matlab回归（拟合）总结
前言
1、学三条命令
polyfit(x,y,n)---拟合成一元幂函数（一元多次） regress(y,x)----可以多元，
nlinfit(x,y,’fun’,beta0) (可用于任何类型的函数，任意多元函数，应用范围最主，最万能的)
2、同一个问题，这三条命令都可以使用，但结果肯定是不同的，因为拟合的近似结果，没有唯一的标准的答案。相当于咨询多个专家。
3、回归的操作步骤：
根据图形（实际点），选配一条恰当的函数形式（类型）---需要数学理论与基础和经验。（并写出该函数表达式的一般形式，含待定系数）------选用某条回归命令求出所有的待定系数。所以可以说，回归就是求待定系数的过程（需确定函数的形式）
一、回归命令
一元多次拟合polyfit(x,y,n);一元回归polyfit;多元回归regress---nlinfit(非线性)
二、多元回归分析
对于多元线性回归模型(其实可以是非线性，它通用性极高)： y01x1pxpe
设变量x1,x2,xp,y的n组观测值为(xi1,xi2,xip,yi)i1,2,,n
11记 x1x11x21xn1x12x22xn2x1py10x2py21y，，则 的估计值为排列方式xnpynp与线性代数中的线性方程组相同（），拟合成多元函数---regress
使用格式：左边用b=[b, bint, r, rint, stats]右边用=regress(y, x)或regress(y, x, alpha) ---命令中是先y后x,
---须构造好矩阵x(x中的每列与目标函数的一项对应) ---并且x要在最前面额外添加全1列/对应于常数项
---y必须是列向量
---结果是从常数项开始---与polyfit的不同。）
其中： b为回归系数，bint为回归系数的区间估计，r: 残的估计值(第一个为常数项)，差 ，rint: 残差的置信区间，stats: 用于检验回归模型的统计量，有四个数值：相关系数r2、F值、与F对应的概率p和残差的方差（前两个越大越好，后两个越小越好），alpha: 显著性水平（缺省时为0.05，即置信水平为95%），（alpha不影响b,只影响bint(区间估计)。它越小，即置信度越高，则bint范围越大。显著水平越高，则区间就越小）（返回五个结果）---如有n个自变量-有误（n个待定系数），则b 中就有n+1个系数（含常数项，---第一项为常数项）(b---b的范围/置信区间---残差r---r的置信区间rint-----点估计----区间估计
此段上课时不要：---- 如果i的置信区间（bint的第i1行）不包含0，则在显著水平为时拒绝i0的假设，认为变量xi是显著的．*******(而rint残差的区间应包含0则更好)。b,y等均为列向量,x为矩阵(表示了一组实际的数据)必须在x第一列添加一个全1列。----对应于常数项-------而nlinfit不能额外添加全1列。结果的系数就是与此矩阵相对应的（常数项，x1,x2,……xn）。（结果与参数个数：1/5=2/3-----y,x顺序---x要额外添加全1列）
而nlinfit:1/3=4------x,y顺序---x不能额外添加全1列，---需编程序，用于模仿需拟合的函数的任意形式，一定两个参数，一为系数数组，二为自变量矩阵（每列为一个自变量）
有n个变量---不准确，x中就有n列,再添加一个全1列（相当于常数项），就变为n+1列，则结果中就有n+1个系数。
x需要经过加工，如添加全1列，可能还要添加其他需要的变换数据。
相关系数r2越接近1，说明回归方程越显著；(r2越大越接近1越好)F越大，说明回归方程越显著；（F越大越好）与F对应的概率p越小越好，一定要P 首先要确定要拟合的函数形式，然后确定待定的系，从常数项开始排列，须构造x(每列对应于函数中的一项，剔除待定系数)，拟合就是确定待定系数的过程（当然需先确定函数 的型式） 重点： regress(y,x) 重点与难点是如何加工处理矩阵x。 y是函数值，一定是只有一列。 也即目标函数的形式是由矩阵X来确定 如s=a+b*x1+c*x2+d*x3+e*x1^2+f*x2*x3+g*x1^2, 一定有一个常数项，且必须放在最前面（即x的第一列为全1列） X中的每一列对应于目标函数中的一项（目标函数有多少项则x中就有多少列） X=[ones, x1, x2, x3, x1.^2, x2.*x3，x1.ˆ2] (剔除待定系数的形式) regress: y/x顺序，矩阵X需要加工处理 nlinfit: x/y顺序，X/Y就是原始的数据，不要做任何的加工。 (即regress靠矩阵X来确定目标函数的类型形式（所以X很复杂，要作很多处理） 而nlinfit是靠程序来确定目标函数的类型形式（所以X就是原始数据，不要做任何处理） 例1 测16名成年女子的身高与腿长所得数据如下： 身高 腿长 143 145 146 88 85 88 147 91 149 92 150 153 154 155 156 93 93 95 96 98 157 97 158 159 160 162 164 96 98 99 100 102 1021009896949290888684140145150155160165 配成y=a+b*x形式 >> x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; >> y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; >> plot(x,y,'r+') >> z=x; >> x=[ones(16,1),x];----常数项 >> [b,bint,r,rint,stats]=regress(y,x);---处结果与polyfit(x,y,1)相同 >>b,bint,stats 得结果：b = bint = -16.0730 -33.7071 1.5612------每一行为一个区间 0.7194 0.6047 0.8340 stats = 0.9282 180.9531 0.0000 ˆ的置信区间为ˆ16.073ˆ0.7194；ˆ的置信区间为[-33.7017，1.5612], 即,1010[0.6047,0.834]; r2=0.9282, F=180.9531, p=0.0。p<0.05, 可知回归模型 y=-16.073+0.7194x 成立. >> [b,bint,r,rint,stats]=regress(Y,X,0.05);-----结果相同 >> [b,bint,r,rint,stats]=regress(Y,X,0.03); >> polyfit(x,y,1)-----当为一元时（也只有一组数），则结果与regress是相同的，只是 命令中x,y要交换顺序，结果的系数排列顺序完全相反，x中不需要全1列。 ans =0.7194 -16.0730--此题也可用polyfit求解，杀鸡用牛刀，脖子被切断。 3、残差分析，作残差图： Residual Case Order Plot4321Residuals0-1-2-3-4-5246>>rcoplot(r,rint) 810Case Number121416 从残差图可以看出，除第二个数据外，其余数据的残差离零点均较近，且残差的置信区间均包含零点，这说明回归模型 y=-16.073+0.7194x能较好的符合原始数据，而第二个数据可视为异常点(而剔除) 4、预测及作图： >> plot(x,y,'r+') >> hold on >> a=140:165; >> b=b(1)+b(2)*a; >> plot(a,b,'g') 1021009896949290888684140145150155160165 例2 观测物体降落的距离s与时间t的关系，得到数据如下表，求s关于t的回归方程 ˆabtct2st (s) s (cm) t (s) s (cm) 1/30 11.86 8/30 61.49 2/30 15.67 9/30 72.90 3/30 20.60 4/30 26.69 11/30 99.08 5/30 33.71 12/30 113.77 6/30 41.93 13/30 129.54 7/30 51.13 14/30 146.48 10/30 85.44 法一：直接作二次多项式回归 t=1/30:1/30:14/30; s=[11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48]; >> [p,S]=polyfit(t,s,2) p =489.2946 65.8896 9.1329 得回归模型为 ： ˆ489.2946st265.8896t9.1329 方法二----化为多元线性回归： ˆabtct2st=1/30:1/30:14/30; s=[11.86 15.67 20.60 26.69 33.71 41.93 51.13 61.49 72.90 85.44 99.08 113.77 129.54 146.48]; >> T=[ones(14,1), t', (t.^2)'] %是否可行等验证...----因为有三个待定系数，所以有三列，始于常数项 >> [b,bint,r,rint,stats]=regress(s',T); >> b,stats b = 9.1329 65.8896 489.2946 stats =1.0e+007 * 0.0000 1.0378 0 0.0000 得回归模型为 ： ˆ9.132965.8896st489.2946t2 %结果与方法1相同 >> T=[ones(14,1),t, (t.