Matlab关于非线性回归的应用

Matlab关于非线性回归的应用

一、Matlab非线性拟合工具箱

——————单一变量的曲线逼近

Matlab有一个功能强大的曲线拟合工具箱 cftool ，使用方便，能实现多种类

型的线性、非线性曲线拟合。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]；

2、启动曲线拟合工具箱

》cftool

3、进入曲线拟合工具箱界面“Curve Fitting tool”

（1）点击“Data”按钮，弹出“Data”窗口；

（2）利用X data和Y data的下拉菜单读入数据x,y，可修改数据集名“Data set name”，然后点击“Create data set”按钮，退出“Data”窗口，返回工具箱界面，这时会自动画出数据集的曲线图；

（3）点击“Fitting”按钮，弹出“Fitting”窗口；

（4）点击“New fit”按钮，可修改拟合项目名称“Fit name”，通过“Data set”下拉菜单选择数据集，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)

选择好所需的拟合曲线类型及其子类型，并进行相关设置：

——如果是非自定义的类型，根据实际需要点击“Fit options”按钮，设置拟合算法、修改待估计参数的上下限等参数；

——如果选Custom Equations，点击“New”按钮，弹出自定义函数等式窗口，有“Linear 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：

general model:

f(x) = a*x*x+b*x

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。

二、关于采用matlab进行指定非线性方程拟合的问题

(1)

※1。优化工具箱的利用

函数描述

LSQLIN 有约束线性最小二乘优化

LSQNONNEG 非负约束线性最小二乘优化问题

当有约束问题存在的时候，应该采用上面的方法代替Polyfit与反斜线（\）。具体例子请参阅优化工具箱文档中的相应利用这两个函数的例子。

d. 非线性曲线拟合

利用MATLAB的内建函数

函数名描述

FMINBND 只解决单变量固定区域的最小值问题

FMINSEARCH 多变量无约束非线性最小化问题（Nelder-Mead 方法）。

下面给出一个小例子展示一下如何利用FMINSEARCH

1．首先生成数据

>> t=0:.1:10;

>> t=t(:);

>> Data=40*exp(-.5*t)+rand(size(t)); % 将数据加上随机噪声

2．写一个m文件，以曲线参数作为输入，以拟合误差作为输出

function sse=myfit(params,Input,Actural_Output)

A=params(1);

lamda=params(2);

Fitted_Curve=A.*exp(-lamda*Input);

Error_Vector=Fitted_Curve-Actural_Output;

%当曲线拟合的时候，一个典型的质量评价标准就是误差平方和

sse=sum(Error_Vector.^2);

%当然，也可以将sse写作：sse=Error_Vector(:)*Error_Vector(:);

3．调用FMINSEARCH

>> Strarting=rand(1,2);

>> options=optimset('Display','iter');

>> Estimates=fiminsearch(@myfit,Strarting,options,t,Data);

>> plot(t,Data,'*');

>> hold on

>> plot(t,Estimates(1)*exp(-Estimates(2)*t),'r');

Estimates将是一个包含了对原数据集进行估计的参数值的向量。

附图见后面：

FMINSEARCH通常能够用来解决不连续情况，特别是如果他们不出现在解的附近的时候。它得到的通常也是局部解。FMINSEARCH只能够最小化实数值（也就是说，解的域必须只能包括实数，函数的输出只能够为实数值）。当感兴趣的是复数变量的域的时候，他们必须被分割为实部与虚部。

※2.MATLAB的FIGURE窗口：最基本的拟合界面与数据统计工具

MATLAB通过基本的拟合界面也支持基本曲线拟合。利用这个界面，你可以快速地在简单易用的环境中实现许多基本的曲线拟合。这个界面可以实现以下功能：

a．通过比样条插值（spline interpolant）、hermite 插值、或者是高达10阶的多项式

插值实现数据的拟合；

b．对给定数据同时实现多样插值的绘制；

c．绘制残差图；

d．检查拟合结果的残差的数值；

e．通过内插值或者外推插值评价一个拟合结果；

f．对拟合结果和残差的模进行图形绘制；

g．将拟合结果保存入MATLAB工作空间。

开发你的拟合应用的时候，你可以通过基本拟合（Basic Fitting）界面，也可以通过命令行函数，也可以同时作用。你可以通过基本拟合界面只能够实现2－D数据的拟合。然而，如果你用subplot绘制多个数据集，只要有至少一个数据集是2D的，那么就可以用基本拟合界面。

