matlab中curve fitting工具箱如何是一个因变量对应三个自变量？_百度知道
matlab中curve fitting工具箱如何是一个因变量对应三个自变量？
拟合a,x2.6,3,0.8,2.3。然后a=0,9,1.2,8,7，三个变量情况.6,4,0,0,15],12,d,5,11,12,1,8,10.5],c，y=(a*x1+b)*(c*x2+d)*(e*x3^2+f*x3+g).1,4,f.1,0,x3为已知数组,g 能帮我做个例子吗.4,11：用x1,1.2，比较容易; x2=[0已知这4个变量之间的函数关系,d.5,e,15]; c=0,0,7？x1=[1; b=0，求系数a,9,1,13,x3和y.5,13,5。要有具体步骤（在只有两个自变量的情况下.1,14,x2,c,6; e=0。
接着就是验证.4.7; g=0,2.7,14,0,f,b.4.9,e,1,6.3,1,10; d=0; x3=[1; f=0,3, 计算得到一组y的值,e,b，其中x1,0.3，不知道怎么搞.2,0
这是可以的，只要有数据，就能拟合出来。
能帮我做个例子吗？x1=[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]; x2=[0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1,1.1,1.2,1.3,1.4,1.5]; x3=[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15]。
来自团队：
其他类似问题
为您推荐：
其他1条回答
直接用cftool貌似不可行，可以参考下百度文库里的一篇名为《浅谈matlab多变量拟合》的文档
等待您来回答
下载知道APP
随时随地咨询
出门在外也不愁matlab&fitting
函数插值与曲线拟合
1、函数插值
& 一维插值:interp1(x,y,cx,’method’)
& 一维插值:interp1(x,y,z,cx,cy,’method’)
method:nearest、linear、spline、cubic
x=-2:0.4:2;
y=[2.8 2.96 2.54 3.44 3.565.4
6.0 8.7 10.1 13.3 14.0];
t=-2:0.01:2;
nst=interp1(x,y,t,'nearest');
plot(x,y,'r*',t,nst)
title('最临近点插值')
lnr=interp1(x,y,t,'linear');
plot(x,y,'r*',t,lnr,'b:')
title('线性插值')
spl=interp1(x,y,t,'spline');
plot(x,y,'r*',t,spl)
title('样条插值')
cbc=interp1(x,y,t,'cubic');
plot(x,y,'r*',t,cbc,'k-')
title('三次插值')
2、曲线拟合
多项式拟合：polyfit(x,y,m) 线性：m=1,二次：m=2, …
x=0:0.1:1;
y=[-0.447 1.978 3.28 6.16 7.08 7.347.66 9.56 9.48 9.30
A=polyfit(x,y,2)
Z=polyval(A,x);
Plot(x,y,’r*’,x,z,’b’)
matalb 曲线拟合的问题
%多项式拟合函数polyfit示例
x=[0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1];
y=[-0. 3.28 6.16 7.08 7.34 7.66 9.56 9.48 9.30
n=2;%polynomial order
p=polyfit(x, y, n);
%polyfit 的输出是一个多项式系数的行向量。
%其解是y = －9..1293x－0.0317。为了将曲线拟合解与数据点比较，
让我们把二者都绘成图。
xi=linspace(0, 1, 100);%x-axis data for plotting
z=polyval(p, xi);%polyval 求多项式值
plot(x, y, ' o ' , x, y, xi, z, ' : ' )
xlabel('x')
ylabel('y=f(x)')
title('Second Order Curve Fitting')
//最小二乘法曲线拟合
CArray&double,double&CDoubleA
BOOL CalculateCurveParameter(CDoubleArray *X,CDoubleArray *Y,long
M,long N,CDoubleArray *A)
&//X,Y --& X,Y两轴的坐标
--& 结果变量组数
--& 采样数目
--& 结果参数
®ister long i,j,k;
&double Z,D1,D2,C,P,G,Q;
&CDoubleArray B,T,S;
&B.SetSize(N);
&T.SetSize(N);
&S.SetSize(N);
&if(M&N)M=N;
&for(i=0;i&M;i++)
& (*A)[i]=0;
&for(i=0;i&N;i++)
& P=P+(*X)[i]-Z;
& C=C+(*Y)[i];
&(*A)[0]=C*B[0];
& T[0]=-P;
& for(i=0;i&N;i++)
&& Q=(*X)[i]-Z-P;
&& D2=D2+Q*Q;
&& C=(*Y)[i]*Q+C;
&& G=((*X)[i]-Z)*Q*Q+G;
& Q=D2/D1;
& (*A)[1]=C*T[1];
& (*A)[0]=C*T[0]+(*A)[0];
&for(j=2;j&M;j++)
& S[j]=T[j-1];
& S[j-1]=-P*T[j-1]+T[j-2];
& if(j&=3)
for(k=j-2;k&=1;k--)
S[k]=-P*T[k]+T[k-1]-Q*B[k];