^2)'] %是否可行等验证... polyfit------一元多次 regress----多元一次---其实通过技巧也可以多元多次 regress最通用的，万能的，表面上是多元一次，其实可以变为多元多次且任意函数，如x有n列（不含全1列），则表达式中就有n+1列（第一个为常数项，其他每项与x的列序相对应）此处的说法需进一步验证证…………………………… 例3 设某商品的需求量与消费者的平均收入、商品价格的统计数据如下，建立回归模型，预测平均收入为1000、价格为6时的商品需求量. 需求量 100 收入 1000 75 600 80 1200 70 500 50 300 65 400 90 1300 100 1100 110 1300 60 300 价格 5 7 6 6 8 7 5 4 3 9 选择纯二次模型，即 22y01x12x211x122x2----用户可以任意设计函数 >> x1=[1000 600 1200 500 300 400 1300 1100 1300 300]; >> x2=[5 7 6 6 8 7 5 4 3 9]; >> y=[100 75 80 70 50 65 90 100 110 60]'; X=[ones(10,1) x1' x2' (x1.^2)' (x2.^2)']; %注意技巧性 [b,bint,r,rint,stats]=regress(y,X); %这是万能方法需进一步验证 >> b,stats b = 110.5313 0.1464 -26.5709 -0.0001 1.8475 stats = 0.9702 40.6656 0.0005 20.5771 22故回归模型为：y110.53130.1464x126.5709x20.0001 x11.8475x2剩余标准差为4.5362, 说明此回归模型的显著性较好. --------(此题还可以用 rstool(X,Y)命令求解，详见回归问题详解) >> X=[ones(10,1) x1' x2' (x1.^2)' (x2.^2)',sin(x1.*x2)',(x1.*exp(x2))']; >> [b,bint,r,rint,stats]=regress(y,X); >> b,stats (个人2011年认为，regress只能用于函数中的每一项只能有一个待定系数的情况，不 能用于aebx等的情况) regress(y,x) ----re是y/x逆置的 ---y是列向量 ---须确定目标函数的形式 ---x须构造（通过构造来反映目标函数） ---x中的每一列与目标函数的一项对应（剔除待定系数） ----首项为常数项（x的第一列为全1） ----有函数有n 项(待定系数),则x就有n列 ----regress只能解决每项只有一个待定系数的情况且必须有常数项的情况（且每项只有一个待定系数，即项数与待定系数数目相同） ***其重（难、关键）点：列向量、构造矩阵(X):目标函数中的每项与X中的一列对应。（由X来确定目标函数的类型/形式） 三、非线性回归（拟合） 使用格式：beta = nlinfit(x,y, ‘ 程序名’,beta0) [beta,r,J] = nlinfit(X,y,fun,beta0) X给定的自变量数据,Y给定的因变量数据,fun要拟合的函数模型(句柄函数或者内联函数形式),beta0函数模型中待定系数估计初值（即程序的初始实参）beta返回拟合后的待定系数其中beta为估计出的回归系数；r为残差；J为Jacobian矩阵 输入数据x、y分别为n*m矩阵和n维列向量，对一元非线性回归，x为n维列向量。 ’model’为是事先用m-文件定义的非线性函数；beta0为回归系数的初值 可以拟合成任意函数。最通用的，万能的命令 x,y顺序，x不需要任何加工，直接用原始数据。（也不需要全1列）---所编的程序一定是两个形参（待定系数/向量，自变量/矩阵：每一列为一个自变量） 结果要看残差的大小和是否有警告信息，如有警告则换一个b0初始向量再重新计算。 本程序中也可能要用.* ./ .^如结果中有警告信息，则必须多次换初值来试算难点是编程序与初值 nlinfit 多元任意函数，（自己任意设计函数，再求待定系数）顺序 （[b,r,j]=nlinfit(x,y,’…’, b0）y为列向量；x为矩阵，无需加全1列，x,y就是原始的数据点，（x/y正顺序，所以x不要加全1列）需预先编程（两个参数，系数向量，各变量的矩阵/ 每列为一个变量） 存在的问题：不同的beta0,则会产生不同的结果，如何给待定系数的初值以及如何分析结果的好坏，如出现警告信息，则换一个待定系数试一试。因为拟合本来就是近似的，可能有多个结果。 