matlab
在进行曲线拟合之前需要对数据进行绘图,通过图形来对数据的基本趋势进行一个大概的判断,便于进一步拟合。%绘制图形:x=1:1:9;y=[9 7 6 3 -1 2 5 7 20];plot(x,y,'r*');
因为离散数据较少根据图形我们无法直观的确定多项式模型,因此我们需要进行进一步的判断。在图形窗口中依次点击:工具-基本拟合,在填出的基本拟合窗口中中勾选二次方,三次方,四阶多项式。
在刷新后的图形窗口中,观察几条曲线和离散数据的逼近程度,选取最有曲线所对应的阶数进行多项式拟合。由图形可知,对于本例,三次多项式模型与四阶多项式模型对于本组离散数据都要较好的拟合度,且两条曲线大致重合,故而我们选用相对容易求解的三次多项式模型进行拟合。
接下来采用三次多项式模型进行拟合:%多项式拟合x=1:1:9;y=[9 7 6 3 -1 2 5 7 20];p=polyfit(x,y,3); xi=1:0.2:10;yi=polyval(p,xi); plot(xi,yi,x,y,'r*');拟合结果如下:其中p为降幂排列的多项式的系数。
确定了模型的参数后,揭下来的模型检验与修正我们不再进行,有兴趣的网友可以自行尝试,也可以关注我几天后更新下一篇经验:如何使用matlab建立人口预测模型。最后对最后一段代码中出现的两个函数进行说明:P=polyfit(x,y,N); %N多项式拟合函数,返回降幂排列的多项式系数yi=polyval(P,xi); %计算以P向量为系数的多项式在xi处的值
由于篇幅有限只介绍了一些基础内容,有兴趣的网友可以通过matlab帮助文档进行进一步学习。
对于一些无法确定模型的复杂曲线可以采用BP神经网络或遗传算法等算法进行拟合。
你的支持就是对我最大的鼓励,如果你觉得有所收获,请点击下方投票按钮支持,谢谢!