%擬合數據曲線；線性最小二乘法是解決曲線擬合的最常用的方法，
%1、多項式擬合函數；p=polyfit(x,y,n);求p擬合函數在xi處的近似值pi=polyval(p,xi)；
%2、利用常用矩陣的除法解決復雜函數的擬合；
%3、利用lsqcurvefit函數和lsqnonlin函數擬合；
%4、利用cftool工具箱，自定義編寫函數再通過M文件導出的形式
/doku.php?id=howtos:matlab:mt1-5
/zzz700/blog/item/f313a3f5869659b5a40f52d7.html英文參考
壹、 單壹變量的曲線逼近
Matlab有壹個功能強大的曲線擬合工具箱 cftool ，使用方便，能實現多種類型的線性、非線性曲線擬合。下面結合我使用的 Matlab R2007b 來簡單介紹如何使用這個工具箱。
假設我們要擬合的函數形式是 y=A*x*x + B*x, 且A>0,B>0。
1、在命令行輸入數據：
》x=[110.3323 148.7328 178.064 202.8258033 224.7105 244.5711 262.908 280.0447 296.204 311.5475]；
》y=[5 10 15 20 25 30 35 40 45 50]；
2、啟動曲線擬合工具箱
》cftool
3、進入曲線擬合工具箱界面“Curve Fitting tool”
（1）點擊“Data”按鈕，彈出“Data”窗口；
（2）利用X data和Y data的下拉菜單讀入數據x,y，可修改數據集名“Data set name”，然後點擊“Create data set”按鈕，退出“Data”窗口，返回工具箱界面，這時會自動畫出數據集的曲線圖；
（3）點擊“Fitting”按鈕，彈出“Fitting”窗口；
（4）點擊“New fit”按鈕，可修改擬合項目名稱“Fit name”，通過“Data set”下拉菜單選擇數據集，然後通過下拉菜單“Type of fit”選擇擬合曲線的類型，工具箱提供的擬合類型有：
Custom Equations：用戶自定義的函數類型
Exponential：指數逼近，有2種類型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)
Fourier：傅立葉逼近，有7種類型，基礎型是 a0 + a1*cos(x*w) + b1*sin(x*w)
Gaussian：高斯逼近，有8種類型，基礎型是 a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4種類型，linear、nearest neighbor、cubic spline、shape-preserving
Polynomial：多形式逼近，有9種類型，linear ~、quadratic ~、cubic ~、4-9th degree ~
Power：冪逼近，有2種類型，a*x^b 、a*x^b + c
Rational：有理數逼近，分子、分母***有的類型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子還包括constant型
Smoothing Spline：平滑逼近（翻譯的不大恰當，不好意思）
Sum of Sin Functions：正弦曲線逼近，有8種類型，基礎型是 a1*sin(b1*x + c1)
Weibull：只有壹種，a*b*x^(b-1)*exp(-a*x^b)
選擇好所需的擬合曲線類型及其子類型，並進行相關設置：
——如果是非自定義的類型，根據實際需要點擊“Fit options”按鈕，設置擬合算法、修改待估計參數的上下限等參數；
——如果選Custom Equations，點擊“New”按鈕，彈出自定義函數等式窗口，有“Linear Equations線性等式”和“General Equations構造等式”兩種標簽。
在本例中選Custom Equations，點擊“New”按鈕，選擇“General Equations”標簽，輸入函數類型y=a*x*x + b*x，設置參數a、b的上下限，然後點擊OK。
（5）類型設置完成後，點擊“Apply”按鈕，就可以在Results框中得到擬合結果，如下例：
general model:
f(x) = a*x*x+b*x
Coefficients (with 95% confidence bounds):
a = 0.009194 (0.009019, 0.00937)
b = 1.78e-011 (fixed at bound)
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263
同時，也會在工具箱窗口中顯示擬合曲線。
這樣，就完成壹次曲線擬合啦，十分方便快捷。當然，如果妳覺得擬合效果不好，還可以在“Fitting”窗口點擊“New fit”按鈕，按照步驟（4）~（5）進行壹次新的擬合。
不過，需要註意的是，cftool 工具箱只能進行單個變量的曲線擬合，即待擬合的公式中，變量只能有壹個。對於混合型的曲線，例如 y = a*x + b/x ，工具箱的擬合效果並不好。下壹篇文章我介紹幫同學做的壹個非線性函數的曲線擬合。
上邊對cftool工具箱做了很詳盡的說明，但並沒有對各種曲線擬合的性能做點評，在單變量曲線擬合中，如何選取壹種最優化的擬合方式是非常重要的，我們在采用CFTOOL擬合後，會有壹些性能說明，如：
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263
官方的解釋：
Results -- Displays detailed results for the current fit including the fit type (model, spline, or interpolant), the fitted coefficients and 95% confidence bounds for parametric fits, and these goodness of fit statistics:
SSE -- The sum of squares due to error. This statistic measures the deviation of the responses from the fitted values of the responses. A value closer to 0 indicates a better fit.
R-square -- The coefficient of multiple determination. This statistic measures how successful the fit is in explaining the variation of the data. A value closer to 1 indicates a better fit.
Adjusted R-square -- The degree of freedom adjusted R-square. A value closer to 1 indicates a better fit. It is generally the best indicator of the fit quality when you add additional coefficients to your model.
RMSE -- The root mean squared error. A value closer to 0 indicates a better fit.
Matlab曲面擬合和插值 AAAAAAAAAAA風雲博客
/blog/#m=0&t=1&c=fks_084066080086083064084085083095087086083071083086086064
/blog/static/62173403201121095512602/?fromdm&fromSearch&isFromSearchEngine=yes
Matlab曲線擬合
/blog/static/30247003201153083539419/?fromdm&fromSearch&isFromSearchEngine=yes
多項式擬合函數polyfit之C語言的源碼
/blog/static/30247003201010251055758/
matlab二元函數擬合；
/question/141374449.html?fr=qrl&cid=93&index=2
matlab非線性擬合1（指數函數）
/share/detail/43922314