1:重点（难点）是预先编程序（即确定目标函数的形式，而regress的目标函数由x矩阵来确定，其重难点为构造矩阵a） 2:x/y顺序—列向量----x/y是原始数据，不要做任何修改 3：编程： 一定两个形参（beta,x）a=beta(1); b=beta(2);c=beta(3);… x1=x(:,1); x2=x(:,2); x3=x(:,3); 即每一列为一个自变量 4：regress/nlinfit都是列向量 5：regress:有n项（n个待定系数），x就有n列；nlinfit:有m个变量则x就有m列 例1 已知数据：x1=[0.5,0.4,0.3,0.2,0.1]; x2=[0.3,0.5,0.2,0.4,0.6]; x3=[1.8,1.4,1.0,1.4,1.8];y=[0.785,0.703,0.583,0.571,0.126]’;且y与x1，x2 , x3关系为多元非线性关系（只与x2,x3相关）为： y=a+b*x2+c*x3+d*(x2.^2)+e*(x3.^2)—此函数是由用户根据图形的形状等所配的曲线，即自己选定函数类型求非线性回归系数a , b , c , d , e 。 (1)对回归模型建立M文件model.m如下: function yy=myfun(beta,x) %一定是两个参数：系数和自变量---一个向量/一个矩阵 a=beta(1) b=beta(2) c=beta(3) x1=x(:,1); %系数是数组，b(1),b(2),…b(n)依次代表系数1, 系数2,…… 系数n x2=x(:,2); %自变量x是一个矩阵,它的每一列分别代表一个变量,有n列就可以最多n x3=x(:,3); yy=beta(1)+beta(2)*x2+beta(3)*x3+beta(4)*(x2.^2)+beta(5)*(x3.^2); (b(i)与待定系数的顺序关系可以任意排列，并不是一定常数项在最前，只是结果与自己 指定的相对应)（x一定是一列对应一个变量，不能x1=x(1),x2=x(2),x3=x(3)……） (2)主程序如下: x=[0.5,0.4,0.3,0.2,0.1;0.3,0.5,0.2,0.4,0.6;1.8,1.4,1.0,1.4,1.8]';-----每一列为一个变量 y=[0.785,0.703,0.583,0.571,0.126]'; beta0=[1,1, 1,1, 1,1]'; %有多少个待定系数，就给多少个初始值。 [beta,r,j] = nlinfit(x,y,@myfun,beta0) beta = -0.4420 5.5111 0.3837 -8.1734 -0.1340 此题也可用regress来求解，但结果是不一样的 >> x1=[0.5,0.4,0.3,0.2,0.1]; >> x2=[0.3,0.5,0.2,0.4,0.6]; >> x3=[1.8,1.4,1.0,1.4,1.8]; >> y=[0.785,0.703,0.583,0.571,0.126]'; >> n=length(x1); >> x=[ones(n,1),x2',x3',(x2.^2)',(x3.^2)']; >> [b,bint,r,rint,stats]=regress(y,x)； >> b,stats b = -3.3844 -1.8450 6.5137 0 -2.1773 stats = 0.7859 1.2232 0.5674 0.0557 2011年题目改为：y=a+b*x1+c*x2+d*(x3.^2)+e*(x1.^2)+f*sin(x2) 求非线性回归系数a , b , c , d , e,f function f=fxxnh(beta,x) %所编的程序一定是两个形参，第一个为待定系数向量，第二个为自变量矩阵 a=beta(1); b=beta(2); c=beta(3); d=beta(4); e=beta(5); f=beta(6);%系数向量中的一个元素代表一个待定系数 x1=x(:,1);%自变量矩阵每一列代表一个自变量 x2=x(:,2); x3=x(:,3); f=a+b.*x1+c.*x2+d.*(x3.^2)+e.*(x1.^2)+f.*sin(x2); 但计算出现了问题 例2 混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作成12个试块，记录了养护日期（日）及抗压强度y（kg/cm2）的数据： 养护时间：x =[2 3 4 5 7 9 12 14 17 21 28 56 ] 抗压强度：y =[35+r 42+r 47+r 53+r 59+r 65+r 68+r 73+r 76+r 82+r 86+r 99+r ] 建立非线性回归模型，对得到的模型和系数进行检验。 