很多站长朋友们都不太清楚非线性拟合php，今天小编就来给大家整理非线性拟合php，希望对各位有所帮助，具体内容如下：
本文目录一览： 1、 非线性拟合是什么意思 2、 如何用matlab进行多元非线性拟合 3、 非线性拟合 拟合优度检验 非线性拟合是什么意思插值和拟合都是函数逼近或者数值逼近的重要组成部分
他们的共同点都是通过已知一些离散点集M上的约束，求取一个定义
在连续集合S(M包含于S)的未知连续函数，从而达到获取整体规律的
目的，即通过"窥几斑"来达到"知全豹"。
简单的讲，所谓拟合是指已知某函数的若干离散函数值，通
过调整该函数中若干待定系数f(λ1, λ2,…,λ3), 使得该函数与已知点集的
差别(最小二乘意义)最小。如果待定函数是线性，就叫线性拟合或者
线性回归(主要在统计中)，否则叫作非线性拟合或者非线性回归。表
达式也可以是分段函数，这种情况下叫作样条拟合。
而插值是指已知某函数的在若干离散点上的函数值或者导数信息，通
过求解该函数中待定形式的插值函数以及待定系数，使得该函数在给
定离散点上满足约束。插值函数又叫作基函数，如果该基函数定义在
整个定义域上，叫作全域基，否则叫作分域基。如果约束条件中只有
函数值的约束，叫作Lagrange插值，否则叫作Hermite插值。
从几何意义上将，拟合是给定了空间中的一些点，找到一个已知形式
未知参数的连续曲面来最大限度地逼近这些点；而插值是找到一个(
或几个分片光滑的)连续曲面来穿过这些点。
具体插值拟合的计算参考下面回复：
1)Matlab中如何作线性拟合/线性回归/多元线性回归？
:#FangQ(Qianqian.Fang@Dartmouth.Edu),2002/6/21, BigGreen/MathTools #
即用y=a*x+b来拟合一组数据,…}
matlab中使用polyfit
x=data(:,1);
y=data(:,2);
p=polyfit(x,y,1);
p(1)为斜率a，p(2)为截距b
多元线性回归即用y=a1*x1+a2*x2+..+am*xm来拟合数据点
(i=1~n)
|x11,x21,…xm1|
A=|x12,x22,…xm2|
|…………… |
|x1n,x2n,…xmn|
Y='
则系数'=pinv(A)*Y
在matlab中使用
coeff=A\Y
则可以得到最小二乘意义上的拟合系数
matlab默认只提供了多项式拟合的函数polyfit，对于其他稍微简单
一点的拟合，如标准的指数、对数、高阶多项式拟合，都有解析公式，参见：
对于更加复杂的非线性函数，建议使用Mathematica或者DataFit
Mathematica中提供了Fit[],以及
<< Statistics`NonlinearFit`
NonlinearFit[],NonlinearRegress[]
可以拟合任意复杂的表达式。
DataFit可以自定义拟合模型，适用于复杂系统的拟合。
如何用matlab进行多元非线性拟合matlab拟合工具箱cftool
%拟合数据曲线；线性最小二乘法是解决曲线拟合的最常用的方法，
%1、多项式拟合函数；p=polyfit(x,y,n);求p拟合函数在xi处的近似值pi=polyval(p,xi)；
%2、利用常用矩阵的除法解决复杂函数的拟合；
%3、利用lsqcurvefit函数和lsqnonlin函数拟合；
%4、利用cftool工具箱，自定义编写函数再通过M文件导出的形式
英文参考
一、 单一变量的曲线逼近
Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类型的线性、非线性曲线拟合。下面结合我使用的 Matlab R2007b 来简单介绍如何使用这个工具箱。
假设我们要拟合的函数形式是 y=A*x*x + B*x, 且A>0,B>0。
1、在命令行输入数据：
》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、启动曲线拟合工具箱
》cftool
3、进入曲线拟合工具箱界面“Curve Fitting tool”
（1）点击“Data”按钮，弹出“Data”窗口；
（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；
（3）点击“Fitting”按钮，弹出“Fitting”窗口；
（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，然后通过下拉菜单“Type of fit”选择拟合曲线的类型，工具箱提供的拟合类型有：
Custom Equations：用户自定义的函数类型
Exponential：指数逼近，有2种类型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)
Fourier：傅立叶逼近，有7种类型，基础型是 a0 + a1*cos(x*w) + b1*sin(x*w)
Gaussian：高斯逼近，有8种类型，基础型是 a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4种类型，linear、nearest neighbor、cubic spline、shape-preserving
Polynomial：多形式逼近，有9种类型，linear ~、quadratic ~、cubic ~、4-9th degree ~
Power：幂逼近，有2种类型，a*x^b 、a*x^b + c
Rational：有理数逼近，分子、分母共有的类型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子还包括constant型
Smoothing Spline：平滑逼近（翻译的不大恰当，不好意思）
Sum of Sin Functions：正弦曲线逼近，有8种类型，基础型是 a1*sin(b1*x + c1)
Weibull：只有一种，a*b*x^(b-1)*exp(-a*x^b)
选择好所需的拟合曲线类型及其子类型，并进行相关设置：
——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；
——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear Equations线性等式”和“General Equations构造等式”两种标签。
在本例中选Custom Equations，点击“New”按钮，选择“General Equations”标签，输入函数类型y=a*x*x + b*x，设置参数a、b的上下限，然后点击OK。
（5）类型设置完成后，点击“Apply”按钮，就可以在Results框中得到拟合结果，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
同时，也会在工具箱窗口中显示拟合曲线。
这样，就完成一次曲线拟合啦，十分方便快捷。当然，如果你觉得拟合效果不好，还可以在“Fitting”窗口点击“New fit”按钮，按照步骤（4）~（5）进行一次新的拟合。
不过，需要注意的是，cftool 工具箱只能进行单个变量的曲线拟合，即待拟合的公式中，变量只能有一个。对于混合型的曲线，例如 y = a*x + b/x ，工具箱的拟合效果并不好。下一篇文章我介绍帮同学做的一个非线性函数的曲线拟合。
上边对cftool工具箱做了很详尽的说明，但并没有对各种曲线拟合的性能做点评，在单变量曲线拟合中，如何选取一种最优化的拟合方式是非常重要的，我们在采用CFTOOL拟合后，会有一些性能说明，如：
Goodness of fit:
SSE: 6.146
R-square: 0.997
Adjusted R-square: 0.997
RMSE: 0.8263
官方的解释：
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曲面拟合和插值 AAAAAAAAAAA风云博客
;t=1c=fks_084066080086083064084085083095087086083071083086086064
;fromSearchisFromSearchEngine=yes
Matlab曲线拟合
;fromSearchisFromSearchEngine=yes
多项式拟合函数polyfit之C语言的源码
matlab二元函数拟合；
;cid=93index=2
matlab非线性拟合1（指数函数）
非线性拟合 拟合优度检验观测变量总离差平方和 = 组间离差平方和 + 组内离差平方和，表述为：SST=SSA+SSE。
组内差异——测量误差、个体差异
SSE（误差平方和）各个水平下，样本观察值与样本均值差异的平方和
组间差异——不同实验条件处理
SSA（因素A的效应平方和）各个水平下样本平均值与数据总平均差异的平方和
R -square =SSA/SSE，表示的是SSA对回归方程的拟合贡献率。
关于非线性拟合php的介绍到此就结束了，不知道本篇文章是否对您有帮助呢？如果你还想了解更多此类信息，记得收藏关注本站，我们会不定期更新哦。
查看更多关于非线性拟合php 非线性拟合origin的详细内容...