& S[0]=-P*T[0]-Q*B[0];
& for(i=0;i&N;i++)
&& Q=S[j];
for(k=j-1;k&=0;k--)
Q=Q*((*X)[i]-Z)+S[k];
&& D2=D2+Q*Q;
&& C=(*Y)[i]*Q+C;
&& G=((*X)[i]-Z)*Q*Q+G;
& Q=D2/D1;
& (*A)[j]=C*S[j];
& T[j]=S[j];
& for(k=j-1;k&=0;k--)
(*A)[k]=C*S[k]+(*A)[k];
&& B[k]=T[k];
&& T[k]=S[k];
&return TRUE;
*%只考虑线性拟合*&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%&&&&&
*%原始数据
*&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
t = [0 .3 .8 1.1 1.6
2.3]';&&&&&&&&&&&&&&&
y = [0.5 0.82 1.14 1.25 1.35
1.40]';&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%&&&&&
*%多项式拟合
*&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
p=polyfit(t,y,2)&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
%利用左除&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
X = [ones(size(t))& t&
t.^2];&&&&&&&&&&&&&
X\y&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&
%regress函数
X = [ones(size(t))& t&
b=regress(y,X)
%lsqcurvefit函数
fun=inline('x(1)*t.^2+x(2)*t+x(3)','x','t');
x=lsqcurvefit(fun,[0,0,0],t,y)
%Curve Fitting Toolbox
fit1= fit(t,y,'poly2')
%Curve Fitting Toolbox(自定义多项式)
mymodel = fittype('a*t^2+b*t+c','independent','t');
%mymodel = fittype('a*x^2+b*x+c');
fit1= fit(t,y,mymodel,'start',[0,0,0])
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%指数形式的拟合
X = [ones(size(t))& exp(-t)&
t.*exp(-t)];
%lsqcurvefit函数
fun=inline('x(1)+x(2)*exp(-t)+x(3).*t.*exp(-t)','x','t');
x=lsqcurvefit(fun,[0,0,0],t,y)
%Curve Fitting Toolbox
fittype('a+b*exp(-t)+c*t*exp(-t)','independent','t');
%mymodel = fittype('a+b*exp(-x)+c*x*exp(-x)');
fit1= fit(t,y,mymodel,'start',[0,0,0])
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%不含常数项的多项式拟合
X = [t& t.^2];
%regress函数
X = [t& t.^2];
b=regress(y,X)
%lsqcurvefit函数
fun=inline('x(1)*t.^2+x(2)*t','x','t');
x=lsqcurvefit(fun,[0,0],t,y)
%Curve Fitting Toolbox
mymodel = fittype('a*t^2+b*t','independent','t');
%mymodel = fittype('a*x^2+b*x');
fit1= fit(t,y,mymodel,'start',[0,0])
MATLAB软件提供了基本的曲线拟合函数的命令．
多项式函数拟合：a=polyfit(xdata,ydata,n)
其中n表示多项式的最高阶数，xdata，ydata为将要拟合的数据，它是用数组的方式输入．输出参数a为拟合多项式y=a1xn+...+anx+an+1的系数
&&&多项式在x处的值y可用下面程序计算．
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&y=polyval(a,x,m)&&&&&&&&
线性：二次：&&&&&&&&
polyfit的输出是一个多项式系数的行向量。为了计算在xi数据点的多项式值，调用MATLAB的函数polyval。
&&&一般的曲线拟合：p=curvefit(‘Fun’,p0,xdata,ydata)
其中Fun表示函数Fun(p,data)的M函数文件，p0表示函数的初值．curvefit()命令的求解问题形式是最小二乘解
若要求解点x处的函数值可用程序f=Fun(p,x)计算．
、函数插值
最临近点插值
二维插值是基于与一维插值同样的基本思想。然而，正如名字所隐含的，二维插值是对两变量的函数z=f(x,y)进行插值。interp2的基本形式是interp2(x,y,
z, xi, yi,method)。这里x和y是两个独立变量，z是一个应变量矩阵。x和y对z的关系是
z(i, :) = f(x,
y(i))和z(:,
j) =f(x(j), y).
