基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)

一. 最小二乘曲线拟合

给定一组数据(x_i,y_i),\quad i=1,2,\cdots,N满足某一函数模型\hat y(x)=f(a,x),其中a为待定系数向量。

那么,最小二乘曲线拟合的目标就是:求出一组待定系数的值,使得以下表达式子最小:

J=min\sum_{i=1}^N[y_i-\hat y(x_i)]^2=min\sum_{i=1}^N[y_i-f(a,x_i)]^2

在MATLAB中格式如下:

[a,jm]=lsqcurvefit(Fun,a0,x,y)

%Fun原型函数的MATLAB表示
%a0为最优化的初值
%x,y为原始输入输出的数据向量
%a为返回的待定系数向量
%jm为此待定系数下的目标函数的值

例题1

由以下MATLAB代码生成一组数据:

x=0:.1:10;
y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x);

该组数据满足y(x),求出待定系数a_i,使得目标函数的值为最小。

y(x)=a_1e^{-a_2x}+a_3e^{-a_4x}sin(a_5x)

解:

MATLAB代码如下:


clc;clear;


x=0:0.1:10;
y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x);
f=inline('a(1)*exp(-a(2)*X)+a(3)*exp(-a(4)*X).*sin(a(5)*X)','a','X');

ff=optimset;
ff.TolFun=1e-20;ff.TolX=1e-15; %修改精度限制

[xx,res]=lsqcurvefit(f,[1 1 1 1 1],x,y,[],[],ff)

%绘制曲线
x1=0:0.01:10;
y1=f(xx,x1); %代入运算
plot(x1,y1,x,y,'o');
legend('拟合曲线','原数据点')

运行结果:

xx = 0.120000000000000   0.213000000000000   0.540000000000000   0.170000000000000   1.230000000000000


res =0

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第1张图片

例题2

已知以下数据可能满足y(x)=ax+bx^2e^{-cx}+d。求满足数据的最小二乘解a,b,c,d的值。

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第2张图片

 解:

a_1=a,a_2=b,a_3=c,a_4=d,将原函数写成如下:

y(x)=a_1x+a_2x^2e^{-a_3x}+a_4

MATLAB代码如下:

clc;clear;

%输入已知参数
x=0.1:0.1:1;
y=[2.3201,2.6470,2.9707,3.2885,3.6008,3.9090,4.2147,4.5191,4.8232,5.1275];

f=inline('a(1)*X+a(2)*X.^2.*exp(-a(3)*X)+a(4)','a','X');
a=lsqcurvefit(f,[1 2 2 3],x,y)

%绘制曲线
y1=f(a,x);
plot(x,y1,x,y,'o');
legend('拟合曲线','原数据点');

运行结果:

a = 3.100076146500888   1.502655931856580   4.004634473891176   2.000013871079962

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第3张图片

在MATLAB中,非线性拟合命令格式如下:

[beta,r,J]=nlinfit(x,y,fun,beta0)
%x,y为原始数据
%fun是在M文件中定义的函数
%beta0是函数中参数的初始值
%beta为参数的最优值
%r是各点处的拟合残差
%J为雅克比矩阵的数值

初始参数beta0可以用以下方法求得:

首先观察有几个待定系数,有几个待定系数就将几组实验数据代入方程中,由此可得参数的初始值。

例题3

给定以下数据,利用非线性的方法求出函数f(x)的参数。

f(x)=b_1(1-b_2e^{-b_3x})

x 0 47 93 140 186 279 372 465 558 651
y 18.98 27.35 34.86 38.52 38.44 37.73 38.43 43.87 42.77 46.22

解:

MATLAB代码如下:

clc;clear;

x=[0 47 93 140 186 279 372 465 558 651];
y=[18.98 27.35 34.86 38.52 38.44 37.73 38.43 43.87 42.77 46.22];
b0=[43 0.6 0.1]; %初始参数值
fun=inline('b(1)*(1-b(2)*exp(-b(3)*X))','b','X');
[b,r,j]=nlinfit(x,y,fun,b0); %b为最佳参数
b
R=sum(r.^2)  %误差平方和
y1=fun(b,x);
plot(x,y,'*',x,y1,'-or')

运行结果:

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第4张图片


b =42.664037023023802   0.548346447450711   0.009880232273427


R =46.197464448828995

二. curve fitting tool工具

以下将通过一个例子,来理解MATLAB中curve fitting tool工具。

首先在新建的脚本文件编辑框中键入以下代码:

clc;clear;

%产生数据
x=-20:2:20;
y=-20:2:20;
[X,Y]=meshgrid(x,y);
Z=3*X.^3-4*X+2*Y.^4+3*Y^3;
meshgrid(X,Y,Z);

第一步

在APP选项框中打开curve fitting 工具,选择数据源X/Y/Z data

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第5张图片

第二步

选择合适的拟合方法。本例子待拟合的曲面为多项式,所以可以直接选择。其他可选择的拟合类型,如下:

  • Custom Equation:用户自定义的函数类型
  • Interpolant:插值逼近,有四种类型,linear、nearest、neighbor、cubic spline、shape-preserving
  • Lowess:平滑逼近,局部加权回归
  • Polynomial:多项式逼近,有9种类型,linear,quadratic,cubic,4-9th degree

第三步

选择合适的多项式次数与系数

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第6张图片

第四步

拟合后的结果信息在Fitting对话框中的Results文本框中,此处有此次拟合的主要统计信息,包含:

  • 误差平方和 SSE:该参数计算拟合参数后的回归值与原始数据对应点的误差平方和,类比方差
  • 确定系数 R-square
  • 调整后的确实系数  Adjusted R-square
  • RMSE:该参数是预测数据和原始数据对应点误差的平方和的均值的平方根,即均方误差,类比标准差

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第7张图片

另外附加两个功能:

生成代码:文件>>Generate Code>>自动生成一个creatFit.m文件;

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第8张图片

生成图片:文件>>Print to figure

基于MATLAB的最小二乘法拟合与拟合工具箱使用教程(附完整代码与算法)_第9张图片 

 

你可能感兴趣的:(MATLAB,matlab,数据拟合,MATLAB工具箱)