matlab中进行多项式拟合,你合成曲面

我把这个式子分析了一下,原来是在关于e,t的二元函数y=f(e,t)中求系数a,b的问题.不难.把你的数据发过来,我来拟合.还有确实可化为线性表达式,用\处理:yt/e=a*(t^2-e*t^2)+b

x=1978:2002;y=[272.81,286.43,311.89,324.76,337.07,351.81,390.85,466.75,490.86,545.46,648.3,696.54,78

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.利用

yy=polyfit(t,y,4)%y求ln就可以一次拟合ye=log(y)yee=polyfit(t,ye,1)yyee=exp(yee)

x1=[1.51.5222.52.52.52.53333];x2=[0.050.10.150.20.050.10.150.20.050.10.150.2];y=[10.990.980.970.980.

在Matlab里输入：x=[20,18,16,14,12,10,8,6,4,2,0,-2,-4,-6,-8,-10,-12,-14,-16,-18,-20];y=[-0.98106,-0.88756,

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polyfit

functionp=naorthfit(x,y,m)%用途：多项式拟合%格式：x,y为数据向量,m为拟合正交多项式次数,p返回多项式%系数降幂排列psi=fliplr(eye(m+1,m+1));%转

当然可以按你所说的求解,关键是看你建立的回归模型的意义.还有,从回归原理看,一般认为回归方程要有常数项,这样才能保证回归的有效性.比如,如果没有ones(4,1)这一列,matlab会提示：R-squ

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

clear;clcx=[0 30 60 90 120 150 180 210 240 270 300

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.

直接用用函数polyfit就可以实现多项式拟合了,p=polyfit(x,y,n),其中x,y为需要拟合的数据向量,n为多项式的次数,p为降幂排列的多项式系数向量.

程序改成如下：A=[13631];s=poly2str(A,'x');x=unifrnd(0,5,150,1)%产生150个[05]上的均匀分布随机数y=polyval(A,x)%5阶多项式拟合p=p

1.根据实际系统理论模型的阶数拟合.2.当然一般情况下,1的条件并不知道,这时可以采用尝试的方法.3.还可以使用样条拟合（这个能基本保证所有点在曲线上）,就是spline

x=[3603896.338,3589780.327,3596342.743,3599206.341,3593665.841,3590354.599,3588152.720];y=[488554.99

dy应该是已知条件,原数据y的标准差,即y中的每一个点的测量误差,用它来估算拟合系数的误差再问：可是，我有一组x和y，要拟合曲线，确定最佳阶数的话，怎么定dy呢?再答：如果不需要计算系数误差就无需dy

x=-1:0.05:1;y=1./(1+25*x.^2);p=polyfit(x,y,9);s=vpa(poly2sym(p))f=polyval(p,x);plot(x,f,x,y,'o')再问：不

严格的来说,二次多项式拟合不是最小二乘拟合.lsqnonlin()、lsqcurvefit()是最小二乘拟合