數據擬合函數用什麼

① 曲線擬合的常用函數

指數函數(exponential function)的標準式形式為
Y=aebX (12.29)
對式（12.29）兩邊取對數，得lnY=lna+bX (12.30)
b>0時，Y隨X增大而增大；b<0時，Y隨X增大而減少。見圖12.4(a)、(b)。當以lnY和X繪制的散點圖呈直線趨勢時，可考慮採用指數函數來描述Y與X間的非線性關系，lna和b分別為截距和斜率。
更一般的指數函數
Y=aebX+k (12.31)
式中k為一常量，往往未知, 應用時可試用不同的值。 對數函數（lograrithmic function）的標準式形式為
Y=a+blnX (X>0) (12.32)
b>0時，Y隨X增大而增大，先快後慢；b<0時，Y隨X增大而減少，先快後慢，見圖12.4(c)、(d)。當以Y和lnX繪制的散點圖呈直線趨勢時，可考慮採用對數函數描述Y與X之間的非線性關系，式中的b和a分別為斜率和截距。
更一般的對數函數
Y=a+bln(X+k) (12.33)
式中k為一常量，往往未知。
(a)lnY=lna+bX(b)lnY=lna-bX(c)Y=a+blnX(d)Y=a-blnX 冪函數（power function）的標準式形式為
Y=aXb(a>0,X>0) (12.34)
式中b>0時，Y隨X增大而增大；b<0時，Y隨X增大而減少。
對式（12.34）兩邊取對數，得
lnY=lna+blnX(12.35)
所以，當以lnY和lnX繪制的散點圖呈直線趨勢時，可考慮採用冪函數來描述Y和X間的非線性關系，lna和b分別是截距和斜率。
更一般的冪函數
Y=aXb+k (12.36)
式中k為一常量，往往未知。

② 關於matlab 數據擬合 ，沒有經驗公式，不知道是幾次的函數，該如何擬合

不管是什麼程序（matlab或是excel），你必須得告許程序目標擬合公式的形式。這里的形式，是指你的公式是多項式型、對數型、三角形或其它的形式，但是這個公式裡面有待定的系數，而這個系數就是通過擬合得到的。
還有就是數據擬合，一般採用最小二乘的方法，這種方法並不是所有形式的公式都可以擬合。如果你的公式比較復雜，比如上說是一個積分形式，並且這個積分還不能顯示的積出來，需要數值積分才可以積出來的話，用最小二乘法就不行了，這時，matlab是沒有現成的函數來進行擬合的，這時就需要自己編程序來實現，比如可以運用「黃金分割法」、「Powell優化」等方法來實現。
但，如你所提的問題，多項式是可以擬合的，多項式擬合也是最基本的數據擬合。可是呢，你又不知這個多項式是多少次的，這時候就需要根據你對已有數據觀察加以判斷了。你可以先假定是N次的，然後根據擬合的效果看是否需要更改。數據擬合並沒有標准答案，只要你擬合出來的曲線和已有的數據符得相對比較好就行了。
最後，希望我的回答可以幫助你。也希望你能採納我的回答。

③ 如何用matlab數據擬合函數

MATLAB有好多方法來擬合函數，比如對數擬合、指數擬合、多項式擬合。建議你看一下講解MATLAB函數擬合的書籍。就你給的數據看，多項式擬合(Polyfit)比較適合且比較簡單。

④ 這個曲線用什麼函數來擬合

可以用三次函數來擬合。擬合函數方程：
y=a+b/x+c/x²
其中：a>0,b<0,c<0

⑤ 怎麼用matlab進行數據的多元擬合

如何用matlab進行數據的多元函數擬合？

1、擬合前，我們應准備x1,x2,x3,。。。,y的一系列數據

2、將x1,x2,x3,。。。數據賦值給X變數

3、自定義多元函數擬合函數，如func=@(a,x)a(1)*x1+a(2)*x2+a(3)*x3+a(4)，a為擬合系數

4、初定a的初始值，如a0=[0,0,0,0] %其個數必須與擬合顯示對應

5、利用nlinfit或lsqcurvefit函數，求其擬合系數。如

[a,r,J]=nlinfit(X,y,func,a0)

這里，a為擬合系數；r為殘差；J為Jacobian 矩陣

6、利用nlparci函數，求得擬合系數的置信區間，即

ci = nlparci(p,r,J)

7、計算擬合值，即 yi=func(a,x)

8、計算原數據與擬合數據的相關性，如R²≈1，則認為擬合是合理的。

⑥ polyfit的用法

polyfit的用法：

p = polyfit(x,y,n);