可以通过如下步骤激活基本拟合界面：

1．绘制数据；

2．从figure窗口的 Tools 菜单条下面选择Basic Fitting 菜单项；

有关Basic Fitting界面的更多信息，请查阅MATLAB帮助文档的相应部分。

注意：对于HP，IBM以及SGI平台，MATLAB6.0（R12.0）以及MATLAB6.1(R12.1)的基本拟合界面不受支持。

数据统计界面可以用来对图形中的每个数据集进行统计量的计算。可以通过如下步骤将数据统计界面激活：

1．制数据；

2．从figure窗口的 Tools 菜单条下面选择Data Statistics 菜单项；

三、关于采用matlab进行指定非线性方程拟合的问题

(2)

一。优化工具箱函数

LSQNONLIN 解决非线性最小二乘法问题，包括非线性数据拟合问题

LSQCURVEFIT 解决非线性数据拟合问题

下面给出利用这两个函数的例子：

LSQNONLIN：利用这个函数最小化连续函数只能够找到句柄解。下面的例子说明利用LSQNONLIN函数用下面的函数进行拟合：

f = A + B exp(C*x)+D*exp(E*x)

对数据集x与y进行拟合，其中y是在给定x的情况下的期望输出(可以是方程给出数组，也可以是单独数据组成的数组)。为了解决这个问题，先建立下面的名为 fit_simp.m的函数，它利用数据x与y，将他们作为优化输入参数传递给LSQNONLIN。利用给定的数据x计算f的值，再与原始数据y进行比较。经验值与实际计算出的值之间的差异作为输出值返回。LSQNOLIN函数就是最小化这些差的平方和。

function diff = fit_simp(x,X,Y)

% 此函数被LSQNONLIN调用

% x 是包含等式系数的向量

% X 与 Y 是作为操作数传递给lsnonlin

A = x(1);

B = x(2);

C = x(3);

D = x(4);

E = x(5);

diff = A + B.*exp(C.*X)+D.*exp(E.*X)-Y;

下面的脚本是利用上面定义的fit_simp.m函数的一个例子：

％定义你打算拟合的数据集合

>> X=0:.01:.5;

>> Y=2.0.*exp(5.0.*X)+3.0.*exp(2.5.*X)+1.5.*rand(size(X));

％初始化方程系数

>> X0=[1 1 1 1 1]';

％设置用中等模式（memdium-scale）算法

>> options=optimset('Largescale','off');

％通过调用LSQNONLIN重现计算新的系数

>> x=lsqnonlin(@fit_simp,X0,[],[],options,X,Y);

％调用LSQNONLIN结果输出表明拟合是成功的

Optimization terminated successfully:

Gradient in the search direction less than tolFun

Gradient less than 10*(tolFun+tolX)

％绘制原始数据与新的计算的数据

>> Y_new=x(1)+x(2).*exp(x(3).*X)+x(4).*exp(x(5).*X);

>> plot(X,Y,'+r',X,Y_new,'b');

※注意：LSQNONLIN 只可以处理实数变量。在处理包括复数变量的实例的拟合的时候，数据集应该被切分成实数与虚数部分。下面给出一个例子演示如何对复数参数进行最小二乘拟合。

为了拟合复数变量，你需要将复数分解为实数部分与虚数部分，然后把他们传递到函数中去，这个函数被LEASTSQ作为单个输入调用。首先，将复数分解为实部与虚部两个向量。其次，将这两个向量理解成诸如第一部分是实部、第二部分是虚部。在MATLAB函数中，重新装配复数数据，并用你想拟合的复数方程计算。将输出向量分解实部与虚部，将这两部分连接为一个单一的输出向量传递回LEASTSQ。下面，给出一个例子演示如何根据两个复数指数拟合实数X与Y。

建立方程：

function zero = fit2(x,X,Y)

% 根据输入x重建复数输入

cmpx = x(1:4)+i.*x(5:8);

% 利用复数计算函数

zerocomp = cmpx(1).*exp(cmpx(2).*X) + cmpx(3).* exp(cmpx(4).*X)-Y;

% 将结果转换成一个列向量

% 其中第一部分是实部，第二部分是虚部

numx = length(X); % 实部长度

zero=real(zerocomp); %实部

zero(numx+1:2*numx)=imag(zerocomp); % 虚部

为了评价计算这个函数，需要X与Y数据集。LSQNONLIN将根据它拟合出下面方程中的参数a，b，c与d：

Y = a*exp(b*X)+c*exp(d*X);

