方程擬合演算法

『壹』 統計學（方程擬合）

洛倫茲曲線的方法 盡管可根據收入分配的統計數據加以描繪，但至今卻未能找到一種有效的方法，准確地擬合洛倫茲曲線方程並由此求出精確的基尼系數。目前常被使用

『貳』 數據擬合演算法

解：設一共有n個方程，第i個方程形如aiX1+biX2=ci，其中ai,bi,ci是已知數
設di(x1,x2)=(ci-aix1-bix2)(ci-aix1-bix2)
設D= d1+d2+...dn
原問題就是求D的極小值，分別求D關於x1和x2的偏導數，得

Dx1=2a1(a1x1+b1x2-c1)+2a2(a2x1+b2x2-c2)+...2an(anx1+bnx2-cn)
Dx2=2b1(a1x1+b1x2-c1)+2b2(a2x1+b2x2-c2)+...2bn(anx1+bnx2-cn)
極小值處偏導數等於0，所以令Dx1=0,Dx2=0建立方程組，解得
x1=(F*B-G*E)/(A*B-E*E）
x2=(G*A-F*E)/(A*B-E*E)
其中F=a1c1+a2c2+...+ancn
G=b1c1+b2c2+...+bncn
E=a1b1+a2b2+...+anbn
A=a1a1+a2a2+...+anan
B=b1b1+b2b2+...+bnbn
具體數據這里就不算了，用excel把公式打進去就可以算，另外excel本身就帶擬合功能

『叄』 曲線擬合的方法

用Matlab進行曲線擬合步驟：
一、 單一變數的曲線逼近
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)
選擇好所需的擬合曲線類型及其子類型，並進行相關設置：
——如果是非自定義的類型，根據實際需要點擊「Fit options」按鈕，設置擬合演算法、修改待估計參數的上下限等參數；
——如果選Custom Equations，點擊「New」按鈕，彈出自定義函數等式窗口，有「Linear Equations線性等式」和「General Equations構造等式」兩種標簽。
在本例中選Custom Equations，點擊「New」按鈕，選擇「General Equations」標簽，輸入函數類型y=a*x*x + b*x，設置參數a、b的上下限，然後點擊OK。
（5）類型設置完成後，點擊「Apply」按鈕，就可以在Results框中得到擬合結果，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
同時，也會在工具箱窗口中顯示擬合曲線。
這樣，就完成一次曲線擬合啦，十分方便快捷。當然，如果你覺得擬合效果不好，還可以在「Fitting」窗口點擊「New fit」按鈕，按照步驟（4）~（5）進行一次新的擬合。
不過，需要注意的是，cftool 工具箱只能進行單個變數的曲線擬合，即待擬合的公式中，變數只能有一個。對於混合型的曲線，例如 y = a*x + b/x ，工具箱的擬合效果並不好。下一篇文章我介紹幫同學做的一個非線性函數的曲線擬合。

『肆』 請問採用什麼方法能擬合出方程里的兩個參數

採用什麼方法能擬合出方程里的兩個參數？一般可以用nlinfit（）、 lsqcurvefit（）、 lsqnonlin（）這三個常用的函數來擬合系數，也可以用遺傳演算法來求。今以nlinfit函數為例說明，其擬合過程：
第一步，將三個自變數賦值給x，一個因變數賦值給y。即 x=[自變數1,自變數2,自變數3]；y=[因變數]；
第二步，自定義數學模型表達式。即 func=@(a,x) 數學模型表達式
第三步，初定擬合系數的初值，即a0=[a01,a02,a03,a04] %這里假定未知系數有4個
第四步，使用nlinfit函數求解其數學模型的系數，即
[a,r,J]=nlinfit(x,y,func,x0);
第五步，使用 nlparci函數求擬合系數的置信區間，即
ci = nlparci(p,r,J)
第六步，計算擬合值，即 yi=func(a,x)
第七步，計算擬合精度R²，判斷擬合是否成功。

『伍』 曲線擬合一般有哪些方法

用Matlab進行曲線擬合步驟：
一、 單一變數的曲線逼近
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)
選擇好所需的擬合曲線類型及其子類型，並進行相關設置：
——如果是非自定義的類型，根據實際需要點擊「Fit options」按鈕，設置擬合演算法、修改待估計參數的上下限等參數；
——如果選Custom Equations，點擊「New」按鈕，彈出自定義函數等式窗口，有「Linear Equations線性等式」和「General Equations構造等式」兩種標簽。
在本例中選Custom Equations，點擊「New」按鈕，選擇「General Equations」標簽，輸入函數類型y=a*x*x + b*x，設置參數a、b的上下限，然後點擊OK。
（5）類型設置完成後，點擊「Apply」按鈕，就可以在Results框中得到擬合結果，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
同時，也會在工具箱窗口中顯示擬合曲線。
這樣，就完成一次曲線擬合啦，十分方便快捷。當然，如果你覺得擬合效果不好，還可以在「Fitting」窗口點擊「New fit」按鈕，按照步驟（4）~（5）進行一次新的擬合。
不過，需要注意的是，cftool 工具箱只能進行單個變數的曲線擬合，即待擬合的公式中，變數只能有一個。對於混合型的曲線，例如 y = a*x + b/x ，工具箱的擬合效果並不好。下一篇文章我介紹幫同學做的一個非線性函數的曲線擬合。

『陸』 線性回歸的擬合方程

一般來說，線性回歸都可以通過最小二乘法求出其方程，可以計算出對於y=bx+a的直線，其經驗擬合方程如下：
其相關系數（即通常說的擬合的好壞）可以用以下公式來計算：
雖然不同的統計軟體可能會用不同的格式給出回歸的結果，但是它們的基本內容是一致的。以STATA的輸出為例來說明如何理解回歸分析的結果。在這個例子中，測試讀者的性別（gender），年齡（age），知識程度（know）與文檔的次序（noofdoc）對他們所覺得的文檔質量(relevance)的影響。
輸出：
Source | SS df MS Number of obs = 242
-------------+------------------------------------------ F ( 4, 237) = 2.76
Model | 14.0069855 4 3.50174637 Prob > F = 0.0283
Resial | 300.279172 237 1.26700072 R-squared = 0.0446
------------- +------------------------------------------- Adj R-squared = 0.0284
Total | 314.286157 241 1.30409194 Root MSE = 1.1256
------------------------------------------------------------------------------------------------
relevance | Coef. Std. Err. t P>|t| Beta
---------------+--------------------------------------------------------------------------------
gender | -.2111061 .1627241 -1.30 0.196 -.0825009
age | -.1020986 .0486324 -2.10 0.037 -.1341841
know | .0022537 .0535243 0.04 0.966 .0026877
noofdoc | -.3291053 .1382645 -2.38 0.018 -.1513428
_cons | 7.334757 1.072246 6.84 0.000 .
------------------------------------------------------------------------------------------- ，，
其中，代表y的平方和；是相關系數，代表變異被回歸直線解釋的比例；就是不能被回歸直線解釋的變異，即SSE。
根據回歸系數與直線斜率的關系，可以得到等價形式：，其中b為直線斜率 ，其中是實際測量值，是根據直線方程算出來的預測值