也就是，当x变化时，z的第i行与y的第i个元素y(i)相关，当y变化时，z的第j列与x的第j个元素x(j)相关，。xi是沿x-轴插值的一个数值数组；yi是沿y-轴插值的一个数值数组。
可选的参数method可以是'linear'，'cubic'或'nearest'。在这种情况下，cubic不意味着3次样条，而是使用3次多项式的另一种算法。linear方法是线性插值，仅用作连接图上数据点。nearest方法只选择最接近各估计点的粗略数据点。在所有的情况下，假定独立变量x和y是线性间隔和单调的。
已知观察数据如下表所示，按下属方案求最小二乘拟合函数，并求出偏差平方和，比较拟合曲线的优劣。
& x:0 0.2 0.6 1.0 1.3 1.6 1.7 1.8 1.9 2.2 2.3 2.5
& y:0 -2.5 -4.0 -5.7 -3.5 -2.0 -1.0 2.0 3.5 4.0
7.0 7.5 9.9
& x:2.9 3.1 3.4 3.8 4.1 4.4 4.7 4.8 4.9 5.0 5.1
& y:10.9 11.9 13.5 13.0 11.9 9.0 6.5 4.0 1.5 0.0
%用离散正交多项式求三次拟合多项式
% x,y--表示原始数据的节点坐标
% w--表示权重系数
% N--表示要拟合的离散正交多项式的最高次数
% polyapproximate()--是自定义函数，可以求解多项式的系数
% 其返回值c为多项式系数，error为偏差平方和
x=[0 0.2 0.6 1.0 1.3 1.6 1.7 1.8 1.9 2.2 2.3 2.5 2.6 2.9 3.1 3.4
3.8 4.1 4.4 4.7 4.8 4.9 5.0 5.1 5.3];
nn=length(x);
for i=1:nn
y=[0 -2.5 -4.0 -5.7 -3.5 -2.0 -1.0 2.0 3.5 4.0 7.0 7.5 9.9 10.9
11.9 13.5 13.0 11.9 9.0 6.5 4.0 1.5 0.0 -2.5 -5.0];
N=3;%此处可取3 or 4.
[c,error]=polyapproximate(x,y,w,N)
t=0:0.1:5.3;
u=polyval(c,t);
plot(t,u,x,y,'+')
%自定义函数polyapproximate（），用来做离散正交多项式拟合
% 此函数的作用是做不同次数的离散正交多项式的拟合
% X，Y 为原始数据的坐标值矩阵
% w 为权重系数
% N 为离散正交多项式的最高次数
function [C,E]=polyapproximate(X,Y,w,N)
M=length(X);
for i=1:N+1
&&&&&&&&&&&
&&&&&&&&&&&
d(1)=d(1)+w(i);
S=S+w(i)*X(i);
AF(1)=S/d(1);
P(2,1)=-AF(1);
PX(i,1)=1;
PX(i,2)=X(i)-AF(1);
for k=2:N+1
S=S+w(i)*X(i)*PX(i,k)*PX(i,k);
dd=dd+w(i)*PX(i,k)*PX(i,k);
AF(k)=S/d(k);
BA(k-1)=d(k)/d(k-1);
P(k+1,1)=-AF(k-1)*P(k,1)-BA(k-1)*P(k-1,1);
&&&&&&&&&&&
&&&&&&&&&&&
t=P(k-1,j);
P(k+1,j)=P(k,j-1)-AF(k-1)*P(k,j)-BA(k-1)*t;
PX(i,k+1)=PX(i,k)*(X(i)-AF(k-1))-BA(k-1)*PX(i,k-1);
d(N+1)=d(N+1)+w(i)*PX(i,N+1)*PX(i,N+1);
for i=1:N+1
FM=FM+w(k)*Y(k)*PX(k,i);
gp(i)=FM/d(i);
for i=1:N+1
