怎么用matlab进行非线性的多元函数拟合?

怎么用matlab进行非线性的多元函数拟合?相关内容，小编在这里做了整理，希望能对大家有所帮助，关于怎么用matlab进行非线性的多元函数拟合?信息，一起来了解一下吧！

本文目录一览：

• 1、求php代码写的快速傅立叶算法。C的就算了，我看不懂C代码！求大神！
• 2、怎么用matlab进行非线性的多元函数拟合?
• 3、怎么用matlab进行非线性的多元函数拟合

求php代码写的快速傅立叶算法。C的就算了，我看不懂C代码！求大神！

function swap($a,$b){$tempr=$a;$a=$b;$b=$tempr;}
function jfour1(array $ya, $nn,$isign)
{
$n;$mmax;$m;$j;$istep;$i;
$wtemp;$wr;$wpr;$wpi;$wi;$theta;
$tempr;$tempi;
$n=$nn << 1;
$j=1;
for ($i=1;$i<$n;$i+=2) {
 if ($j > $i) {
  SWAP($ya[$j],$ya[$i]);
  SWAP($ya[$j+1],$ya[$i+1]);
  }
  $m=$n >> 1;
  while ($m >= 2 && $j > $m) {
       $j -= $m;
       $m >>= 1;
   };
   $j += $m;
};
$mmax=2;
while ($n > $mmax) {
 $istep=$mmax << 1;
 $theta=$isign*(6.28318530717959/$mmax);
 $wtemp=sin(0.5*$theta);
 $wpr = -2.0*$wtemp*$wtemp;
 $wpi=sin(theta);
 $wr=1.0;
 $wi=0.0;
  for ($m=1;$m<$mmax;$m+=2) {
   for ($i=$m;$i<=$n;$i+=$istep) {
     $j=$i+$mmax;
     $tempr = $wr * $ya[$j]- $wi * $ya[$j+1];
     $tempi = $wr * $ya[$j+1] + $wi * $ya[$j];
     $ya[$j] =$ya[$i] - $tempr;
     $ya[$j+1] = $ya[$i+1] - $tempi;
     $ya[$i] += $tempr;
     $ya[$i+1] += $tempi;
   };
   $wr = ($wtemp=$wr) * $wpr - $wi * $wpi + $wr;
   $wi = $wi * $wpr + $wtemp * $wpi + $wi;
  };
  $mmax=$istep;
 };
}
function  jrealft(array $ya,$n,$isign)
{
jfour1($ya, $nn, $isign);
$i;$i1;$i2;$i3;$i4;$np3;n05;
$c1=0.5;$c2;$h1r;$h1i;$h3r;$h3i;
$wr;$wi;$wpr;$wpi;$wtemp;$theta;
  $n05 = $n >> 1;
  $theta=3.141592653589793/(double)$n05;
  if ($isign == 1) {
      $c2 = -0.5;
      jfour1($ya,$n05,1);
   } else {
      $c2=0.5;
      $theta = -$theta;
   };
   $wtemp=sin(0.5*$theta);
   $wpr = -2.0*$wtemp*$wtemp;
   $wpi=sin($theta);
   $wr=1.0+$wpr;
   $wi=$wpi;
   $np3=$n+3;
   for ($i=2;$i<=($n>>2);$i++) {
       $i4=1+($i3=$np3-($i2=1+($i1=$i+$i-1)));
       $h1r = $c1 * ($ya[$i1] + $ya[$i3]);
       $h1i = $c1 * ($ya[$i2] - $ya[$i4]);
       $h3r = -$c2* ($ya[$i2] + $ya[$i4]);
       $h3i = $c2 * ($ya[$i1] - $ya[$i3]);
       $ya[$i1] =  $h1r + $wr * $h3r - $wi * $h3i;
       $ya[$i2] =  $h1i + $wr * $h3i + $wi * $h3r;
       $ya[$i3] =  $h1r - $wr * $h3r + $wi * $h3i;
       $ya[$i4] = -$h1i + $wr * $h3i + $wi * $h3r;
       $wr= ($wtemp=$wr) * $wpr - $wi * $wpi + $wr;
       $wi=$wi * $wpr + $wtemp * $wpi + $wi;
   };
 if ($isign == 1) {
     $ya[1] = ($h1r=$ya[1]) + $ya[2];
     $ya[2] = $h1r-$ya[2];
   } else {
     $ya[1] = $c1 * (($h1r=$ya[1]) + $ya[2]);
     $ya[2]=$c1 * ($h1r - $ya[2]);
     jfour1($ya,$n05,-1);
 }
}

楼主你要的代码

怎么用matlab进行非线性的多元函数拟合?