其中，a，b，c与d是复数变量。

>> X=0:.1:5;

>> Y=sin(X);

>> Y=Y+.1*rand(size(Y))-.05;

>> cmpx0=[1 i 2 2*i];

>> x0(1:4)=real(cmpx0);

>> x0(5:8)=imag(cmpx0);

>> x=leastsq(@fit2,x0,[],[],X,Y);

>> cmpx=x(1:4)+i.*x(5:8);

>> Y1=real(cmpx(1).*exp(cmpx(2).*X)+cmpx(3).*exp(cmpx(4).*X));

>> plot(X,Y1,'r');

>> hold on

>> plot(X,Y,'+');

二。LSQCURVEFIT：利用此函数可以在最小二乘意义上解决非线性曲线拟合（数据拟合）问题。也就是说，给定输入数据xdata，以及观测的输出数据ydata，找到系数x，使得函数F(x，xdata)能够最好的拟合向量值。LSQCURVEFIT利用与LSQNONLIN相同的算法。它的目的在于专门为数据拟合问题提供一个接口。

在拟合的时候，2维、3维或者N维参数拟合是没有什么差别的。下面给出一个3维参数拟合的例子。待拟合函数是：

z = a1*y.*x..^2+a2*sin(x)+a3*y.^3;

建立的myfun.m的函数如下：

function F = myfun(a, data);

x = data(1,:);

y = data(2,:);

F= a(1)*y.*x.^2+a(2)*sin(x)+a(3)*y.^3;

下面的脚本展示了这么利用上面的函数：

>> xdata= [3.6 7.7 9.3 4.1 8.6 2.8 1.3 7.9 10.0 5.4];

>> ydata= [16.5 150.6 263.1 24.7 208.5 9.9 2.7 163.9 325.0 54.3];

>> zdata= [95.09 23.11 60.63 48.59 89.12 76.97 45.68 1.84 82.17 44.47];

>> data=[xdata; ydata];

>> a0= [10, 10, 10]; % 初识揣测

>> [a, resnorm] = lsqcurvefit(@myfun,a0,data,zdata)

Maximum number of function evaluations exceeded;

increase options.MaxFunEvals

a = 0.0088 -34.2886 -0.0000

resnorm = 2.2636e+004

>> format long

>> a

a = 0.00881645527493 -34.28862491919983 -0.00000655131499

>> option=optimset('MaxFunEvals',800);

>> [a, resnorm] = lsqcurvefit(@myfun,a0, data, zdata, [], [], option)

Optimization terminated successfully:

Relative function value changing by less than OPTIONS.TolFun a = 0.00740965259653 -20.21201417111138 -0.00000502014964 resnorm = 2.195886958305428e+004

matlab多元线性回归模型

云南大学数学与统计学实验教学中心 实验报告 一、实验目的 1.熟悉MATLAB的运行环境. 2.学会初步建立数学模型的方法 3.运用回归分析方法来解决问题 二、实验内容 实验一：某公司出口换回成本分析 对经营同一类产品出口业务的公司进行抽样调查,被调查的13家公司,其出口换汇成本与商品流转费用率资料如下表。试分析两个变量之间的关系,并估计某家公司商品流转费用率是6.5%的出口换汇成本. 实验二：某建筑材料公司的销售量因素分析 下表数据是某建筑材料公司去年20个地区的销售量（Y，千方），推销开支、实际帐目数、同类商品

竞争数和地区销售潜力分别是影响建筑材料销售量的因素。1）试建立回归模型，且分析哪些是主要的影响因素。2）建立最优回归模型。 提示：建立一个多元线性回归模型。

三、实验环境 Windows 操作系统; MATLAB 7.0. 四、实验过程 实验一：运用回归分析在MATLAB 里实现 输入：x=[4.20 5.30 7.10 3.70 6.20 3.50 4.80 5.50 4.10 5.00 4.00 3.40 6.90]'; X=[ones(13,1) x]; Y=[1.40 1.20 1.00 1.90 1.30 2.40 1.40 1.60 2.00 1.00 1.60 1.80 1.40]'; plot(x,Y,'*'); [b,bint,r,rint,stats]=regress(Y,X,0.05); 输出： b = 2.6597 -0.2288 bint = 1.8873 3.4322 -0.3820 -0.0757 stats = 0.4958 10.8168 0.0072 0.0903 即==1,0?6597.2?ββ，-0.2288,0?β的置信区间为[1.8873 3.4322],1,?β的置信区间为[-0.3820 -0.0757]； 2r =0.4958, F=10.8168, p=0.0072 因P<0.05, 可知回归模型 y=2.6597-0.2288x 成立. 1 1.5 2 2.5 散点图 估计某家公司商品流转费用率是6.5%的出口换汇成本。将x=6.5代入回归模型中，得到 >> x=6.5; >> y=2.6597-0.2288*x y = 1.1725