C(i)=C(i)+gp(j)*P(j,i);
C=flipud(C');
U=U+w(i)*Y(i)*Y(i);
for k=1:N+1
V=V+gp(k)*gp(k)*d(k);
拟合预测是建立一个模型去逼近实际数据序列的过程，适用于发展性的体系。建立模型时，通常都要指定一个有明确意义的时间原点和时间单位。而且，当t趋向于无穷大时，模型应当仍然有意义。将拟合预测单独作为一类体系研究，其意义在于强调其唯“象”性。一个预测模型的建立，要尽可能符合实际体系，这是拟合的原则。拟合的程度可以用最小二乘方、最大拟然性、最小绝对偏差来衡量。主要方法有：
a、回归预测：主要含自回归、线形回归、同态线形回归和多元回归。
b、“s”模型。主要用来拟合生命总量不受直接限制的体系从发生发展直到饱和点这一阶段的形象。
c、生命旋回：对一事物从零开始，经过成长、兴盛，达到全盛期后再逐渐衰落，最后又回到零的过程的预测。它适合于总量有限的体系。
d、周期拟合模型。当系统的条件未知，而仅对实际发生的周期因素建立的拟合模型。其准确性取决与模型的合理性，并经常为预测结果所验证，属于动态预测模型。
插值和拟合都是函数逼近或者数值逼近的重要组成部分.他们的共同点都是通过已知一些离散点集M上的约束，求取一个定义
在连续集合S(M包含于S)的未知连续函数，从而达到获取整体规律的目的，即通过"窥几斑"来达到"知全豹"。
简单的讲，所谓拟合是指已知某函数的若干离散函数值{f1,f2,…,fn}，通过调整该函数中若干待定系数f(λ1, λ2,…,λ3),
使得该函数与已知点集的差别(最小二乘意义)最小。如果待定函数是线性，就叫线性拟合或者线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表达式也可以是分段函数，这种情况下叫作样条拟合。
而插值是指已知某函数的在若干离散点上的函数值或者导数信息，通过求解该函数中待定形式的插值函数以及待定系数，使得该函数在给定离散点上满足约束。插值函数又叫作基函数，如果该基函数定义在整个定义域上，叫作全域基，否则叫作分域基。如果约束条件中只有函数值的约束，叫作Lagrange插值，否则叫作Hermite插值。
从几何意义上将，拟合是给定了空间中的一些点，找到一个已知形式未知参数的连续曲面来最大限度地逼近这些点；而插值是找到一个(或几个分片光滑的)连续曲面来穿过这些点。
Matlab曲线拟合工具箱CFtool使用
CFtool是Matlab中的曲线拟合工具箱，能够实现很多基本的曲线拟合算法，使用非常方便，现将其使用方法简介如下：
步骤1：在命令行输入数据x、y x=[00 00 00
00 00 9500]'; y=[4.46 2.58 1.95 1.62 1.42
1.27 1.16 1.08 1.02 0.96 0.92 0.88 0.85 0.83 0.80 0.78]';
步骤2：打开曲线拟合工具箱cftool 步骤3：进行实际操作 1、 点击“Data”，选择 X Data 和Y
Data，然后点击“Create data set”然后关闭 2、 点击“Fitting”按钮，弹出“Fitting”窗口
点击“New fit”按钮，可修改项目名称“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： Exponential：
Fourier： Gaussian： Interpolant： Polynomial： Power： Rational：
Smoothing Spline： Sum of Sin Functions： Weibull：
如选择Polynomial，则有以下几种类型： Linear P Quadratic P
Cubic Polynomial 4th degree Polynomial 一直到 9th degree Polynomial.
