matlab拟合的数据小数点位数

我试用matlab拟合了一下,但是如果要达到比较理想的拟合效果,x的最高幂次方要达到14. 所以我求出来的系数可能不是很准确. 从0次幂到14次幂的系数分为如下： 10^

%xi重新取值clearx=[-2.30259,-1.60944,-1.20397,-0.91629,-0.69315,...-0.51083,-0.35667,-0.22314,-0.10536,0

Goodnessoffit适合度SSE拟合误差RMSErootmeansquareerror均方根误差Rsquare称为方程的确定系数,1之间,越接近1,表明方程的变量对y的解释能力越强.

x=[1,2,3,4,5]y=[500.6,442.4,428.6,370.1,343.1]p=polyfit(x,y,1)y6to10=polyval(p,[6:10])plot(x,y,'o',[

用s函数的变型.A=[...199230199331199432199534199642199748199855199958200062200163200265200365200466];x=A(:,

推荐这个模型比较好.GeneralmodelExp2:f(x)=a*exp(b*x)+c*exp(d*x)Coefficients(with95%confidencebounds):a=2524(22

用polyfit（）语句可以polyfit(x,y,拟合次数n);x,y是你的数据,n是你要进行几次拟合,填1的话为一次也就是最小二乘法拟合你可以这样写x=[0.250.50.7511.522.533

预测发现数据之间的关系

A=polyfit(X,Y);xx=0:1:m;YY=polyval(A,xx);(m是x的上限)

%x太大,以x的幂作为基函数会导致设计矩阵尺度太差,列变量几乎线性相依.%变换为[-1 1]范围计算x=[1990:2005];t=(x-2040)/50;y=[61 62&nbs

f=@(p,x)p(1)*exp(p(2)./x);T=80:-5:50;R=[375.3407.8467.3549.4642.0754.7901.2];p=lsqcurvefit(f,[11],T,

symsaxyx=[012345678910];y=[38715621023825223921115890-5];a=polyfit(x,y,2);%这是求拟合代数式的系数m=polyval(a,8.

你这个程序是对的呀,也只是有一点的小毛病呀clearall%线性拟合的程序：x=[1515.215.415.615.81616.216.416.616.8]; y=[0.010.0150.0

确定啥啊?你自己还是看一下曲线拟合的那个几个函数吧!很简单的!

x1=[.];x2=[.];%x1和x2均为数据矩阵x=[ones(length(x1),1);x1';x2'];y=[.];[b,bint,r,rint,stats]=regress(y,x);%b

这,这是二值函数啊,手动给出一个解吧：y=-2*sgn(x-31);其中sgn是符号函数如果要用连续函数拟合的话,可以用sigmod函数：y=-2/(exp(-x+31.5)+1)+1;

x=[.];y=[.];fun1=inline('c(1)*x^2+c(2)*x+c(3),'c','x');%拟合函数c=lsqcurvefit(fun1,[0,0],x,y)%求拟合系数a=c(1

可以用的,而且冗余值越多对于最小二乘拟合越精确（前提是没有坏值）比方说我一个x=1有5个y2,3,4,5,6则把x写为x=[11111]y=[23456]就可以了.程序楼上两位已经给了,借用下.p=p

要拟合的话,必须首先确定模型.这个模型是根据经验得到的.一般的来说,模型阶数越高,拟合效果越好,但是也不能过高,因为若模型过高的话,将噪声也拟合了.对于新的数据,预测效果反而会差,这就是说的‘over

有很多方法可以做到的,如果你是初学matlab可以试试matlab的三维拟合工具箱你在命令行键入sftool,就可以调出这个工具箱.这个是比较简单实用的一个.除了这个以外,多维度的可以用lsqnonl