matlab建立多元线性回归模型并进行显著性检验及预测问题

matlab建立多元线性回归模型并进行显着性检验及预测问题 例子; x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果：b = bint = stats = 即对应于b的置信区间分别为[，]、[,]; r2=, F=, p= p<, 可知回归模型y=+ 成立. 这个是一元的，如果是多元就增加X的行数！ function [beta_hat,Y_hat,stats]=regress(X,Y,alpha) % 多元线性回归(Y=Xβ+ε)MATLAB代码 %？ % 参数说明 % X：自变量矩阵，列为自变量，行为观测值 % Y：应变量矩阵，同X % alpha：置信度，[0 1]之间的任意数据 % beta_hat：回归系数 % Y_beata：回归目标值，使用Y-Y_hat来观测回归效果 % stats：结构体，具有如下字段 % =[fV,fH]，F检验相关参数，检验线性回归方程是否显着 % fV：F分布值，越大越好，线性回归方程越显着 % fH：0或1，0不显着；1显着(好) % =[tH,tV,tW]，T检验相关参数和区间估计，检验回归系数β是否与Y有显着线性关系 % tV：T分布值，beta_hat(i)绝对值越大,表示Xi对Y显着的线性作用% tH：0或1，0不显着；1显着 % tW：区间估计拒绝域，如果beta(i)在对应拒绝区间内，那么否认Xi对Y显着的线性作用 % =[T,U,Q,R]，回归中使用的重要参数 % T：总离差平方和，且满足T=Q+U % U：回归离差平方和 % Q：残差平方和 % R∈[0 1]：复相关系数，表征回归离差占总离差的百分比，越大越好% 举例说明 % 比如要拟合y=a+b*log(x1)+c*exp(x2)+d*x1*x2，注意一定要将原来方程线化% x1=rand(10,1)*10; % x2=rand(10,1)*10; % Y=5+8*log(x1)+*exp(x2)+*x1.*x2+rand(10,1); % 以上随即生成一组测试数据 % X=[ones(10,1) log(x1) exp(x2) x1.*x2]; % 将原来的方表达式化成Y=Xβ，注意最前面的1不要丢了

Matlab多元线性回归

Matlab多元线性回归 [ b , bint , r , rint , stats ]=regress ( y , x ) ， 其中b 是回归方程中的参数估计值，bint 是b 的置信区间，r 和rint 分别表示残差及残差对应的置信区间。StatS 数组包含三个数字，分别是相关系数，F 统计量及对应的概率p 值。 拟合结果： Y=b(1)x(1)+b(2)x(2)+b(3)x(3)+…+b(n)x(n) b(1)是系数,x(1)为全1的一个列向量。 注意：不是插值。 x=[1097 1284 1502 1394 1303 1555 1917 2051 2111 2286 2311 2003 2435 2625 2948 3155 3372];%因变量时间序列数据 y=[698 872 988 807 738 1025 1316 1539 1561 1765 1762 1960 1902 2013 2446 2736 2825];%自变量时间序列数据 X=[ones(size(x')),x']; [b,bint,r,rint,stats]=regress(y',X,0.05);%调用一元回归分析函数 rcoplot(r,rint)%画出在置信度区间下误差分布. 举例：

x = 1 2 4 9 1 4 3 7 1 5 9 0 1 9 1 8 >> y=[10 3 90 48]'; >> [ b , bint , r , rint , stats ]=regress ( y , x ) 得到的结果 b = -186.8333 16.0238 21.8571 8.5952 bint = NaN NaN NaN NaN