% 其中x,y表示需要擬合的坐標點，大小需要一樣； n表示多項式擬合的次數。

% 返回值p表示多項式擬合的系數，系數從高到低排列。

polyfit函數是matlab中用於進行曲線擬合的一個函數。其數學基礎是最小二乘法曲線擬合原理。曲線擬合：已知離散點上的數據集，即已知在點集上的函數值，構造一個解析函數（其圖形為一曲線）使在原離散點上盡可能接近給定的值。

調用方法：polyfit(x,y,n)。用多項式求過已知點的表達式，其中x為源數據點對應的橫坐標，可為行向量、矩陣，y為源數據點對應的縱坐標，可為行向量、矩陣，n為你要擬合的階數，一階直線擬合，二階拋物線擬合，並非階次越高越好，看擬合情況而定。

matlab polyfit 做出來的值從左到右表示從高次到低次的多項式系數。

例子：

x = (0: 0.1: 2.5)'。

y = erf(x)。

p = polyfit(x,y,6)。

p =。

0.0084 -0.0983 0.4217 -0.7435 0.1471 1.1064 0.0004。

則y=0.0084x^6-0.0983x^5+0.4217x^4-0.7435x^3+0.1471x^2+1.1064x+0.0004。

⑦ 請問matlab用什麼函數來擬合曲線方程，向量數據以給出，只求方法

1、先用plot3（）函數，繪出其曲線。
x=[。。。]
y=[。。。]
z=[。。。]
plot3（x，y，z）
2、用你熟悉的曲線方程去比對，確定擬合曲線函數。
3、用 nlinfit（）函數，求出擬合系數。
如：
b=[ b10 b20 b30];
func=inline('X(:,1).^2+X(:,2).^2+a(1)*X(:,1)+a(2)*X(:,2)+a(3)','a','X');
[a,r,J] = nlinfit(X,y,func,b);

⑧ excel表格擬合函數怎麼用

用wps表格來擬合的步驟：1、分兩列輸入你的數據，比如在A列輸入x，B列輸入y；2、選中兩列數據點，點擊「插入」-「圖表」鈕，出現「圖表類型」對話框；3、在「圖表類型」中選擇「散點圖」，按「完成」鈕;4、在圖表中，選中這些點，用滑鼠右鍵菜單中選擇「添加趨勢線」；5、在出現的類型對話框的「類型」中，選擇「多項式」，在右側的數據框中調整多項式階數，然後點「確定」鈕，就會出現你希望的曲線函數和圖

⑨ 如何用matlab數據擬合函數

Matlab有一個功能強大的曲線擬合工具箱 cftool ，使用方便，能實現多種類型的線性、非線性曲線擬合。下面結合我使用的 Matlab R2007b 來簡單介紹如何使用這個工具箱。

假設我們要擬合的函數形式是 y=A*x*x + B*x, 且A>0,B>0。

1、在命令行輸入數據：
》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、啟動曲線擬合工具箱
》cftool

3、進入曲線擬合工具箱界面「Curve Fitting tool」
（1）點擊「Data」按鈕，彈出「Data」窗口；
（2）利用X data和Y data的下拉菜單讀入數據x,y，可修改數據集名「Data set name」，然後點擊「Create data set」按鈕，退出「Data」窗口，返回工具箱界面，這時會自動畫出數據集的曲線圖；
（3）點擊「Fitting」按鈕，彈出「Fitting」窗口；
（4）點擊「New fit」按鈕，可修改擬合項目名稱「Fit name」，通過「Data set」下拉菜單選擇數據集，然後通過下拉菜單「Type of fit」選擇擬合曲線的類型，工具箱提供的擬合類型有：
Custom Equations：用戶自定義的函數類型
Exponential：指數逼近，有2種類型， a*exp(b*x) 、 a*exp(b*x) + c*exp(d*x)
Fourier：傅立葉逼近，有7種類型，基礎型是 a0 + a1*cos(x*w) + b1*sin(x*w)
Gaussian：高斯逼近，有8種類型，基礎型是 a1*exp(-((x-b1)/c1)^2)
Interpolant：插值逼近，有4種類型，linear、nearest neighbor、cubic spline、shape-preserving
Polynomial：多形式逼近，有9種類型，linear ~、quadratic ~、cubic ~、4-9th degree ~
Power：冪逼近，有2種類型，a*x^b 、a*x^b + c
Rational：有理數逼近，分子、分母共有的類型是linear ~、quadratic ~、cubic ~、4-5th degree ~；此外，分子還包括constant型
Smoothing Spline：平滑逼近（翻譯的不大恰當，不好意思）
Sum of Sin Functions：正弦曲線逼近，有8種類型，基礎型是 a1*sin(b1*x + c1)
Weibull：只有一種，a*b*x^(b-1)*exp(-a*x^b)