[工学]matlab数据拟合回归分析.pptVIP

内容 回归分析 线性： [b, bint, r, rint, stats] = regress(Y, X, alpha) 多元二项式回归：rstool (x,y, model,alpha) 逐步回归：stepwise (x,y,inmodel,penter,premove) 常用函数拟合 1、多项式拟合：P=polyfit(x,y,n) 2、函数线性组合的曲线拟合方法 3、最小二乘曲线拟合： 常用函数拟合 【例】 2、函数线性组合的曲线拟合方法 【例】 3、最小二乘曲线拟合 【例】 逐步回归 从候选集合中确定一初始子集； 从子集外（候选集合内）中引入一个对y影响显著的； 对集合中的变量进行检验，剔除影响变得不显著的； 迭代式地进行引入和剔除，直到不能进行为止。 选择衡量影响显著程度的统计量，通常用偏F统计量； 适当选取引入变量的显著性水平?in和剔除变量的?out。 引入新的变量后原来模型内影响显著的变量变得不显著，从而被剔除 ~ 自变量之间存在较强相关性的结果. 某些自变量之间的相关性很强 回归系数的置信区间较大 多重共线性 矩阵XTX病态 MATLAB 统计工具箱常用命令(3) 逐步回归 stepwise (x,y,inmodel,penter,premove) x~候选变量集合的n×k 数据矩阵（n是数据容量, k是变量数目）; y~因变量数据向量（n维）; Inmodel~初始模型中包括的候选变量集合的指标（矩阵x的列序数，缺省时设定为全部候选变量）; penter~引入变量的显著性水平（缺省时设定为0.05）; premove~剔除变量的显著性水平（缺省时设定为0.10）。 输出交互式画面 例 儿童的体重与身高和年龄 9 1.44 29.1 12 7 1.17 24.3 6 12 1.64 36.5 11 8 1.19 24.9 5 6 1.06 24.8 10 11 1.57 33.4 4 10 1.26 29.4 9 6 1.14 24.0 3 9 1.21 27.8 8 10 1.49 30.2 2 10 1.39 30.9 7 8 1.34 27.1 1 年龄 身高(m) 体重(kg) 序号 年龄 身高(m) 体重(kg) 序号 可能存在二次函数关系 体重y 身高x1 体重y 年龄x2 例 儿童的体重与身高和年龄 ertong.m 初始结果 最终结果 2004 B题 电力市场的输电阻塞管理 确定各线路上潮流关于各发电机组出力的近似表达式 当前时段各发电机组出力 p1(0), ?, pn(0), 线路潮流 uj(0) a0 答卷中的问题：没有常数项 a0；没有统计检验 p(0) + + + + + p 0 u a0=0 1、多项式拟合 用polytool(x0,y0,3)还可以得到一个交互式画面。 该方程的最小二乘解为: 其中 * * X=lsqcurvefit (FUN,X0,XDATA,YDATA,LB,UB,OPTIONS) 直线拟合： a=polyfit(x,y,1), b=polyfit(x,z,1), 同一条直线 y=0.33x+0.96(z=0.33x+0.96) 从拟合到回归 x=[ 0 1 2 3 4 ], y=[ 1.0 1.3 1.5 2.0 2.3 ] ( + 号) x=[ 0 1 2 3 4 ], z=[ 0.6 1.95 0.9 2.85 1.8 ]（*号） 问题：你相信哪个拟合结果？怎样给以定量评价? 得到 a= 0.33 0.96 b= 0.33 0.96 一、数学模型 例1 测16名成年女子的身高与腿长所得数据如下： 以身高x为横坐标，以腿长y为纵坐标将这些数据点（xI，yi）在平面直角坐标系上标出. 散点图 解答 一元线性回归分析的主要任务是： 返回 二、模型参数估计 1、回归系数的最小二乘估计 其中 ? ? = = = = n i i n i i y n y x n x 1 1 1 , 1 ， ? ? = = = = n i i i n i i y x n xy x n x 1 1 2 2 1 , 1 . 返回 三、检验、预测与控制 1、回归方程的显著性检验 （Ⅰ）F检验法 （Ⅱ）t检验法 （Ⅲ）r检验法 2、回归系数的置信区间 3、预测与控制 （1）预测 （2）控制 返回 收集一组包含因变量和自变量的数据； 选定因变量与自变量之间的模型，利用数据按照最小二乘准则计算模型中的系数； 利用统计分析方法对不同的模型进行比较，找出与数据拟合得最好的模型； 判断得到的模型是否适合于这组数据, 诊断有无不适合回归模型的异常数据； 利用模型对因变量作出预测或解释。 回归分析的主