注明：此题中的+r代表加上一个[-0.5,0.5]之间的随机数 模型为：y=a+k1*exp(m*x)+k2*exp(-m*x); ------有四个待定系数 Matlab程序： x=[2 3 4 5 7 9 12 14 17 21 28 56]; r=rand(1,12)-0.5; y1=[35 42 47 53 59 65 68 73 76 82 86 99]; y=y1+r ; myfunc=inline('beta(1)+beta(2)*exp(beta(4)*x)+beta(3)*exp(-beta(4)*x)','beta','x'); ----- beta=nlinfit(x,y,myfunc,[0.5 0.5 0.5 0.5]); ---初值为0.2也可以，如为1则不行，则试着换系数初值----此处为一元，x’,y’行/列向量都可以 a=beta(1),k1=beta(2),k2=beta(3),m=beta(4)%test the model xx=min(x):max(x); -----2：56 yy=a+k1*exp(m*xx)+k2*exp(-m*xx); plot(x,y,'o',xx,yy,'r') 结果： a = 87.5244 k1 = 0.0269 k2 = -63.4591 m = 0.1083 图形： 此题不能用regress求解，因为有些式子中含有两个待定系数 例3 出钢时所用的盛钢水的钢包，由于钢水对耐火材料的侵蚀，容积不断增大.我们希望知道使用次数与增大的容积之间的关系.对一钢包作试验，测得的数据列于下表： 使用次数 2 3 4 5 6 7 8 9 对将要拟合的非线性模型y= aeb/x，（如再加y= c*sin(x)+aeb/x） 建立m-文件volum.m如下： function yhat=volum(beta,x) 增大容积 6.42 8.20 9.58 9.50 9.70 10.00 9.93 9.99 使用次数 10 11 12 13 14 15 16 增大容积 10.49 10.59 10.60 10.80 10.60 10.90 10.76 yhat=beta(1)*exp(beta(2)./x);或 function f=zhang1(beta,x) a=beta(1); b=beta(2); f=a*exp(b./x);--- 2、输入数据： >> x=2:16; >> y=[6.42 8.20 9.58 9.5 9.7 10 9.93 9.99 10.49 10.59 10.60 10.80 10.60 10.90 10.76]; >> beta0=[8 2]';----初值[1，1]也可以 3、求回归系数： >> [beta,r ,J]=nlinfit(x',y','volum',beta0); %beta0初值为列/行向量都可以，还是为列吧。 >> beta beta = 11.6037 -1.0641 即得回归模型为：y11.6036e 4、预测及作图： >> [YY,delta]=nlpredci('volum',x',beta,r ,J) >>plot(x,y,'k+',x,YY,'r') 或>> plot(x,y,'ro') >> hold on >> xx=2:0.05:16; >> yy=beta(1)*exp(beta(2)./xx); >> plot(xx,yy,'g') 又或>> plot(x,y,'ro') >> hold on >> xx=2:0.05:16; >> yy=volum(beta,xx);--------通过调用用户自编的函数 1.10641x >> plot(xx,yy,'g') 1110.5109.598.587.576.56246810121416 >> [beta,r ,J]=nlinfit(x',y','volum',[1,1]); %下面换了多个初值，结果都是一样的。 >> beta beta =11.6037 -1.0641 >> [beta,r ,J]=nlinfit(x',y','volum',[1,5]); >> beta beta = 11.6037 -1.064 >> [beta,r ,J]=nlinfit(x',y','volum',[10,5]); beta =11.6037 -1.0641 >> [beta,r ,J]=nlinfit(x',y','volum',[10,50]); beta =11.6037 -1.0641 以下用来lsqcurvefit求解，结果是一样的。 >> [beta,a,b,exitflag]=lsqcurvefit('volum',[8,2],x',y') Optimization terminated: relative function value changing by less than OPTIONS.TolFun. beta = 11.6037 -1.0641 exitflag = 3 >> [beta,a,b,exitflag]=lsqcurvefit('volum',[1,1],x',y') %换不同的初值，结果是一样的。 beta = 11.6037 -1.0641 exitflag = 3 >> [beta,a,b,exitflag]=lsqcurvefit('volum',[10,1],x',y') beta = 11.6037 -1.0641 exitflag = 3 >> [beta,a,b,exitflag]=lsqcurvefit('volum',[10,5],x',y') beta = 11.6037 -1.0641 exitflag = 3 >> [beta,a,b,exitflag]=lsqcurvefit('volum',[10,50],x',y') beta = 11.6037 -1.0641 exitflag = 3 例4 财政收入预测问题：财政收入与国民收入、工业总产值、农业总产值、总人口、就业人口、固定资产投资等因素有关。下表列出了1952-1981年的原始数据，试构造预测模型。财政收入预测问题：财政收入与国民收入、工业总产值、农业总产值、总人口、就业人口、固定资产投资等因素有关。下表列出了1952-1981年的原始数据，试构造预测模型。 年份 国民收入（亿元） 工业总产值(亿元) 农业总产值（亿元） 总人口（万人） 就业人口（万人） 固定资产投资（亿元） 财政收入(亿元) 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 598 586 707 737 825 837 1028 1114 1079 757 677 779 943 1152 1322 1249 1187 1372 1638 349 455 520 558 715 798 1235 1681 1870 1156 964 1046 1250 1581 1911 1647 1565 2101 2747 461 475 491 529 556 575 598 509 444 434 461 514 584 632 687 697 680 688 767 57482 58796 60266 61465 62828 64653 65994 67207 66207 65859 67295 69172 70499 72538 74542 76368 78534 80671 82992 20729 21364 21832 22328 23018 23711 26600 26173 25880 25590 25110 26640 27736 28670 29805 30814 31915 33225 34432 44 89 97 98 150 139 256 338 380 138 66 85 129 175 212 156 127 207 312 184 216 248 254 268 286 357 444 506 271 230 266 323 393 466 352 303 447 564 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 1981 1780 1833 1978 1993 2121 2052 2189 2475 2702 2791 2927 3156 3365 3684 3696 4254 4309 4925 5590 6065 6592 6862 790 789 855 891 932 955 971 1058 1150 1194 1273 85229 87177 89211 90859 92421 93717 94974 96259 97542 98705 100072 35620 35854 36652 37369 38168 38834 39377 39856 40581 41896 73280 355 354 374 393 462 443 454 550 564 568 496 638 658 691 655 692 657 723 922 890 826 810 解 设国民收入、工业总产值、农业总产值、总人口、就业人口、固定资产投资分别为x1、x2、x3、x4、x5、x6，财政收入为y，设变量之间的关系为：y= ax1+bx2+cx3+dx4+ex5+fx6 使用非线性回归方法求解。 1． 对回归模型建立M文件model.m如下: function yy=model(beta0,X) %一定是两个参数，第一个为系数数组，b(1),b(2),…b(n) %分别代表每个系数，而第二个参数代表所有的自变量， %是一个矩阵，它的每一列分别代表一个自变量。 