MATLAB软件提供了基本的曲线拟合函数的命令。
曲线拟合就是计算出两组数据之间的一种函数关系，由此可描绘其变化曲线及估计非采集数据对应的变量信息。
1.线性拟合函数：regress()
调用格式： b = regress(y,X)
[b,bint,r,rint,stats] = regress(y,X)
[b,bint,r,rint,stats] = regress(y,X,alpha)
说明：b=[ε; β]，regress(y,X)返回X与y的最小二乘拟合的参数值β、ε，y=ε+βX。β是p´1的参数向量；ε是服从标准正态分布的随机干扰的n´1的向量；y为n´1的向量；X为n´p矩阵。
bint返回β的95%的置信区间。
r中为形状残差，rint中返回每一个残差的95%置信区间。Stats向量包含R2统计量、回归的F值和p值。
例：
x=[ones(10,1) (1:10)'];
y=x*[10;1]+normrnd(0,0.1,10,1);
[b,bint]=regress(y,x,0.05)
结果得回归方程为：y=9.9213+1.0143x
2.多项式曲线拟合函数：polyfit()
调用格式： p = polyfit(x,y,n)
[p,s] = polyfit(x,y,n)
说明：n：多项式的最高阶数；
x，y：将要拟合的数据，用数组的方式输入；
p：为输出参数，即拟合多项式的系数；
多项式在x处的值y可用下面程序计算：
y=polyval(p,x)
例：
x=1:20;
y=x+3*sin(x);
p=polyfit(x,y,6)
xi=linspace(1,20,100);
z=polyval(p,xi); % 多项式求值函数
plot(x,y,'o',xi,z,'k:',x,y,'b')
legend('原始数据','6阶曲线')
3.一般的曲线拟合：curvefit()
调用格式： p=curvefit(‘Fun’,p0,x,y)
说明：Fun： 表示函数Fun(p,data)的M函数文件；
x，y：将要拟合的数据，用数组的方式输入；
p0： 表示函数待拟合参数的初值；
4.自定义函数拟合：nlinfit()
调用格式：[beta,r,J]=nlinfit(x,y,’fun’,beta0)
说明： beta：返回函数'fun'中的待定常数；
r: 表示残差；
J: 表示雅可比矩阵。
x,y: 要拟合的数据；
fun： 自定义函数；
beta0： 待定常数初值；
例：化工生产中获得的氯气的级分y随生产时间x下降，假定在x≥8时，y与x之间有非线性模型：
现收集了44组数据，利用该数据通过拟合确定非线性模型中的待定常数。
x y x y x y
8 0.49 16 0.43 28 0.41
8 0.49 18 0.46 28 0.40
10 0.48 18 0.45 30 0.40
10 0.47 20 0.42 30 0.40
10 0.48 20 0.42 30 0.38
10 0.47 20 0.43 32 0.41
12 0.46 20 0.41 32 0.40
12 0.46 22 0.41 34 0.40
12 0.45 22 0.40 36 0.41
12 0.43 24 0.42 36 0.36
14 0.45 24 0.40 38 0.40
14 0.43 24 0.40 38 0.40
14 0.43 26 0.41 40 0.36
16 0.44 26 0.40 42 0.39
16 0.43 26 0.41
首先，定义非线性函数的m文件：fff6.m
function yy=model(beta0,x)
a=beta0(1);
b=beta0(2);
yy=a+(0.49-a)*exp(-b*(x-8));
拟合程序：
x=[8.00 8.00 10.00 10.00 10.00 10.00 12.00 12.00 12.00 14.00 14.00 14.00...
16.00 16.00 16.00 18.00 18.00 20.00 20.00 20.00 20.00 22.00 22.00 24.00...
24.00 24.00 26.00 26.00 26.00 28.00 28.00 30.00 30.00 30.00 32.00 32.00...
34.00 36.00 36.00 38.00 38.00 40.00 42.00]';
y=[0.49 0.49 0.48 0.47 0.48 0.47 0.46 0.46 0.45 0.43 0.45 0.43 0.43 0.44 0.43...
0.43 0.46 0.42 0.42 0.43 0.41 0.41 0.40 0.42 0.40 0.40 0.41 0.40 0.41 0.41...
