拟合函数，数据拟合的概述

本文目录一览

1，数据拟合的概述
2，什麽叫做拟合函数
3，菜菜鸟入门求助怎样利用已有数据拟合函数
4，怎样利用EXCEL进行曲线拟合
5，数据拟合三角函数公式
6，请问什么是拟合函数

1，数据拟合的概述

在MATLAB的NAG Foundation Toolbox中也有一些曲面拟合函数，如e02daf是最小二乘平方曲面拟合函数，e02def可求出曲面拟合的函数值。有关曲面拟合的基本原理参见有关数值分析的书籍，这里不再多说。注：关于在MATLAB的NAG Foundation Toolbox中的函数形式、说明以及应用例子可以查阅帮助信息。例如，键入help e02daf便会出现函数e02daf的较详细说明。在函数末尾加e便是应用的例子，如键入type e02daf,会显示函数e02daf的应用例子程序，键入e02daf，则运行该程序，并显示其计算结果。MATLAB软件提供了基本的曲线拟合函数的命令．

数据拟合的概述

2，什麽叫做拟合函数

什麽叫做拟合函数

3，菜菜鸟入门求助怎样利用已有数据拟合函数

猜测一个函数形式，如ax+b，然后用工具箱拟合出a，b值，如果拟合效果较差，再换另一种函数形式，总之，函数的形式是必须要由自己决定的

用高次多项式拟合就好了、、一般4-6次的时候，误差就很小了

这个可以用toolbox中的curve fitting，toolbox在start里面，然后尝试不同的函数进行拟合，自己尝试一下就可以，或者去搜如何使用curve fitting

用多项式拟合，可以用polyfit 和polyval函数即可。一般3-4阶，阶数太多反而不好。

用多项式拟合效果就很好了，也可以自己猜一下大致的函数，用lsqcurvefit去确定参数x = lsqcurvefit(fun,x0,xdata,ydata,lb,ub,options) x是待定系数组

菜菜鸟入门求助怎样利用已有数据拟合函数

4，怎样利用EXCEL进行曲线拟合

1、对于两变量（x,y）函数的曲线拟合，可以EXCEL的带平滑线的散点图，得到趋势线方程，此方程就是曲线拟合函数。具体过程如下：（1）选择A、B两单元格的数据；（2）点击“插入”——选择带平滑线的散点图；（3）单击图形右击，点击“添加趋势线”——选择回归分析类型——指数——选择显示公式，显示R平方值。这样就完成曲线拟合。2、对于多变量（x1，x2，x3。。。）函数的拟合，可以EXCEL自带的数据分析模块，进行线性函数拟合。具体过程如下：（1）设定A与B、C、D、E的关系之和（如， x1^3、x2^3、x3^3、x4^3、x1^2、x2^2、x3^2、x4^2）；（2）选择“数据”——选择“数据分析”——选择“回归”——确定；（3）单击Y值输入区域，选择$A$2:$A$37，单击X值输入区域，选择$F$2:$M$37；（4）选择“置信度95%”，确定；（5）得到回归统计的数据，如R^2，拟合函数的系数、方差分析等。这样也就完成多变量函数拟合。

横坐标设变量，输入等级差变量，纵坐标设函数，得函数值，生成图表就ok了

【方法】1. 把实验数据输入excel中，两个变量的最好做成两个竖排。选中所有数据，注意不要把文字也选上了。2. 在菜单栏中点“插入”，然后选择“散点图”下面的下拉菜单。3. 平滑曲线：从菜单中选择自己需要的类型，一般选择既有数据点，又有平滑曲线的散点图。就能得到平滑曲线。4. 多项式拟合(线性，指数，幂，对数也类似)：（1）选取数据，插入，散点图，选择只有数据点的类型，就能得到第二张图所示的数据点。（2）点击一个点，会选中所有数据点，然后点右键，在弹出的菜单中选择“添加趋势线”。（3）在这里可以选择需要你和的曲线类型，如线性，指数，幂，对数，多项式。。选择多项式。再把下面的“显示公式”，“显示R平方”的复选框里打√，就能得到需要的曲线，公式，和相对误差。5. 6. 图形格式设置：（1）生成图形后还有一些问题，比如没有坐标轴名称，没有刻度等。打开菜单中的设计，点图标布局中的下拉菜单。（2）会看到有很多布局类型的图标，选择自己需要的。比如，图中选的布局是常见的有标题，坐标轴名称的。（3）坐标轴还需要设置：用鼠标点击坐标轴附近的区域，右键，选择“设置坐标轴格式”。　在这里可以进行详细地设置。如何在excel 里利用曲线拟合的方式求公式1. 选中两列数据；2. 插入散点线图并单击线图；3. 添加趋势线勾选显示公式和R平方值；4. 选择不同的趋势/回归分析类型，R平方最接近1的结果最可信；5. 你的数据拟合出来最接近的趋势是4次多项式y = -1807.8x4 + 4291.1x3 - 3576x2 + 1720.2x +38.569R平方=0.9999

