Matlab的曲线拟合工具箱CFtool使用

it 2010-04-06 11:24:00 阅读98 评论0   字号：大中小 订阅

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]

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

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)

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：

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。

以上内容出自：

http://hi.baidu.com/snowlxm/blog/item/15a714b122ae95500823025f.html

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.