matlab建立多元线性回归模型并进行显著性检验及预测问题

matlab建立多元线性回归模型并进行显著性检 验及预测问题 例子; x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; 增加一个常数项 Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; [b,bint,r,rint,stats]=regress(Y,X) 得结果：b = bint = stats = 即对应于b的置信区间分别为[，]、[,]; r2=, F=, p= p<, 可知回 归模型 y=+ 成立. 这个是一元的，如果是多元就增加X的行数！ function [beta_hat,Y_hat,stats]=regress(X,Y,alpha) % 多元线性回归(Y=Xβ+ε)MATLAB代码 % % 参数说明 % X：自变量矩阵，列为自变量，行为观测值 % Y：应变量矩阵，同X % alpha：置信度，[0 1]之间的任意数据 % beta_hat：回归系数 % Y_beata：回归目标值，使用Y-Y_hat来观测回归效果 % stats：结构体，具有如下字段 % =[fV,fH]，F检验相关参数，检验线性回归方程是否显著 % fV：F分布值，越大越好，线性回归方程 越显著 % fH：0或1，0不显著；1显著(好) % =[tH,tV,tW]，T检验相关参数和区间估计，检验回归系数β是 否与Y有显著线性关系 % tV：T分布值，beta_hat(i)绝对值越大, 表示Xi对Y显著的线性作用 % tH：0或1，0不显著；1显著 % tW：区间估计拒绝域，如果beta(i)在对 应拒绝区间内，那么否认Xi对Y显著的线性作用 % =[T,U,Q,R]，回归中使用的重要参数 % T：总离差平方和，且满足T=Q+U % U：回归离差平方和 % Q：残差平方和 % R∈[0 1]：复相关系数，表征回归离差占总 离差的百分比，越大越好 % 举例说明 % 比如要拟合 y=a+b*log(x1)+c*exp(x2)+d*x1*x2，注意一定要将原来方程 线化 % x1=rand(10,1)*10;

多元回归分析matlab剖析

回归分析MATLAB 工具箱 一、多元线性回归 多元线性回归：p p x x y βββ+++=...110 1、确定回归系数的点估计值： 命令为：b=regress(Y , X ) ①b 表示???? ?? ????????=p b βββ?...??10 ②Y 表示????????????=n Y Y Y Y (2) 1 ③X 表示??? ??? ????? ???=np n n p p x x x x x x x x x X ...1......... .........1 (12) 1 22221 11211 2、求回归系数的点估计和区间估计、并检验回归模型： 命令为：[b, bint,r,rint,stats]=regress(Y ,X,alpha) ①bint 表示回归系数的区间估计. ②r 表示残差. ③rint 表示置信区间. ④stats 表示用于检验回归模型的统计量,有三个数值：相关系数r 2、F 值、与F 对应的概率p. 说明：相关系数2 r 越接近1,说明回归方程越显著；)1,(1-->-k n k F F α时拒绝0H ,F 越大,说明回归方程越显著；与F 对应的概率p α<时拒绝H 0,回归模型成立. ⑤alpha 表示显著性水平(缺省时为0.05) 3、画出残差及其置信区间. 命令为：rcoplot(r,rint) 例1.如下程序. 解：(1)输入数据. x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; X=[ones(16,1) x]; Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; (2)回归分析及检验. [b,bint,r,rint,stats]=regress(Y ,X) b,bint,stats 得结果：b = bint =

Matlab多变量回归分析教程

本次教程的主要内容包含： 一、多元线性回归 2# 多元线性回归：regress 二、多项式回归 3# 一元多项式：polyfit或者polytool 多元二项式：rstool或者rsmdemo 三、非线性回归 4# 非线性回归：nlinfit 四、逐步回归 5# 逐步回归：stepwise 一、多元线性回归 多元线性回归： 1、b=regress(Y, X ) 确定回归系数的点估计值

2、[b, bint,r,rint,stats]=regress(Y,X,alpha)求回归系数的点估计和区间估计、并检验回归模型 ①bint表示回归系数的区间估计. ②r表示残差 ③rint表示置信区间 ④stats表示用于检验回归模型的统计量,有三个数值：相关系数r2、F值、与F对应的概率p 说明：相关系数r2越接近1，说明回归方程越显著；时拒绝H0，F越大，说明回归方程越显著；与F对应的概率p<α时拒绝H0 ⑤alpha表示显著性水平(缺省时为0.05) 3、rcoplot(r,rint)画出残差及其置信区间 具体参见下面的实例演示 4、实例演示，函数使用说明 (1)输入数据 1.>>x=[143 145 146 147 149 150 153 154 155 156 157 158 159 160 162 164]'; 2.>>X=[ones(16,1) x]; 3.>>Y=[88 85 88 91 92 93 93 95 96 98 97 96 98 99 100 102]'; 复制代码 (2)回归分析及检验 1. >> [b,bint,r,rint,stats]=regress(Y,X) 2. 3. b = 4. 5. -1 6.0730 6.0.7194 7. 8. 9.bint =