a=beta0(1); b=beta0(2); %每个元素 c=beta0(3); d=beta0(4); e=beta0(5); f=beta0(6); x1=X(:,1); %每一列 x2=X(:,2); x3=X(:,3); x4=X(:,4); x5=X(:,5); x6=X(:,6); yy=a*x1+b*x2+c*x3+d*x4+e*x5+f*x6; 2. 主程序liti6.m如下: X=[598.00, 349.00 ,461.00, 57482.00, 20729.00, 44.00; 586, 455, 475, 58796, 21364, 89; 707, 520, 491, 60266, 21832, 97; 737, 558, 529, 61465, 22328, 98; 825, 715, 556, 62828, 23018, 150; 837, 798, 575, 64653, 23711, 139; 1028, 1235, 598, 65994, 26600, 256; 1114, 1681, 509, 67207, 26173, 338; 1079, 1870, 444, 66207, 25880, 380; 757, 1156, 434, 65859, 25590, 138; 677, 964, 461, 67295, 25110, 66; 779, 1046, 514, 69172, 26640, 85; 943, 1250, 584, 70499, 27736, 129; 1152, 1581, 632, 72538, 28670, 175; 1322, 1911, 687, 74542, 29805, 212; 1249, 1647, 697, 76368, 30814, 156; 1187, 1565, 680, 78534, 31915, 127; 1372, 2101, 688, 80671, 33225, 207; 1638, 2747, 767, 82992, 34432, 312; 1780, 3156, 790, 85229, 35620, 355; 1833, 3365, 789, 87177, 35854, 354; 1978, 3684, 855, 89211, 36652, 374; 1993, 3696, 891, 90859, 37369, 393; 2121, 4254, 932, 92421, 38168, 462; 2052, 4309, 955, 93717, 38834, 443; 2189, 4925, 971, 94974, 39377, 454; 2475, 5590, 1058, 96259, 39856, 550; 2702, 6065, 1150, 97542, 40581, 564; 2791, 6592, 1194, 98705, 41896, 568; 2927, 6862, 1273, 100072, 73280, 496]; y=[184.00 216.00 248.00 254.00 268.00 286.00 357.00 444.00 506.00 ... 271.00 230.00 266.00 323.00 393.00 466.00 352.00 303.00 447.00 ... 564.00 638.00 658.00 691.00 655.00 692.00 657.00 723.00 922.00 ... 890.00 826.00 810.0]'; beta0=[0.50 -0.03 -0.60 0.01 -0.02 0.35]; betafit = nlinfit(X,y,'model',beta0) 结果为 betafit = 0.5243 -0.0294 -0.6304 0.0112 -0.0230 0.3658 (结果也可能是：0.3459 -0.0180 -0.3700 0.0030 -0.0020 0.4728) 即y= 0.5243x1-0.0294x2-0.6304x3+0.0112x4-0.0230x5+0.3658x6 此题也可以用regress来求解（我自己做的，不一定对）----结果有些不同，含有一个常数 >> clear >> x=xlsread('cz.xls'); %已经把所有的有效数据拷入到cd.xls文件中去了。 >> y=x(:,7); >> x(:,7)=[ ]; >> z=ones(30,1); >> x=[z,x]; >> [b,bint,r,rint,states]=regress(y,x); >> b,states b = 159.1440 0.4585 -0.0112 -0.5125 0.0008 -0.0028 0.3165 stats = 1.0e+003 * 0.0010 0.2283 0 1.0488 X,y的原始数据： help nlinfit/ help nlinfit Examples: Use @ to specify MODELFUN: load reaction; beta = nlinfit(reactants,rate,@mymodel,beta); where MYMODEL is a MATLAB function such as: function yhat = mymodel(beta, x) yhat = (beta(1)*x(:,2) - x(:,3)/beta(5)) ./ ... (1+beta(2)*x(:,1)+beta(3)*x(:,2)+beta(4)*x(:,3)); Examples FUN can be specified using @: nlintool(x, y, @myfun, b0) where MYFUN is a MATLAB function such as: function yhat = myfun(beta, x) b1 = beta(1); b2 = beta(2); yhat = 1 ./ (1 + exp(b1 + b2*x)); fun = inline('1 ./ (1 + exp(b(1) + b(2)*x))', 'b', 'x') nlintool(x, y, fun, b0) 每一列为一个变量，所以有n个自变量，就有n列X1,x2,…xn, y都为列向量 四、非线性回归或曲线回归问题 配曲线的一般方法是： （一）先对两个变量x和y 作n次试验观察得(xi,yi),i1,2,...,n画出散点图， 1110.5109.598.587.576.56246810121416 散点图 （二）根据散点图确定须配曲线的类型. 通常选择的六类曲线如下： （1）双曲线 1ba yxbx（2）幂函数曲线y=a, 其中x>0,a>0 bxe（3）指数曲线y=a其中参数a>0. （4）倒指数曲线y=aeb/x其中a>0， （5）对数曲线y=a+blogx,x>0 （6）S型曲线y1 abex（三）然后由n对试验数据确定每一类曲线的未知参数a和b. 解例2.由散点图我们选配倒指数曲线y=aeb/x ˆ1.1107ˆ2.4587 根据线性化方法，算得b,Aˆe11.678 9由此 a最后得 y11.678e91.1107xˆA 作业 1、考察温度x对产量y的影响，测得下列10组数据： 温度（℃） 20 产量（kg） 13.2 25 15.1 30 16.4 35 17.1 40 17.9 45 18.7 50 19.6 55 21.2 60 22.5 65 24.3 求y关于x的线性回归方程，检验回归效果是否显著，并预测x=42℃时产量的估值及预测区间（置信度95%）. 2、某零件上有一段曲线，为了在程序控制机床上加工这一零件，需要求这段曲线的解析表达式，在曲线横坐标xi处测得纵坐标yi共11对数据如下： xi yi 0 0.6 2 2.0 4 4.4 6 7.5 8 11.8 10 17.1 12 23.3 14 31.2 16 39.6 18 49.7 20 61.7 求这段曲线的纵坐标y关于横坐标x的二次多项式回归方程. 3: 在研究化学动力学反应过程中，建立了一个反应速度和反应物 1x2含量的数学模型，形式为 yx3512x13x24x3 其中1,,5是未知参数，x1,x2,x3是三种反应物（氢，n戊烷， 异构戊烷）的含量，y是反应速度.今测得一组数据如表4，试由 此确定参数1,,5，并给出置信区间.1,,5的参考值为 （1，0.05, 0.02, 0.1, 2） 序号 1 2 3 4 5 6 7 8 9 反应速度y 8.55 3.79 4.82 0.02 2.75 14.39 2.54 4.35 13.00 氢x1 470 285 470 470 470 100 100 470 100 n戊烷x2 300 80 300 80 80 190 80 190 300 异构戊烷x3 10 10 120 120 10 10 65 65 54 10 11 12 13 8.50 0.05 11.32 3.13 100 100 285 285 300 80 300 190 120 120 10 120 4、混凝土的抗压强度随养护时间的延长而增加，现将一批混凝土作成12个试块，记录了养护日期x（日）及抗压强度y（kg/cm2）的数据： 养护时间x 抗压强度y 2 35 3 42 4 47 5 53 7 59 9 65 12 68 14 73 17 76 21 82 28 86 56 99 ˆablnx型回归方程. 试求y 因篇幅问题不能全部显示，请点此查看更多更全内容