matlab非线性拟合的.pdfVIP

设有实验数据 (x , y ), (i 1,2,,n) ,寻找函数f (x,θ) i i 使得函数在点x , (i 1,2, , n) 处的函数值与观测数据偏差 i ˆ f (x,θ) 的平方和达到最小.即求满足如下条件的函数 使得 n n 2 2 ˆ min∑(f (x ,θ) −y ) ∑(f (x ,θ) −y ) i i i i i 1 i 1 θ ˆ 其中 是待定的参数，而 就是最小二乘法所确定的 θ 最佳参数. 解决此类问题有以下几个步骤：（1）首先作出散点 图，确定函数的类别；（2 ）根据已知数据确定待定 参数的初始值，利用Matlab软件计算最佳参数；（3 ） 根据可决系数，比较拟合效果，计算可决系数的公式 为 n ˆ 2 ∑(y −y ) i i R 2 1 − i 1 n ∑(y i −y )2 i 1 1 n 其中 y ∑y i 2 n i 1 R 越趋近于1表明拟合效果越好. 在Matlab 中实现可决系数的计算的例子： x=[2:16]; y=[6.42,8.2,9.58,9.5,9.7,10,9.93,9.99,10.49,10.59,10.6,10.8,10.6,10.9,10.76]; y1=x./(0.1152+0.0845*x); % 拟合曲线 2 R =1-sum((y-y1).^2)/sum((y-mean(y)).^2) 如果是多项式函数，则称为多项式回归，此时 的参数即多项式的系数；如果为指数函数、对数函 数、幂函数或三角函数等，则称为非线性拟合.下面 的图形给出了常见曲线与方程的对应关系： b 幂函数 y ax bx 指数函数 y