数据拟合与模型选择.pptVIP

还原为 检验拟合效果：很不理想. x2=1780:2000; y2=exp(b(1)+b(2).*x2); plot(x,y,+,x2,y2) y3=exp(b(1)+b(2).*x); sum((y-y3).^2) %残差 输出残差平方和(很大)： Res1=24917 图2：线性化后拟合效果图 这个初值非常重要，因此前面变换数据以后最小二乘方法得到的估计常常作为现在 lsqcurvefit 的初值。 为了改进拟合效果，直接用matlab 软件的lsqcurvefit命令, 进行曲线拟合（数值方法求 的最小值点 ，其中x = f (t), f (t) = ea+bt， ），不过计算时需要提供被估计参数的初值。 x=1790:10:1990; y=[3.9 5.3 7.2 9.6 12.9 17.1 23.2 31.4 38.6 50.2 62.9 76.0 92.0 105.8 122.8 131.7 150.7 179.3 203.2 226.5 248.7]; fun = inline(exp(b(1)+b(2).*x),b,x) b0=[-35,0.02]; [b1 Res2]=lsqcurvefit(fun,b0,x,y) b1 = -23.72