3、 选择9th degree Polynomial，然后点击“apply”,则在“Results”中显示拟合结果： Warnings
during fitting: Equation is badly conditioned. Remove repeated data
points or try centering and scaling. Linear model Poly9: f(x) =
p1*x^9 + p2*x^8 + p3*x^7 + p4*x^6 + p5*x^5 + p6*x^4 + p7*x^3 +
p8*x^2 + p9*x + p10 Coefficients (with 95% confidence bounds): p1 =
-1.905e-032 (-3.262e-032, -5.488e-033) p2 = 1.073e-027 (3.705e-028,
1.775e-027) p3 = -2.638e-023 (-4.214e-023, -1.062e-023) p4 =
3.715e-019 (1.706e-019, 5.724e-019) p5 = -3.299e-015 (-4.898e-015,
-1.7e-015) p6 = 1.915e-011 (1.093e-011, 2.737e-011) p7 = -7.27e-008
(-9.995e-008, -4.544e-008) p8 = 0...0002302) p9
= -0.2402 (-0.305, -0.1755) p10 = 148.2 (116.2, 180.1) Goodness of
fit: SSE: 0.0003373 R-square: 1 Adjusted R-square: 0.9999 RMSE:
0.007498 同时，在拟合工具箱cftool中显示拟合曲线&<img src="/blog7style/images/common/sg_trans.gif" real_src ="/upload/blog/images/.jpg" STYLE="margin: 0 padding: 0 word-wrap: break- max-width: 620 color: rgb(0, 0, 0); font-size: 14 line-height: 25 background-color: rgb(255, 255, 255);"
ALT="matlab&fitting"
TITLE="matlab&fitting" />
<img src="/blog7style/images/common/sg_trans.gif" real_src ="/upload/blog/images/29.jpg" STYLE="margin: 0 padding: 0 word-wrap: break- max-width: 620 color: rgb(0, 0, 0); font-size: 14 line-height: 25 background-color: rgb(255, 255, 255);"
ALT="matlab&fitting"
TITLE="matlab&fitting" />
<img src="/blog7style/images/common/sg_trans.gif" real_src ="/upload/blog/images/98.jpg" STYLE="margin: 0 padding: 0 word-wrap: break- max-width: 620 color: rgb(0, 0, 0); font-size: 14 line-height: 25 background-color: rgb(255, 255, 255);"
ALT="matlab&fitting"
TITLE="matlab&fitting" />
<img src="/blog7style/images/common/sg_trans.gif" real_src ="/upload/blog/images/14.jpg" STYLE="margin: 0 padding: 0 word-wrap: break- max-width: 620 color: rgb(0, 0, 0); font-size: 14 line-height: 25 background-color: rgb(255, 255, 255);"
ALT="matlab&fitting"
TITLE="matlab&fitting" />
已投稿到：
以上网友发言只代表其个人观点，不代表新浪网的观点或立场。 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
使用MATLAB曲线拟合工具箱做曲线拟合
下载积分：1200
内容提示：使用MATLAB曲线拟合工具箱做曲线拟合
文档格式：PDF|
浏览次数：65|
上传日期： 05:06:31|
文档星级：
该用户还上传了这些文档
使用MATLAB曲线拟合工具箱做曲线拟合
官方公共微信matlabcurvefittingandcode 详细介绍了 下的曲线和曲面拟合，并有一份word的原理说明， 的很 ，可供参 Special Effects 图形图像处理 238万源代码下载-
&文件名称: matlabcurvefittingandcode& & [
& & & & &&]
&&所属分类:
&&开发工具: matlab
&&文件大小: 20 KB
&&上传时间:
&&下载次数: 222
&&提 供 者:
&详细说明：详细介绍了matlab下的曲线和曲面拟合，并有一份word的原理说明，介绍的很详细，可供参考和实际运用-Described in detail under the matlab curve and surface fitting, and a word there is the principle that the very detailed introduction is available for reference and practical use of
文件列表(点击判断是否您需要的文件，如果是垃圾请在下面评价投诉):
&&matlab 曲线曲面拟合例子源码&&...........................\&&...........................\新建 文本文档.txt
&[]:纯粹是垃圾&[]:一般，勉强可用
&近期下载过的用户:
&&&&&&&&[]
&相关搜索:
&&&&&&&&&&
&输入关键字，在本站238万海量源码库中尽情搜索：
&[] - 一个完整的通用3次样条插值算法的matlab源代码，有调用方法的举例.