matlab多元非线性回归教程

matlab 回归（多元拟合）教程 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)： e x x y p p ++ ++ = βββ 1 10 设变量12,,,p x x x y 的n 组观测值为12(,, ,)1,2, ,i i ip i x x x y i n = 记 ??????? ??=np n n p p x x x x x x x x x x 2 1 22221 1121111 1，?? ?? ? ?? ??=n y y y y 21，则?????? ? ??=p ββββ 10 的估计值为排列方式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

matlab多元非线性回归及显着性分析(实例)

matlab多元非线性回归及显著性分析 给各位高手：小弟有一些数据需要回归分析（非线性）及显著性检验（回归模型，次要项，误差及失拟项纯误差，F值和P值），求大侠帮助，给出程序，不胜感激。 模型： DA TA=... %DA TA前三列是影响因子，第四列为响应值 [2 130 75 48.61; 2 110 75 56.43; 2 130 45 61.32; 2 110 45 65.28; 1 110 45 55.80; 1 130 75 45.65; 1 110 75 50.91; 1 130 45 67.94; 1.5 120 60 74.15; 1.5 120 60 71.28; 1.5 120 60 77.95; 1.5 120 60 74.16; 1.5 120 60 75.20; 1.5 120 85 35.65; 1.5 140 60 48.66; 1.5 120 30 74.10; 1.5 100 60 6 2.30; 0.5 120 60 66.00; 2.5 120 60 75.10]; 回归分析过程： （1）MATLAB编程步骤1：首先为非线性回归函数编程，程序存盘为user_function.m function y=user_function(beta,x) b0 = beta(1); b1 = beta(2); b2 = beta(3); b3 = beta(4); x0 = x(:,1); x1 = x(:,2); x2 = x(:,3); x3 = x(:,4); y=b0*x0+b1*x1.^2+b2*x2.^2+b3*x3.^2; （2）MATLAB编程步骤2：编写非线性回归主程序，程序运行时调用函数user_function x=[1 2 130 75 48.61;

(研究生-数理统计)多元线性回归及显著性检验Matlab程序(完美版)

多元线性回归及显著性检验Matlab程序（完美版） 一、说明： 1、本程序是研究生教材《数理统计》（杨虎、刘琼、钟波编著）例4.4.1（P133）的Matlab 编程解答程序。教材上的例题只做了回归方程显著性分析和一次回归系数显著性分析（剔除x1后没有再检验x2和x3）。 2、本程序在以上的基础之上,还分别检验了x2和x3,并且计算精度更高。 3、本程序可根据用户的需要,在输入不同的显著性水平α之下得到相应的解答。 4、本程序移植性强,对于其他数据,只需要改变excel中的数据即可。 5、本程序输出的可读性强,整洁美观。 二、数据入下（将数据存入excel表格,文件名为jc_p133_example.xls。注意数据是按 ）：

三、完整程序如下： %----------------------------by ggihhimm---------------------------- %《数理统计》杨虎、刘琼、钟波编著例4.4.1 多元线性回归及显著性检验完整解答 % 输入需要的显著水平α（默认α=0.02）,计算出不同结果（见运行结果） % 该程序也适合其他维数的数据分析（只需改变excel表格中的数据即可） %----------------------------by ggihhimm---------------------------- clear;clc; data=xlsread('jc_p133_example.xls','sheet1'); xi=data(:,1:end-1); [n,k]=size(data); k=k-1; index_of_xi_array=ones(1,k); X=[ones(n,1) xi]; Y=data(:,end); fprintf('第1次计算结果：\r') beta_mao=((X'*X)\X'*Y)'; fmt_str0=''; for i0=1:k+1 fmt_str0=[fmt_str0 'β' num2str(i0-1) ' = %0.4f\r']; end fprintf(fmt_str0,beta_mao) fprintf('\r')

matlab多元线性回归模型

matlab多元线性回归模型

云南大学数学与统计学实验教学中心 实验报告 一、实验目的 1.熟悉MATLAB的运行环境. 2.学会初步建立数学模型的方法 3.运用回归分析方法来解决问题 二、实验内容 实验一：某公司出口换回成本分析 对经营同一类产品出口业务的公司进行抽样调查,被调查的13家公司,其出口换汇成本与商品流转费用率资料如下表。试分析两个变量之间的关系,并估计某家公司商品流转费用率是6.5%的出口换汇成本.

