**
plotfit函数使用
plot是画图函数
polyval是求值函数
polyfit是曲线拟合函数
polyfit用于多项式曲线拟合
p=polyfit(x,y,m)
其中, x, y为已知数据点向量, 分别表示横,纵坐标, m为拟合多项式的次数, 结果返回m次拟合多项式系数, 从高次到低次存放在向量p中.
y0=polyval(p,x0)
可求得多项式在x0处的值y0
clc;clear%清除变量
y=[100.3 101.1 102.1 101.1 101.6 104.4 102.5 102.1 103.9 103.9
];
x=1:length(y);
A=polyfit(x,y,2) %2次相拟合，这个2可以修改的 模型系数
Z=polyval(A,x); %预测y
len=[1:20];
len1=polyval(Z,len); %预测走势
result=[y;Z]%实际值与预测值
error=abs(y-Z);%误差
bfb=error./y%相对误差
errorsum=sum(error)/length(y)%平均误差
bfbsum=sum(bfb)/length(y)%平均相对误差
figure(1)
plot(x,y,‘r-’,x,Z,‘b-’)
legend(‘实际值’,‘拟合值’)
title(‘实际值与预测值的比较’,‘fontsize’,15)
ylabel(‘Y’,‘fontsize’,15)
xlabel(‘X’,‘fontsize’,15)
figure(2)
plot(len,len1,‘b-’)
legend(‘拟合曲线’)
title(‘拟合曲线图’,‘fontsize’,15)
ylabel(‘Y’,‘fontsize’,15)
xlabel(‘X’,‘fontsize’,15)
拟合结果
**
lsqcurvefit函数拟合
解释1
格式 x = lsqcurvefit(fun,a0,xdata,ydata)
x = lsqcurvefit(fun,a0,xdata,ydata,lb,ub)
x = lsqcurvefit(fun,a0,xdata,ydata,lb,ub,options)
[x,resnorm] = lsqcurvefit(…)
[x,resnorm,residual] = lsqcurvefit(…)
[x,resnorm,residual,exitflag] = lsqcurvefit(…)
[x,resnorm,residual,exitflag,output] = lsqcurvefit(…)
[x,resnorm,residual,exitflag,output,lambda] = lsqcurvefit(…)
[x,resnorm,residual,exitflag,output,lambda,jacobian] =lsqcurvefit(…)
参数说明：
a0为初始解向量, 因为求解是一个迭代的过程，需要先给定一个初始参数，再逐步修改参数的过程。所以要对a0初始化，一般而言，可以随机，但是经验上取与解接近的值会提高计算速度。
xdata，ydata为满足关系ydata=F(a, xdata)的数据；
lb、ub为解向量的下界和上界lb≤a≤ub，若没有指定界，则lb=[ ]，ub=[ ]；
options为指定的优化参数；
fun为待拟合函数，计算x处拟合函数值，其定义为 function F = myfun(a,xdata)
resnorm=sum ((fun(a,xdata)-ydata).^2)，即在a处残差的平方和；
residual=fun(a,xdata)-ydata，即在x处的残差；
exitflag为终止迭代的条件；
output为输出的优化信息；
lambda为解x处的Lagrange乘子；
jacobian为解x处拟合函数fun的jacobian矩阵。
解释2
lsqcurvefit(f,a,x,y)
f:符号函数句柄,如果是以m文件的形式调用的时候,别忘记加@.这里需要注意,f函数的返回值是和y匹对的,即拟合参数的标准是(f-y)^2取最小值,具体看下面的例子
a:最开始预估的值(预拟合的未知参数的估计值)。如下面的问题如果我们预估a(1)为1,a(2)为3,a(3)为7,a(4)为5,a(5)为7则a0=[1,3,7,5,7]
x:我们已经获知的x的值
y:我们已经获知的x对应的y的值
clc;clear%清除变量
y=[100.3 101.1 102.1 101.1 101.6 104.4 102.5 102.1 103.9 103.9
];
xdata=1:length(y);
a0=[1,3,7,5,7]; %初始估计值,随便写 这个是4次拟合 ，具体表达式可以随便改
options=optimset(‘Tolfun’,1e-15); %方法设定
for i=1:1000
x=lsqcurvefit(@fun1,a0,xdata,y,[],[],options); %确定待定系数
a0=x;%以计算出的x为初值，循环迭代1000次
end
disp(x);%输出系数
yy = fun1(x,xdata);%利用已经拟合好的模型预测y值
len=[1:20];
len1 = fun1(x,len);%预测走势
result=[y;yy]%实际值与预测值
error=abs(y-yy);%误差
bfb=error./y%相对误差
errorsum=sum(error)/length(y)%平均误差
bfbsum=sum(bfb)/length(y)%平均相对误差
figure(1)
plot(xdata,y,‘r-’,xdata,yy,‘b-’)
legend(‘实际值’,‘拟合值’)
title(‘实际值与预测值的比较’,‘fontsize’,15)
ylabel(‘Y’,‘fontsize’,15)
xlabel(‘X’,‘fontsize’,15)
%axis([1 10 1 200]);%坐标范围
%set(gca,‘xtick’,[1 2 …10]);%X轴设定
%set(gca,‘ytick’,[1 20 40 …200]);%Y轴设定
figure(2)
plot(len,len1,‘r-’)
legend(‘拟合曲线’)
title(‘拟合曲线图’,‘fontsize’,15)
ylabel(‘Y’,‘fontsize’,15)
xlabel(‘X’,‘fontsize’,15)
function y = fun1(a, x);
y = a(1) + a(2)*x + a(3)*x.^2 + a(4)*x.^3 + a(5)*x.^4
非线性拟合需要自己先设定好函数表达式，我们可以自己先把原始数据画个散点图，看大体趋势，然后自己构造函数
拟合结果
**
cftool函数拟合工具箱简介
在命令框中输入cftool出来如下图
把可视化结果放大和修改 只需要点击 文件——print to Figure
然后就可以在图片上面修改坐标，标题等
转载自：
https://blog.csdn.net/u014356002/article/details/70242501