大家好，由于急需用到多变量曲线拟合而本人刚刚接触MATLAB，希望高手及热心的朋友帮帮忙给出拟合方程和拟合曲线，一共有两组数据，X1，X2，X3是自变量，Y是因变量，需要利用这些数据用matlab编程拟合成一条曲线，得出一个含有X31，X2，X变量的Y=f(X1，X2，X3)函数，非常感谢！以下是两组组数据：

一组：

Y                    X1               X2                              X3

501.2633173           0.539902361        0.28046229                  0.179635349

427.3926985          0.635031635        0.177045177                  0.187923188

366.4193             0.705707491         0.148751486                 0.145541023

395.7147339           0.728558453        0.130660439                 0.140781108

462.5657443           0.76414478         0.112896903                 0.122958317

426.3725002           0.772320795        0.112136267                 0.115542938

424.8704642           0.851527714        0.029172424                 0.119299862

二组

Y                   X1                   X2                              X3

5             0.539902361                 0.28046229                 0.179635349

7.61          0.635031635                 0.177045177               0.187923188

8.09          0.705707491                0.148751486                0.145541023

9.16          0.728558453                0.130660439               0.140781108

6.23          0.76414478                  0.112896903                0.122958317

8.46          0.772320795               0.112136267                 0.115542938

6.92          0.851527714               0.029172424                 0.119299862

首先，将x、y看成同一变量，即x(1)、x(2) 然后，定义自变量函数，即fun=inline('x(2)-f(x(1),x(2))','a','x')%a是拟合系数 再用Matlab的nlinfit()函数或lsqcurvefit()函数进行拟合

另外你也可以利用可视化工具cftool进行手动拟合 对于matlab7以前版本，不支持@定义函数的用下面的程序 x=[0 46.01 92.64 187.16 387.53 780.50];y=[0 0.506 0.887 1.252 1.755 1.981];f=inline('p(1)*p(2)...

恩,做了一个程序,但是你的数据点太少了,不能看出拟合的精度,当然一般说来,精度一般都可以了,下面是程序 function f=fun(x,tdata) f=(x(1)*(1-tdata/x(2))+tdata/x(2)).^x(3);调用 clc tdata=[0....

x=[10,15,20,25,30];y=[7.8,13,5.8,5.2,4.8];plot(x,y);cftool (弹出界面中你可以选择，x,y的取值，power) 但可以看出你的数据，没有图中数据拟合效果好…

使用polyfit函数就可以拟合曲线了 比如给出的坐标分别是x和y，则有 P=polyfit(x,y,3) 这样得到的P就是多项式的系数。这里的3指的是三次多项式！祝你学习愉快！

>>x=[0 0.1 0.2 0.4 0.6 0.8 1];y=[7.53 7.04 6.2 4.8 3.57 3.03 2.54];fitType=fittype('7.53-a*log(1+b*x)','independent','x','coefficients',{'a','b'}) fit(x',y',fitType) fitType= General...

matlab最常用拟合曲线的函数有： 1、regress()和polyfit()适用于线性函数的拟合 2、lsqcurvefit()和nlinfit()适用于较复杂的非线性函数的拟合 3、fit()适用于最常用函数的拟合，如指数...

在matlab中根据拟合图源得到函数步骤如下： 1、常用的模型有多项式模型、幂函数模型、指数函数模型等。2、设bai出函数，用命du...5、按回车键即可完成曲线拟合，p1、p2、p3为多项式前面dao的系数。

plot(x,y,'k+',x,z,'r')%作出数2113据点5261和拟合曲线的图形，4102线性的最小二乘1653拟合。y=a(x-h)2+k(a≠0,a、h、k为常数),顶点坐标为(h,k)[4]，对称轴为直线x=h，顶点的位置特征和图像的开口方向与...

你在matlab下的commend window里输入cftool，然后在x data下选择t在y data下选择y。接着在右边的下拉框里选择custom equation，在custom equation下面输入c0+c1*exp(-x/a1)+c2*exp(-x/a2)，然后...

有一堆实验数据要拟合，MATLAB调用cftool工具箱，采用GUI模式显然会让人吐血，而用函数调用的方法就比较方便了。当然origin等软件可以批量弄，线性方程时matlab可以调用[p,e]=polyfit(x,y,n)完成。对于方程需要自定义时，个人认为Matlab的效率就更高了。

下面举个简化的拟合简单无温度系数形式的Arrhenius方程 K=A*exp(-E/RT) 例子：

1.原始数据：

T=[1000 1200 1400 1600 1800 2000];

K=[1.30E-04 1.60E-01 26 1.20E+03 2.30E+04 2.50E+05];

拟合方程形式 y=a*exp(b*x) 的Exponential形式

对T做一下基本转换：

Tr=-1./T；

2.先调用cftool，进行相关设置

a.

Data中设置x_data,y_data后Create data set

b. Fitting中设置New

Fit，Type of fit:

Exponential--->a*exp(b*x),后Apply

c. Curve Fitting

Tool中File-->Generate M-file

3.修改 第一行 function createFit(Tr,K)为function [cf_,gof] =

createFit(Tr,K)

找到 %

Fit this model using new data

cf_=

fit(Tr(ok_),K(ok_),ft_,'Startpoint',st_);

修改为：

%

Fit this model using new data

[cf_,gof]

= fit(Tr(ok_),K(ok_),ft_,'Startpoint',st_);

4. 保存该M文件为createFit.m

5. 调用函数方法：

[c,g]=createFit(Tr,K)

根据系数的结构用"."运算符取出拟合系数等，如

a=c.a

b=c.b

RMSE=g.rmse

6. cftool可自定义函数，如果拟合数据不理想需要设置系数范围，如拟合含温度系数形式的Arrhenius方程

K=A*exp(-E/RT)*(T)^n 时：

st_

= [abc(i,1) abc(i,2) abc(i,3)

]; �c为预测系数矩阵，i为循环的列号

ft_

= fittype('a*exp(b*x)*(-1/x)^c',...

'dependent',{'y'},'independent',{'x'},...

'coefficients',{'a',

'b', 'c'});

7. 将拟合系数写入解的矩阵中：

factor(i,:)=[c.a

c.b g.rmse];

自编程序需要调用 data文件中的T,K然后把

factor写入data文件中。由于拟合不能保证100%有解，所以需要人工干涉运行，Good Luck！

个人认为拟合含温度系数的Arrhenius方程的n时，是有些困难的。因为当n!=0时，根据曲线走势要先给出a，b的预测值，限定一下预测范围，然后再通过循环调整c值得到温度系数n.数据量小的话这个过程需要一定的人工参与，但当数据量比较大时，就需要循环判断得出残差值小的系数矩阵。这个在Matlab里面实现还是比较方便的。