关于Matlab中的线性与非线性最小二乘拟合.docVIP

1、线性最小二乘拟合 最小二乘法（又称最小平方法）是一种数学优化技术，其通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法通过变量的数据来描述变量之间的相互关系例如通过描述。 常见的多项式拟合曲线有：直线、多项式双曲线。Matlab中的最小二乘函数：P polyfit x,y,n （n 1时为），[P S mu] polyfit x,y,n ，polyval P,t 返回n次多项式在t处的值（plot t, polyval P,t ）。P-返回n次拟合多项式系数从高到低依次存放于向量P中，S-包含三个值其中normr是残差平方和，mu-包含两个值mean（x）均值，std（x）标准差。 2、非线性拟合 超定方程组（方程组的个数大于未知数的个数），Matlab中提供lsqcurvefit和lsqnonlin两个非线性最小二乘拟合函数，两者的区别在于其定于的函数f x 不一样。 非线性曲线拟合lsqcurvefit用以求含参量x（向量）的向量值函数F x,xdata （F（x，xdata1），…，F（x，xdatan））T中的参变量x 向量 ，使得： 最小 其输入格式有 1 x lsqcurvefit ‘fun’,x0,xdata,ydata ; 2 x lsqcurvefit ‘fun’,x0,xdata,ydata,options ; 3 x lsqcurvefit ‘fun’,x0,xdata,ydata,options,’grad’ ; 4 [x, options] lsqcurvefit ‘fun’,x0,xdata,ydata,… ; 5 [x, options,funval] lsqcurvefit ‘fun’,x0,xdata,ydata,… ; 6 [x, options,funval, Jacob] lsqcurvefit ‘fun’,x0,xdata,ydata,… ; 其中fun为事先建立的函数F x,xdata 的M-文件x0为迭代初始值xdata、ydata为已知数据点options为无约束优化 非线性最小二乘拟合lsqnonlin用以求含参量x（向量）的向量值函数f x f1 x ,f2 x ,…,fn x T中的参量x，使得： 最小 其中 其输入格式为 1 x lsqnonlin ‘fun’,x0 ; 2 x lsqnonlin ‘fun’,x0,options ; 3 x lsqnonlin ‘fun’,x0,options,’grad’ ; 4 [x，options] lsqnonlin ‘fun’,x0,dwx,upx,options,Y ; 其中fun为建立的0为初始值dwx、upx为上、下限，options为无约束优化，Y为传入fun的参数值。 无约束优化options的设定options optimset ‘optionName’,’optionValue’ 例如options? ?optimset Display,iter,TolFun,1e-8 使得优化函数值的误差为-8，iter改为off不显示迭代过程tions? ?optimset param1,value1,param2,value2,...