5，数据拟合三角函数公式

看是什么函数，这个一般是f(x)=asin(bx+c)+d等等形式把必要的数据带入，求出abcd等等参数

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,nbsp;λ2,…,λ3),nbsp;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。nbsp;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.具体方法如下：即用y=a*x+b来拟合一组数据{{x1,y1},{x2,y2}…{xn,yn}}nbsp;matlab中使用polyfitnbsp;x=data(:,1);nbsp;y=data(:,2);nbsp;p=polyfit(x,y,1);nbsp;p(1)为斜率a，p(2)为截距bnbsp;多元线性回归即用y=a1*x1+a2*x2+..+am*xm来拟合数据点{x1i,x2i,…xmi,yi}nbsp;(i=1~n)nbsp;|x11,x21,…xm1|nbsp;a=|x12,x22,…xm2|nbsp;|……………nbsp;|nbsp;|x1n,x2n,…xmn|nbsp;y={y1,y2,y3,…,yn}nbsp;则系数{a1,a2,…,am}=pinv(a)*ynbsp;在matlab中使用nbsp;coeff=aynbsp;则可以得到最小二乘意义上的拟合系数nbsp;2)matlab中如何作圆回归？nbsp;:#peternbsp;boettchernbsp;(boettcher@ll.mit.edu),2002/5/16,nbsp;comp.soft-sys.matlab#nbsp;q5.5:nbsp;hownbsp;cannbsp;inbsp;fitnbsp;anbsp;circlenbsp;tonbsp;anbsp;setnbsp;ofnbsp;xynbsp;data?nbsp;=================================================nbsp;annbsp;elegantnbsp;chunknbsp;ofnbsp;codenbsp;tonbsp;performnbsp;least-squaresnbsp;circlenbsp;fittingnbsp;wasnbsp;writtennbsp;bynbsp;buchernbsp;izhaknbsp;andnbsp;hasnbsp;beennbsp;floatingnbsp;aroundnbsp;thenbsp;newgroupnbsp;fornbsp;somenbsp;time.nbsp;thenbsp;firstnbsp;referencenbsp;tonbsp;itnbsp;thatnbsp;inbsp;cannbsp;findnbsp;isnbsp;in:nbsp;functionnbsp;[xc,yc,r,a]nbsp;=nbsp;circfit(x,y)nbsp;%circfitnbsp;fitsnbsp;anbsp;circlenbsp;innbsp;x,ynbsp;planenbsp;%nbsp;%nbsp;[xc,nbsp;yc,nbsp;r,nbsp;a]nbsp;=nbsp;circfit(x,y)nbsp;%nbsp;resultnbsp;isnbsp;centernbsp;pointnbsp;(yc,xc)nbsp;andnbsp;radiusnbsp;r.anbsp;isnbsp;annbsp;optionalnbsp;%nbsp;outputnbsp;describingnbsp;thenbsp;circlesnbsp;equation:nbsp;%nbsp;%nbsp;x^2+y^2+a(1)*x+a(2)*y+a(3)=0nbsp;%nbsp;bynbsp;buchernbsp;izhaknbsp;25/oct/1991nbsp;n=length(x);nbsp;xx=x.*x;nbsp;yy=y.*y;nbsp;xy=x.*y;nbsp;a=[sum(x)nbsp;sum(y)nbsp;n;sum(xy)nbsp;sum(yy)nbsp;sum(y);sum(xx)nbsp;sum(xy)nbsp;sum(x)];nbsp;b=[-sum(xx+yy)nbsp;;nbsp;-sum(xx.*y+yy.*y)nbsp;;nbsp;-sum(xx.*x+xy.*y)];nbsp;a=ab;nbsp;xcnbsp;=nbsp;-.5*a(1);nbsp;ycnbsp;=nbsp;-.5*a(2);nbsp;rnbsp;=nbsp;sqrt((a(1)^2+a(2)^2)/4-a(3));nbsp;tomnbsp;davisnbsp;providednbsp;anbsp;morenbsp;sophisticatednbsp;approachnbsp;thatnbsp;worksnbsp;fornbsp;morenbsp;casesnbsp;innbsp;andnbsp;codenbsp;included.nbsp;3)matlab中如何作二维数据的插值?nbsp;:#fangq(qianqian.fang@dartmouth.edu),2002/6/21,nbsp;biggreen/mathtoolsnbsp;#nbsp;对于一维、二维、三维规则数据点阵使用interp1/interp2/interp3，nbsp;二维、三维非规则数据用griddata/griddata3nbsp;4).matlab中如何作非线性回归