&[] - 数值分析中实现对给定数表进行插值、曲面拟合、逼近，最终拟合出最接近的曲线方程
&[] - 最小二乘法的曲面拟合方法代码，可以下载！
&[] - matlab曲面拟合程序，可以得到函数具体解析式
&[] - matlab曲面 拟合程序
含老外教学视频
&[] - Matlab曲面拟合程序,利用最小二乘法来求得近似值，非常不错的东西
&[] - matlab平面拟合方法，从其他网站上转载来的
&[] - 建立了一种基于移动最小二乘(Moving Least-Squares MLS)法的曲线曲
面拟合方法这种方法对传统的最小二乘(LS)法的作了比较大的改进使生成的曲线曲面具
有精度高光滑性好等许多优点详细介绍了移动最小二乘法的原理应用和特点并且给
出了使用移动最小二乘法进行曲线曲面拟合的程序设计
&[] - 最小二乘曲面拟合，文件不大，里边有头文件和另外一个相关文件。用matlab做一元线性回归，求大神帮忙解释一下这个命令。-中国学网-中国IT综合门户网站
> 用matlab做一元线性回归，求大神帮忙解释一下这个命令。
用matlab做一元线性回归，求大神帮忙解释一下这个命令。
转载 编辑：李强
为了帮助网友解决“用matlab做一元线性回归，求大神帮忙”相关的问题，中国学网通过互联网对“用matlab做一元线性回归，求大神帮忙”相关的解决方案进行了整理,用户详细问题包括:RT,我想知道:用matlab做一元线性回归，求大神帮忙解释一下这个命令。，具体解决方案如下：解决方案1：bint为b的置信区间，stats］＝regress（y，alpha）．你这里alpha是缺省的此时默认是0．05 输出b为β的估计值，stats为回归模型的检验统计量，第4个是剩余的方差s的平方，第二个是F的统计量值，bint，有四个值，第三个是F统计量对应的概率值pX和Y就是你要拟合的数据，为［b，rint为r的置信区间，x，r为残差向量，r，上面的是MATLAB工具箱中的regress命令，第一个是回归方程的决定系数R的平方（R是相关系数），rint解决方案2：第三行是做什么的？解决方案3：ones(9,1)是产生一个9行一列的矩阵，整个语句的意思将产生的全一矩阵与x进行拼接解决方案4：X=[18 77 ]'Y=[
79 12197]'X=[ones(8,1), X][b,bint,r,rint,stats]= regress(Y,X)为什么我算出来stats太小。。是这组数据没有线性关系吗。。大神可否帮我试一下。。解决方案5：额。。。为什么我觉得挺好的。。大神可不可以让我看下运行结果。。我用1 2 3 4 5 和2 4 6 8 10两组数据stats为什么还是很小。。。解决方案6：其实你仅仅要拟合出一条直线可以用cftool这个工具解决方案7：谢谢啦，我后来用eviews了，算出来r有九点多，我觉得可能是哪里出问题了，还是谢谢啦解决方案8：你是指可靠性程度90%多？解决方案9：谢谢!通过对数据库的索引,我们还为您准备了：X和Y就是你要拟合的数据,上面的是MATLAB工具箱中的regress命令,为[b,bint,r,rint,stat... r为残差向量,rint为r的置信区间,stats为回归模型的检验统计量,有四个值,第一个是回归方...===========================================result=polyfit(x,y,1)A,B 在result中可查看matlab help polyfit。===========================================在MATLAB里,多项式由一个系数的行向量表示,其系数是按降序排列。所以: A=-0.2444 B=0.6064===========================================用matlab中toolbox工具箱里面的curve fitting进行处理 选择函数类型为power=========================================== statsregress(y,X) returns a 1-by-4 vector stats that contains, in order, the R2 statistic, the F statistic, its p value, an estimate of the error variance. 拟合度F统计量P值误差方差=========================================== i=size(r);改成 i1=size(r); i=i1(2); size的返回值是个数组,包含行数和列数 b=sum((r-x0).*(l-y0))/sum((r-x0).^2); 这里是向量运算,要点乘===========================================用polyfit函数;k=polyfit(x,y,1);A=k(1);B=k(2);===========================================上matlab论坛上面找吧 上面有=========================================== 可以把数据给我吗?=========================================== x=[0 1 2 3 4 ]';y=[1.0 1.3 1.5,2.0 2.3]'; x=[ones(5,1),x]; %给出两个数组元素 [b,bint,r,rint,stats]=regress(y,x,0.05); %对x和y进行一元线性回归,并得到相关系数,其中,...===========================================
本文欢迎转载，转载请注明：转载自中国学网： []
用户还关注
可能有帮助