方法一：

1、最常用的是多项式拟合，采用polyfit函数，在命令窗口输入自变量x和因变量y。 我爱编程网

2、以二次多项式拟合为例，输入p=polyfit(x,y,2)，如果想拟合更高次的多项式，更换括号内数字即可。

通过计算获得的p，是一个数组，对应了多项式的各项系数，以图中为例，拟合出的多项式为：y=0.9962x2+0.0053x-0.2833。

方法二：

1、首先，在上方工具栏选取APPS，点击curvefitting。输入自变量x和因变量y。

2、选择拟合方式，有多项式拟合polynomial，高斯拟合gaussian，幂指数拟合power等等，本次以多项式拟合为例。

3、通过数据计算，可以获得曲线参数（曲线函数中的各项系数），从而实现曲线拟合。

怎么用matlab进行非线性的多元函数拟合

我爱编程网(https://www.52biancheng.com)小编还为大家带来怎么用matlab进行非线性的多元函数拟合的相关内容。

matlab拟合工具箱cftool
%拟合数据曲线；线性最小二乘法是解决曲线拟合的最常用的方法，
%1、多项式拟合函数；p=polyfit(x,y,n);求p拟合函数在xi处的近似值pi=polyval(p,xi)；
%2、利用常用矩阵的除法解决复杂函数的拟合；
%3、利用lsqcurvefit函数和lsqnonlin函数拟合；
%4、利用cftool工具箱，自定义编写函数再通过M文件导出的形式

-5

英文参考

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 Matlab R2007b 来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=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；
》y=[5 10 15 20 25 30 35 40 45 50]；

2、启动曲线拟合工具箱
》cftool

3、进入曲线拟合工具箱界面“Curve Fitting tool”
（1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”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“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：
Custom Equations：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) + 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：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)
Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)

选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。

在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。

（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，如下例：
general model:
f(x) = a*x*x+b*x

Coefficients (with 95% confidence bounds):
a = 0.009194 (0.009019, 0.00937)
b = 1.78e-011 (fixed at bound)

Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263

同时，也会在工具箱窗口中显示拟合曲线。

这样，就完成一次曲线拟合啦，十分方便快捷。当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。

不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。对于混合型的曲线，例如 y = a*x + b/x ，工具箱的拟合效果并不好。下一篇文章我介绍帮同学做的一个非线性函数的曲线拟合。
上边对cftool工具箱做了很详尽的说明，但并没有对各种曲线拟合的性能做点评，在单变量曲线拟合中，如何选取一种最优化的拟合方式是非常重要的，我们在采用CFTOOL拟合后，会有一些性能说明，如：
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263

官方的解释：
Results -- Displays detailed results for the current fit including the fit type (model, spline, or interpolant), the fitted coefficients and 95% confidence bounds for parametric fits, and these goodness of fit statistics:

SSE -- The sum of squares due to error. This statistic measures the deviation of the responses from the fitted values of the responses. A value closer to 0 indicates a better fit.

R-square -- The coefficient of multiple determination. This statistic measures how successful the fit is in explaining the variation of the data. A value closer to 1 indicates a better fit.

Adjusted R-square -- The degree of freedom adjusted R-square. A value closer to 1 indicates a better fit. It is generally the best indicator of the fit quality when you add additional coefficients to your model.

RMSE -- The root mean squared error. A value closer to 0 indicates a better fit.

Matlab曲面拟合和插值 AAAAAAAAAAA风云博客
#m=0&t=1&c=fks_084066080086083064084085083095087086083071083086086064
;fromSearch&isFromSearchEngine=yes

Matlab曲线拟合
;fromSearch&isFromSearchEngine=yes

多项式拟合函数polyfit之C语言的源码



matlab二元函数拟合；

;cid=93&index=2

matlab非线性拟合1（指数函数）

以上就是怎么用matlab进行非线性的多元函数拟合?全部内容了，了解更多相关信息，关注我爱编程网。更多相关文章关注我爱编程网：www.52biancheng.com

免责声明：文章内容来自网络，如有侵权请及时联系删除。