6，请问什么是拟合函数

形象的说，拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字。常用的拟合方法有如最小二乘曲线拟合法等，在MATLAB中也可以用polyfit 来拟合多项式。拟合以及插值还有逼近是数值分析的三大基础工具，通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。扩展资料MATLAB做曲线拟合可以通过内建函数或者曲线拟合工具箱(Curve Fitting Toolbox)。这个工具箱集成了用MATLAB建立的图形用户界面(GUIs)和M文件函数。利用这个工具箱可以进行参数拟合(当想找出回归系数以及他们背后的物理意义的时候就可以采用参数拟合)，或者通过采用平滑样条或者其他各种插值方法进行非参数拟合(当回归系数不具有物理意义并且不在意他们的时候，就采用非参数拟合方法)。利用这个界面，可以快速地在简单易用的环境中实现许多基本的曲线拟合。改善拟合结果很多因素会对曲线拟合产生影响，导致拟合效果又好有坏，这里仅从一些角度出发探讨有可能改善拟合质量。1、模型的选择:这是最主要的一个因素，试着用各种不同的模型对数据进行拟合比较;2、数据预处理:在拟合前对数据进行预处理也很有用，这包括对响应数据进行变换以及剔除Infs、NaNs，以及有明显错误的点。3、合理的拟合应该具有处理出现奇异而使得预测趋于无穷大的时候的能力。4、知道越多的系数的估计信息，拟合越容易收敛。5、将数据分解为几个子集，对不同的子集采用不同的曲线拟合。6、复杂的问题最好通过进化的方式解决，即一个间题的少量独立变量先解决。低阶问题的解通常通过近似映射作为高阶问题解的起始点。参考资料来源：搜狗百科-拟合

拟合函数：拟合就是把平面上一系列的点，用一条光滑的曲线连接起来。因为这条曲线有无数种可能，从而有各种拟合方法。拟合的曲线一般可以用函数表示，根据这个函数的不同有不同的拟合名字，这就是拟合函数。常用的拟合方法有如最小二乘曲线拟合法等，在MATLAB中也可以用polyfit 来拟合多项式。拟合以及插值还有逼近是数值分析的三大基础工具。通俗意义上它们的区别在于：拟合是已知点列，从整体上靠近它们；插值是已知点列并且完全经过点列；逼近是已知曲线，或者点列，通过逼近使得构造的函数无限靠近它们。扩展资料：拟合的方法：最小二乘法（又称最小平方法）是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据，并使得这些求得的数据与实际数据之间误差的平方和为最小。最小二乘法还可用于曲线拟合。其他一些优化问题也可通过最小化能量或最大化熵用最小二乘法来表达。参考资料来源：搜狗百科-拟合

拟合函数是用于曲线拟合的函数。如果您知道y和x有关，但不知道是什么关系，只能通过实验得到一组数据，如x=x1时y=y1，x=x2时y=y2，...这里(x1,y1)、(x2,y2)、...都是实验结果，您就可以在直角坐标系中画出各点，描点可得两者的关系曲线。根据曲线的形状您可以选择一个函数，如果类似于直线那就简单了，如果是弯曲的可以选择y是x的多项式函数，如y=a*x*x*x+b*x*x+c*x+d等等，也可以是其他形式的函数类型，然后利用最小二乘法或其他拟合方法求出系数a,b,c,d等，即可得到y和x的关系，这个过程就是曲线拟合，这个函数就是拟合函数。由于实验有误差，选择的函数也不一定就很合适，拟合出来的函数一般难以准确通过各点，但可以离各点尽量近，从而近似地表示y和x的关系。扩展资料：MATLAB做曲线拟合可以通过内建函数或者曲线拟合工具箱(Curve Fitting Toolbox)。这个工具箱集成了用MATLAB建立的图形用户界面(GUIs)和M文件函数。利用这个工具箱可以进行参数拟合(当想找出回归系数以及他们背后的物理意义的时候就可以采用参数拟合)。或者通过采用平滑样条或者其他各种插值方法进行非参数拟合(当回归系数不具有物理意义并且不在意他们的时候，就采用非参数拟合方法)。利用这个界面，可以快速地在简单易用的环境中实现许多基本的曲线拟合。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为拟合多项式的系数 ,相对应的次数为由高到低。多项式在x处的值y可用下面程序计算。y=polyval(a,x)有了x和y就可以把拟合的图形画出来，并且同时与原图对比plot(xdata,ydata,x,y)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若要求解点x处的函数值可用程序f=Fun(p,x)计算。例如已知函数形式，并且已知数据点要确定四个未知参数a，b，c，d．使用curvefit命令，数据输入；初值输；并且建立函数的M文件（Fun．m）参考资料来源：搜狗百科-曲线拟合