擬合工具箱results

❶ matlab的CurveFitting 工具箱里，不顯示擬合後曲線

1.打開CFTOOL工具箱。在Matlab 6.5以上的環境下，在左下方有一個"Start"按鈕，如同Windows的開始菜單，點開它，在目錄"Toolboxes"下有一個"Curve Fitting"，點開"Curve Fitting Tool"，出現數據擬合工具界面，基本上所有的數據擬合和回歸分析都可以在這里進行。

7.圖片導出。另外要說的是，如果想把這個擬合的圖像導出的話，在Curve Fitting Tool窗口的File菜單下選Print to Figure，此時彈出一個新的圖像窗口，裡面是你要導出的圖像，在這個figure窗口的File菜單里再選Export，選擇好合適的格式，一般是jpeg，選擇好路徑，點擊OK就可以了。出來的圖像可以在Word等編輯環境中使用，就不多說了。
要修改圖像的性質，如數據點的大小、顏色等等的，只需要在對象上點右鍵，就差不多可以找到了。

❷ 用matlab曲線擬合工具箱擬合數據後要進行預測，應該怎麼做啊哪位大神

不是matlab安裝的問題，這個問題我也遇到過，遍求解答無果之後，終於自己摸索出來了。是這樣的，不要用gui中的data按鈕來新建數據集，而要在matlab命令窗口中，輸入命令：cftool（a,b）,其中a，b就是你要設置的x、y坐標的向量。這樣出來散點圖，之後再在cftool工具箱的gui中點fitting按鈕，選擇曲線擬合

❸ matlab多項式擬合

在命令窗口下輸入
x=[。。。]
y=[。。。]
cftool
在Curve Fitting Tool界面中，單擊Data。。。，選擇x Data和y Data，選擇Create data set，選擇Close
在Curve Fitting Tool界面中，單擊Fitting。。。，選擇New fit，選擇Type of fit，選擇Polynomial，選擇9th degree polynomial，打勾Center and scale X data項和Immediate apply項，選擇Apply
在Results框內，就會出現如下信息
Linear model Poly9:
f(x) = p1*x^9 + p2*x^8 + p3*x^7 + p4*x^6 +
p5*x^5 + p6*x^4 + p7*x^3 + p8*x^2 + p9*x + p10
where x is normalized by mean 2007 and std 4.183
Coefficients (with 95% confidence bounds):
p1 = 1250 (-2623, 5123)
p2 = -1317 (-3803, 1169)
p3 = -7686 (-2.787e+004, 1.25e+004)
p4 = 7016 (-4784, 1.882e+004)
p5 = 1.706e+004 (-1.775e+004, 5.186e+004)
p6 = -1.244e+004 (-2.995e+004, 5083)
p7 = -1.69e+004 (-3.952e+004, 5721)
p8 = 8533 (-214.7, 1.728e+004)
p9 = 9654 (5118, 1.419e+004)
p10 = 1.902e+004 (1.797e+004, 2.007e+004)
Goodness of fit:
SSE: 1.213e+006
R-square: 0.9921
Adjusted R-square: 0.9742

❹ 如何使用matlab 2014a 做數據曲線擬合

方法/步驟
輸入數據
做數據曲線擬合，當然該有數據，本經驗從以如下數據作為案例。

添加數據到curve fitting程序
這一步就是將你要擬合的數據添加到curve fitting程序中，同時給你擬合的曲線命名。

選擇曲線擬合的方法類型
常見的擬合曲線有多項式的、指數的、對數的等等。curve fitting程序提供了很多的方法。你可以根據自己的數據具體選擇。

選擇好方法後，按照提供的公式選擇具體的選項
本文的數據近似為線性的，我們選擇多項式擬合的一階方法。

擬合結果查看
擬合後，curve fitting會給你具體的函數表達式，你可以將他給出的參數的值帶入你選擇的方法中。

結果說明
在結果中，不僅可以看到函數的表達式，同時他還給出了95%置信區間的參數值，以及擬合好壞的一些指標，如：
SSE:
R-square:
Adjusted R-square:
RMSE:

畫出圖像
雖然在curve fitting程序有自帶的圖像顯示，但是一般最好將擬合結果顯示到單獨的圖像窗口。

保存結果

曲線擬合結束後，你可以保存你的擬合結果。選擇你保存的路徑即可。

❺ 怎麼用matlab進行非線性的多元函數擬合

方法一：抄

1、最常用的是多項式擬合，採用polyfit函數，在命令窗口輸入自變數x和因變數y。

❻ matlab2014曲線擬合工具箱怎麼輸入數據

您好，這樣的：一、 單一變數的曲線逼近
Matlab有一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、分母共有的類型是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：只有一種，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，設置擬合演算法、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，就完成一次曲線擬合啦，十分方便快捷。當然，如果你覺得擬合效果不好，還可以在「
Fitting」窗口點擊「New fit」按鈕，按照步驟（4）~（5）進行一次新的擬合。
不過，需要注意的是，cftool 工具箱只能進行單個變數的曲線擬合，即待擬合的公式中，變
量只能有一個。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。下一
篇文章我介紹幫同學做的一個非線性函數的曲線擬合。

❼ matlab中怎麼求擬合

polyfit最小二乘法擬合，一般這個就很好用
高級一點的，start——toolboxs——curve fitting——curve fitting tool
用擬合工具箱，這里包括了常用的所有擬合函數。你也可以自己定義函數擬合求出你要的系數。一般matlab書上都會介紹工具箱的用法。
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、分母共有的類型是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：只有一種，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，設置擬合演算法、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，就完成一次曲線擬合啦，十分方便快捷。當然，如果你覺得擬合效果不好，還可以在「Fitting」窗口點擊「New fit」按鈕，按照步驟（4）~（5）進行一次新的擬合。
不過，需要注意的是，cftool 工具箱只能進行單個變數的曲線擬合，即待擬合的公式中，變數只能有一個。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。
這是一點介紹，具體還得自己摸索啊，少年