实验二：某建筑材料公司的销售量因素分析 下表数据是某建筑材料公司去年20个地区的销售量（Y，千方），推销开支、实际帐目数、同类商品竞争数和地区销售潜力分别是影响建筑材料销售量的因素。1）试建立回归模型，且分析哪些是主要的影响因素。2）建立最优回归模型。

提示：建立一个多元线性回归模型。 三、实验环境 Windows操作系统; MATLAB 7.0. 四、实验过程 实验一：运用回归分析在MATLAB里实现 输入：x=[4.20 5.30 7.10 3.70 6.20 3.50 4.80 5.50 4.10 5.00 4.00 3.40 6.90]'; X=[ones(13,1) x]; Y=[1.40 1.20 1.00 1.90 1.30 2.40 1.40 1.60 2.00 1.00 1.60 1.80 1.40]'; plot(x,Y,'*'); [b,bint,r,rint,stats]=regress(Y,X,0.05); 输出： b = 2.6597 -0.2288 bint = 1.8873 3.4322 -0.3820 -0.0757 stats = 0.4958 10.8168 0.0072

应用MATLAB进行非线性回归分析资料讲解

应用M A T L A B进行非线性回归分析

应用MATLAB进行非线性回归分析 摘要 早在十九世纪，英国生物学家兼统计学家高尔顿在研究父与子身高的遗传问题时，发现子代的平均高度又向中心回归大的意思，使得一段时间内人的身高相对稳定。之后回归分析的思想渗透到了数理统计的其他分支中。随着计算机的发展，各种统计软件包的出现，回归分析的应用就越来越广泛。回归分析处理的是变量与变量间的关系。有时，回归函数不是自变量的线性函数，但通过变换可以将之化为线性函数，从而利用一元线性回归对其进行分析，这样的问题是非线性回归问题。下面的第一题：炼钢厂出钢水时用的钢包，在使用过程中由于钢水及炉渣对耐火材料的侵蚀，使其容积不断增大。要找出钢包的容积用盛满钢水时的质量与相应的实验次数的定量关系表达式，就要用到一元非线性回归分析方法。首先我们要对数据进行分析，描出数据的散点图，判断两个变量之间可能的函数关系，对题中的非线性函数，参数估计是最常用的“线性化方法”，即通过某种变换，将方程化为一元线性方程的形式，接着我们就要对得到的一些曲线回归方程进行选择，找出到底哪一个才是更好一点的。此时我们通常可采用两个指标进行选择，第一个是决定系数 ，第二个是剩余标准差。进而就得到了我们想要的定量关系表达式。第二题：给出了某地区1971—2000年的人口数据，对该地区的人口变化进行曲线拟合。也用到了一元非线性回归的方法。首先我们也要对数据进行分析，描出数据的散点图，然后用MATLAB编程进行回归分析拟合计算输出利用Logistic模型拟合曲线。 关键词：参数估计，Logistic模型，MATLAB 正文 一、一元非线性回归分析的求解思路：

