matlab 曲线拟合
曲线拟合(转载:http://blog.sina.com.cn/s/blog_8e1548b80101c9iu.html)
补:拟合多项式输出为str
1.poly2str([p],\’x\’)
2.
fn=sprintf(\’%.16f%s%.16f%s%.16f%s%.16f\’,p(1),\’*x^3+\’,p(2),\’*x^2+\’,p(3),\’*x+\’,p(4));
vpa(fn,精度)
补2:字符串拼接
1.STR=sprintf(\’%d%s…..\’,对应类型的值,对应类型的值);
2.strcat(\’\’,\’\’…………..)
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：polyval( )
调用格式： y=polyval(p,x)
[y,DELTA]=polyval(p,x,s)
说明：y=polyval(p,x)为返回对应自变量x在给定系数P的多项式的值。
[y,DELTA]=polyval(p,x,s) 使用polyfit函数的选项输出s得出误差估计Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。则Y DELTA将至少包含50%的预测值。
4. 多项式曲线拟合的评价和置信区间函数：polyconf( )
调用格式： [Y,DELTA]=polyconf(p,x,s)
[Y,DELTA]=polyconf(p,x,s,alpha)
说明：[Y,DELTA]=polyconf(p,x,s)使用polyfit函数的选项输出s给出Y的95%置信区间Y DELTA。它假设polyfit函数数据输入的误差是独立正态的，并且方差为常数。1-alpha为置信度。
例4：给出上面例1的预测值及置信度为90%的置信区间。
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,s]=polyfit(x,y,n)
alpha=0.05;
[Y,DELTA]=polyconf(p,x,s,alpha)
结果：
p =
16.7832 -25.7459 10.9802 -0.0035
s =
R: [4×4 double]
df: 7
normr: 1.1406
Y =
Columns 1 through 9
-0.0035 0.8538 1.2970 1.4266 1.3434 1.1480 0.9413 0.8238 0.8963
Columns 10 through 11
1.2594 2.0140
5. 稳健回归函数：robust( )
稳健回归是指此回归方法相对于其他回归方法而言，受异常值的影响较小。
调用格式： b=robustfit(x,y)
[b,stats]=robustfit(x,y)
[b,stats]=robustfit(x,y,’wfun’,tune,’const’)
说明：b返回系数估计向量；stats返回各种参数估计；’wfun’指定一个加权函数；tune为调协常数；’const’的值为’on’(默认值)时添加一个常数项；为’off ’时忽略常数项。
例5：演示一个异常数据点如何影响最小二乘拟合值与稳健拟合。首先利用函数y=10-2x加上一些随机干扰的项生成数据集，然后改变一个y的值形成异常值。调用不同的拟合函数，通过图形观查影响程度。
程序：x=(1:10)’;
y=10-2*x+randn(10,1);
y(10)=0;
bls=regress(y,[ones(10,1) x]) %线性拟合
brob=robustfit(x,y) %稳健拟合
scatter(x,y)
hold on
plot(x,bls(1)+bls(2)*x,’:’)
plot(x,brob(1)+brob(2)*x,’r‘)
结果 ： bls =
8.4452
-1.4784
brob =
10.2934
-2.0006
分析：稳健拟合(实线)对数据的拟合程度好些，忽略了异常值。最小二乘拟合(点线)则受到异常值的影响，向异常值偏移。
6. 向自定义函数拟合
对于给定的数据，根据经验拟合为带有待定常数的自定义函数。
所用函数：nlinfit( )
调用格式： [beta,r,J]=nlinfit(X,y,’fun’,betao)
说明：beta返回函数’fun’中的待定常数；r表示残差；J表示雅可比矩阵。X,y为数据；‘fun’自定义函数；beta0待定常数初值。
例6：在化工生产中获得的氯气的级分y随生产时间x下降，假定在x≥8时，y与x之间有如下形式的非线性模型：
现收集了44组数据，利用该数据通过拟合确定非线性模型中的待定常数。
x y x y x y
8 0.49 16 0.43 28 0.41
8 0.49 18 0.46 28 0.40
10 0.48 18 0.45 30 0.40
10 0.47 20 0.42 30 0.40
10 0.48 20 0.42 30 0.38
10 0.47 20 0.43 32 0.41
12 0.46 20 0.41 32 0.40
12 0.46 22 0.41 34 0.40
12 0.45 22 0.40 36 0.41
12 0.43 24 0.42 36 0.36
14 0.45 24 0.40 38 0.40
14 0.43 24 0.40 38 0.40
14 0.43 26 0.41 40 0.36
16 0.44 26 0.40 42 0.39
16 0.43 26 0.41
首先定义非线性函数的m文件：fff6.m
function yy=model(beta0,x)
a=beta0(1);
b=beta0(2);
yy=a+(0.49-a)*exp(-b*(x-8));
程序：
x=[8.00 8.00 10.00 10.00 10.00 10.00 12.00 12.00 12.00 14.00 14.00 14.00…
16.00 16.00 16.00 18.00 18.00 20.00 20.00 20.00 20.00 22.00 22.00 24.00…
24.00 24.00 26.00 26.00 26.00 28.00 28.00 30.00 30.00 30.00 32.00 32.00…
34.00 36.00 36.00 38.00 38.00 40.00 42.00]\’;
y=[0.49 0.49 0.48 0.47 0.48 0.47 0.46 0.46 0.45 0.43 0.45 0.43 0.43 0.44 0.43…
0.43 0.46 0.42 0.42 0.43 0.41 0.41 0.40 0.42 0.40 0.40 0.41 0.40 0.41 0.41…
0.40 0.40 0.40 0.38 0.41 0.40 0.40 0.41 0.38 0.40 0.40 0.39 0.39]\’;
beta0=[0.30 0.02];
betafit = nlinfit(x,y,\’sta67_1m\’,beta0)
结果：betafit =
0.3896
0.1011