0.40 0.40 0.40 0.38 0.41 0.40 0.40 0.41 0.38 0.40 0.40 0.39 0.39]';
beta0=[0.30 0.02];
betafit = nlinfit(x,y,'sta67_1m',beta0)
结果：betafit =
0.3896 0.1011
即：a=0.3896 ，b=0.1011 拟合函数为：
4.多元非线性拟合：
（1）.nlinfit()
调用格式：[beta,r,J]=nlinfit(X,Y,'fun',beta0)
说明： beta：返回函数'fun'中的待定常数；
r: 表示残差；
J: 表示雅可比矩阵。
X,Y: 要拟合的多元数据矩阵；
fun： 自定义函数；
beta0： 待定常数初值；
例：
x1 = [1150,1000,900,850,700,625,550,475,3350,3500,5900,
5800,5700,4600,4625,4725,11650,11200,11200 ]';
x2 = [175,100,25,0,75,100,150,200,50,600,500,
225,100,1225,1600,2000,1200,1000,1550 ]';
x = [x1,x2];
y = [1.44E-02,1.80E-02,6.08E-02,5.59E-02,3.42E-02,7.74E-03,1.17E-03,
6.16E-03,1.91E-04,1.91E-04,1.02E-03,2.83E-03,9.52E-05,3.77E-04,
2.70E-04,1.87E-04,3.98E-04,4.04E-04,4.02E-04 ]';
beta0 = [0.1 0.1 1 1];
myfun = @(a,x)4030.0./pi./4.2./(a(1).*x(:,1).^a(2).*a(3).*x(:,1).^a(4)).*exp(-(x(:,2).^2./2./(a(1).*x(:,1).^a(2)).^2+30.0.^2./2./(a(3).*x(:,1).^a(4)).^2));
[a,b,c,d,res] = nlinfit(x,y,myfun,beta0);
a,res
plot3(x1,x2,y,'o',x1,x2,myfun(a,x))
% 值的选取没有定法，与实际问题的模型有关。
（2）.regress()
线性的不行，用二次函数。
format long
A=[...
0.2 13.6 8503 251 27.4
7.7 9.9 3658 314 13.9
5.8 10.8 7307 433 26.8
7.70 9.70 6717 257 23.8
7.5 9.8 7609 280 21.7
5.6 11.3 4271 533 14.6
6.2 7.6 52169 48 225
3.23 9.16 16516 80 44.1
0.33 11.3 17366 85 54.1
0.14 9.5 14245 91 56.6
5.5 9.7 18184 3 31.6
2.3 8.9 33612 250 114.9
3.3 4.6 73927 5 166
1.9 9.7 32175 150 107.5
0.6 9.9 33088 242 142.3
0.22 11.7 18620 567 60.4
1.88 11.76 27885 267 71.6
2.78 10.9 21780 76 58.7]
x=A(:,1:4),Y=A(:,5)
x11=x(:,1).*x(:,1);
x12=x(:,1).*x(:,2);
x13=x(:,1).*x(:,3);
x14=x(:,1).*x(:,4);
x22=x(:,2).*x(:,2);
x23=x(:,2).*x(:,3);
x24=x(:,2).*x(:,4);
x33=x(:,3).*x(:,3);
x34=x(:,3).*x(:,4);
x44=x(:,4).*x(:,4);
X=[x(:,:),x11,x12,x13,x14,x22,x23,x24,x33,x34,x44]
[B,BINT,R] = REGRESS(Y,[ones(length(Y),1),X])
B就是系数，R就是预测值与实际值的差值。
（3）.lsqcurvefit()
clear
clc
x = [40 50 60 70 80 90 100 110 120 135 150];
y = [0.0096 0.0145 0.0194 0.0348 0.0501 0.0751
0.1000 0.1497 0.1993 0.2496 0.2999];
z = [0.2400 0.2865 0.3330 0.3600 0.3870 0.4010
0.4150 0.4390 0.4630 0.4875 0.5120];
X0 = [1 1 1 1 1 1];
% 只要这样写就可以了
f=@(p,x)( p(1) + p(2)*x(1,:) + p(3)*x(2,:) + p(4)*x(1,:)
.^2 + p(5)*x(1,:).*x(2,:) + p(6)*x(2,:).^2);
p=lsqcurvefit(f,X0,[x;y],z);
5.稳健回归函数：robust()
稳健回归是指此回归方法相对于其他回归方法而言，受异常值的影响较小。
调用格式： b = robustfit(x,y)
[b,stats] = robustfit(x,y)
[b,stats] = robustfit(x,y,’wfun’,tune,’const’)
说明：
b：系数估计向量；
stats：各种参数估计；
wfun：指定一个加权函数；
tune：为调协常数；
const：值为’on’(默认值)时添加一个常数项，为’off ’时忽略常数项。
例：演示一个异常数据点如何影响最小二乘拟合值与稳健拟合。首先利用函数y=10-2x加上一些随机干扰的项生成数据集，然后改变一个y的值形成异常值。调用不同的拟合函数，通过图形观查影响程度。
程序：x=(1:10)’;
y=10-2*x+randn(10,1);
y(10)=0;
bls=regress(y,[ones(10,1) x]); % 线性拟合
brob=robustfit(x,y); % 稳健拟合
scatter(x,y;
hold on
plot(x,bls(1)+bls(2)*x,’:’);
plot(x,brob(1)+brob(2)*x,’r‘);
结果 ： bls = 8.4452 -1.4784
brob = 10.2934 -2.0006
