在科学计算和工程应用中，经常会遇到需要拟合一系列的离散数据，最近找了很多相关的文章方法，在这里进行总结一下其中最完整、几乎能解决所有离散参数非线性拟合的方法
第一步：得到散点数据
根据你的实际问题得到一系列的散点
例如：
x=[3.2,3.6,3.8,4,4.2,4.8,5,5.4,6.2,6.4,6.6,6.9,7.1]';%加上一撇表示对矩阵的转置
y=[0.38,0.66,1,0.77,0.5,0.66,0.83,1,0.71,0.71,1,0.87,0.83]';
第二步：确定函数模型
根据上述的实际散点确定应该使用什么样的曲线，或者说是想要模拟的曲线
t=[3.2,3.6,3.8,4,4.2,4.8,5,5.4,6.2,6.4,6.6,6.9,7.1]';
tt=[0.38,0.66,1,0.77,0.5,0.66,0.83,1,0.71,0.71,1,0.87,0.83]';
plot(t,tt,'.');%得到散点图
散点图如下所示：
我们已知现存的几种典型的（也是绝大多数情况下的函数模型）
选定一个与散点图像相匹配的函数模型，在此例中我们选择典型的S型曲线模型y= 1/(a+b*e^(-x))，其实此处的函数模型可以任意。
第三步：确定选用函数模型中的未知参数
首先了解一下matlab中的inline函数，inline是用来定义内联函数的
比如说：
y=inline('sin(x)','x') %第一个参数是表达式，第二个参数是函数变量
y(0) %计算sin(0)的值
y(pi) %计算sin(pi)的值
q=quad(y,0,1); %计算sin(x) 在0到1上的积分
之后，我们在代码中进行函数的定义
x=[3.2,3.6,3.8,4,4.2,4.5,4.8,5,5.3,5.4,5.6,5.8,6,6.2,6.4,6.6,6.9,7.1]';
y=[0.38,0.66,1,0.77,0.5,0.33,0.66,0.83,0.33,1,0.33,0.5,0.33,0.71,0.71,1,0.87,0.83]';
my
内容全部来源于网络收集，如有侵权，请联系网站删除：QQ：24596024