matlab指数拟合程序及曲线方程

x=[1997199819992000200120022003200420052006200720082009];y=[5156513865267434847596881070311384123431

如上所述,采用polyfit来拟合,二次多项式polyfit(x,y,2)x=[0.110.130.190.210.270.370.530.590.710.790.891.07];y=[3868-10

对于线性函数,除了polyfit（）,还可以用regress（）等对于非线性函数,可以用lsqcurvefit（）或nlinfit（）等根据你提供的数据,可以拟合成如下关系Q=0.52429N^1.6

两边取自然对数lnY=lnA-BX,令Z=lnY,C=-B,D=lnAZ=CX+D拟合这个直线就OK

好像是最小二乘拟合：最小二乘大约是1795年高斯在他那星体运动轨道预报工作中提出的[1].后来,最小二乘法就成了估计理论的奠基石.由于最小二乘法结构简单,编制程序也不困难,所以它颇受人们重视,应用相当

t=0：0.5:5；s1=[0.5 -0.18 -0.01 0.13 0.1 0.31 -0.22 -0.31 0.2&

用曲线拟合工具箱做,很简单的,不过x,y的值要到你的工作空间里去,如图,这里的a,b相当于你的c,n

x=[27560000,55120000,82680000,88192000,110240000,137800000]y=[1743170000,1894750000,2053220000,20670

y=[00.060.110.170.230.280.340.400.460.520.590.650.720.800.870.961.051.161.311.55]';x=[20.0218.9517.7

先建立一个函数functionY=efun(b,x)Y=b(1)*exp(b(2)*x)+b(3)*exp(b(4)*x);保存为efun.m；再输入：x=[0.16670.41670.75001.0

曲线总可以用参数方程描述：X=x(t),Y=y(t),Z=z(t),不妨假设x(t),y(t),z(t)是关于t的多项式函数,那么：x（t）=x0+x1*t+x2*t^2.给定一组参数就有一条曲线,并

这样好些,比多项式精度高许多.functionhhx=[123456];y=[214575949898];b0=[111111];a=nlinfit(x,y,@mymodel,b0)xx=min(x)

Matlab:v=[47.5 42.5 37.5 32.5 27.5 22.5 17.5 12.5 7.5];a=[5.

matlab非线性的拟合有两个命令lsqcurvefit和lsqnonlin.这里用lsqcurvefit（lsqnonlin一样做）,先介绍下lsqcurvefit（原理是最小二乘法）已知数据点：x

可用matlab曲线拟合工具箱,里面有各式各样的拟合函数可供选用...x=[367   379   414   

clear>>i=[20,30,40,50,60,70,80,90,100,110,120];>>vi=[0,0,43,143,303,497,650,805,913,1000,1075];>>A=[

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

%1非线性拟合warningoffx=[100200400600800]';y=[406080120150]';f=fittype('a+b*x^m');options=fitoptions('a+b

Undefinedfunctionorvariable'T'.未定义变量Tmatlab是顺序运行的,你在运行plot(T,Y,'-');这个指令之前还没有T的定义呢.T=(0:0.1:2.5)'却在后

取对数,展开：log(y)=-x^2/c^2+2*x*b/c^2+log(a)-(b/c)^2用matlab解超定方程组的功能求[-x^2,2*x,1]*[1/c^2;b/c^2;log(a)-(b/