一. 最小二乘曲线拟合
给定一组数据满足某一函数模型，其中a为待定系数向量。
那么，最小二乘曲线拟合的目标就是：求出一组待定系数的值，使得以下表达式子最小：
在MATLAB中格式如下：
[a,jm]=lsqcurvefit(Fun,a0,x,y)
%Fun原型函数的MATLAB表示
%a0为最优化的初值
%x,y为原始输入输出的数据向量
%a为返回的待定系数向量
%jm为此待定系数下的目标函数的值例题1
由以下MATLAB代码生成一组数据：
x=0:.1:10;
y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x);
该组数据满足y(x)，求出待定系数，使得目标函数的值为最小。
解：
MATLAB代码如下：
clc;clear;
x=0:0.1:10;
y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x);
f=inline('a(1)*exp(-a(2)*X)+a(3)*exp(-a(4)*X).*sin(a(5)*X)','a','X');
ff=optimset;
ff.TolFun=1e-20;ff.TolX=1e-15; %修改精度限制
[xx,res]=lsqcurvefit(f,[1 1 1 1 1],x,y,[],[],ff)
%绘制曲线
x1=0:0.01:10;
y1=f(xx,x1); %代入运算
plot(x1,y1,x,y,'o');
legend('拟合曲线','原数据点')
运行结果：
xx = 0.120000000000000 0.213000000000000 0.540000000000000 0.170000000000000 1.230000000000000
res =0
例题2
已知以下数据可能满足。求满足数据的最小二乘解a,b,c,d的值。
解：
令，将原函数写成如下：
MATLAB代码如下：
clc;clear;
%输入已知参数
x=0.1:0.1:1;
y=[2.3201,2.6470,2.9707,3.2885,3.6008,3.9090,4.2147,4.5191,4.8232,5.1275];
f=inline('a(1)*X+a(2)*X.^2.*exp(-a(3)*X)+a(4)','a','X');
a=lsqcurvefit(f,[1 2 2 3],x,y)
%绘制曲线
y1=f(a,x);
plot(x,y1,x,y,'o');
legend('拟合曲线','原数据点');运行结果：
a = 3.100076146500888 1.502655931856580 4.004634473891176 2.000013871079962
在MATLAB中，非线性拟合命令格式如下：
[beta,r,J]=nlinfit(x,y,fun,beta0)
%x,y为原始数据
%fun是在M文件中定义的函数
%beta0是函数中参数的初始值
%beta为参数的最优值
%r是各点处的拟合残差
%J为雅克比矩阵的数值初始参数beta0可以用以下方法求得：
首先观察有几个待定系数，有几个待定系数就将几组实验数据代入方程中，由此可得参数的初始值。
例题3
给定以下数据，利用非线性的方法求出函数f(x)的参数。
| x | 0 | 47 | 93 | 140 | 186 | 279 | 372 | 465 | 558 | 651 |
| y | 18.98 | 27.35 | 34.86 | 38.52 | 38.44 | 37.73 | 38.43 | 43.87 | 42.77 | 46.22 |
解：
MATLAB代码如下：
clc;clear;
x=[0 47 93 140 186 279 372 465 558 651];
y=[18.98 27.35 34.86 38.52 38.44 37.73 38.43 43.87 42.77 46.22];
b0=[43 0.6 0.1]; %初始参数值
fun=inline('b(1)*(1-b(2)*exp(-b(3)*X))','b','X');
[b,r,j]=nlinfit(x,y,fun,b0); %b为最佳参数
b
R=sum(r.^2) %误差平方和
y1=fun(b,x);
plot(x,y,'*',x,y1,'-or')运行结果：
b =42.664037023023802 0.548346447450711 0.009880232273427
R =46.197464448828995
二. curve fitting tool工具
以下将通过一个例子，来理解MATLAB中curve fitting tool工具。
首先在新建的脚本文件编辑框中键入以下代码：
clc;clear;
%产生数据
x=-20:2:20;
y=-20:2:20;
[X,Y]=meshgrid(x,y);
Z=3*X.^3-4*X+2*Y.^4+3*Y^3;
meshgrid(X,Y,Z);第一步
在APP选项框中打开curve fitting 工具，选择数据源X/Y/Z data
第二步
选择合适的拟合方法。本例子待拟合的曲面为多项式，所以可以直接选择。其他可选择的拟合类型，如下：
- Custom Equation：用户自定义的函数类型
- Interpolant:插值逼近，有四种类型，linear、nearest、neighbor、cubic spline、shape-preserving
- Lowess：平滑逼近，局部加权回归
- Polynomial:多项式逼近，有9种类型，linear,quadratic,cubic,4-9th degree
第三步
选择合适的多项式次数与系数
第四步
拟合后的结果信息在Fitting对话框中的Results文本框中，此处有此次拟合的主要统计信息，包含：
- 误差平方和 SSE：该参数计算拟合参数后的回归值与原始数据对应点的误差平方和，类比方差
- 确定系数 R-square
- 调整后的确实系数 Adjusted R-square
- RMSE：该参数是预测数据和原始数据对应点误差的平方和的均值的平方根，即均方误差，类比标准差
另外附加两个功能：
生成代码：文件>>Generate Code>>自动生成一个creatFit.m文件；
生成图片：文件>>Print to figure文章来源：https://www.toymoban.com/news/detail-799387.html
文章来源地址https://www.toymoban.com/news/detail-799387.html
到了这里，关于基于MATLAB的最小二乘法拟合与拟合工具箱使用教程（附完整代码与算法）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！