基于MATLAB的多元非线性回归模型

第２９卷第２期２００９年３月 云南师范大学学报 ＪｏｕｒｎａｌｏｆＹｕｎｎａｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ Ｖ０１．２９Ｎｏ．２ Ｍａｒ．２００９基于ＭＡＴＬＡＢ的多元非线性回归模型‘ 董大校 （临沧师范高等专科学校，云南临沧６７７００００） 摘要：ＭＡＴＬＡＢ是源于矩阵运算的一种高度集成的计算机语言。它提供了强大的科学运算、灵活的 程序设计流程、高质量的图形可视化与界面设计、便捷的与其他程序和语言接口的功能。文章充分利用 ＭＡＴＬＡＢ统计工具箱的优势，通过程序的实现，对多元非线性回归模型的未知参数的估计方法以及对估 计后的模型预报做出研究，并以实例验证了该方法的有效性。 关键词：ＭＡＴＬＡＢ；多元非线性回归；ｔｄ，－－乘法；统计工具箱 中图分类号：ＴＰ３０１文献标识码：Ａ文章编号：１００７—９７９３（２００９）０２—００４５—０４ ｌ预备知识 非线性回归最小二乘法拟合的基本原理…。 对给定数据（菇ｉ，Ｙ；）（ｉ＝０，ｌ，…，ｒｒｔ），在取定的函数类西中，求ｐ（ｘ）∈痧，使误差ｔ＝ｐ（ｘ）一Ｙ。（ｉ＝０，１，…，ｍ）的平方和最小，即 ∑＃＝∑［ｐ（戈ｉ）一，，ｉ］２ 最小，从几何意义上讲，就是寻求与给定点（菇ｉ，Ｙ；）（ｉ＝０，１，…，ｒｎ）的距离平方和为最小的曲线Ｙ＝ｐ（菇）（图１）。函数ｐ（ｘ）称为拟合函数或最小二乘解，求拟合函数ｐ（ｘ）的方法称为曲线拟合的最小二乘法。 ２ＭＡＴＬＡＢ非线性曲线拟合命令介绍 ２．１ｎＨｎｆｉｔ函数旧１ 用ｎｌｉｎｆｉｔ函数进行非线性最小二乘数据拟合。该函数使用高斯一牛顿算法，调用格式如下： Ｑｂｅｔａ＝ｎｌｉｎｆｉｔ（Ｘ，Ｙ，ｆｕｎ，ｂｅｔａ０）用最小二乘法估计非线性函数系数。Ｙ为响应值（因变量）矢量。一般地，为自变量值组成的设计矩阵，每一行对应与Ｙ中的一发个值。但是，ｘ可以是ｆｕｎ参数能接受的任何数组。ｆｕｎ参数为一函数，该函数具有下面的形式 ｙｈａｔ＝ｍｙｆｕｎ（ｂｅｔａ。Ｘ） 其中ｂｅｔａ为系数矢量，ｘ为设计矩阵。ｆｕｎ为参数返回一个拟合Ｙ值的ｙｈａｔ矢量。ｂｅｔａＯ为包含系数初始值的矢量。 ●［ｂｅｔａ，ｒ，Ｊ］＝ｎｌｉｎｆｉｔ（Ｘ，Ｙ，ｆｕｎ，ｂｅｔａ０）返回拟合系数（ｂｅｔａ）、残差（ｒ）、和雅可比矩阵Ｊ，这些参数可以用于ｎｌｉｎｔｏｏｌ函数，生成预测值的误差估计；或用于ｎｌｐａｒｃｉ函数生成系数的误差估计。 ２．２ｎｌｉｎｔｏｏｌ函数 使用ｎｌｉｎｔｏｏｌ函数可以对数据进行非线性方程拟合并交互图形显示，其调用格式如下： ?收稿日期：２００８—１０－２３ 作者简介：董大校（１９６５一），男，云南省临沧市人，副教授，主要从事数学教学科研工作．

MATLAB 非线性 回归 拟合 nlintool

非线性回归 非线性回归可用命令nlinfit,nlintool,nlparci,nlpredci来实现。 进行非线性回归时可使用nlinfit指令，其语法如下： beta = nlinfit(X,y,fun,beta0) [beta,r,J] = nlinfit(X,y,fun,beta0) [...] = nlinfit(X, y, fun, beta0, options) 回归： 回归可用命令 [beta,r,J]=nlinfit(x,y,model,beta0) 或者 nlintool(x,y,model,beta0,alpha) 来实现。 其中： 命令 [beta,r,J]=nlinfit(x,y,model,beta0)的作用为确定回归系数； 而命令 nlintool(x,y,model,beta0,alpha) 产生一个交互式的画面，画面中有拟合曲线和y的置信区间。 通过左下方的Export下拉式菜单，可以输出回归系数等。 这里的输入数据： x、y分别为 m×n 矩阵和n维列向量，对一元非线性回归，x为n维列向量； model是事先用m-文件定义的非线性函数； beta0是回归系数的初值。 Beta是估计出的回归系数， r（残差）、 J（Jacobian矩阵）是估计预测误差需要的数据。 alpha为显著性水平，缺省时为0.05。 预测和预测误差估计： 预测和预测误差估计的命令格式为 betaci=nlparci(beta,r,J) 其用途为记算回归系数的置信区间； [Y,DELTA]=nlpredci(model,x,beta,r,J) 其用途为求nlinfit或nlintool所得的回归函数在x处的预测值Y及预测值的显著性为