时根据需要可将此直线方程还原为曲线方程，实现对资料的曲线拟合。
以上内容参考：百度百科-曲线拟合