资源描述：
《matlab中简单的数据拟合方法与应用实例①》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、MATLAB中简单的数据拟合方法与应用实例仅供努力学习matlab的同学们参考参考,查阅了M多资料,总结了以下方法按步骤做能够基本学会matlab曲线拟合的1.1数据拟合方法1.1.1多项式拟合1.多项式拟合命令polyfit(X,Y,N):多项式拟合，返回降幂排列的多项式系数。Polyval(P,xi):计算多项式的值。其中,X,Y是数据点的值；N是拟合的最高次幂；P是返回的多项式系数；xi是要求的横坐标实例数据：x123456789y9763-125720拟合命令如下：x=[123456789];y=[9763-125720];P=poly
2、fit(x,y,3);xi=0:.2:10;yi=polyval(P,xi);plot(xi,yi,x,y,'r*');拟合曲线与原始数据如图1-1图1-12图形窗口的多项式拟合1）先画出数据点如图1-2x=[123456789];y=[9763-125720];plot(x,y,'r*');图1-22）在图形窗口单击Tools—BasicFitting,如图1-3勾选.图1-3图1-3右方分别是线性、二阶、三阶对数据进行多项式拟合。下面的柱状图显示残差，可以看出,三阶多项式的拟合效果是最好的。1.1.2指定函数拟合已知M组数据点和对应的函数形
3、式XY编写M文件：symstx=[0;0.4;1.2;2;2.8;3.6;4.4;5.2;6;7.2;8;9.2;10.4;11.6;12.4;13.6;14.4;15];y=[1;0.85;0.29;-0.27;-0.53;-0.4;-0.12;0.17;0.28;0.15;-0.03;-0.15;-0.071;0.059;0.08;0.032;-0.015;-0.02];f=fittype('a*cos(k*t)*exp(w*t)','independent','t','coefficients',{'a','k','w'});cfun=f
4、it(x,y,f)xi=0:.1:20;yi=cfun(xi);plot(x,y,'r*',xi,yi,'b-');图1-4运行程序,在命令窗口可达到以下运行结果，图像如图1-4Warning:Startpointnotprovided,choosingrandomstartpoint.>Infit>handlewarnat715Infitat315InUntitled2at5cfun=Generalmodel:cfun(t)=a*cos(k*t)*exp(w*t)Coefficients(with95%confidencebounds):a=
5、0.9987(0.9835,1.014)k=1.001(0.9958,1.006)w=-0.2066(-0.2131,-0.2002)从结果可以看出,拟合的曲线为：。拟合曲线给出了数据大致趋势，并给出了各参数的置信区间。注意：命令窗口中的warning是由a,k,w这3个参数的初始值未给出导致的,如果给出的拟合结果不理想,可以多运行几次。备注：补充1.matlab中的cftool一、单一变量的曲线逼近Matlab有一个功能强大的曲线拟合工具箱cftool，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的MatlabR2007b来
6、简单介绍如何使用这个工具箱。假设我们要拟合的函数形式是y=A*x*x+B*x,且A>0,B>0。1、在命令行输入数据：》x=[110.3323148.7328178.064202.8258033224.7105244.5711262.908280.0447296.204311.5475]；》y=[5101520253035404550]；2、启动曲线拟合工具箱》cftool3、进入曲线拟合工具箱界面“CurveFittingtool”（1）点击“Data”按钮，弹出“Data”窗口；（2）利用Xdata和Ydata的下拉菜单读入数据x,y，可修
7、改数据集名“Datasetname”，然后点击“Createdataset”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；（3）点击“Fitting”按钮，弹出“Fitting”窗口；（4）点击“Newfit”按钮，可修改拟合项目名称“Fitname”，通过“Dataset”下拉菜单选择数据集，然后通过下拉菜单“Typeoffit”选择拟合曲线的类型，工具箱提供的拟合类型有：*CustomEquations：用户自定义的函数类型*Exponential：指数逼近，有2种类型，a*exp(b*x)、a*exp(b*x)
8、+c*exp(d*x)*Fourier：傅立叶逼近，有7种类型，基础型是a0+a1*cos(x*w)+b1*sin(x*w)*Gaussian：高斯逼
