【多项式f(x)=a(1)*X^m+…+a(m)*X+a(m+1)拟合】

x=[];

y=[];

A=polyfit(x,y,m)  %m为猜测的拟合多项式的系数

z=polyval(A,x);

plot(x,y,'+',x,z)  %画出拟合曲线，描出已知点

【非线性拟合lsqcurvefit】

建立M文件：

function f=curvefun1(x,xdata)

f=x(1)+x(2)*exp(x(3)*xdata)

%x(1)=a;x(2)=b;x(3)=k;

主程序：

xdata=[];或者xmin:n:xmax; %已知x的数据

ydata=[];  %已知y的数据

x0=[a0,b0,k0]; %a0,b0,k0分别为迭代初始值

x=lsqcurvefit ('curvefun1',x0,xdata,ydata)

f=curvefun1(x,xdata) 

【非线性拟合lsqnonlin】

建立M文件：

function f=curvefun2(x)

xdata=[];或者xmin:n:xmax; %已知x的数据

ydata=[];  %已知y的数据

f=x(1)+x(2)*exp(x(3)*xdata)- ydata

%x(1)=a;x(2)=b;x(3)=k;

【求曲线交点】

[x,y]=solve('y=-0.0259*x^2+0.4631*x+0.0315','y=0.2*x^2-5.5059*x+38.9763')

【求积分】

int(P)           对表达式P进行不定积分.

int(P,v)          以v为积分变量对P进行不定积分.

int(P,v,a,b)       以v为积分变量,以a为下限,b为上限对P进行定积分.

int('x*log(1+x)',0,1)   得

ans = 1/4  

主程序：

x0=[a0,b0,k0]; %a0,b0,k0分别为迭代初始值

x=lsqnonlin('curvefun2',x0)

f=curvefun2(x)

【拟合判断】

SSE （趋向0最好）-- 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（趋向1最好） -- 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（趋向1最好） -- 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（趋向0最好） -- The root mean squared error. A value closer to 0 indicates a better fit.