MATLAB数据拟合实例(给出两组数据拟合y=ax±b).docVIP

转-MATLAB插值与拟合（1） 2010-03-29 19:45 §1曲线拟合 实例：温度曲线问题 气象部门观测到一天某些时刻的温度变化数据为： t 0 1 2 3 4 5 6 7 8 9 10 T 13 15 17 14 16 19 26 24 26 27 29 试描绘出温度变化曲线。 曲线拟合就是计算出两组数据之间的一种函数关系，由此可描绘其变化曲线及估计非采集数据对应的变量信息。 曲线拟合有多种方式，下面是一元函数采用最小二乘法对给定数据进行多项式曲线拟合，最后给出拟合的多项式系数。 1.线性拟合函数：regress() 调用格式：?b=regress(y,X) ?[b,bint,r,rint,stats]= regress(y,X) ?[b,bint,r,rint,stats]= regress(y,X,alpha) 说明：b=regress(y,X)返回X与y的最小二乘拟合值，及线性模型的参数值β、ε。该函数求解线性模型： y=Xβ+ε β是p′1的参数向量；ε是服从标准正态分布的随机干扰的n′1的向量；y为n′1的向量；X为n′p矩阵。 bint返回β的95%的置信区间。r中为形状残差，rint中返回每一个残差的95%置信区间。Stats向量包含R2统计量、回归的F值和p值。 例1：设y的值为给定的x的线性函数加服从标准正态分布的随机干扰值得到。即y=10+x+ε ；求线性拟合方程系数。 程序： x=[ones(10,1) (1:10)]; ?y=x*[10;1]+normrnd(0,0.1,10,1); ?[b,bint]=regress(y,x,0.05) 结果：?x = ?1?1 ?1?2 ?1?3 ?1?4 ?1?5 ?1?6 ?1?7 ?1?8 ?1?9 ?1?10 y = ?10.9567 ?11.8334 ?13.0125 ?14.0288 ?14.8854 ?16.1191 ?17.1189 ?17.9962 ?19.0327 ?20.0175 b = ?9.9213 ?1.0143 bint = ?9.7889?10.0537 ?0.9930?1.0357 即回归方程为：y=9.9213+1.0143x 2.多项式曲线拟合函数：polyfit( ) 调用格式：?p=polyfit(x,y,n) ?[p,s]= polyfit(x,y,n) 说明：x,y为数据点，n为多项式阶数，返回p为幂次从高到低的多项式系数向量p。矩阵s用于生成预测值的误差估计。(见下一函数polyval) 例2：由离散数据 x 0 .1 .2 .3 .4 .5 .6 .7 .8 .9 1 y .3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2 拟合出多项式。 程序： ?x=0:.1:1; ?y=[.3 .5 1 1.4 1.6 1.9 .6 .4 .8 1.5 2]; ?n=3; ?p=polyfit(x,y,n) ?xi=linspace(0,1,100); ?z=polyval(p,xi);?%多项式求值 ?plot(x,y,o,xi,z,k:,x,y,b) ?legend(原始数据,3阶曲线) 结果： p = ?16.7832?-25.7459?10.9802?-0.0035 多项式为：16.7832x3-25.7459x2+10.9802x-0.0035 曲线拟合图形： 如果是n=6，则如下图： 也可由函数给出数据。 例3：x=1:20,y=x+3*sin(x) 程序： ?x=1:20; ?y=x+3*sin(x); ?p=polyfit(x,y,6) ?xi=linspace(1,20,100); ?z=polyval(p,xi);?%多项式求值函数 ?plot(x,y,o,xi,z,k:,x,y,b) ?legend(原始数据,6阶曲线) 结果： p = 0.0000?-0.0021?0.0505?-0.5971?3.6472?-9.7295?11.3304 再用10阶多项式拟合 ?程序：x=1:20; y=x+3*sin(x); p=polyfit(x,y,10) xi=linspace(1,20,100); z=polyval(p,xi); plot(x,y,o,xi,z,k:,x,y,b) legend(原始数据,10阶多项式) 结果：p = ?Columns 1 through 7 ?0.0000?-0.0000?0.0004?-0.0114?0.1814?-1.8065?11.2360 ?Columns 8 through 11 ?-42.0861?88.5907?-92.8155?40.2671 可用不同阶的多项式来拟合数据，但也不是阶数越高拟合的越好。 3.?多项式曲线求值函数：p